共有モデリングは学校が中退を予測し、回避するのに役立ちます

コーネル大学が共同率いる研究チームは、生徒の成功を支援するための学習分析を実施するリソースのない学校では、公平性を犠牲にすることなく、他の機関からのデータに基づくモデリングがローカル モデリングと同様に機能できることを発見しました。

「データ駆動型モデルを使用するには、データが必要です」と、コーネル・アン・S・バウワーズ・カレッジ・オブ・コンピューティングおよび情報科学の情報科学助教授、Rene Kizilcec氏は述べています。 「そして多くの学校、特に学習分析アプリケーションから最も恩恵を受けるであろうリソースの少ない学校では、データにアクセスできることはほとんどありません。」

Kizilcec は、6 月 12 日に開催される公平性、アクセシビリティおよび透明性に関するコンピューティング機械協会会議 (ACM FAccT) で発表される「教育モデルのための機関間転移学習: モデルのパフォーマンス、公平性、および公平性への影響」の上級著者です。シカゴでは-15。 筆頭著者は、ワシントン大学のコンピューター サイエンスの博士課程の学生である Josh Gardner です。

Kizilcec 氏と彼のチームは、米国の 4 つの大学からの匿名化されたデータを使用し、どの学生が大学を中退する可能性が高いかをモデル化する目的で共通の構造に変換しました。 研究チームのメンバー間では、大学固有のモデルのみが共有され、プライバシーの問題を引き起こす個々の学生データは共有されませんでした。

米国では毎年 100 万人以上の学生が大学を中退しています。 彼らは卒業生に比べて学生ローンの支払いを滞納する可能性が100倍高い。 このため、連邦政府は大学に対し、中退率や卒業率を考慮したランキングの報告を義務付けることで、中退者を減らすよう奨励する規制を課すに至った。

Kizilcec 氏は、主要機関には予測データ分析を実施するためのリソースがあると述べました。 しかし、そのデータから最も恩恵を受けることができる機関、つまり小規模な大学や 2 年制の教育機関は通常、そうではありません。

「教育分析製品を提供する数社のサービスに頼らざるを得ません。」 彼は言った。 「各機関は、独自のモデル（非常に高価なプロセス）を構築することも、通常は他の機関のデータに対して外部で行われるモデリングを備えた分析「ソリューション」を購入することもできます。問題は、これらの外部モデルがローカル モデルと同じように実行できるかどうかです。そしてそれが偏見をもたらすかどうか。」

研究者の研究の目標は、「定着率」、つまり秋に初めて教育機関に入学した各学生が翌年の秋に同じ教育機関に入学するかどうかを正確に予測することでした。

転移学習の成功を評価するために、ある教育機関から情報を取得し、それを使用して別の教育機関での結果を予測するために、チームは 3 つのアプローチを採用しました。

研究者らは、転移学習の有効性を評価するために、4 つの機関のそれぞれでローカル モデリングとともに 3 つの転移方法を使用しました。 予想通り、地域モデリングは中退率の予測においてより良い結果をもたらしたが、「率直に言って、4つの大学の規模、卒業率、学生人口統計がどれほど異なっているかを考慮すると、予想していたほどではなかった」とキジルセツ氏は述べた。

そして、公平性（性別や人種のサブグループ全体で同等の予測パフォーマンスを達成する能力）の観点から見ると、モデリングは公平性を犠牲にすることなく良好に機能しました。

Kizilcec氏は、彼のチームの結果は中退予測のより公平性を示していると述べ、これによりリソースの少ない学校が早期に介入し、学校側にコストがかかり、生徒にとってより悪い結果をもたらす生徒の退学を防ぐのに役立つ可能性があると述べた。

「結局のところ、すべての学校で地域モデルを作成するためにリソースを割り当てる必要はないかもしれない」と彼は言う。 「データインフラストラクチャと専門知識を備えた学校からの洞察を利用して、これらのリソースがなくても、公平性を犠牲にすることなく、学校に貴重な分析を提供できます。これは学校の指導者や政策立案者にとって有望な結果です。」

他の寄稿者は、ミシガン大学情報学部助教授のクリストファー・ブルックス氏です。 Renzhe Yu 氏、コロンビア大学の学習分析と教育データ マイニングの助教授。 ブリティッシュ コロンビア大学のデータ サイエンス講師、クアン グエン氏。

この取り組みは Google と Microsoft からサポートを受けました。

コーネル大学のニュースをあなたの受信箱に直接配信しましょう。