面向负责任可信教育数据挖掘：比较符号、次符号与神经符号 AI 方法
人工智能
2025-04-14 v2
摘要
鉴于对负责任可信 AI 在教育领域的需求，本研究评估了符号、次符号和神经符号 AI (NSAI) 在可塑性和可解释性方面的表现。我们在平衡与不平衡的自我调节学习数据集上进行了广泛实验，这些数据集来自爱国立小学学生，预测其 7 年级数学全国考试表现。结果显示，符号和次符号方法在平衡数据上表现良好，但在不平衡数据集中难以识别低表现者。有趣的是，符号和次符号方法在决策制定中强调不同的因素：符号方法主要依赖认知和动机因素，而次符号方法更关注认知方面、所学知识以及性别这一人口统计变量——但两者都大大低估了元认知因素的重要性。相较之下，NSAI 方法表现出优势：(i) 其在两类样本上都更具可塑性——即使在不平衡数据集中也能做到这一点，其符号知识组件弥补了欠represent的类别；(ii) 在决策制定中依赖更综合的因素，包括动机、(元)认知和所学知识，从而提供了全面且理论驱动的可解释性框架。这些对比发现凸显了在仅基于预测性能就得出结论前需对 AI 方法进行全面比较的必要性。也强调了混合、以人类为中心的 NSAI 方法有望解决其他 AI 家族的局限性，使我们更接近于教育领域的负责任 AI。具体而言，通过使利益相关者能够参与 AI 设计，NSAI 将所学模式与理论 construct 对齐，纳入动机和元认知等因素，从而增强了教育数据挖掘的可信度和责任感。
引用
@article{arxiv.2504.00615,
title = {Towards Responsible and Trustworthy Educational Data Mining: Comparing Symbolic, Sub-Symbolic, and Neural-Symbolic AI Methods},
author = {Danial Hooshyar and Eve Kikas and Yeongwook Yang and Gustav Šír and Raija Hämäläinen and Tommi Kärkkäinen and Roger Azevedo},
journal= {arXiv preprint arXiv:2504.00615},
year = {2025}
}