机构名称：
¥ 1.0
在当今数据驱动的教育技术中，算法对学生的体验和成果产生了关键的影响。因此，采取措施最小化偏见，避免永久性或加剧不平等至关重要。在本文中，我们研究了两个学习分析模式中存在算法偏见的程度：基于贝叶斯知识追踪（BKT）和粗心大意探测器的知识估计。使用来自美国各地使用的学习平台的数据，我们探索了三种不同的方法，探索算法偏差：1）分析样本中每个人口统计组的模型的表现，2）比较这些人口统计学的相互群体的性能，以及这些模型在使用特定组的模型中是否可以在训练过程中进行培训，以观察到训练的过程。我们的实验性研究表明，这些模型的性能在所有人口统计和交叉组中都接近平等。这些发现建立了验证交叉组的教育算法的可行性，并表明这些算法可以公平地用于大规模的不同学生。
调查贝叶斯知识追踪和粗心探测器的算法偏见
主要关键词
相关文件推荐
