supictions

语言学习中的可解释AI

虽然机器学习方法已经大大改善了教育研究的结果，但常见的缺陷在于结果的解释性。可解释的AI（XAI）旨在通过为分类决策提供透明的，概念上可以理解的解释，增强人类的理解和对外界的信任来填补这一空白。本文探讨了XAI的熟练程度和可读性评估方法，这些方法涵盖了一组465种语言复杂性测量。我们确定了将这些措施与不同水平的熟练程度和可读性相关联的理论描述，并使用使用监督的机器学习和Shapley添加性解释的交叉孔经验来验证它们。重申不仅强调了在葡萄牙人有效地熟练和可读性方面采取了多种复杂性措施的实用性，在能力分类任务中达到了0.70的最新精度，在可读性分类任务中的最先进的准确性为0.84，但它们很大程度上纠正了统一的研究，特别是在统计上，尤其是在supictions and-supictions interipical intercical intercripical intercripical intercrical interpical ne perxical ne perxical。