把群体差异从学习模型里抹掉,差距并不会消失:审计先算出代价,Eedi上新班级实测约0.021 Brier分
自适应辅导模型常用“抹掉群体信号”来求公平,但抹掉的是预测里的平均群体差,不是真实差距。研究给出这种抹除的最小额外误差闭式表达,并设计三阶段审计:在训练单元拟合、在验证单元公布代价、在独立单元检验。三个真实数据集上,抹除后模型几乎预测不出实际存在的差距;在Eedi上以独立单元选出知识追踪网络后,审计在五个划分中全部接受公布代价,实测代价均落在公布区间内,差距缩小在四个划分中迁移到新班级。
自适应辅导模型常用“抹掉群体信号”来求公平,但抹掉的是预测里的平均群体差,不是真实差距。研究给出这种抹除的最小额外误差闭式表达,并设计三阶段审计:在训练单元拟合、在验证单元公布代价、在独立单元检验。三个真实数据集上,抹除后模型几乎预测不出实际存在的差距;在Eedi上以独立单元选出知识追踪网络后,审计在五个划分中全部接受公布代价,实测代价均落在公布区间内,差距缩小在四个划分中迁移到新班级。
DIKT把学生下一题答对的概率拆成各所需技能的成功概率之积,并让每个技能有一个随时间演化、限制在0到1之间的认知状态。此前多数深度知识追踪模型只用隐向量做预测,难以指出是哪项技能拖住了结果。在ASSIST09、ASSIST17和Algebra2005三个基准上,DIKT的AUC均高于所列基线,平均绝对提升2.04个百分点。
已读完全部报道