XGBoost知识追踪AUC达0.786，解释稳定性与忠实性双验证！
Stable and Faithful Explanations for Knowledge Tracing
📖 AI 总结
该研究针对知识追踪模型预测过程不透明、限制教学干预的问题，提出了一套同时检验预测竞争力、解释稳定性与基于重训练的忠实性的验证协议。作者从ASSISTments 2009和2012数据集中构建了覆盖五类教学主题的13个行为特征，并发现2009年未修正版本存在多技能交互重复行导致正确性标签泄漏的问题，重建数据集后模型AUC下降且解释结果排序改变。在信息匹配协议下，XGBoost配合TreeSHAP与四种深度基线对比，在2012和重建2009上分别达到0.777和0.786的AUC，但限制在基线同等信息量时性能相当，说明差异源于信息供给而非模型类型。解释排序在交叉验证、随机种子和条件方案下高度一致，移除高排名特征对AUC的损害大于随机移除。研究强调学生层面的示例仅作解释性说明，不构成经过验证的教学建议。
🔑 关键词速览
| 知识追踪 (Knowledge Tracing, KT) | 一种通过建模学生历史交互来预测其未来表现的教育数据挖掘任务。 |
| TreeSHAP | 一种基于Shapley值的解释方法，用于解释树集成模型（如XGBoost）的预测。 |
| XGBoost | 一种高效的梯度提升决策树算法，常用于结构化数据的预测建模。 |
| AUC (Area Under the Curve) | 接收者操作特征曲线下的面积，用于衡量二分类模型的预测性能。 |
| 忠实性 (Faithfulness) | 解释方法所给出的特征重要性是否真实反映模型内部决策依据的程度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅