Die Abschlussprüfung Ist Noch Nicht Da, Aber Der Algorithmus Sagt, Dass Ich in Physik Definitiv Durchfallen Werde

Physik ist ein grundlegendes Pflichtfach für Studenten der Naturwissenschaften und Ingenieurwissenschaften, aber weil es ziemlich schwierig ist, schreckt es viele Studenten ab. Die Forscher schlugen vor, mithilfe von KI-Algorithmen vorherzusagen, welche Schüler Gefahr laufen, im Physikunterricht durchzufallen, damit die Lehrer den Unterricht besser anleiten und die Zuteilung der Unterrichtsressourcen anpassen können.

Man muss sagen, dass die Vorhersagefähigkeiten von Algorithmen immer leistungsfähiger werden, von der Vorhersage, ob es zwischen einem Paar zu Streit kommen wird, bis hin zur Vorhersage, wann Erdbeben, Überschwemmungen usw. auftreten werden.

Algorithmen können mittlerweile sogar vorhersagen, ob Sie in der Physikprüfung durchfallen werden.

Dies ist eine aktuelle Studie, die von Wissenschaftlern der West Virginia University und des California Institute of Technology auf arxiv.org veröffentlicht wurde.

Sie haben ein interessantes Papier veröffentlicht:„Mithilfe von maschinellem Lernen die gefährdetsten Schüler im Physikunterricht identifizieren“

In dem Papier heißt es, dass durch Algorithmen des maschinellen Lernens die Abschlussnoten von Studierenden in Grundkursen der Physik ausgewertet werden können. Das Vorhersagemodell ordnet die Schüler den Klassen A, B, C, D, F und W (Schulabbruch) zu.

Hinweis: Die von den meisten Colleges und Universitäten in den Vereinigten Staaten verwendeten Bewertungsnoten und Prozentwerte lauten ungefähr wie folgt: A: 90+; B: 80+; C: 70+; D: 60+; F: Fehler; W: Withdrawal (Abkürzung für Entzug).

Voraussichtliche Ergebnisse: Schlagen Sie Alarm, Sie können es noch retten

Erinnern Sie sich an die Panik, von der Universitätsphysik dominiert zu werden?

Für viele Studenten der Naturwissenschaften und Ingenieurwissenschaften ist die Physik an der Universität ebenso schwierig wie höhere Mathematik und stellt eines der einschüchterndsten Fächer dar.

Eine ausländische Studie zeigt, dass unter Studenten, die ursprünglich Ingenieurwissenschaften und Naturwissenschaften (zusammengefasst als MINT) studierten, später ihr Hauptfach wechselten oder keinen Abschluss erlangten,Knapp die Hälfte von ihnen tat dies, weil ihre Hauptfächer wie Physik und Mathematik zu schwierig waren.

Die Abbruchquote der MINT-Studierenden, insbesondere der Studierenden in den Grundlagenfächern, steigt von Jahr zu Jahr. Gleichzeitig ist die gesellschaftliche Nachfrage nach ihnen weiterhin hoch, was zu einer erheblichen Talentlücke führt.

Daher schlugen Forscher der West Virginia University und des California Institute of Technology vor, dassLassen Sie uns KI-Algorithmen verwenden, um diese Studenten zu retten.

Sie glauben, dass sich mithilfe von Algorithmen des maschinellen Lernens ermitteln lässt, bei welchen Studierenden das Risiko besteht, einen Kurs nicht zu bestehen. Auf diese Weise können Lehrkräfte gezielt auf Basis der prognostizierten Ergebnisse Anleitungen geben, wodurch die Erfolgsquote der Schüler verbessert und ihre Wissensbeherrschung rechtzeitig erkannt wird.

Algorithmus: Beziehen Sie sich auf die Leistung der Vergangenheit, um zukünftige Ergebnisse vorherzusagen

  Probenentnahme 

Die Forscher verwendeten drei Stichproben von zwei Universitäten, um einen KI-Algorithmus zur Vorhersage der Leistung von Studenten zu trainieren.

Die Beispieldaten umfassen:ACT-Ergebnisse (American College Entrance Examination) der Schüler, Notendurchschnitt des Colleges und im Physikunterricht gesammelte Daten (wie Hausaufgabennoten und Testergebnisse).

Darunter waren die Proben 1 und 2 von Studenten, die an einer Universität im Osten der USA Physik und Ingenieurwissenschaften als Hauptfach studierten.

Beispiel 1:Alle Studierenden, die zwischen 2000 und 2018 den Hochschulkurs Physik 1 abgeschlossen haben, wurden einbezogen (Stichprobengröße: 7184).

Beispiel 2: Die Daten decken die Semester Herbst 2016 bis Frühjahr 2019 ab, mit einer Stichprobengröße von 1.683 Studierenden. Die Stichprobe umfasst Leistungsdaten im Unterricht, wie etwa die durchschnittliche Anzahl der Antworten, die durchschnittlichen Hausaufgabenergebnisse und die Ergebnisse der Semesterprüfungen.

Beispiel 3:Die Daten stammen aus einem Einführungskurs in die Mechanik des gesamten Studienjahres 2017. Probe 3 wurde an einer anderen Universität gesammelt, die im Westen der USA liegt.

  Variable 

Die in dieser Studie verwendeten Variablen stammen alle aus der Universität und der Klasse. Gleichzeitig werden auch einige demografische Informationen wie Geschlecht und ethnische Zugehörigkeit einbezogen.

  Vorhersage durch den Random-Forest-Algorithmus 

In der StudieMithilfe eines Random-Forest-Algorithmus für maschinelles Lernen wurden die Abschlussnoten von Studenten in einem Einführungskurs in Physik vorhergesagt.Der Algorithmus unterteilt die Schüler schließlich in diejenigen mit A, B oder C (klassifiziert als ABC-Schüler) und diejenigen mit D, F oder W (klassifiziert als DFW-Schüler mit potenziellem Durchfall).

Um die Leistung des Algorithmus zu verstehen, teilen sie den Datensatz in Test- und Trainingsdatensätze auf. Der Trainingsdatensatz wird verwendet, um das Klassifizierungsmodell zum Trainieren des Klassifikators zu entwickeln.

Der Testdatensatz wird verwendet, um die Modellleistung zu charakterisieren.

Nachdem das Klassifizierungsmodell die Testergebnisse für jeden Schüler im Testdatensatz vorhergesagt hat, werden die Vorhersagen mit den tatsächlichen Ergebnissen verglichen.

Ergebnis: Ungeschickt, Genauigkeit 57 % 

Nach der Anpassung und Überprüfung des Modells kamen die Forscher zu einem Vorhersageergebnis, die Genauigkeitsrate ist jedoch nicht sehr optimistisch ...

Sie wiesen darauf hin, dass in den Vorhersageergebnissen für die gesamte StichprobeBei Stichproben mit mehr weiblichen und Minderheitsstudenten ist die DFW-Genauigkeit geringer.Sie weisen darauf hin, dass hierfür demografische Modellanpassungen erforderlich wären.

Auf der ersten ProbeDer trainierte Algorithmus sagt mit einer Genauigkeit von 16 % nur „Studenten vom DFW-Typ“ voraus.Die Forscher analysierten, dass dies möglicherweise auf den geringen Anteil von Studenten mit DFW-Ergebnissen im Trainingsset (12 %) zurückzuführen ist.

In Probe 1Die beste Leistung des Modells betrug nur 57%, was nur geringfügig besser ist als der Zufall.

Die Ergebnisse weisen eine geringe Genauigkeit auf und das Modell ist umstritten

Angesichts dieses Ergebnisses sind sie davon überzeugt, dass diese Art von Klassifizierungsmodell für maschinelles Lernen ein wirksames Instrument für Pädagogen und Schüler sein könnte, die Lernschwierigkeiten haben.Dadurch können pädagogische Interventionen und die Zuteilung pädagogischer Ressourcen besser gesteuert werden.

Einige Kritiker glauben jedoch, dassEine derartige Technologie könnte zu verzerrten oder irreführenden Vorhersagen führen, die den Schülern schaden könnten.

Studien haben immer wieder gezeigt, dass künstliche Intelligenz auch dann noch voreingenommen sein kann, wenn sie mit großen Datenkorpora trainiert wird, wenn es um die Vorhersage komplexer Ergebnisse geht.

Zuvor wurde Amazons internes KI-Rekrutierungstool deaktiviert, weil es eine Voreingenommenheit gegenüber Frauen zeigte.

Daher besteht auch die Sorge, dass ein solcher Algorithmus zur Notenvorhersage nicht nur nicht dazu beitragen wird, die Studienrückhaltequote von MINT-Studenten zu verbessern, sondern die Ungleichheit sogar noch verschärfen wird.

Natürlich sind alle Ergebnisse nur Vorhersagen. Bei den Prüfungen sind 30 % vom Schicksal abhängig, 70 % hängen von harter Arbeit ab und die restlichen 90 % hängen von der Laune des Lehrers ab.

-- über--