沒有一個模型能夠達到100%的準(zhǔn)確度

整個樣本進行培訓(xùn)時，女性的DFW準(zhǔn)確性較低，而少數(shù)民族學(xué)生人數(shù)較少的DFW準(zhǔn)確性較高，他們有問題地指出，這需要對人口統(tǒng)計學(xué)進行模型調(diào)整。

人口統(tǒng)計學(xué)敏感的高風(fēng)險學(xué)生預(yù)測模型不勝枚舉。估計包括佐治亞州立大學(xué)在內(nèi)的1,400所美國大學(xué)正在使用算法技術(shù)來識別可能正在苦苦掙扎的學(xué)生，以便他們提供支持，甚至鼓勵這些學(xué)生改變專業(yè)。但是，盡管在經(jīng)歷了多年的急劇下降之后，全國畢業(yè)率在2016年又開始回升，但人們擔(dān)心這種算法可能會加劇歷史上的不平等現(xiàn)象，將低收入的學(xué)生或有色人種的學(xué)生集中到“更容易”和薪水更低的專業(yè)中。

“我們整個社會的高等教育都存在歷史偏見，”新美國智庫的高等教育高級顧問艾里斯·帕爾默(Iris Palmer)告訴AMP Reports。“如果我們使用過去的數(shù)據(jù)來預(yù)測學(xué)生將來的表現(xiàn)，我們是否可以消除這種偏見?將會發(fā)生的事情是他們會灰心……這最終將成為那些特殊學(xué)生的自我實現(xiàn)的預(yù)言。”

在這項最新研究中，當(dāng)將其應(yīng)用于第二個樣本時，研究人員發(fā)現(xiàn)隨機森林的性能稍好(這歸因于將范圍限制為三年零一個機構(gòu)，而不是十年零零幾個機構(gòu))。他們還發(fā)現(xiàn)，與性別，每周作業(yè)和測驗成績等課堂數(shù)據(jù)相比，諸如性別，標(biāo)準(zhǔn)化考試成績，佩爾助學(xué)金資格以及從AP課程獲得的學(xué)時等制度性變量的重要性要小。經(jīng)過物理課訓(xùn)練的隨機森林在物理課的第五周之后變得比基于機構(gòu)數(shù)據(jù)的模型更好，而在大約第八周之后“大大”改善。在這種情況下，制度變量和課堂數(shù)據(jù)結(jié)合起來具有更大的預(yù)測能力：與僅制度變量的模型相比，

關(guān)于第三個樣本，研究人員說，對其進行訓(xùn)練的模型比第一個和第二個語料庫的模型具有更低的DFW準(zhǔn)確性和精確度(即，兩次或更多次測量的接近程度的度量)。研究人員稱，僅預(yù)測第三樣本中少數(shù)族裔人口分組結(jié)果的模型的性能大約與整體模型的績效相近。這表明，第一樣本中子分組的績效差異并不是這些組的低水平的結(jié)果。表示。

研究人員告誡說，沒有一個模型能夠達到100%的準(zhǔn)確度，這是由他們對第一個樣本的最佳表現(xiàn)模型所證明的(該模型總體上達到了57%的準(zhǔn)確度，或者僅比偶然性好一點)。但是他們斷言機器學(xué)習(xí)分類代表了物理指導(dǎo)者塑造指導(dǎo)的工具。該研究的共同作者寫道：“如果教師要使用分類算法的預(yù)測，那么重要的是，這些結(jié)果不要使他或她對個別學(xué)生的待遇有偏見。”“機器學(xué)習(xí)結(jié)果……不應(yīng)被用來將學(xué)生排除在其他教育活動之外，以支持處于危險中的學(xué)生……但是，分類模型的結(jié)果可以被用來鼓勵最有風(fēng)險的學(xué)生利用這些機會。”