FairEduNet Algoritmeontwerp en Onderwijsbeoordelingskalibratie Rekening Met Gelijkheid in het Hoger Onderwijs

Summary

Het onderzoek heeft als doel een nieuwe benadering te bieden voor het kalibreren van het onderwijs, beoordeling en onderwijsgelijkheid in intelligent onderwijs. Experimentele resultaten geven aan dat het voorgestelde model aanzienlijk beter presteert dan vergelijkende modellen, waardoor problemen van slechte multi-source data-integratie en fairness bias in bestaande kalibratiemethoden effectief worden aangepakt.

Abstract

Huidige kalibratiemethoden voor onderwijsbeoordeling staan voor uitdagingen zoals lage integratie-efficiëntie bij het verwerken van multi-source heterogene beoordelingsdata, onvoldoende aanpassingsvermogen tussen verschillende disciplines en onderwijsscenario's, en vertekeningen in resultaten met zwakke eerlijkheidsgaranties. Het onderzoek heeft als doel een interpreteerbaar, overdraagbaar en schaalbaar rechtvaardigheids-correctiekader te creëren voor diepgaande modellering en dynamische correctie van onderwijsbeoordelingsdata. Deze problemen maken het moeilijk om te voldoen aan de kernvereiste van evenwichtig onderwijs in intelligent onderwijs. Deze studie stelt een op eerlijkheid gerichte educatieve netwerkalgoritme voor die een generatief adversarieel netwerk en een gradiëntversterkende beslissingsboom integreert. Het algoritme construeert een kalibratiemechanisme voor eerlijkheid en combineert een bidirectioneel encoderrepresentatiemodel met een graph attention-netwerk om feature-extractie en dynamische aanpassingsvermogen te optimaliseren, wat de efficiëntie van multisource dataverwerking en de nauwkeurigheid van fairness verbetert. Deze aanpak zorgt voor nauwkeurige kalibratie en eerlijkheidszekerheid bij het aanleren van toetsen. In de indicatortest behaalde het model een nauwkeurigheid van 98,76% in clustering-evaluatiekenmerken, 98,05% in eerlijkheidscorrectie en 0,968% in cross-scenario correctieconsistentie in de validatieset. In de verlieswaardetesttaak daalde het totale verlies van het model van 0,1237 naar 0,1018 tijdens de correctietaak voor onderwijsevaluatie in de validatieset. In de indicatortest behaalde het model een nauwkeurigheid van 98,76% in clustering-evaluatiekenmerken, 98,05% in eerlijkheidscorrectie en 0,968% in cross-scenario correctieconsistentie in de validatieset. Experimentele resultaten geven aan dat het voorgestelde model aanzienlijk beter presteert dan vergelijkende modellen, waardoor problemen van slechte multi-source data-integratie en fairness bias in bestaande kalibratiemethoden effectief worden aangepakt. Daarnaast biedt het innovatieve algoritmische kaders voor technologieontwikkelaars en betrouwbare technische hulpmiddelen voor onderwijsbestuurders om onderwijsgelijkheid te bevorderen. De onderzoeksbijdragen liggen in: (i) het integreren van drie kernmodules, waaronder multi-source datapreprocessing, verificatie van dynamische fairness index en visualisatie van verklaarbaarheid; en (ii) het voorstellen van een fairness correction-paradigma gebaseerd op de collaboratieve optimalisatie van generatieve adversariële netwerken en gradient boosting trees, die de beperkingen van traditionele single-model correctie doorbreekt en ontkoppeld leren van deviatiemodellering en correctiebesluitvorming mogelijk maakt.

Introduction

Onderwijsevaluatie en kalibratie vormen de kern van het waarborgen van onderwijskwaliteit in intelligent onderwijs. Door dynamische analyse, foutcorrectie en resultaatkalibratie bieden ze een basis voor instructieverbetering en gepersonaliseerd leren. Hun nauwkeurigheid en eerlijkheid beïnvloeden direct of intelligent onderwijs technologische vooroordelen kan doorbreken en evenwichtige onderwijsondersteuning kan bieden ^1,2. Bestaande methoden hebben echter verschillende tekortkomingen: ze vertrouwen op één enkele databron, negeren de werkelijke situatie en leiden tot databias en correctiebias. Het ontbreken van een dynamisch mechanisme voor eerlijkheidsaanpassing maakt het moeilijk om te voldoen aan de eerlijkheidsbehoeften van disciplines en scenario's ^3,4. Daarnaast zijn er problemen zoals een gebrek aan eerlijkheidsindicatoren en vooringenomenheid in correctiestrategieën bij het omgaan met heterogene gegevens uit meerdere bronnen. Daartoe hebben wetenschappers onderzoek gedaan vanuit meerdere dimensies, zoals het evalueren van tennis-ondersteund onderwijs op basis van een verbeterd algoritme voor dichte trajecten⁵. Yin et al. maakten gebruik van het analytische hiërarchieproces en een fuzzy synthese-algoritme om online onderwijs te monitoren⁶. Chen analyseerde onderwijsgegevens voor ouderen met behulp van een verbeterd datamining-algoritme om de onderwijskwaliteit^{te verhogen 7}.

Hoewel deze studies vooruitgang hebben geboekt, blijven er problemen zoals kalibratieresultaatbias en slechte fairness coördinatie bestaan. Daarom is het construeren van een model dat tegelijkertijd nauwkeurige onderwijsbeoordeling, kalibratie en dynamische eerlijkheidszekerheid biedt, een onderzoeksfocus geworden in intelligent onderwijs. Het generatieve adversariële netwerk (GAN) past zich aan om de impliciete invloed van gevoelige attributen op resultaten te elimineren via realtime adversariale training tussen generator en discriminator, waarbij de output wordt bepaald door kernfactoren in plaats van door label-geïnduceerde bias⁸. GAN toont voordelen bij het omgaan met groepsvooroordelen in beoordelingsgegevens en het modelleren van niet-lineaire fairness-beperkingen. Cheng et al. stelden een GAN-gebaseerd beeldverbeteringsalgoritme voor om afbeeldingen met lage resolutie aan te pakken. De generator leverde beelden met hoge resolutie uit laagresolutie-invoer, en de discriminator onderscheidde de gegenereerde beelden van echte beelden met hoge resolutie. Adversarial training optimaliseert parameters zodat de generatoroutput dichter bij echte beelden⁹ komt. Kang et al. stelden een cross-modaal GAN-model voor om de efficiëntie van multimodale gegevensverwerking in hernieuwbare energievelden te verbeteren. De generator ontvangt single-modale data, de discriminator onderscheidt gegenereerde data van echte multimodale data, en adversarial training optimaliseert het model voor verbeterde efficiëntie¹⁰. Het gradient boosting decision tree (GBDT) algoritme is een klassiek algoritme voor gestructureerde dataverwerking met sterke feature capture-mogelijkheden. Door iteratief meerdere beslissingsbomen te integreren, leert GBDT nauwkeurig datafoutpatronen en toont voordelen bij het verwerken van multi-source heterogene beoordelingsinformatie en het corrigeren van niet-lineaire scoredeviaties^11,12. Mizuno et al. stelden een GBDT-gebaseerde padvoorspellingsmethode voor voor zware neerslagrampen, waarbij padkenmerken werden geleerd en ramppaden werden voorspeld met realtime data, waarbij optimale voorspellingen werden geselecteerd via meerdere beslissingsbomen¹³. Gao et al. ontwikkelden een GBDT-gebaseerde visuele analysemethode voor het voorspellen van de click-through-rate in advertenties, waarbij ze de relatie tussen visuele kenmerken en historische klikgegevens leerden om de klikrates voor nieuwe advertenties te voorspellen¹⁴. Op basis van bovenstaande uitdagingen is dit onderzoek bedoeld om systematisch de volgende kernwetenschappelijke vraag te beantwoorden: Hoe kan een intelligent onderwijsevaluatiemodel worden opgebouwd om efficiënt multi-source heterogene data te integreren, dynamisch aan te passen aan verschillende onderwijsscenario's en tegelijkertijd kalibratienauwkeurigheid en resultaateerlijkheid te waarborgen? Om deze vraag te beantwoorden, maakt deze studie gebruik van het synergetische effect van het fairness constraint-mechanisme van GAN en het nauwkeurige foutkalibratievermogen van GBDT. Daarnaast wordt er onderzoek gedaan naar hoe geavanceerde technologieën kunnen worden geïntroduceerd, zoals natuurlijke taalverwerking (BERT), reinforcement learning (RL), aandachtsmechanismen (AM), langetermijngeheugennetwerken (LSTM), grafenaandachtnetwerken (GAT) en kennisdestillatie (KD), om de inherente beperkingen van één model in feature-extractie, dynamische aanpassing en redeneerefficiëntie te compenseren. Uiteindelijk is het doel om een calibratie-oplossing voor onderwijsbeoordeling te bieden die zowel precies als eerlijk is, en sterke generalisatiemogelijkheden heeft voor het vakgebied van intelligent onderwijs.

Protocol

Ontwerp en optimalisatie van FairEduNet-algoritmen
De studie combineert GAN en GBDT om het FairEduNet-algoritme te construeren, waarbij de dubbele doelen van eerlijkheidscorrectie en nauwkeurigheidscorrectie worden bereikt, in plaats van de afweging van eenrichtingsoptimalisatie. FairEduNet hanteert een dual-channel collaboratieve architectuur: het GBDT-backbonekanaal is verantwoordelijk voor gestructureerde foutmodellering en precieze correctie, terwijl het GAN-hulpkanaal zich richt op het loskoppelen van gevoelige attributen en het dynamisch aanpassen van eerlijkheid. De architectuur van het FairEduNet-algoritme, die GAN en GBDT combineert, wordt weergegeven in Figuur 1.

Figuur 1: FairEduNet-algoritmearchitectuur die GAN en GBDT combineert. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien is in Figuur 1, verzamelt en preverwerkt FairEduNet eerst multi-source beoordelingsgegevens. GBDT gebruikt meerdere beslissingsbomen om iteratief beoordelingsfoutpatronen te leren, geeft initiële kalibratieresultaten en geeft deze door aan de GAN-module. GAN traint de discriminator om de relatie te leren tussen initiële kalibratieresultaten en gevoelige attributen, terwijl de generator de kalibratieparameters dynamisch aanpast. Door meerdere rondes van adversarial training en eerlijkheidsverificatie wordt de fairness bias geoptimaliseerd. Ten slotte worden de door eerlijkheid gekalibreerde resultaten teruggestuurd naar de GBDT-module, die nauwkeurigheid en eerlijkheid corrigeert en de kalibreringsbasis en het rapport van de onderwijsbeoordeling uitgeeft. GBDT berekent residuen zoals weergegeven in Vergelijking (1).

(1)

In Vergelijking (1) vertegenwoordigt het residu van de i-de steekproef in de t-de iteratie, y_i de werkelijke waarde en de voorspellingswaarde van de t-1-de iteratie. Het GAN-adversariële proces wordt getoond in Vergelijking (2).

(2)

In Vergelijking (2) vertegenwoordigt x het initiële kalibratieresultaat, z de gevoelige attribuutkenmerken, P_data(x)  de ware verdeling van niet-gevoelige kenmerken, P_z(z) de verdeling van gevoelige attributen, D de discriminator en G de generator¹⁵. De initiële kalibratie-output van GBDT wordt weergegeven in Vergelijking (3).

(3)

In Vergelijking (3) wordt de voorspelling van de i-de steekproef door de initiële beslissingsboom weergegeven, K het totale aantal beslissingsbomen, γ_k het gewicht van de k-de boom, en h_k(x_i) de voorspellingsoutput van de k-de boom voor de i-Het monster. Het FairEduNet-algoritme kan nauwkeurige kalibratie en eerlijkheidszekerheid bieden voor onderwijsbeoordelingsgegevens. Bij het verwerken van ongestructureerde beoordelingsdata en het aanpassen aan dynamische scenario's vertoont FairEduNet echter een zwakke feature-extractiecapaciteit voor ongestructureerde features, wat resulteert in kalibratiebias. Daarnaast zijn de fairness-indicatoren en kalibratieparameters van FairEduNet statisch ingesteld, waardoor de aanpassingsvermogen aan verschillende onderwijsscenario's beperkt wordt en de algehele kalibratiekwaliteit wordt beïnvloed. De combinatie van bidirectionele encoderrepresentaties van transformers (BERT) en reinforcement learning (RL), het BERT-RL-algoritme, kan diepe features nauwkeurig extraheren uit ongestructureerde tekst en scenarioparameters dynamisch aanpassen zonder statische drempels handmatig in te stellen, wat de betrouwbaarheid van algoritme-uitvoeren over scenario's verder verbetert^16,17. Traditionele methoden zoals TF-IDF vertrouwen op woordfrequentie, maar missen diepgaand contextueel begrip en kunnen geen specifieke richtingen van "eerlijkheid" onderscheiden in verschillende scenario's. Word2Vec produceert statische woordvectoren, die moeite hebben zich aan te passen aan complexe contextuele veranderingen en indirecte vooringenomenheid herkennen. BERT gebruikt meerlagige zelfaandacht om bidirectionele context te coderen, waarbij zowel expliciete bevooroordeelde termen als impliciete bevooroordeelde logica worden vastgelegd. Traditionele benaderingen vereisen handmatig samengestelde bevooroordeelde woordenlijsten, zijn afhankelijk van subjectieve ervaring en dekken beperkte scenario's. Door vooraf getraind modeloverdrachtleren leert BERT automatisch diepe semantische kenmerken zonder veel handmatige inspanning, wat een sterkere generalisatie biedt bij het herkennen van ambigue bias. Bovendien verliezen traditionele methoden vaak informatie bij lange teksten, terwijl BERT tot 512 tokens ondersteunt, contextuele relaties behoudt, biaskenmerken nauwkeurig lokaliseert en fijnmazige eerlijkheidscorrectie mogelijk maakt. Het werkingsproces van BERT-RL wordt weergegeven in Figuur 2.

Figuur 2: BERT-RL algoritme operatie stroomschema. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 2, standaardiseert BERT-RL eerst ongestructureerde tekstbeoordelingsdata en voert deze in het BERT-model. BERT gebruikt een transformatorencoder voor bidirectionele semantische modellering om sleutelkenmerken te extraheren en een featurematrix te construeren. De featurematrix wordt vervolgens ingevoerd in de RL-module, die de optimale strategie leert via meerdere iteraties. De geoptimaliseerde parameterconfiguratie wordt uiteindelijk ingevoerd in FairEduNet, wat de aanpasbaarheid verbetert. De berekening van het gewicht van de BERT zelf-aandacht kenmerk wordt weergegeven in Vergelijking (4).

(4)

In Vergelijking (4) vertegenwoordigt d_k de dimensie van vector K. De RL multi-objectieve beloningsfunctie wordt uitgedrukt in Vergelijking (5).

(5)

In Vergelijking (5) vertegenwoordigen ω₁, ω₂ en ω₃ gewichtscoëfficiënten, vertegenwoordigen kalibratiefouten, D_t is de afwijking van de rechtvaardigheid, D_{het doel} is de afwijking van de rechtvaardigheid van het doel, en T_t is de runtime¹⁸. Deze studie combineert BERT-RL met FairEduNet om het BERT-RL-FairEduNet-algoritme te vormen, aangeduid als BFEN. BFEN bereikt nauwkeurige kalibratie en eerlijkheidszekerheid van het onderwijs van beoordelingsdata via GBDT-feature-iteratie en GAN real-time adversarial training, terwijl BERT-RL FairEduNet optimaliseert voor het verwerken van ongestructureerde data en dynamische aanpassing aan scenario's, waarbij zwaktes in feature-extractie en statische parameterbeperkingen worden aangepakt. De studie gebruikte het BERT-gebaseerde Chinese model en trainde het corpus van echte onderwijslogboeken, in de klas opgenomen teksten en onderwijsbeleidsdocumenten van het National Smart Education Platform voor het academisch jaar 2024 tot 2025, met een woordenschat van 21128. De verborgen laagdimensie van het model is 768, met 12 aandachthoofden en 12 lagen. De diepte van de GBDT-boom werd ingesteld op 8, het aantal bomen was 200 en de leersnelheid was 0,1. De trainingscyclus van GAN is 150 rondes, en de discriminator gebruikt een volledig verbonden netwerk met 3 lagen en groottes van 512, 256 en 1. De generator gebruikt een volledig verbonden netwerk met vier lagen en groottes van 1024, 512, 256 en 1. Het aantal verborgen eenheden in LSTM is 128, en de sequentielengte is 512. GAT heeft 2 lagen en 4 aandachthoofden. De temperatuur voor kennisdestillatie is ingesteld op 3,0. RL-beloningscoëfficiënten ω₁ = 0,4, ω₂ = 0,35 en ω₃ = 0,25. De criteria voor gewichtsselectie zijn bedoeld om het Pareto-frontevenwicht van multi-objectieve optimalisatie in balans te brengen met de interpreteerbaarheidsvereisten van onderwijsrechtvaardigheidspraktijken. De experimenten werden uitgevoerd met een dataverdeling van 50% via kruisvalidatie en hyperparameterafstemming. Het BFEN-proces voor de kalibratie van het onderwijs in beoordeling is weergegeven in Figuur 3.

Figuur 3: Correctieproces van het BFEN-algoritme voor intelligent onderwijs en evaluatie van onderwijs. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien in Figuur 3, verwerkt BFEN eerst de multi-source onderwijsbeoordelingsgegevens. BERT optimaliseert de feature-extractiecapaciteit van FairEduNet door de semantische gelijkenis van teksten en diepe featuregewichten te berekenen op basis van een semantisch venster, waarbij belangrijke features worden geselecteerd om een hoogdimensionale semantische featurematrix te construeren. RL stelt vervolgens een multi-objectieve beloningsfunctie in en berekent scenario-adaptabiliteit en parameteraanpassingsgradiënten om eerlijkheidsdrempels en kalibratieparameters verder te optimaliseren. FairEduNet berekent afwijkingen tussen beoordelingsgegevens en foutpatroonmodellen, werkt iteratief de gewichten van de beslissingsboom bij en past kalibratiestrategieën aan totdat de fouten binnen vooraf ingestelde drempels stabiliseren. De uiteindelijke output omvat het foutkalibratiemodel en het fairness verification rapport. Het kalibratiemodel wordt toegepast op beoordelingsgegevens van het onderwijs, waarbij pre- en post-kalibratietabellen worden gegenereerd, die worden gecombineerd met de bibliotheek van de intelligent education fairness standard om doelkalibratieparameters te bepalen, wat een wetenschappelijke basis biedt voor het aanleren van beoordelingskalibratie in intelligent onderwijs. Deze standaardbibliotheek behandelt drie dimensies: eerlijkheid in onderwijskansen, procesrechtvaardigheid en uitkomsteerlijkheid, en bevat 12 kernindicatoren. Deze indicatoren omvatten de balans van de toewijzing van onderwijsmiddelen tussen regio's, het verschil in digitale infrastructuurdekking tussen stedelijke en landelijke scholen, de tolerantiedrempel voor vertraagde respons op diagnose van leersituaties (≤200 ms), de tolerantie voor ontbrekende gegevens bij multimodale beoordeling (≤3,5%), de gevoeligheid van algoritmebiasdetectie (AUC-afwijking voor gender/regio/fase-labeling ≤ 0,02), de KL-divergentiedrempel voor scoreverdeling vóór en na correctie (≤0,08), de interpreteerbaarheidsscore van lerareninterventiesuggesties (≥4,2/5,0), de tijdigheid van updates van leerlingprofielen (voltooid binnen T + 1 dag), de consistentiecoëfficiënt van cross-platform kredietherkenning (≥0,93), de nauwkeurigheid van semantische afstemming van onderwijsbeleid (BERT-score ≥ 0,86), en de volledigheid van het genereren van eerlijkheidsverificatierapporten (inclusief bias-toeschrijving), betrouwbaarheidsintervallen en reproduceerbare parametermomentopnames), evenals het dynamisch validatiepercentage voor scenario-adaptatie, dat drie typische scenario's omvat: live klaslokaal, asynchrone opdrachten en AI-onderwijsassistenten. De berekening van de gelijkenis in semantische kenmerken wordt weergegeven in Vergelijking (6).

(6)

In Vergelijking (6) vertegenwoordigt f_i de waarde van de i-de semantische kenmerkdimensie, g_i de waarde van de i-de belangrijke beoordelingskenschapsdimensie, en n het totale aantal kenmerkdimensies. De berekening van de aanpassingsparameter van het RL-scenario wordt weergegeven in Vergelijking (7).

(7)

In Vergelijking (7) stelt θ_t de parameterwaarde voor bij de t-de iteratie, α de leersnelheid, en vertegenwoordigt de parametergradiënt op basis van de beloningsfunctie R(θ_t).

Constructie van het calibratiemodel voor onderwijsbeoordeling
Hoewel BFEN bepaalde voordelen vertoont bij de kalibratie van onderwijsbeoordelingen, kent het nog steeds een lage integratie-efficiëntie voor multi-source heterogene beoordelingsdata en onvoldoende dynamische eerlijkheidsaanpassing in praktische toepassingen. Het AM-LSTM-algoritme, dat Attention Mechanism (AM) en Long Short-Term Memory (LSTM) combineert, wijst gewichten toe aan belangrijke kenmerken van multi-source beoordelingsdata via AM en legt de dynamische veranderpatronen van beoordelingsgegevens in de loop van de tijd vast met behulp van de sequentiële geheugencapaciteit van LSTM. Deze aanpak verbetert effectief de efficiëntie van multisource data-integratie en dynamisch feature learning^19,20. Het werkingsproces van AM-LSTM is weergegeven in Figuur 4.

Figuur 4: AM-LSTM operatiestroomdiagram. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien is in Figuur 4, preverwerkt AM-LSTM eerst multi-source heterogene onderwijsbeoordelingsdata om een gestandaardiseerde dataset te vormen. AM berekent aandachtsgewichten voor features uit verschillende databronnen om belangrijke features te selecteren en construeert een gewogen featurematrix. De gewogen featurematrix wordt vervolgens ingevoerd in LSTM, dat zijn gatingmechanisme gebruikt om dynamische patronen in de loop van de tijd te leren, relaties tussen beoordelingsgegevens in verschillende stadia vast te leggen en dynamische featurevectoren uit te voeren. Ten slotte worden deze dynamische featurevectoren gecombineerd met eerlijkheidsbeperkingen om tussentijdse kalibratieresultaten te genereren die zich aanpassen aan multi-source data-integratie en dynamische scenario's, wat een basis biedt voor latere modeloptimalisatie. Aandachtsgewichtberekening wordt weergegeven in Vergelijking (8).

(8)

In Vergelijking (8) stelt een_n de aandachtstoewijzing voor het n-de kenmerk voor, x_n gelijkenis, q de queryvector en softmax de activatiefunctie. De LSTM-vergeten poort wordt uitgedrukt in Vergelijking (9).

(9)

In vergelijking (9) is W_f het gewicht van de vergeten poort, b_f de vergeten poortvoorkeuze, x_t is de invoer op tijdstip t, h_t-1 is de externe toestandsvariabele op tijd t-1, en σ vertegenwoordigt de sigmoïde functie²¹. Deze studie combineert AM-LSTM met BFEN om het AM-LSTM-BFEN onderwijsbeoordelingskalibratiemodel te construeren, aangeduid als FBFEN. In dit model pakt AM-LSTM de beperkingen van BFEN aan in multi-source heterogene data-integratie-efficiëntie en dynamische feature-extractie. Het integreert ook fairness-beperkingen om tussentijdse kalibratieresultaten te optimaliseren, waardoor BFEN verder nauwkeurige kalibratie en dynamische fairness assurance kan bereiken voor het aanleren van beoordelingsdata. Het werkingsproces van FBFEN is weergegeven in Figuur 5.

Figuur 5: Werkingsproces van het FBFEN-model voor onderwijsevaluatie en correctie. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 5, preverwerkt FBFEN eerst de originele multi-source onderwijsbeoordelingsdata en voert de gestandaardiseerde dataset in in de AM-LSTM-module. AM berekent kenmerk-aandachtgewichten, terwijl LSTM dynamische patronen leert en tussentijdse kalibratieresultaten genereert die multi-source informatie en dynamische kenmerken integreren. De tussenresultaten worden vervolgens ingevoerd in de BFEN-module. GBDT leert iteratief de foutpatronen van beoordelingsgegevens op basis van de tussenresultaten en het vooraf ingestelde foutmodel, en levert voorlopige kalibratieresultaten uit. Ondertussen analyseert GAN fairness bias veroorzaakt door gevoelige attributen in de voorlopige resultaten via adversarial training tussen generator en discriminator, waarbij kalibratieparameters dynamisch worden aangepast om bias te elimineren. Ten slotte worden de door GAN geoptimaliseerde kalibratieparameters teruggestuurd naar GBDT om de beslissingsboomgewichten en kalibratiestrategieën bij te werken, wat een secundair kalibratieresultaat oplevert dat precisie en eerlijkheid in balans brengt. Datastandaardisatie wordt uitgedrukt in Vergelijking (10).

(10)

In Vergelijking (10) stelt z' de gestandaardiseerde waarde voor, z de oorspronkelijke waarde, en z_min en z_max de minimum- en maximumwaarden. De einddoelfunctie van de GAN-generator wordt uitgedrukt in Vergelijking (11).

(11)

In Vergelijking (11) vertegenwoordigt N het aantal iteraties, λ de gewichtsverliesfactor, ωⁱ de gewichtsfactor van de i-de iteratie, de adversariale verliesfunctie, en het binaire kruis-entropieverlies²².

FBFEN onderwijsbeoordelings-kalibratiemodeloptimalisatie
Hoewel FBFEN sterke multi-source data-integratie en dynamische eerlijkheidsgarantie in de kalibratie van onderwijsbeoordelingen vertoont, heeft het nog steeds zwakke featurecorrelatie en lage trainings- en inferentie-efficiëntie door de complexe modelstructuur in complexe onderwijssituaties. Het GAT-KD-algoritme, dat Graph Attention Network (GAT) en Knowledge Distillation (KD) combineert, construeert dynamisch een semantische associatiegraaf tussen features via het aandachtsmechanisme van GAT, waardoor de semantische uitlijning van multibrondata wordt verbeterd. KD comprimeert de kennis van het complexe model tot een lichtgewicht netwerk, waardoor de inferentie-efficiëntie aanzienlijk verbetert en de modelprestaties^23,24 behouden blijven. Het werkingsproces van GAT-KD wordt weergegeven in Figuur 6.

Figuur 6: GAT-KD operatiestroomdiagram. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals getoond in Figuur 6, construeert GAT-KD een semantische associatiegrafiek tussen kenmerken via de GAT-module, aggregeert dynamisch informatie over buurtkenmerken met behulp van het aandachtmechanisme en verbetert de semantische representatie van lokale kenmerken. KD gebruikt vervolgens de soft labels van de output als supervisiesignalen, waarbij divergentieverlies tussen outputverdelingen en kruis-entropieverlies tussen voorspellingen en ware labels wordt geminimaliseerd, waardoor kennisoverdracht en modelcompressie worden bereikt. De uiteindelijke output is een lichtgewicht kalibratiemodel met hoge precisie en efficiëntie. De berekening van de GAT-aandachtscoëfficiënt wordt weergegeven in Vergelijking (12).

(12)

In Vergelijking (12) en vertegenwoordigen de kenschapsvectoren van knooppunten i en j, W de leerbare gewichtmatrix, a de aandachtsgewichtvector, de concatenatiebewerking, en LeakyReLU de activatiefunctie²⁵. KD-verliesfunctieberekening wordt weergegeven in Vergelijking (13).

(13)

In Vergelijking (13) vertegenwoordigt KL het divergentieverlies, T² de gradiëntschaalbalans, p^student de soft label-kans van het lichtgewichtmodel, en p^teacher de softlabel-kans van het complexe model²⁶. Door aandacht versterkte feature-associatie en lichtgewicht kennisoverdracht te combineren, pakt GAT-KD effectief feature semantic bias en hoge computationele complexiteit aan. Deze studie integreert GAT-KD in FBFEN om het GAT-KD-FBFEN onderwijsbeoordelingskalibratiemodel te vormen, aangeduid als GFBFEN. GAT-KD optimaliseert de tekortkomingen van FBFEN in onvolledige multi-source featurecorrelatie-vastlegging en lage inferentie-efficiëntie. Het werkingsproces van GFBFEN is weergegeven in Figuur 7.

Figuur 7: GFBFEN evaluatie- en correctiemodel-operatieproces. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 7, standaardiseert GFBFEN multi-source onderwijsbeoordelingsgegevens. GAT modelleert complexe relaties tussen kenmerken en berekent dynamisch semantische associatiegewichten tussen knooppunten met behulp van aandachtsmechanismen. KD comprimeert de kennis van het complexe model tot een lichtgewicht netwerk, wat de inferentie-efficiëntie aanzienlijk verbetert terwijl precisie behouden blijft. De AM-LSTM-module kent belangrijkheidsgewichten toe aan multi-source features en legt temporele dynamische patronen van beoordelingsdata vast, waarbij tussentijdse kalibratieresultaten worden weergegeven die multi-source informatie integreren. Deze resultaten worden ingevoerd in de BFEN-module voor diepe verwerking. Specifiek extraheert BERT semantische kenmerken uit ongestructureerde tekst, optimaliseert RL dynamisch eerlijkheidsdrempels en kalibratieparameters, leert GBDT iteratief foutpatronen voor voorlopige kalibratie, en elimineert GAN vooroordelen veroorzaakt door gevoelige attributen via adversariale training. Het dynamische parameteraanpassingsmechanisme kalibreert automatisch de responsgevoeligheid en eerlijkheidsgewichten van elke module door de temporele veranderingen en groepsverplaatsingen van de lesomgeving in realtime te detecteren, waarmee het probleem van onvoldoende aanpassingsvermogen veroorzaakt door statische parameterconfiguratie wordt opgelost en wordt gegarandeerd dat het model robuustheid en eerlijkheid kan behouden in verschillende leerfasen. studentengroepen en evaluatiescenario's. Het evaluatietype beïnvloedt direct de granulariteit en feedbackcyclus van tijdreeksmodellering, terwijl formatieve evaluatie de dynamische aard van het proces benadrukt. De verschillen in disciplines bepalen de toewijzing van functies tussen BERT- en GBDT-modules. Daarom kan het toepassen van een dynamisch aanpassingsmechanisme effectief worden aangepast aan verschillende evaluatietypes en disciplinaire kenmerken. Ten slotte levert het model door meerdere rondes van parameterfeedback en iteratieve optimalisatie nauwkeurige en eerlijke calibratieresultaten voor onderwijsbeoordelingen. De dynamische rechtvaardigheidsbeperkingsoptimalisatiefunctie wordt uitgedrukt in Vergelijking (14).

(14)

In Vergelijking (14) vertegenwoordigt S de set gevoelige attributen, het voorspelde output calibratieresultaat, de variantie van voorspellingen binnen groepen, γ intergroepparameters en de totale verwachtingswaarde. De adaptieve berekening van multi-source feature fusiegewichten wordt weergegeven in Vergelijking (15).

(15)

In Vergelijking (15) vertegenwoordigt w_k het kenmerkgewicht van de k-de databron, β de gewichtsparameter, Sim de feature-similariteitsmeetfunctie, f_k de featurevector die uit de k-de databron is gehaald, f_globaal het globale featurecentrum, en K vertegenwoordigt het totale aantal databronnen. De studie stelde de gewichten vast van gevoelige eigenschappen, waaronder geslacht, etniciteit, regio, gezinsstatus en moedertaalachtergrond. De gewichten worden bepaald op basis van de resultaten van correlatieanalyse. De studie gebruikte de Pearson-correlatiecoëfficiënt en de Spearman-rangcorrelatiecoëfficiënt als dubbele indicatoren voor gezamenlijke evaluatie, gecombineerd met deskundige ervaring op het gebied van onderwijs voor gewichtskalibratie. De definitieve bepaling van de gewichten voor elk gevoelig attribuut leverde waarden op van 0,18 voor geslacht, 0,22 voor etniciteit, 0,25 voor regio, 0,19 voor gezinseconomische status en 0,16 voor moedertaalachtergrond. Geslacht: Genderidentiteit volgens wettelijke registratie en zelfidentificatie, binair (man/vrouw) met non-binaire opties; Gegevensveld "geslacht". Etniciteit: Gebaseerd op nationale etnische identificatie van 56 groepen, compatibel met niet-geïdentificeerde en grensoverschrijdende groepen; Gegevensveld "etniciteit". Regio: Administratieve indeling van huishoudregistratie of langdurige verblijf, die provinciaal, gemeentelijk en provinciaal niveau omvat, rekening houdend met stedelijk-platteland dubbele structuur en migrantenpopulatie; Gegevensveld "regio". Gezinseconomische status: Volgens nationale statistische standaarden en indicatoren voor onderwijsondersteuning, met een vijflaagse classificatie; Gegevensveld "economic_status". Moedertaalachtergrond: Primair onderwijs- en gezinscommunicatietaal tijdens het basisonderwijs, met Mandarijn, minderheidstalen, dialecten en vreemde talen, gewogen naar verwervingsleeftijd en frequentie; Gegevensveld "mother_tongue."

Het correctieproces hanteerde een dynamisch wegingsmechanisme in drie fasen. De eerste fase implementeerde identificatie van initiële afwijkingen op basis van de gewichtsmatrix van gevoelige attributen, waarbij datapunten werden gemarkeerd die significant afweken van het globale kenmerkcentrum in dimensies zoals geslacht, etniciteit en regio. De tweede fase introduceert educatieve contextbeperkingen om de afwijkingsintensiteit op een contextbewuste manier opnieuw te kwalificeren. De derde fase verifieert de correctiestabiliteit via contrafeitelijke verstoringstests, waarbij systematisch de waarden van gevoelige attributen worden vervangen terwijl niet-gevoelige kenmerken ongewijzigd blijven, en wordt geobserveerd of de verandering in evaluatiescores binnen de drempel van ±±3,2% ligt.

Results

BFEN-algoritme prestatie-analyse
De indicatoren die in de experimenten werden geëvalueerd omvatten de volgende:

Nauwkeurigheid van evaluatiecorrectie (ECA) duidt het aandeel afwijkingsitems aan dat correct door het model is geïdentificeerd en gecorrigeerd binnen de resultaten van de onderwijsbeoordeling, en weerspiegelt daarmee de algehele effectiviteit van het correctiemechanisme. Hogere waarden duiden op superieure correctienauwkeurigheid.

De fairness deviation rate (FDR) meet de omvang van de intergroepsscoreverschillen die het model tijdens het kalibratieproces niet elimineert. Het wordt berekend als de verhouding van de standaarddeviatie van elk gevoelig kenmerk (bijv. geslacht, regio, etniciteit) binnen de scoreverdeling tot de totale standaarddeviatie; Lagere waarden impliceren geminimaliseerde intergroepsverschillen en een robuustere eerlijkheidsgarantie.

Scenario-adaptatiepercentage (SAR) geeft het percentage correctietaken aan dat het model succesvol uitvoert in heterogene instructiecontexten (bijv. wetenschappen versus geesteswetenschappen, online versus offline omgevingen).

De fairness maintenance degree (FMD) wordt gedefinieerd als één minus de verhouding van de variantie van fairness-indicatoren tussen gevoelige attribuutgroepen na correctie tot die waargenomen vóór correctie, wat het vermogen van het systeem weerspiegelt om zijn structurele eerlijkheid tijdens het kalibratieproces te behouden.

De herkenningssnelheid van disciplinaire kenmerken (DFRR) berekent het aandeel van de steekproeven waarin kernkenmerken correct zijn geïdentificeerd binnen de beoordelingsgegevens van elke discipline ten opzichte van de totale beoordelingssteekproefgrootte, waarmee het vermogen van het model wordt aangetoond om domeinspecifieke variaties te onderscheiden en te vangen.

Multi-source data fusion efficiency (MDFE) verwijst naar de doorvoerefficiëntie van het model tijdens feature-uitlijning, gewichtstoewijzing en deviatiecorrectie bij het fuseren van multi-source heterogene evaluatiedata. Deze uitgebreide maatstaf wordt gedefinieerd als het product van het aantal beoordelingsmonsters dat per seconde wordt verwerkt (monsters per seconde) en het compliancepercentage van correctieconsistentie (op een betrouwbaarheidsniveau van >95%), waarbij hogere waarden duiden op een efficiëntere en stabielere fusiepijpleiding.

Correctieresultaatstabiliteit (CRS) geeft de consistentie aan van kalibratie-uitgangen over meerdere onafhankelijke runs, gekwantificeerd door het omgekeerde van de standaarddeviatie van de Euclidische afstand tussen de correctie-uitgangen van elke run onder identieke inputs. Hogere waarden duiden op een verbeterde betrouwbaarheid van het systeem.

Single data correction time (SDCT) vertegenwoordigt de gemiddelde rekenlatentie die het model verbruikt om de kalibratie van een enkele beoordelingsmonster te voltooien, gemeten in milliseconden (ms); Lagere waarden duiden op een sterkere realtime responscapaciteit.

Gecorrigeerde absolute fout (CAE) meet de gemiddelde absolute fout tussen de gekalibreerde voorspellingen en de grondwaarheidswaarden, en vertegenwoordigt de restafwijking van het model ten opzichte van de oorspronkelijke niet-gekalibreerde gegevens. Lagere waarden geven aan dat de gekalibreerde uitgangen beter aansluiten bij de werkelijke prestatieniveaus.

Gecorrigeerde relatieve fout (CRE) kwantificeert de gemiddelde absolute fout tussen de gekalibreerde voorspellingen en grondwaarheidswaarden uitgedrukt als een percentage van de grondwaarheid, waarbij lagere waarden een hogere relatieve kalibratieprecisie aangeven.

De correctienauwkeurigheidsgraad (CAR) geeft het aandeel monsters aan waarvan de absolute fout na kalibratie < 0,5 bedraagt ten opzichte van de totale steekproefgrootte, waarmee de betrouwbaarheid van het model wordt aangetoond bij het voldoen aan vooraf gedefinieerde precisiebeperkingen. Hoge waarden onderbouwen het empirische nut en de geloofwaardigheid van de outputs.

Totale verlieswaarde (TL) vertegenwoordigt de uitgebreide optimalisatie-doelwaarde die is afgeleid van de gewogen som van individuele subverliestermen bij taakvoltooiing. Specifiek zijn zeven metrics—DFRR, MDFE, CRS, SDCT, CAE, CRE en CAR—gestandaardiseerd via Z-score normalisatie en gewogen op basis van de operationele prioriteit van de evaluatietaken. Gegeven de weegvector [0,15, 0,12, 0,1, 0,08, 0,13, 0,12, 0,1], worden deze zeven genormaliseerde indicatorwaarden samengevoegd om het uiteindelijke verlies te berekenen.

Nauwkeurigheid van evaluatiefeature clustering (EFCA) beoordeelt de mate van uitlijning tussen de ongecontroleerde clusteringconfiguraties die door het model worden gegenereerd en de ground-truth-categorieën die door domeinexperts worden gevalideerd.

Efficiëntie van hoogdimensionale gegevensverwerking (HDPE) meet het aantal monsters dat per tijdseenheid wordt onderworpen aan featuredimensionaliteitsreductie en deviatiecorrectie bij het verwerken van hoogdimensionale sparse vectoren met ≥50 evaluatiekenmerken. Gemeten in steekproeven per seconde weerspiegelen hogere waarden een robuuster vermogen om complexe, grootschalige beoordelingsinputs in realtime te verwerken.

Fairness correction precision (FCP) evalueert de uniformiteit van de kalibratie-effecten tussen uiteenlopende studentengroepen. Deze metriek wordt gekwantificeerd door het gemiddelde van de verdeling van de Kolmogorov-Smirnov-afstand te berekenen voor de gecorrigeerde absolute fouten over de gevoelige attribuut-subgroepen; Lagere waarden impliceren een meer evenwichtige cross-group prestaties en sterkere fairness assurance.

Cross-scene correctieconsistentie (CSCC) kwantificeert de distributie-offset van kalibratieresultaten over drie typische scenario's—namelijk klassikale beoordeling, praktische evaluatie en online testen—gemodelleerd als de Wasserstein-afstandsverhouding.

Om de prestaties van het voorgestelde BFEN-examens-kalibratiealgoritme te verifiëren, vergeleek de studie dit met het PRF-algoritme, dat principal component analysis (PCA) en random forest (RF) combineerde; het EAB-algoritme, dat extreme learning machine (ELM) en adaptive boosting (AdaBoost) combineerde; en het DBLR-algoritme, dat deep belief network (DBN) en logistische regressie (LR) combineerde. De experimenten draaiden op een systeem uitgerust met een Intel Core i9-13900HX-processor en NVIDIA RTX 4080 GPU, wat hoge parallelle rekenkracht en groot videogeheugen bood om feature-extractie en kalibratieberekeningen voor grootschalige onderwijsbeoordelingsdata efficiënt uit te voeren. Het besturingssysteem was Windows 11, en Python 3.9 werd gebruikt voor programmeren. De algoritmen werden geïmplementeerd met behulp van de Scikit-learn-bibliotheek, deep learning-modules werden ontwikkeld via het TensorFlow-framework, en Pandas- en NumPy-bibliotheken werden gebruikt voor datapreprocessing. De ontwikkelomgeving gebruikte PyCharm Professional 2023.1, en Seaborn werd toegepast voor het visualiseren van kalibratieresultaten om een intuïtieve vergelijking van algoritmeprestaties te vergemakkelijken. Om de betrouwbaarheid van de gegevens te waarborgen, maakte de studie gebruik van de Global Education Monitoring Report dataset¹ en de academische prestatiedataset² van de Spaanse middelbare scholieren. De dataset bevat 12.486 records, die multimodale evaluatiegegevens voor onderwijs omvatten, zoals beoordelingen van universitaire faculteits, academische prestaties van studenten, evaluaties van student-onderwijs en cursusfeedback, en omvat 137 onderwijsdimensiekenmerken, waaronder frequentie van interactie in de klas, tijdigheid van feedback op opdrachten, consistentie in scores, taalinclusiviteit en interculturele gevoeligheid. De doelvariabele is de onderwijsevaluatiescore, die in deze studie wordt gekoppeld aan een multidimensionale gewogen samengestelde waarde die door experts is gekalibreerd. Het onderzoek integreert vier soorten informatiebronnen: student-onderwijsevaluaties, peer reviews, observaties in de klas en beoordelingen van onderwijsdossiers, met gewichten van respectievelijk 0,35, 0,25, 0,25 en 0,15. De trainings- en validatiesets zijn chronologisch gescheiden tussen de twee datasets. De studie gebruikt gegevens van september 2024 als trainingsset en gegevens van oktober 2024 tot juni 2025 als validatieset om af te stemmen op de temporele progressie van onderwijsbeoordelingen. In de preprocessingfase wordt een modaliteitsspecifieke strategie toegepast, waarbij gestructureerde kenmerken gestandaardiseerd zijn via Z-score normalisatie en uitschieters Winsorized, terwijl tekstuele features worden gecodeerd met het BERT-base-Chinese model en teruggebracht tot 768 dimensies. Adversariale training wordt toegepast om de robuustheid tegen impliciete bias-uitingen te vergroten en semantische drift veroorzaakt door culturele achtergrondverschillen te beperken.

Om cross-domein training en validatieonderzoek te realiseren, zal het model worden overgezet naar vier heterogene onderwijsscenario's: basisonderwijs voor basisonderwijs K-12, beroepsonderwijs, voortgezet onderwijs en internationaal Chinees onderwijs voor nul of weinig steekproefvalidatie. In deze vier scenario's introduceert de studie domeinadaptieve regularisatietermen tijdens algoritmetraining om de consistentie van de featureverdeling van het model in verschillende onderwijsscenario's te beperken. Het inbedden van een lichtgewicht, syntaxisbewust maskermechanisme voor korte zinsruis in K-12 scenario's; Om de ambiguïteit van professionele terminologie in het beroepsonderwijs aan te pakken, wordt een dynamisch domeinwoordenboek opgesteld en geïntegreerd met de kennisgrafiek van het curriculum. Ontwerp een leermodule voor leeftijdsgroepvergelijking om de intergenerationele semantische kloof in permanente educatie aan te pakken, waarbij semantische ankers voor evaluatie-uitdrukkingen van verschillende leeftijdsgroepen in de latente ruimte worden uitgelijnd. Om de culturele lastuitdrukking in het internationale Chinese onderwijs aan te pakken, worden cross-language vergelijkingsprompts gebruikt om het begrip van niet-letterlijke onderwijsconcepten te versterken. Onderzoek naar expertkalibratie en betrouwbaarheidstesten van gestructureerde velden in originele evaluatierecords, waarbij laag-betrouwbaarheidsvermeldingen met Krippendorff's alfacoëfficiënt onder 0,75 worden verwijderd. Dubbelblinde handmatige annotatie werd toegepast op evaluatieteksten van studenten, waarbij 3 experts in onderwijskundige metingen onafhankelijk afwijkingstype-labeling uitvoerden, waarmee Cohens k = 0,86 consistentie in annotatie werd bereikt. Ten slotte werden de geannoteerde resultaten gekruist met de aanwezigheidsregistraties van de supervisie en de beoordeling van het onderwijsbestand om de definitieve kalibratielabels te genereren.

De geselecteerde datasets zijn afkomstig uit verschillende populaties, meetsystemen en onderwijsachtergronden. Dit cross-domain validatieparadigma testte rigoureus de robuustheid en generalisatiegrenzen van het model binnen een authentiek onderwijs-ecosysteem, waardoor evaluatieillusies veroorzaakt door datahomogenisatie werden voorkomen. Beide repositories bevatten aanzienlijke hoeveelheden onderwijsbeoordelingsrecords, die directe referentiewaarde boden voor de inzet van eerlijkheidsbewuste intelligente onderwijsalgoritmen. Beide datasets bevatten aanzienlijke gegevens over onderwijsbeoordeling, die directe referentiewaarden boden voor het ontwerp van eerlijkheidsbewuste intelligente onderwijsalgoritmen en kalibratie van onderwijsbeoordeling. De studie kalibreerde 1000 onderwijsbeoordelingsrecords met de vier algoritmen en berekende hun ECA en Fairness FDR. De resultaten zijn weergegeven in Figuur 8.

Figuur 8: Vergelijking van testresultaten tussen ECA en FDR. (A) BFEN. (B) PRF. (C) EAB. (D) DBLR. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 8A, behaalde BFEN aanvankelijk een ECA van 82,47% en een FDR van 5,71% in de beoordelingscalibratietaak. Naarmate het aantal gekalibreerde records toenam, steeg de ECA tot 98,75% en stabiliseerde deze na het kalibreren van 421 records, terwijl de FDR daalde tot 2,87% en stabiliseerde na het kalibreren van 514 records. Zoals getoond in Figuur 8B, nam de ECA-curve van het PRF-algoritme geleidelijk toe, terwijl de FDR-lijn langzaam afnam. Aan het einde van de kalibratietaak was de ECA-waarde 92,30% en de PDR-waarde 6,72%. Figuur 8C toont aan dat de ECA-curve van het EAB-algoritme snel steeg voordat deze afvlakte, terwijl het FDR-traject ernstige vroege schommelingen vertoonde vóór de convergentie, eindigend met een ECA van 84,64% en een FDR van 8,93%. Zoals weergegeven in Figuur 8D, vertoonde het DBLR-algoritme een trage opwaartse ECA-traject, vergezeld van marginale fluctuaties en beperkte compressie in zijn FDR-lijn, waarmee de kalibratietaak werd afgesloten met een ECA van 83,51% en een FDR van 8,42%. Deze experimentele bevindingen bevestigen dat het BFEN-algoritme aanzienlijk beter presteert dan de basisbenaderingen op het gebied van zowel nauwkeurigheid van evaluatiecorrectie als controle van fairness bias. Deze superieure generalisatiemogelijkheid wordt toegeschreven aan de integratie van BERT binnen BFEN, dat diepe semantische kenmerken uit ongestructureerde evaluatietekst haalt om verborgen bias-expressies vast te leggen, terwijl de RL-module dynamisch eerlijkheidsdrempels en correctieparameters optimaliseert via een multi-objectieve beloningsfunctie om gevoelige attributen los te koppelen van de uiteindelijke output. De studie testte vervolgens SAR en FMD voor klassikale beoordeling, eindexamens, praktische evaluatie en online beoordeling, waarbij de vier scenario's werden aangeduid als A, B, C en D. De resultaten zijn te zien in Figuur 9.

Figuur 9: Vergelijking van SAR- en FMD-resultaten in verschillende scenario's. (A) SAR-testresultaten. (B) FMD-testresultaten. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 9A, behaalde BFEN een SAR van meer dan 98% in alle onderwijsscenario's, met de hoogste SAR van 99,01% voor klassikale toetsen. De SAR van het vergelijkingsalgoritme in verschillende scenario's is lager dan die van het BFEN-algoritme, waarbij het DBLR-algoritme de laagste SAR heeft voor het uiteindelijke beoordelingsscenario van alle algoritmen, met een SAR van 70,23%. Zoals te zien is in Figuur 9B, is de FMD van het BFEN-algoritme nog steeds aanzienlijk hoger dan die van het vergelijkingsalgoritme in verschillende onderwijsscenario's, met FMD's van respectievelijk 98,47%, 98,05%, 97,81% en 97,94% in verschillende scenario's. De FMD's van het benchmarkalgoritme DBLR zijn respectievelijk 82,36%, 71,74%, 70,59% en 69,12%. De FMD's van het EAB-algoritme zijn respectievelijk 80,79%, 68,21%, 67,65% en 66,03%, terwijl de FMD's van het PRF-algoritme respectievelijk 86,42%, 82,17%, 80,98% en 78,33% bedragen. Deze resultaten toonden aan dat BFEN beter presteerde dan vergelijkingsalgoritmen dankzij het iteratieve leren van GBDT met meerdere beslissingsbomen, die foutpatronen over scenario's nauwkeurig vastlegden en stabiele en eerlijke kalibratieresultaten garandeerden. De studie evalueerde verder het herkenningspercentage van disciplinaire kenmerken (DFRR) voor Chinees, Wiskunde en Engels met behulp van de vier algoritmen. De resultaten zijn te zien in Figuur 10.

Figuur 10: Vergelijking van DFRR-testresultaten in verschillende disciplines. (A) Trainingsset. (B) Validatie ingesteld. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 10A behaalde BFEN een DFRR van 99,23%, 98,94% en 99,13% voor Chinees, Wiskunde en Engels in de trainingsset. Figuur 10B gaf aan dat BFEN ook een hogere DFRR behaalde in de validatieset vergeleken met andere algoritmen. Specifiek bereikte BFEN's DFRR voor Chinezen 98,41%, 10,8%, hoger dan DBLR's 87,61%; voor Wiskunde 97,54%, 9,07% hoger dan de 88,47% van PRF; en voor Engels 98,13%, 13,34%, hoger dan EAB's 84,79%. Deze resultaten bevestigden dat BFEN zich efficiënt aanpaste aan de kalibratie van disciplinaire beoordelingen door BERT's diepe vastlegging van semantische verschillen te combineren met GBDT's gepersonaliseerde leermethode van foutpatronen. Om de BFEN-prestaties volledig te beoordelen, evalueerde de studie MDFE, CRS en SDCT voor de vier algoritmen. De resultaten worden weergegeven in Tabel 1.

Dataset	Algoritme	MDFE (%)	CRS	SDCT(s)
Opleiding	BFEN	98.42 ± 0.28*&@	0,975 ± 0,28*&@	0,78 ± 0,04*&@
	PRF	83,85 ± 0,41	0,779 ± 0,36	1,32 ± 0,08
	EAB	85,91 ± 0,50	0,806 ± 0,40	1.15 ± 0.07
	DBLR	88,76 ± 0,47	0,753 ± 0,39	1,45 ± 0,08
Validatie	BFEN	97.58 ± 0.25*&@	0,968 ± 0,27*&@	0,86 ± 0,03*&@
	PRF	81,62 ± 0,32	0,687 ± 0,50	1,51 ± 0,06
	EAB	84,37 ± 0,40	0,749 ± 0,42	1,28 ± 0,05
	DBLR	87,53 ± 0,30	0,728 ± 0,47	1,63 ± 0,07

Tabel 1: Vergelijking van MDFE-, CRS- en SDCT-testresultaten. "*" duidt op een significant verschil (p < 0,05) tussen BFEN- en PRF-resultaten. "&" geeft aan dat het verschil tussen BFEN- en EAB-resultaten significant was (p < 0,05). "@" geeft aan dat het verschil tussen BFEN- en DBLR-resultaten significant is (p < 0,05)

Tabel 1 geeft aan dat BFEN een MDFE van 98,42% behaalde in de trainingsset, 14,57% hoger dan de 83,85% van PRF, een CRS van 0,975, 0,222 hoger dan de 0,753 van DBLR, en een SDCT van 0,78 s, 0,67 s. minder dan de 1,45 s. van DBLR. In de validatieset behaalde BFEN superieure prestaties, met MDFE, CRS en SDCT van respectievelijk 97,58%, 0,968 en 0,86 s, die beter presteerden dan vergelijkingsalgoritmen. Al met al bevestigden de resultaten de superieure uitgebreide prestaties van BFEN bij het kalibreren van onderwijsbeoordelingen.

GFBFEN validatie van de prestatie van het kwaliteitsmodel voor onderwijsbeoordeling
Op basis van de BFEN-prestatievalidatie evalueerde de studie verder de prestaties van het GFBFEN teaching assessment calibratiemodel dat op BFEN is opgebouwd en vergeleek dit met kalibratiemodellen die zijn opgebouwd met PRF-, EAB- en DBLR-algoritmen. Om consistente testomstandigheden en vergelijkbaarheid te waarborgen, diende de globale dataset van onderwijsmonitoring als trainingsset, terwijl de universitaire studentendataset als validatieset diende. De vier modellen kalibreerden 500 onderwijsbeoordelingsrecords, en hun CAE en CRE werden berekend. De resultaten zijn weergegeven in Figuur 11.

Figuur 11: Vergelijking van CAE- en CRE-testresultaten. (A) CAE-testresultaten. (B) CRE-testresultaten. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 11A, behaalde GFBFEN aanvankelijk een CAE van 0,1279. Naarmate de kalibratie vorderde, daalde de CAE tot 0,0641 en stabiliseerde deze na 104 records. De vergelijkingsmodellen hadden een hogere initiële en uiteindelijke CAE dan GFBFEN, waarbij EAB respectievelijk de hoogste initiële en uiteindelijke CAE had van 0,1858 en 0,1217. Figuur 11B gaf aan dat de initiële en uiteindelijke CRE van GFBFEN tijdens de kalibratietaak lager bleven dan die van de vergelijkingsmodellen, met waarden van respectievelijk 0,1137 en 0,0912. Deze resultaten toonden aan dat GFBFEN een sterke fittingcapaciteit vertoonde, profiterend van het aandachtsmechanisme van GAT, dat semantische correlatiegrafieken tussen features construeerde, de semantische uitlijning van multi-source beoordelingsdata verbeterde en ineffectieve kalibratie veroorzaakt door feature-bias verminderde. De studie evalueerde vervolgens CAR voor leerlingbeoordelingsgegevens, lerarenbeoordelingsgegevens, schoolbeoordelingsgegevens en online beoordelingsgegevens, aangeduid als I, II, III en IV. De resultaten zijn weergegeven in Figuur 12.

Figuur 12: Vergelijking van CAR-resultaten van verschillende evaluatiegegevens. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 12A behaalde GFBFEN een CAR van 99,34%, 98,93%, 99,01% en 99,12% voor leerling-, leraren-, school- en online beoordelingsgegevens in de trainingsset. In de validatieset waren CAR-waarden respectievelijk 97,89%, 98,56%, 97,57% en 98,46%. Figuur 12B–D toonde aan dat vergelijkingsmodellen een lagere CAR hadden in zowel trainings- als validatiesets. Van hen presteerde EAB het slechtst in de validatieset, met een CAR van 76,31% voor lerarendata en 78,29% voor online data. Deze resultaten bevestigden dat GFBFEN de vergelijkingsmodellen aanzienlijk overtrof. Vervolgens testte de studie de TL in de calibratietaak voor de onderwijsbeoordeling om het geschiktheidsvermogen en de stabiliteit van de training te evalueren. De resultaten zijn weergegeven in Figuur 13.

Figuur 13: Resultaten van modelfitting en trainingsstabiliteitstestresultaten. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 13A, had GFBFEN aanvankelijk een TL van 0,1021 in de trainingsset. Na 67 iteraties daalde de TL naar 0,0725 en stabiliseerde het. In de validatieset daalde TL van 0,1237 naar 0,1018. Figuur 13B–D gaf aan dat de uiteindelijke TL van PRF in de trainingsset 0,0824 was, de uiteindelijke TL van EAB in de validatieset 0,1178, en de TL van DBLR in beide sets onstabiel en aanzienlijk hoger was dan bij andere modellen. Deze resultaten toonden aan dat GFBFEN een sterke fitting-capaciteit en trainingsstabiliteit vertoonde, profiterend van kennisoverdracht gebaseerd op KD, waardoor het model snel effectieve kenmerken kon leren, verliesconvergentie kon versnellen en generalisatie over datasets kon waarborgen. Om de kernprestaties van GFBFEN volledig te valideren, testte de studie EFCA, HDPE, FCP en CSCC voor de vier modellen. De resultaten zijn weergegeven in Figuur 14.

Figuur 14: Uitgebreide indicatortestresultaten van lesgevende beoordelings- en correctietaken. (A) GFBFEN-testresultaten. (B) PRF-testresultaten. (C) EAB-testresultaten. (D) DBLR-testresultaten. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 14A–D, heeft het GFBFEN-model EFCA-waarden van respectievelijk 99,35% en 98,76% in de trainings- en validatiesets. De EFCA van het PRF-model bedraagt respectievelijk 88,53% en 87,04%. In de validatieset was de EFCA van het GFBFEN-model 6,59% hoger dan die van het EAB-model met 92,17% en 11,72% hoger dan die van het DBLR-model met 87,04%. Daarnaast zijn de HDPE-, FCP- en CSCC-indicatoren ook ruim voorop: in de validatieset bereikte de HDPE van het GFBFEN-model 98,05%, de FCP 97,93% en de CSCC 0,968, die allemaal beter presteerden dan de PRF-, EAB- en DBLR-modellen. Al met al valideerden deze resultaten de superieure algehele prestaties van GFBFEN, en toonden aan dat de gecoördineerde optimalisatie van GAT-KD, AM-LSTM en BFEN effectief de kalibratienauwkeurigheid, efficiëntie en eerlijkheid in het onderwijs verbeterde.

Het onderzoek heeft geleidelijk FairEduNet, BFEN, FFEN en GFBFEN opgebouwd, en de uiteindelijke GFBFEN omvat componenten zoals FairEduNet, BERT-RL, AM-LSTM en GAT-KD. Om de onafhankelijke bijdrage van individuele componenten te verifiëren, worden onderzoek- en ontwerpablatieexperimenten uitgevoerd, waarbij elk onderdeel geleidelijk wordt verwijderd en de impact ervan op de algehele prestaties wordt geëvalueerd. Vergelijkende indicatoren zijn onder andere ECA, FDR, SAR en FMD. De resultaten toonden aan dat de ECA-waarde van alleen al de FairEduNet-component 87,32% was, FDR 12,45%, SAR 89,67% en FMD 11,89%. De ECA van het volledige GFBFEN-model bereikte 99,21%, de FDR daalde verder naar 1,93%, de SAR bleef stabiel op 99,45% en de FMD werd geoptimaliseerd op 7,28%. Na het verwijderen van BERT-RL daalde ECA tot 91,04%, de FDR-waarde was 6,23%, de SAR-waarde 92,33% en FMD steeg naar 7,85%. De ablatie van AM-LSTM verhoogde SAR-fluctuaties met 14,2%. Het verwijderen van GAT-KD leidde tot een toename van FMD tot 8,36%, en het onderdrukkingsmechanisme van de propagatie van grafstructuurbias, geleid door kennisdestillatie, was significant effectief in het verminderen van impliciete associatiebias tussen populaties.

Om de onderzoeksmethoden verder te testen, introduceerde de studie vastgestelde standaardindicatoren voor eerlijkheid, namelijk de Fairness Correction Benchmark (FCB), die drie typen rigide beperkingen omvat die breed worden erkend in onderwijssituaties: (1) De absolute waarde van het gemiddelde verschil na correctie tussen groepen is ≤ 1,2 punten (gebaseerd op het percentagesysteem); (2) Het overlappingspercentage van de gecorrigeerde betrouwbaarheidsintervallen voor elke gevoelige attribuutsubgroep is ≥ 95%; (3) In elk enkel scenario moet de gezamenlijke haalbare regio van FDR en SAR voldoen aan de Pareto-grensbeperking (dat wil zeggen, het is onmogelijk SAR te verbeteren zonder FDR te verslechteren, en omgekeerd). Het GFBFEN-model werd in de experimentele evaluatie vergeleken met gangbare basismodellen, zoals EAB, PRF, DBLR en GBDT. Het experiment werd uitgevoerd op basis van 421 echte beoordelingsgegevens verzameld uit echte onderwijsscenario's, en besloeg drie typische onderwijsscenario's: klassikale beoordeling, praktische evaluatie en online toetsen. De resultaten zijn weergegeven in Tabel 2.

Algoritme	Absolute waarde van het gemiddelde scoreverschil	Betrouwbaarheidsinterval overlappercentage(%)	Gezamenlijk haalbaar regiotevredenheidspercentage(%)	Volledige partituur
GFBFEN	0.87	98.3	100	97.2
EBA	1.52	98.4	82.6	78.5
PRF	1.68	85.1	74.3	71.2
DBLR	1.45	87.9	79.8	75.6
GBDT	1.33	91.2	86.4	79.9

Tabel 2: Evaluatieresultaten van indicatoren voor eerlijkheidscriteria en verificatie van praktische toepassingen.

Zoals te zien in Tabel 2, behaalde GFBFEN volledige naleving van alle vier de starre FCB-beperkingen onafhankelijk, en de uitgebreide score presteerde aanzienlijk beter dan de andere basismodellen met een marge van +18,7 punten, wat de robuustheid van het voorgestelde meerfasige collaboratie-correctieparadigma bevestigt. Met name in de kernindicator die de afwegingscapaciteit tussen rechtvaardigheid en efficiëntie weerspiegelt, bereikte de gezamenlijke haalbare regiodekking 100%, wat aangeeft dat het model beschikt over inzetbare Pareto-optimale besluitvormingsmogelijkheden in echte onderwijssituaties.

Eerlijkheid in onderwijsevaluatie verwijst naar het gebruik van verifieerbare kwantitatieve beperkingen als maatstaf, waarbij individuele verschillen en onderwijswetten worden gerespecteerd. De berekeningslogica en het vaststellen van drempelwaarden van gelijkheidsindicatoren zijn gebaseerd op het theoretische kader van onderwijsrechtvaardigheid en empirische dataverificatiestandaarden. Ze worden gezamenlijk beoordeeld door een deskundigencommissie bestaande uit vijf wetenschappers om een hoge mate van eenheid te waarborgen tussen theoretische strengheid en aanpassingsvermogen aan de onderwijspraktijk. Om de aanpasbaarheid van het model onder verschillende eerlijkheidsnormen verder te valideren, voerde de studie verdere validatie uit onder meerdere standaarden. Specifiek werden drie fairness-standaarden geselecteerd voor verificatie. Standaard 1 is de balans tussen groepen op basis van demografische pariteit. Standaard 2 is de cross-groep consistentie van true positive-percentage en false positive-percentage gebaseerd op Equalized Odds. Standard 3 is gebaseerd op Predictive Parity om intergroepsbias in voorspellingsnauwkeurigheid te beheersen. Er werd vastgesteld dat GFBFEN consequent voldeed aan de strikte beperkingsvereisten onder alle drie de normen. Standaard 1 groepsacceptatiegraad afwijking ≤1,2%, standaard 2 echt/vals positieve intergroepverschil ≤0,85%, standaard 3 voorspellingsnauwkeurigheid intergroepafwijking gecontroleerd binnen ±±0,6%. Daarentegen toonden de andere modellen een doorbraak van ≥3,7% onder ten minste één criterium, waarmee de generalisatiecompatibiliteit van GFBFEN voor multivariate fairness-paradigma's werd geverifieerd.

BESCHIKBAARHEID GEGEVENS:
Om de betrouwbaarheid van de gegevens te waarborgen, gebruikte het onderzoek de Global Education Monitoring Report dataset (https://www.education-progress.org/) en de academische prestatiedataset van Spaanse middelbare scholieren (https://archive.ics.uci.edu/dataset/320/student+performance). De trainings- en validatiesets zijn chronologisch gescheiden tussen de twee datasets. De studie gebruikt gegevens van september 2024 als trainingsset en van oktober 2024 tot juni 2025 als validatieset, in lijn met de temporele progressie van onderwijsbeoordelingen.

Discussion

Het BFEN-algoritme dat in deze studie werd voorgesteld, toonde superieure prestaties in vergelijkende experimenten. Vanuit het perspectief van ECA en FDR presteerde het aanzienlijk beter dan PRF-, EAB- en DBLR-algoritmen. Bij het kalibreren van 421 beoordelingsgegevens verhoogde BFEN ECA tot 98,75% en behield stabiliteit, terwijl FDR daalde tot 2,87%. Deze prestaties waren het resultaat van de integratie van BERT-RL voor feature-optimalisatie en dynamische aanpassing. BERT extraheerde nauwkeurig diepe semantische bias-informatie uit ongestructureerde beoordelingsteksten, en RL paste dynamisch de eerlijkheidsdrempels en kalibratieparameters aan via een multi-objectieve beloningsfunctie, waardoor de invloed van gevoelige attributen op de resultaten werd geëlimineerd. Dit lijkt op het werk van Valencia-Londoño et al., die kunstmatige intelligentie-algoritmen gebruikten om een educatief inclusiemodel te construeren voor volwassenen met diverse neuromusculaire aandoeningen. Hoewel het geconstrueerde educatieve inclusiemodel werd geverifieerd op haalbaarheid binnen specifieke neuromusculaire ziektegroepen, dekten de eerlijkheidsbeperkingen slechts één dimensie (gelijke vertegenwoordiging van diagnostische groepen), en er werd geen rigide beperkingssysteem vastgesteld over meerdere groepen en doelstellingen^27. In tests in verschillende onderwijsscenario's behaalde BFEN een SAR van 99,01% voor klassikale beoordelingen en een FMD van 97,81% voor praktische evaluaties, aanzienlijk hoger dan de vergelijkingsmodellen. Dit voordeel kwam voort uit het iteratieve leren van foutpatronen door GBDT in multi-scenario beoordelingsdata, gecombineerd met de intelligente onderwijsbibliotheek voor eerlijkheidsstandaarden om doelkalibratieparameters te matchen, waardoor kalibratiebias en eerlijkheidsonevenwicht veroorzaakt door scenarioverschillen effectief werden verminderd. In vergelijking met het adaptieve en interpreteerbare eerlijke evaluatiesysteem voor kunstmatige intelligentie voorgesteld door Kumar et al., dat menselijke expertfeedbacklussen en cross-language fairness verification modules integreert, hoewel het deze kenmerken introduceert, faalt het er niet in de impliciete biasketens in de evaluatieteksten op het gebied van onderwijsbeoordeling effectief te modelleren, dat een hoge semantische dichtheid en sterke contextafhankelijkheid heeft²⁸. Deze studie is dieper geïntegreerd in termen van de rigide garantie van eerlijkheidsbeperkingen en de diepe koppeling van educatieve semantische modellering in vergelijking met de literatuur²⁸.

In praktische intelligente onderwijsbeoordelingstaken toonde het GFBFEN-model dat op BFEN is gebouwd ook aanzienlijke voordelen. Voor 500 kalibratierecords behaalde GFBFEN een uiteindelijke CAE van 0,0641 en CRE van 0,0912. De CAR voor meerdere soorten beoordelingsdata overschreed 97% in zowel trainings- als validatiesets. Deze prestaties waren het resultaat van GAT-KD's featurecorrelatie-optimalisatie en lichte verwerking. GAT construeerde semantische correlatiegrafieken tussen features om multi-source data-featurebias te verminderen, terwijl de kennisoverdracht van KD de inferentie-efficiëntie verbeterde zonder de nauwkeurigheid van het model te verminderen, waardoor kalibratievertragingen door modelcomplexiteit werden voorkomen. In vergelijking met het onderzoek van Deho et al. naar de impact van datasetdrift op de eerlijkheid van leeranalysemodellen, hoewel hun studie zich richtte op het mechanisme van datadrift op eerlijkheid, vertrouwden de correctiestrategieën op statische herweging en post-event compensatie, waarbij het vermogen ontbrak om de realtime semantische afwijkingen dynamisch waar te nemen en erop te reageren. Het was moeilijk om om te gaan met de evolutie van impliciete vooroordelen in onderwijsbeoordeling, veroorzaakt door subjectieve uitingen van leraren en verschillen in taalstijlen van leerlingen. Deze studie neemt echter via het GFBFEN-model effectief semantische afwijkingen in beoordelingssemantiek waar en reageert er dynamisch op, waarbij de impliciete waardetendensen in lerarencommentaren, taalstijlafwijkingen in de responsteksten van leerlingen en semantische drift in beoordelingsuitdrukkingen tussen klassen/vakken worden gerealiseerd, waardoor een paradigmaverschuiving wordt bereikt van "statische compensatie" naar "dynamische kalibratie"²⁹. In kernmetriektesten behaalde GFBFEN respectievelijk een EFCA van 99,35% en 98,76% in trainings- en validatiesets, en een FCP van 98,52% en 97,93%, significant hoger dan vergelijkingsmodellen. Vergelijkbaar met het open-einde examensysteem met automatische beoordeling op basis van kunstmatige intelligentie, ontwikkeld door het Dimari A-team, is het weliswaar een hoge mate van consistentie bereikt in het scoren van open antwoorden, maar de eerlijkheidscorrectie berust alleen op het vooraf ingestelde gewicht van scoredimensies en de door mensen geannoteerde steekproefbibliotheek, zonder een educatief semantisch dynamisch evolutiemechanisme in te sluiten. Dit onderzoek heeft substantiële doorbraken gebracht in het dynamische evolutiemechanisme van eerlijkheidscorrectie en de diepgaande modellering van onderwijssemaniek vergeleken met de onderzoeksresultaten van het Dimari A-team, met name met sterke robuustheid en interpreteerbaarheid in het aanpakken van echte uitdagingen zoals de verschuiving in waardeoriëntatie van lerarencommentaren, de generatieverschillen in taalstijlen van leerlingen. en de ambiguïteit in interdisciplinaire beoordelingsuitdrukkingen³⁰.

Deze studie droeg op drie punten bij. Ten eerste integreerde het BFEN-algoritme BERT-RL met FairEduNet, wat de verwerkingsefficiëntie en de aanpassingskracht van meerdere scenario's voor multi-source heterogene data verbeterde door semantische feature-optimalisatie en dynamische parameteraanpassing. Ten tweede introduceerde het GFBFEN-model, gebaseerd op GAT-KD en FBFEN, semantisch correlatieleren en lichtgewicht kennisoverdracht, waarmee zwakke featurecorrelatie en lage inferentie-efficiëntie problemen in complexe onderwijsscenario's werden opgelost, wat de praktische toepassing van beoordelingskalibratie vergrootte. Ten derde werden de modellen toegepast om verschillende vakken en beoordelingstypen te kalibreren, waarbij technische ondersteuning werd geboden voor nauwkeurige onderwijsbeoordeling en de educatieve eerlijkheid werd bevorderd. Deze bijdragen boden een nieuwe benadering voor de kalibratie van intelligente onderwijsbeoordeling en een referentie voor samenwerking tussen meerdere algoritmen in complexe educatieve dataverwerking.

Huidige methoden voor intelligente onderwijsbeoordeling missen aanpassingsvermogen en rechtvaardigheid. Deze studie stelt een GFBFEN-model voor gebaseerd op FairEduNet, waarbij GAN en GBDT worden gebruikt voor de kalibratie van eerlijkheid. BERT-RL verbetert de verwerking van ongestructureerde data, AM-LSTM verbetert de fusie van multi-brondata, en GAT-KD versterkt de correlatie met kenmerken en lichte vergelijking. Door deze algoritmen te integreren, bereikt het model nauwkeurige kalibratie en dynamische eerlijkheid. Tests tonen uitstekende multi-source dataverwerking en cross-scenario fairness calibratie, waarmee aan precisie- en fairness-eisen wordt voldaan. Het model heeft echter beperkingen bij groepen speciaal onderwijs en vereist verbeterde generalisatie. Toekomstig werk zal parameters optimaliseren en de fairness-beperkingen aanpassen voor diverse scenario's, ter ondersteuning van onderwijsrechtvaardigheid en onderwijskwaliteit.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Data preprocessing
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Data preprocessing
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Development environment
Python 3.9	Python	Version 3.9	‌Programming language
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Machine Learning
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualization
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Dataset
TensorFlow	TensorFlow	https://www.tensorflow.org/	Deep Learning
Windows 11	Microsoft	Version 11	Operating System