Improving the expressiveness of black-box models for predicting student performance

سیستم پیش بینی اولیه عملکرد دانش آموزان می تواند برای هدایت دانش آموزان بسیار مفید باشد. برای مدل پیشبینی که واقعا به عنوان کمک موثر برای یادگیری مفید است، باید ابزاری برای تفسیر پیشرفت مناسب، شناسایی روند و الگوهای رفتاری و شناسایی علل مشکلات یادگیری ارائه دهد. تکنیک های سفید جعبه و سیاه جعبه در ادبیات برای معرفی مدل های پیش بینی شده شرح داده شده است. تکنیک های سفید جعبه نیاز به مدل های پیشین برای کشف دارند، که آنها را آسان می کند برای تفسیر اما دشوار به منظور به طور کلی و قادر به تشخیص روابط غیر منتظره بین داده ها. تکنیک های جعبه جعبه ساده تر هستند که بتوانند روابط نامشخص را کشف کنند، اما برای اغلب معلمان، آنها مرموز و دشوار است. در این مقاله یک تکنیک سیاه جعبه پیشنهاد شده است تا از قدرت و تنوع این روش ها استفاده کند، در حالیکه تصمیماتی در مورد داده های ورودی و طراحی طبقه بندی فراهم می کند که مجموعه داده های خروجی غنی را ارائه می دهند. همچنین مجموعه ای از ابزارهای گرافیکی برای بهره برداری از اطلاعات خروجی و ارائه یک راهنمای معنی داری برای معلمان و دانش آموزان ارائه شده است. از تجربه ما، مجموعه ای از نکات در مورد چگونگی طراحی یک سیستم پیش بینی و نمایش اطلاعات خروجی نیز ارائه شده است.