沒有一個模型能夠達到100%的準確度

整個樣本進行培訓時，女性的DFW準確性較低，而少數(shù)民族學生人數(shù)較少的DFW準確性較高，他們有問題地指出，這需要對人口統(tǒng)計學進行模型調整。

人口統(tǒng)計學敏感的高風險學生預測模型不勝枚舉。估計包括佐治亞州立大學在內的1,400所美國大學正在使用算法技術來識別可能正在苦苦掙扎的學生，以便他們提供支持，甚至鼓勵這些學生改變專業(yè)。但是，盡管在經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，將低收入的學生或有色人種的學生集中到“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)來預測學生將來的表現(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生的自我實現(xiàn)的預言。”

在這項最新研究中，當將其應用于第二個樣本時，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，而不是十年零零幾個機構)。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，標準化考試成績，佩爾助學金資格以及從AP課程獲得的學時等制度性變量的重要性要小。經過物理課訓練的隨機森林在物理課的第五周之后變得比基于機構數(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)結合起來具有更大的預測能力：與僅制度變量的模型相比，

關于第三個樣本，研究人員說，對其進行訓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，僅預測第三樣本中少數(shù)族裔人口分組結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果。表示。

研究人員告誡說，沒有一個模型能夠達到100%的準確度，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%的準確度，或者僅比偶然性好一點)。但是他們斷言機器學習分類代表了物理指導者塑造指導的工具。該研究的共同作者寫道：“如果教師要使用分類算法的預測，那么重要的是，這些結果不要使他或她對個別學生的待遇有偏見。”“機器學習結果……不應被用來將學生排除在其他教育活動之外，以支持處于危險中的學生……但是，分類模型的結果可以被用來鼓勵最有風險的學生利用這些機會。”