混合课程学生成绩预测模型的可解释性探究
机器学习技术的可解释性是人工智能与教育教学深度融合的关键所在.打开机器学习模型的"黑箱",理解机器学习模型结构的教育意义、推理的机制和预测结果的应用条件是实现人机互信的基础,也是促进人工智能在教育教学中应用的前提条件.本研究以五种基于机器学习算法构建的学生成绩预测模型为例,分析了混合教学场景中解释学生成绩预测模型主要关注的三个方面:预测模型结构所代表的教育意义、预测模型内在推理机制所揭示的预测关系和预测结果对教学实践的启示.结果发现:(1)只采用学生的部分学习过程数据预测学习成绩时,学生的行为模式与学习成绩的映射关系存在多种模式,试图构建学生在线行为与学生成绩一一对应关系的预测模型难以获得较好的预测结果;(2)本研究中的预测模型最高可预测正确所有混合课程中74.7％的学生,不同学习成绩组学生的预测准确率差异较大,成绩为A和B的学生预测准确率较高,达到80.6％和85.3％,成绩为C及以下的学生预测准确率最高只达到63％;(3)本研究中的预测模型对学生个体的预测结果只有当学生积极参加所有在线学习活动时才具有较高可信度,当学生个体出现在线学习活动缺失时预测结果可信度较低.研究还对教师在混合课程场景下如何应用成绩预测模型提供了建议:(1)针对混合课程的特点应用预测结果;(2)理解模型的推理机制以灵活切换预测模型;(3)依据学生在线学习行为参与的完整性判断预测结果是否可信.
学习分析、混合课程、机器学习、算法、预测模型、可解释性、逻辑回归、多层感知器、随机森林、多核支持向量机、朴素贝叶斯
G420(教学理论)
国家社会科学基金BCA180084
2022-06-22（万方平台首次上网日期，不代表论文的发表时间）
共10页
46-55
