Towards transparent and trustworthy prediction of student learning achievement by including instructors as co-designers: a case study
Towards transparent and trustworthy prediction of student learning achievement by including instructors as co-designers: a case study
复制标题
通过将教师作为共同设计者来实现对学生学习成绩的透明且值得信赖的预测：案例研究
DOI：
10.1007/s10639-023-11954-8
复制
发表时间：
2023
影响因子：
5.5
通讯作者：
Wang, Chaoli
中科院分区：
文献类型：
--
作者：
Duan, Xiaojing;Pei, Bo;Ambrose, G. Alex;Hershkovitz, Arnon;Cheng, Ying;Wang, Chaoli
为教育工作者提供从大范围异构学习数据中得出的可理解、可操作和可信赖的见解，对于充分发挥人工智能（AI）在教育环境中的潜力至关重要。可解释人工智能（XAI）-与传统的“黑盒”方法相反-有助于实现这一重要目标。我们提出了一个案例研究，为计算机科学课程中的本科生的学习成绩建立预测模型，其中开发过程涉及课程讲师作为合作设计者，并使用XAI技术来解释几个机器学习预测的基本推理。这些解释提高了预测的透明度，并为教育工作者分享他们的判断和见解打开了大门。它进一步使我们能够通过结合教育者对课程和学生的背景知识来完善预测。通过这种人类-人工智能协作过程，我们展示了如何通过让教师参与进来，实现对学生学习的更负责任的理解，并推动透明和值得信赖的学生学习成绩预测。我们的研究强调，教育中值得信赖的人工智能不仅应该强调预测结果和预测过程的可解释性，还应该在预测模型的整个开发过程中纳入主题专家。
Providing educators with understandable, actionable, and trustworthy insights drawn from large-scope heterogeneous learning data is of paramount importance in achieving the full potential of artificial intelligence (AI) in educational settings. Explainable AI (XAI)—contrary to the traditional “black-box” approach—helps fulfilling this important goal. We present a case study of building prediction models for undergraduate students’ learning achievement in a Computer Science course, where the development process involves the course instructor as a co-designer, and with the use of XAI technologies to explain the underlying reasoning of several machine learning predictions. The explanations enhance the transparency of the predictions and open the door for educators to share their judgments and insights. It further enables us to refine the predictions by incorporating the educators’ contextual knowledge of the course and of the students. Through this human-AI collaboration process, we demonstrate how to achieve a more accountable understanding of students’ learning and drive towards transparent and trustworthy student learning achievement prediction by keeping instructors in the loop. Our study highlights that trustworthy AI in education should emphasize not only the interpretability of the predicted outcomes and prediction process, but also the incorporation of subject-matter experts throughout the development of prediction models.
登录
查看更多内容
教师和顾问对成绩不佳学生的早期预测模型的见解
影响因子：
3.9
作者：
A. Hershkovitz;A. Ambrose
通讯作者：
A. Ambrose
跨学科电子学习和学习对象杂志编辑：Alex Koohang 基于日志文件分析的学校在线学习行为与家庭在线学习行为在年龄和性别方面的比较
DOI：
--
发表时间：
--
期刊：
影响因子：
--
作者：
G. Ben;Moshe Leiba;Rafi Nachmias
通讯作者：
Rafi Nachmias
流程挖掘与专家特征工程相结合，可预测高风险评估中时间的有效利用
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
Nathan A. Levin
通讯作者：
Nathan A. Levin
论自我训练在 MOOC 辍学预测中的有效性
影响因子：
1.5
作者：
Yamini Goel;Rinkaj Goyal
通讯作者：
Rinkaj Goyal
影响因子：
--
作者：
S. Heras;Javier Palanca;Paula Rodríguez;N. Duque-Méndez;V. Julián
通讯作者：
S. Heras;Javier Palanca;Paula Rodríguez;N. Duque-Méndez;V. Julián