Interpretable Vorhersage der Schülerleistung mithilfe einer erklärbaren Boosting-Maschine für die Mehrklassenklassifikation

Die Vorhersage der Schülerleistung kann in der Bildungsbranche viele Anwendungen finden. Sie hilft, Maßnahmen zu ergreifen, um kämpfende Schüler zu unterstützen und die Kursdurchführung zu verbessern. Bedeutungsvolle Erklärungen zu jeder Vorhersage sind jedoch wesentlich für die Zuverlässigkeit der Vorhersagen und daher wünschenswert. In dieser Arbeit schlagen wir eine Methode zur Vorhersage der Schülerleistung vor und generieren Erklärungen für die getätigten Vorhersagen. Eine erklärbare Boosting-Maschine wird implementiert, um die Mehrklassenklassifikation zu unterstützen und das genannte Ziel zu erreichen. Die Klassifikationsleistung des vorgeschlagenen Ansatzes wird mit ähnlichen überwachenden Lernmodellen verglichen, namentlich einem linearen Modell, einem Entscheidungsbaum und einem auf Entscheidungsregeln basierenden Ansatz in Bezug auf Genauigkeit, Präzision, Recall und F1-Score. Die Ergebnisse zeigen, dass die erklärbare Boosting-Maschine im Bereich der Klassifikationsleistung den zweiten Platz einnimmt. Gleichzeitig bietet sie globale und lokale Erklärungen der Vorhersagen, die sich zudem als konsistent mit den Beobachtungen bei der Merkmalsauswahl erweisen. Der vorgeschlagene Ansatz und seine Erweiterungen können helfen, die Schülerleistung vorherzusagen und die getätigten Vorhersagen zu interpretieren. Dies ermöglicht es den Lehrenden, Strategien zur Verbesserung der Schülerleistung zu entwickeln.