.png){kind=icon}
返回
Evolving fuzzy classification for human-centered explainable learning analytics in virtual environments
.png){kind=icon}
OA
AI
DOI：10.1007/s12530-025-09747-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了可解释人工智能在教育领域的应用，重点研究了其对学习分析的相关性。研究引入了一种基于原型的动态增量分类算法——动态增量半监督模糊C均值（DISSFCM），该算法利用模糊逻辑分析虚拟学习平台中的学生交互数据，即使数据仅部分标注。所提出的方法通过从DISSFCM在连续时间间隔内生成的演变原型中提取IF-THEN模糊规则，生成以人为中心的解释。这些以语言表述的解释对非专业利益相关者仍然易于理解，尤其适用于教育场景。开放大学学习分析数据集（OULAD）被用于实验和验证，为半监督数据收集提供了真实场景。演变模糊规则的可视化摘要支持流数据中时间模式的识别。结果表明，该模型在保持可解释性的同时有效适应概念漂移。最值得注意的是，它证明了在处理部分标注数据和可变时间粒度方面的鲁棒性，这两项挑战在真实学习分析场景中经常遇到。在约束条件下既能预测学生结果又能提供易懂的解释，凸显了该方法的实用价值。为评估生成解释的质量和相关性，进行了一项基于专家的评价。领域专家从支持人类理解和决策的角度评估了解释的清晰度、有用性和准确性。结果显示，解释被认为普遍具有信息性和实用性，支持该方法对于以人为中心的教育应用的适用性。
Keyword:
Explainable artificial intelligence
Evolving and dynamic learning
Semi-supervised learning
Prototype-based algorithms
Education
Learning analytics
期刊
IF:
2.7
论文数:
246
被引数:
1.2K
机构
引用论文
Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Towards a Students’ Dropout Prediction Model in Higher Education Institutions Using Machine Learning Algorithms基于机器学习算法的高等教育机构学生辍学预测模型研究OAAI
OAAI分享收藏Prediction of students' early dropout based on their interaction logs in online learning environment
PREAI
分享收藏The impacts of self-monitoring prompt on provision and uptake of peer feedback and on revision performance: A mixed methods study自我监控提示对同伴反馈的提供与采纳及修订表现的影响：一项混合方法研究
PREAI
分享收藏
查看更多内容