研究人员建议使用AI预测哪些大学生可能无法通过物理课

在预印本服务器Arxiv.org上发表的一篇论文中，西弗吉尼亚大学和加利福尼亚州立理工大学的研究人员调查了机器学习算法的使用，以识别入门物理课中的高风险学生。他们声称这可能是教育者和挣扎中的大学生的有力工具，但批评家认为，类似的技术可能会对有偏见或误导性预测的学生造成伤害。

物理和其他核心科学课程在大学生涯的早期就构成了科学，技术，工程和数学(STEM)专业的障碍。(研究表明，大约有40%的计划工程和自然科学专业的学生最终转而攻读其他学科或没有获得学位。)虽然物理教学法已经开发出了一系列基于研究的实践来帮助学生克服挑战，但有些策略却具有实质性意义一流的实施成本。而且，并非所有人都适合每个学生。

研究人员断言，这需要一种识别危险学生的算法方法，特别是在物理领域。为此，他们以以前的工作为基础，这些工作使用ACT分数，大学GPA和物理课中收集的数据(例如功课成绩和考试成绩)来预测学生在第一学期和第二学期将获得A还是B 。

但是研究表明，即使接受大型语料库的训练，人工智能在预测复杂结果方面也相对较差-并且存在偏差问题。例如，词嵌入是一种常见的算法训练技术，涉及将词链接到向量，不可避免地会拾取(并且最糟糕的是放大)源文本和对话中包含的偏见。据报道，亚马逊的内部招聘工具(接受了十年期提交的简历的培训)被报废了，因为它表现出对女性的偏见。

尽管如此，研究人员还是从东方两家大型学术机构的基于演算基础的物理课程中抽取了样本，以训练学生预测性能的AI算法。第一语料库和第二语料库包括在一所大学的物理科学和工程学学生，为大约21,000名本科生提供服务，样本量分别为7,184和1,683名学生。三分之一来自主要是本科生和西班牙裔服务的大学，在美国西部约有26,000名学生

样本在构成和人口统计方面非常不同。第一个和第二个是在不同的时间范围(2000-2018年和2016-2019年)收集的，其中大多数是白人学生(占80%)，第二个反映了2011年和2015学年的课程变化。相比之下，第三次为一年(2017年)，主要是西班牙裔(46%)和亚洲人(21%)，学生们既参加讲座又参加主动学习风格的课程。

研究人员在样本上训练了所谓的随机森林，以预测学生的最终物理成绩。在机器学习中，随机森林是一种集成方法，可构建大量决策树并输出单个树的均值预测，在这种情况下，学生很可能会获得A，B或C(ABC学生)或D， F或退出(W)(DFW学生)。

根据研究人员的说法，在第一个样本上训练的算法预测“ DFW学生”的准确性仅为16%，这可能是因为训练集中DFW学生的比例很低(12%)。他们指出，在对整个样本进行培训时，女性的DFW准确性较低，而少数民族学生人数较少的DFW准确性较高，他们有问题地指出，这需要对人口统计学进行模型调整。

人口统计学敏感的高风险学生预测模型不胜枚举。估计包括佐治亚州立大学在内的1,400所美国大学正在使用算法技术来识别可能正在苦苦挣扎的学生，以便他们提供支持，甚至鼓励这些学生改变专业。但是，尽管在经历了多年的急剧下降之后，全国毕业率在2016年又开始回升，但人们担心这种算法可能会加剧历史上的不平等现象，将低收入的学生或有色人种的学生集中到“更容易”和薪水更低的专业中。

“我们整个社会的高等教育都存在历史偏见，”新美国智库的高等教育高级顾问艾里斯·帕尔默(Iris Palmer)告诉AMP Reports。“如果我们使用过去的数据来预测学生将来的表现，我们是否可以消除这种偏见?将会发生的事情是他们会灰心……这最终将成为那些特殊学生的自我实现的预言。”

在这项最新研究中，当将其应用于第二个样本时，研究人员发现随机森林的性能稍好(这归因于将范围限制为三年零一个机构，而不是十年零零几个机构)。他们还发现，与性别，每周作业和测验成绩等课堂数据相比，诸如性别，标准化考试成绩，佩尔助学金资格以及从AP课程获得的学时等制度性变量的重要性要小。经过物理课训练的随机森林在物理课的第五周之后变得比基于机构数据的模型更好，而在大约第八周之后“大大”改善。在这种情况下，制度变量和课堂数据结合起来具有更大的预测能力：与仅制度变量的模型相比，

关于第三个样本，研究人员说，对其进行训练的模型比第一个和第二个语料库的模型具有更低的DFW准确性和精确度(即，两次或更多次测量的接近程度的度量)。研究人员称，仅预测第三样本中少数族裔人口分组结果的模型的性能大约与整体模型的绩效相近。这表明，第一样本中子分组的绩效差异并不是这些组的低水平的结果。表示。

研究人员告诫说，没有一个模型能够达到100%的准确度，这是由他们对第一个样本的最佳表现模型所证明的(该模型总体上达到了57%的准确度，或者仅比偶然性好一点)。但是他们断言机器学习分类代表了物理指导者塑造指导的工具。该研究的共同作者写道：“如果教师要使用分类算法的预测，那么重要的是，这些结果不要使他或她对个别学生的待遇有偏见。”“机器学习结果……不应被用来将学生排除在其他教育活动之外，以支持处于危险中的学生……但是，分类模型的结果可以被用来鼓励最有风险的学生利用这些机会。”

中国联通：已累计开通5G基站33.2万站 到今年年底预计超过38万个

饿了么现已入驻1000所高校食堂 校园内平均20分钟送达

谷歌在西雅图附近规划新园区 在亚马逊和微软总部所在地扩大触角

我国国家顶级域名“.CN”数量超过2300万个 IPv6规模化部署提速

邬贺铨：截至8月我国IPv6活跃用户达3.65亿 占互联网用户之比达40.32%

苹果、谷歌、英特尔等公司已经加入行业组织美国“6G联盟”

微软今天正式终止Win7嵌入式系统支持 花钱可买三年补丁

OPPO将发布首款概念级应用OPPO CybeReal 针对AR领域