ترجمه فارسی مقاله تحلیل تأثیر تکنیک‌های متعادل‌سازی بر توضیحات خلاف واقع مدل‌های پیش‌بینی موفقیت دانش‌آموزان

چکیده

In the past decade, we have experienced a massive boom in the usage of digital solutions in higher education. Due to this boom, large amounts of data have enabled advanced data analysis methods to support learners and examine learning processes. One of the dominant research directions in learning analytics is predictive modeling of learners’ success using various machine learning methods. To build learners’ and teachers’ trust in such methods and systems, exploring the methods and methodologies that enable relevant stakeholders to deeply understand the underlying machine-learning models is necessary. In this context, counterfactual explanations from explainable machine learning tools are promising. Several counterfactual generation methods hold much promise, but the features must be actionable and causal to be effective. Thus, obtaining which counterfactual generation method suits the student success prediction models in terms of desiderata, stability, and robustness is essential. Although a few studies have been published in recent years on the use of counterfactual explanations in educational sciences, they have yet to discuss which counterfactual generation method is more suitable for this problem. This paper analyzed the effectiveness of commonly used counterfactual generation methods, such as WhatIf Counterfactual Explanations, Multi-Objective Counterfactual Explanations, and Nearest Instance Counterfactual Explanations after balancing. This contribution presents a case study using the Open University Learning Analytics dataset to demonstrate the practical usefulness of counterfactual explanations. The results illustrate the method’s effectiveness and describe concrete steps that could be taken to alter the model’s prediction.

چکیده به فارسی (ترجمه ماشینی)

در یک دهه گذشته ، ما در استفاده از راه حل های دیجیتال در آموزش عالی رونق گسترده ای را تجربه کرده ایم.با توجه به این رونق ، مقادیر زیادی از داده ها روشهای پیشرفته تجزیه و تحلیل داده ها را برای پشتیبانی از زبان آموزان و بررسی فرایندهای یادگیری فعال کرده اند.یکی از مسیرهای تحقیق غالب در یادگیری تجزیه و تحلیل ، مدل سازی پیش بینی موفقیت زبان آموزان با استفاده از روشهای مختلف یادگیری ماشین است.برای ایجاد اعتماد زبان آموزان و معلمان به چنین روش ها و سیستم ها ، بررسی روش ها و روش هایی که ذینفعان مربوطه را قادر می سازد تا عمیقاً مدل های یادگیری ماشین را درک کنند.در این زمینه ، توضیحات خلاف واقع از ابزارهای یادگیری ماشین قابل توضیح امیدوار کننده است.چندین روش تولید متقابل وعده های زیادی را حفظ می کنند ، اما ویژگی ها باید عملی و علّی باشند تا مؤثر باشند.بنابراین ، به دست آوردن کدام روش تولید متقابل متناسب با مدل های پیش بینی موفقیت دانش آموز از نظر Desiderata ، ثبات و استحکام ضروری است.اگرچه چند مطالعه در سالهای اخیر در مورد استفاده از توضیحات ضد عملی در علوم آموزشی منتشر شده است ، اما هنوز بحث نکرده اند که کدام روش تولید متقابل برای این مشکل مناسب تر است.در این مقاله به بررسی اثربخشی روشهای تولید متقابل متداول ، مانند توضیحات ضد خلاف عملی ، توضیحات ضد خلاف خلاف چند هدف و نزدیکترین توضیحات ضد خلاف نمونه پس از تعادل پرداخته شده است.این سهم یک مطالعه موردی را با استفاده از مجموعه داده های تجزیه و تحلیل یادگیری دانشگاه آزاد ارائه می دهد تا سودمندی عملی توضیحات ضد خلاف را نشان دهد.نتایج نشان دهنده اثربخشی روش و توصیف مراحل مشخصی است که می تواند برای تغییر پیش بینی مدل انجام شود.