智能教育场景下的算法歧视:潜在风险、成因剖析与治理策略

随着人工智能在教育场景中应用的不断深化,智能教育以其个性化、定制化等独有优势改变了当下的教育格局,但智能教育也面临着算法歧视的潜在风险,如教育结果的单一化、加剧教育不公平、学习结果两极分化、人机交互加深偏见等。同时,在智能教育系统的开发与应用过程中,设计团队存在思维定势、机器学习的偏差、交互式决策的危机等问题使算法歧视的成因更为多样化。而解决对智能教育系统中存在的算法歧视问题,需从促进多主体共同参与,构建多元评价标准,以及通过技术赋能等三方面落实治理策略。具体到技术治理,可根据时间维度划分为三阶段治理,即在事前加强数据歧视检测,在事中建立可解释、可审查的算法优化机制,在事后坚持学生在教育教学活动中的主体性。

面向教育大数据的知识追踪研究综述

介绍了知识追踪(KT)的相关概念与任务,梳理其发展脉络,综述KT的原理、相关算法和数据集,分析了不同结构的KT模型的优缺点.在此基础上,对KT领域未来发展方向进行了深入探讨,提出了数据表征、认知建模、模型可解释性三个重要的发展方向,并作出了一定的展望.