Ключевые слова
Как цитировать
Аннотация
Интеллектуальный анализ образовательных данных (Educational Data Mining, EDM) позволяет выявлять трудности в обучении на ранних этапах, прогнозируя успеваемость учащихся. Однако модели машинного обучения часто работают по принципу «черного ящика». Объяснимый искусственный интеллект (Explainable Artificial Intelligence, XAI) помогает понять, почему модели «черного ящика» выдают те или иные прогнозы. В этой статье представлен систематический обзор исследований, проведенных за последние пять лет в области применения объяснимого искусственного интеллекта для прогнозирования успеваемости учащихся в сфере компьютерных наук и естественно-научного образования. Мы выяснили, что наиболее часто используемыми характеристиками являются данные о поведении и успеваемости учащихся, а основные цели прогнозирования связаны с риском неуспеваемости по предмету или с оценками. В исследовании также рассматривались области применения XAI, в результате чего выяснилось, что наиболее распространенными областями применения являются глобальный анализ важности признаков, объяснение индивидуальных прогнозов и поддержка вмешательств и принятия решений. Более того, мы обнаружили, что аддитивные объяснения Шепли (SHAP) были наиболее часто используемой методикой XAI, применяемой преимущественно на глобальном уровне, с ограниченным использованием на индивидуальном уровне. Кроме того, был выявлен пробел в исследованиях, связанных с использованием объяснимого искусственного интеллекта для улучшения курсов, настройки визуализаций и формирования персонализированных рекомендаций. Устранение этого пробела позволит преподавателям предоставлять персонализированные рекомендации на основе данных, чтобы лучше поддерживать отдельных учащихся.