•  
  •  
 

ORCID

H. Eren Suna: https://orcid.org/0000-0002-6874-7472

Mahmut Özer https://orcid.org/0000-0001-8722-8670

Abstract

近年来，人工智能 (AI) 和机器学习 (ML) 算法在推动教育评估方面发挥着重要作用。作为改善教育平等机会的一环，评估学生在学习上的不足并制定个性化学习建议非常重要，而基于大数据的算法在评估学生的认知和社会情感发展以及基于学校监测开展研究中发挥着越来越重要的作用。这些发展一方面为学生和教育当局提供了有关学生成长评估的宝贵反馈，另一方面，算法中的偏差问题也随之浮现。我们遇到过无数人工智能和机器学习算法提供有偏差的结果的例子，并基于不太充足的训练数据重现了现有的不平等现象。研究表明，相关算法会导致对性别、种族、民族、社会经济地位和移民情况等许多因素做出有偏差的推断。为此，各种方法和对策应运而生，包括样本权重调整、偏差衰减方法、通过无知实现公平、对抗性学习和参与式管理，来使人工智能和机器学习算法能够提供更公平、更有效的结果。本文探讨了造成人工智能和机器学习在评估学生的认知和社会情感技能时产生偏差结果的原因，以及最近采用的检验和消除算法偏差的方法和途径，以及为获得更公正、更有效的结果而采取的策略和预防措施。我们期望本研究的洞见能够提升人们基于人工智能和机器学习进行客观、有效的教育技能评估的认识。

DOI

https://doi.org/10.59863/CMGE2179

Download

Share

COinS