面向教育预测建模的公平且隐私-aware 迁移学习：关于社区学院保留预测的案例研究
计算机与社会
2025-01-14 v1
摘要
预测分析在学习分析中广泛应用，但许多资源受限的机构缺乏自行开发模型的能力，或依赖来自不同语境下训练的专有模型且缺乏透明度。迁移学习为扩大公平获取预测分析的机会但仍未得到充分探索，由于法律和技术限制。本文考察了面向美国两年制社区学院的保留预测迁移学习策略。我们设想一种场景，即社区学院与四年制大学合作，在隐私约束下开发保留预测模型，并评估跨机构模型迁移的风险和改进策略。使用来自 4 所研究大学和 23 所社区学院、覆盖超过 80 万名学生的 7 个教学季度的行政记录，我们识别在在外部模型在本地部署而未进行适应时会出现性能和公平性下降。可获取的背景信息可以预测这些性能下降并为模型可移植性提供早期指导。对于受隐私法规约束的开发者，通过基于人口统计学相似性选择机构进行顺序训练可在不损害性能的前提下提升公平性。对于缺乏本地数据以微调源模型的机构，通过为敏感群体定制评估阈值比标准迁移技术在提升性能和公平性方面更为有效。我们的发现表明迁移学习对于更可及的教育预测建模具有价值，并呼吁在模型训练、选择和部署中谨慎使用背景信息以实现可靠且公平的模型迁移。
引用
@article{arxiv.2501.06913,
title = {Towards Fair and Privacy-Aware Transfer Learning for Educational Predictive Modeling: A Case Study on Retention Prediction in Community Colleges},
author = {Chengyuan Yao and Carmen Cortez and Renzhe Yu},
journal= {arXiv preprint arXiv:2501.06913},
year = {2025}
}