沒有一個模型能夠達到100%的準確度

在預印本服務器Arxiv.org上發(fā)表的一篇論文中，西弗吉尼亞大學和加利福尼亞州立理工大學的研究人員調查了機器學習算法的使用，以識別入門物理課中的高風險學生。他們聲稱這可能是教育者和掙扎中的大學生的有力工具，但批評家認為，類似的技術可能會對有偏見或誤導性預測的學生造成傷害。

物理和其他核心科學課程在大學生涯的早期就構成了科學，技術，工程和數(shù)學(STEM)專業(yè)的障礙。(研究表明，大約有40%的計劃工程和自然科學專業(yè)的學生最終轉而攻讀其他學科或沒有獲得學位。)雖然物理教學法已經(jīng)開發(fā)出了一系列基于研究的實踐來幫助學生克服挑戰(zhàn)，但有些策略卻具有實質性意義一流的實施成本。而且，并非所有人都適合每個學生。

研究人員斷言，這需要一種識別危險學生的算法方法，特別是在物理領域。為此，他們以以前的工作為基礎，這些工作使用ACT分數(shù)，大學GPA和物理課中收集的數(shù)據(jù)(例如功課成績和考試成績)來預測學生在第一學期和第二學期將獲得A還是B 。

但是研究表明，即使接受大型語料庫的訓練，人工智能在預測復雜結果方面也相對較差-并且存在偏差問題。例如，詞嵌入是一種常見的算法訓練技術，涉及將詞鏈接到向量，不可避免地會拾取(并且最糟糕的是放大)源文本和對話中包含的偏見。據(jù)報道，亞馬遜的內部招聘工具(接受了十年期提交的簡歷的培訓)被報廢了，因為它表現(xiàn)出對女性的偏見。

盡管如此，研究人員還是從東方兩家大型學術機構的基于演算基礎的物理課程中抽取了樣本，以訓練學生預測性能的AI算法。第一語料庫和第二語料庫包括在一所大學的物理科學和工程學學生，為大約21,000名本科生提供服務，樣本量分別為7,184和1,683名學生。三分之一來自主要是本科生和西班牙裔服務的大學，在美國西部約有26,000名學生

樣本在構成和人口統(tǒng)計方面非常不同。第一個和第二個是在不同的時間范圍(2000-2018年和2016-2019年)收集的，其中大多數(shù)是白人學生(占80%)，第二個反映了2011年和2015學年的課程變化。相比之下，第三次為一年(2017年)，主要是西班牙裔(46%)和亞洲人(21%)，學生們既參加講座又參加主動學習風格的課程。

研究人員在樣本上訓練了所謂的隨機森林，以預測學生的最終物理成績。在機器學習中，隨機森林是一種集成方法，可構建大量決策樹并輸出單個樹的均值預測，在這種情況下，學生很可能會獲得A，B或C(ABC學生)或D， F或退出(W)(DFW學生)。

根據(jù)研究人員的說法，在第一個樣本上訓練的算法預測“ DFW學生”的準確性僅為16%，這可能是因為訓練集中DFW學生的比例很低(12%)。他們指出，在對