FairEduNet Projektowanie algorytmów i ocena nauczania Kalibracja z uwzględnieniem równości w szkolnictwie wyższym

Summary

Celem badań jest zapewnienie nowego podejścia do kalibracji oceny nauczania i równości edukacyjnej w inteligentnym edukacji. Wyniki eksperymentów wskazują, że zaproponowany model znacząco przewyższa modele porównawcze, skutecznie radząc sobie z problemami słabej integracji danych z wielu źródeł oraz z uprzedzeniami dotyczącymi rzetelności w istniejących metodach kalibracji.

Abstract

Obecne metody kalibracji oceniania nauczania stoją przed wyzwaniami takimi jak niska efektywność integracji podczas przetwarzania danych oceniania nauczania o zróżnicowanej źródłowości, niewystarczająca przystosowań do różnych dyscyplin i scenariuszy nauczania oraz uprzedzenia w wynikach ze słabymi gwarancjami uczciwości. Badania mają na celu skonstruowanie interpretowalnej, przenośnej i skalowalnej ramy korekcji uczciwości dla głębokiego modelowania i dynamicznej korekcji danych oceniania nauczania. Te problemy utrudniają spełnienie kluczowego wymogu zrównoważonego nauczania w inteligentnej edukacji. Niniejsze badanie proponuje kierowany na uczciwość algorytm sieci edukacyjnej, który integruje sieć generatywną o przeciwnych celach i drzewo decyzyjne wzmacniania gradientowego. Algorytm konstruuje mechanizm kalibracji uczciwości i łączy dwukierunkowy model kodujący reprezentację z siecią uwagi graficznej w celu optymalizacji wyodrębniania cech i dynamicznej przystosowań, poprawiając efektywność przetwarzania danych wieloźródłowych i dokładność kalibracji uczciwości. To podejście osiąga precyzyjną kalibrację i gwarancję uczciwości w ocenianiu nauczania. W teście wskaźników model osiągnął dokładność 98,76% w ewaluacyjnych funkcjach grupowania, 98,05% w korekcji uczciwości i 0,968 w spójności korekcji między scenariuszami w zestawie walidacyjnym. W zadaniu testowania wartości straty, całkowita strata modelu spadła z 0,1237 do 0,1018 podczas zadania korekcji oceny nauczania w zestawie walidacyjnym. W teście wskaźników model osiągnął dokładność 98,76% w ewaluacyjnych funkcjach grupowania, 98,05% w korekcji uczciwości i 0,968 w spójności korekcji między scenariuszami w zestawie walidacyjnym. Wyniki eksperymentów wskazują, że proponowany model znacząco przewyższa porównawcze modele, skutecznie rozwiązując problemy złej integracji danych wieloźródłowych i uprzedzeń uczciwości w istniejących metodach kalibracji. Ponadto zapewnia innowacyjne ramy algorytmiczne dla deweloperów technologii i niezawodne narzędzia techniczne dla administratorów edukacji w celu promowania równości nauczania. Wkład badań polega na: (i) integracji trzech kluczowych modułów, w tym przetwarzania danych wieloźródłowych, dynamicznej weryfikacji wskaźnika uczciwości i wizualizacji wyjaśnialności; oraz (ii) zaproponowaniu paradygmatu korekcji uczciwości opartego na współpracującej optymalizacji sieci generatywnych o przeciwnych celach i drzew wzmacniania gradientowego, co przełamuje ograniczenia tradycyjnej korekcji jednego modelu i umożliwia rozdzielne uczenie się modelowania odchyleń i podejmowania decyzji korekcyjnych.

Introduction

Ocena nauczania i kalibracja stanowią podstawę zapewnienia jakości nauczania w inteligentnym edukacji. Poprzez dynamiczną analizę, korektę błędów i kalibrację wyników, zapewniają podstawę dla ulepszania instrukcji i nauczania spersonalizowanego. Ich dokładność i uczciwość bezpośrednio wpływają na to, czy inteligentna edukacja może przełamać technologiczne uprzedzenia i zapewnić zrównoważone wsparcie edukacyjne^1,2. Jednakże, istniejące metody mają kilka niedociągnięć: polegają na pojedynczym źródle danych, ignorują rzeczywistą sytuację i prowadzą do zniekształceń danych i uprzedzeń w korekcji. Brak dynamicznego mechanizmu adaptacji uczciwości sprawia, że trudno jest zaspokoić potrzeby uczciwości dyscyplin i scenariuszy^3,4. Ponadto, istnieją problemy takie jak brak wskaźników uczciwości i uprzedzenia w strategiach korekcji podczas radzenia sobie z heterogenicznymi danymi z wielu źródeł. W związku z tym, naukowcy przeprowadzili badania z wielu kierunków, takich jak ocena nauczania wspomaganego tenisem na podstawie ulepszonego algorytmu gęstych trajektorii⁵. Yin i in. wykorzystali analityczną hierarchię procesu i algorytm syntezy rozmytej do monitorowania nauczania online⁶. Chen przeanalizował dane edukacyjne dotyczące osób starszych za pomocą ulepszonego algorytmu górnictwa danych, aby poprawić jakość nauczania⁷.

Mimo że te badania osiągnęły postęp, problemy takie jak zniekształcenie wyników kalibracji i słaba koordynacja uczciwości nadal istnieją. Dlatego, budowanie modelu, który jednocześnie zapewnia dokładną kalibrację oceny nauczania i dynamiczną uczciwość, stało się punktem koncentracji badań w inteligentnej edukacji. Sieciowa sieć generatywna przeciwnikowska (GAN) adaptuje się do eliminowania ukrytego wpływu wrażliwych atrybutów na wyniki poprzez szkolenie przeciwników w czasie rzeczywistym między generatorem a dyskryminatorem, zapewniając, że wyniki są określone przez kluczowe czynniki, a nie uprzedzenie indukowane przez etykietę⁸. GAN pokazuje zalety w radzeniu sobie z uprzedzeniami grupowymi w danych oceniających i modelowaniu nieliniowych ograniczeń uczciwości. Cheng i in. zaproponowali algorytm ulepszania obrazu oparty na GAN, aby rozwiązać problem niskiej rozdzielczości obrazów. Generator generuje obrazy o wysokiej rozdzielczości z wejść o niskiej rozdzielczości, a dyskryminator rozróżnia wygenerowane obrazy od prawdziwych obrazów o wysokiej rozdzielczości. Szkolenie przeciwników optymalizuje parametry, tak aby wyjścia generatora zbliżały się do rzeczywistych obrazów⁹. Kang i in. zaproponowali model GAN wielomodalny, aby poprawić efektywność przetwarzania danych wielomodalnych w dziedzinie energetyki odnawialnej. Generator odbiera dane jednomodalowe, dyskryminator rozróżnia wygenerowane od prawdziwych danych wielomodalnych, a szkolenie przeciwników optymalizuje model w celu poprawy efektywności¹⁰. Algorytm drzewa decyzyjnego wzmacniającego gradientowo (GBDT) jest klasycznym algorytmem przetwarzania danych strukturalnych o silnej zdolności do przechwytywania cech. Poprzez iteracyjne integrowanie wielu drzew decyzyjnych, GBDT precyzyjnie uczy wzorców błędów danych i pokazuje zalety w przetwarzaniu informacji o ocenie z wielu źródeł heterogenicznych i korekcji nieliniowych odchyleń wyników^11,12. Mizuno i in. zaproponowali metodę predykcji ścieżek dla katastrof związanych z ciężkimi opadami deszczu opartą na GBDT, ucząc się cech ścieżek i przewidując ścieżki katastrof z danymi w czasie rzeczywistym, wybierając optymalne przewidywania poprzez wiele drzew decyzyjnych¹³. Gao i in. opracowali metodę analizy wizualnej opartą na GBDT do przewidywania współczynnika kliknięć reklam, ucząc się relacji między cechami wizualnymi a historycznymi danymi kliknięć, aby przewidywać współczynniki kliknięć dla nowych reklam¹⁴. W oparciu o powyższe wyzwania, niniejsze badania mają na celu systematycznie odpowiedzieć na następujące kluczowe pytanie naukowe: Jak można zbudować inteligentny model oceny edukacyjnej, który efektywnie integruje dane heterogeniczne z wielu źródeł, dynamicznie adaptuje się do różnych scenariuszy nauczania i jednocześnie zapewnia dokładność kalibracji i uczciwość wyników. Aby odpowiedzieć na to pytanie, w badaniach wykorzystano synergiczny efekt mechanizmu ograniczenia uczciwości GAN i precyzyjnej zdolności kalibracji błędów GBDT. Ponadto, prowadzone są badania nad tym, jak wprowadzić zaawansowane technologie, takie jak przetwarzanie języka naturalnego (BERT), uczenie się przez wzmacnianie (RL), mechanizmy uwagi (AM), sieci pamięci krótkoterminowej (LSTM), sieci uwagi graficznej (GAT) i destylację wiedzy (KD), aby uzupełnić niedobory pojedynczego modelu w ekstrakcji cech, dynamicznej adaptacji i efektywności rozumowania. Ostatecznie, celem jest zapewnienie precyzyjnego i uczciwego rozwiązania kalibracji oceny nauczania, które ma silne zdolności generalizacji dla dziedziny inteligentnej edukacji.

Protocol

Projektowanie i optymalizacja algorytmu FairEduNet
Studium łączy GAN i GBDT, aby skonstruować algorytm FairEduNet, osiągając dwojakie cele poprawy uczciwości i dokładności, zamiast kompromisu jednokierunkowej optymalizacji. FairEduNet przyjmuje architekturę współpracy dwukanałowej: główny kanał GBDT jest odpowiedzialny za strukturalne modelowanie błędów i precyzyjną korekcję, podczas gdy kanały pomocnicze GAN koncentrują się na odszczepianiu atrybutów wrażliwych i dynamicznej regulacji uczciwości. Architektura algorytmu FairEduNet, łącząca GAN i GBDT, jest pokazana na Rysunku 1.

Rysunek 1: Architektura algorytmu FairEduNet łącząca GAN i GBDT. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Jak pokazano na Rysunku 1, FairEduNet najpierw zbiera i przetwarza wieloźródłowe dane oceniające. GBDT używa wielu drzew decyzyjnych do iteracyjnego uczenia się wzorców błędów oceniania, wypisuje początkowe wyniki kalibracji i przekazuje je do modułu GAN. GAN trenuje dyskryminator, aby nauczył się relacji między początkowymi wynikami kalibracji a atrybutami wrażliwymi, podczas gdy generator dynamicznie dostosowuje parametry kalibracji. Poprzez wiele rund treningu antagonistycznego i weryfikacji uczciwości, optymalizowany jest stronniczość uczciwości. Wreszcie wyniki skorygowanych pod względem uczciwości są zwracane do modułu GBDT, który dostosowuje się pod względem dokładności i uczciwości, wypisując podstawy kalibracji nauczania i raport. GBDT oblicza resztę, jak pokazano na Równaniu (1).

    (1)

W Równaniu (1), oznacza resztę i-tego próbki w t-tej iteracji, y_i  oznacza prawdziwą wartość, a oznacza wartość przewidywaną z t-1-tej iteracji. Proces antagonistyczny GAN jest przedstawiony na Równaniu (2).

    (2)

W Równaniu (2), x oznacza początkowy wynik kalibracji, z oznacza cechy atrybutów wrażliwych, P_data(x) oznacza prawdziwą dystrybucję cech niewrażliwych, P_z(z) oznacza dystrybucję atrybutów wrażliwych, D oznacza dyskryminator, a G oznacza generator¹⁵. Wyjście początkowej kalibracji GBDT jest pokazano na Równaniu (3).

    (3)

W Równaniu (3), oznacza przewidywanie i-tej próbki przez początkowe drzewo decyzyjne, K oznacza całkowitą liczbę drzew decyzyjnych, γ_k oznacza wagę k-tego drzewa, a h_k(x_i) oznacza wyjście przewidywania k-tego drzewa dla i-tej próbki. Algorytm FairEduNet może zapewnić precyzyjną kalibrację i uczciwość danych oceniania nauczania. Jednakże, podczas przetwarzania niesstrukturalizowanych danych oceniających i adaptacji do dynamicznych scenariuszy, FairEduNet wykazuje słabą zdolność ekstrakcji cech dla niesstrukturalizowanych funkcji, co powoduje ujemne nastawienia kalibracji. Ponadto, wskaźniki uczciwości i parametry kalibracji FairEduNet są statycznie ustawione, co ogranicza jego przystosowanie się do różnych scenariuszy nauczania i wpływa na ogólną jakość kalibracji. Połączenie dwukierunkowych reprezentacji kodujących z transformatorów (BERT) i uczenia się przez wzmacnianie (RL), czyli algorytm BERT-RL, może dokładnie wyodrębnić głębokie cechy z niesstrukturalizowanego tekstu i dynamicznie dostosować parametry scenariuszy bez ręcznego ustawiania statycznych progów, co poprawia niezawodność wyników algorytmu w różnych scenariuszach¹⁶

Results

Analiza wydajności algorytmu BFEN
Wskazane wskaźniki oceniane w eksperymentach obejmowały:

Dokładność korekcji oceny (ECA) oznacza proporcję pozytywnie zaklasyfikowanych elementów odchylających się, poprawnie zidentyfikowanych i skorygowanych przez model w wynikach oceny nauczania, odzwierciedlając w ten sposób ogólną skuteczność mechanizmu korekcji. Wyższe wartości wskazują na lepszą dokładność korekcji.

Wskaźnik odchylenia uczciwości (FDR) mierzy wielkość różnic punktacji między grupami, które model nie eliminuje podczas procesu kalibracji. Jest obliczany jako stosunek odchylenia standardowego każdego wrażliwego atrybutu (np. płeć, region, pochodzenie etniczne) wewnątrz dystrybucji wyników do ogólnego odchylenia standardowego; niższe wartości sugerują zminimalizowane różnice między grupami i bardziej solidne zabezpieczenie uczciwości.

Wskaźnik przystosowania do scenariuszy (SAR) wskazuje procent zadań korekcyjnych pomyślnie wykonanych przez model w różnorodnych kontekstach dydaktycznych (np. nauki ścisłe vs. nauki humanistyczne, środowisko online vs. offline).

Stopień utrzymania uczciwości (FMD) jest definiowany jako jeden minus stosunek wariancji wskaźników uczciwości między grupami wrażliwymi po korekcji do tego obserwowanego przed korekcją, odzwierciedlając zdolność systemu do zachowania swojej strukturalnej uczciwości podczas procesu kalibracji.

Wskaźnik rozpoznawania cech dyscyplinarnych (DFRR) oblicza proporcję próbek, w których kluczowe cechy są poprawnie zidentyfikowane w danych oceny każdej dyscypliny względem całkowitej wielkości próbki oceny, demonstrując zdolność modelu do rozróżniania i uchwycenia zmian specyficznych dla danej domeny.

Efektywność fuzji danych z wielu źródeł (MDFE) odnosi się do wydajności przepływowej modelu podczas wyrównywania funkcji, alokacji wag i korekcji odchyleń podczas fuzji heterogenicznych danych oceny. Ta kompleksowa metryka jest definiowana jako iloczyn liczby przetworzonych próbek oceny na sekundę (próbki/sek) oraz stopnia zgodności spójności korekcji (na poziomie pewności >95%), gdzie wyższe wartości oznaczają bardziej wydajny i stabilny przepływ fuzji.

Stałość wyniku korekcji (CRS) wskazuje na spójność wyników kalibracji w wielu niezależnych uruchomieniach, liczona jako odwrotność odchylenia standardowego odległości euklidesowej między wynikami korekcji każdego uruchomienia przy identycznych wejściach. Wyższe wartości oznaczają lepszą niezawodność systemu.

Średni czas korekcji pojedynczej danej (SDCT) reprezentuje średnią opóźnienie obliczeniowe zużyte przez model na dokończenie kalibracji pojedynczej próbki oceny, mierzone w milisekundach (ms); niższe wartości wskazują na silniejszą zdolność reakcji w czasie rzeczywistym.

Poprawiona bezwzględna błąd (CAE) mierzy średni bezwzględny błąd pomiędzy skorygowanymi przewidywaniami a wartościami rzeczywistymi, reprezentując resztkowe odchylenie modelu względem oryginalnych nieskorygowanych danych. Niższe wartości sugerują, że poprawione wyjścia są bardziej zgodne z rzeczywistymi poziomem wydajności.

Poprawiona względna błąd (CRE) kwantyfikuje średni bezwzględny błąd pomiędzy skorygowanymi przewidywaniami a wartościami rzeczywistymi wyrażany jako procent wartości rzeczywistej, gdzie niższe wartości wskazują na wyższą względną precyzję kalibracji.

Wskaźnik dokładności korekcji (CAR) reprezentuje proporcję próbek, których absolutny błąd po kalibracji jest mniejszy niż 0,5 względem całkowitej wielkości próbki, demonstrując niezawodność modelu w spełnianiu wstępnie określonych ograniczeń precyzji. Wysokie wartości potwierdzają użyteczność empiryczną i wiarygodność wyników.

Całkowita wartość straty (TL) reprezentuje wartość obiektywnego celu optymalizacji uzyskiwaną z ważonej sumy poszczególnych warunków straty po zakończeniu zadania. Szczególnie, siedem wskaźników – DFRR, MDFE, CRS, SDCT, CAE, CRE i CAR – są standaryzowane za pomocą normalizacji Z i ważone według priorytetu operacyjnego zadań oceny. Przyjmując wektor wag [0,15, 0,12, 0,1, 0,08, 0,13, 0,12, 0,1], te siedem wartości normalizowanych wskaźników jest łącznie obliczanych do uzyskania ostatecznej straty.

Dokładność klastrowania cech oceny (EFCA) ocenia stopień dopasowania między konfiguracjami nienadzorowanych klastrów generowanych przez model a kategoriami rzeczywistymi potwierdzonymi przez ekspertów dziedziny.

Efektywność przetwarzania danych wielowymiarowych (HDPE) mierzy liczbę próbek poddanych redukcji wymiarowości funkcji i korekcji odchyleń na jednostkę czasu podczas przetwarzania wysokowymiarowych rozrzedzonych wektorów zawierających ≤50 funkcji oceny. Miarą jest liczba próbek na sekundę, gdzie wyższe wartości odzwierciedlają bardziej solidną zdolność do przetwarzania złożonych, dużych skalowych wejść oceny w czasie rzeczywistym.

<

Discussion

Algorytm BFEN zaproponowany w niniejszym badaniu wykazał lepszą wydajność w eksperymentach porównawczych. Z perspektywy ECA i FDR znacznie przewyższał algorytmy PRF, EAB i DBLR. Podczas kalibacji 421 zapisów oceniających, BFEN zwiększył ECA do 98,75% i utrzymywał stabilność, podczas gdy FDR spadł do 2,87%. Ta wydajność wynikała z integracji BERT-RL do optymalizacji funkcji i dynamicznej adaptacji. BERT precyzyjnie wyodrębniał głębokie informacje o uprzedzeniach semantycznych z niesformatowanych tekstów oceniających, a RL dynamicznie dostosowywał progi uczciwości i parametry kalibracji za pomocą wielokrotnej funkcji nagrody, eliminując wpływ wrażliwych atrybutów na wyniki. Jest to podobne do pracy przeprowadzonej przez Valencia-Londoño i wsp., którzy za pomocą algorytmów sztucznej inteligencji zbudowali model inkluzji edukacyjnej dla dorosłych z różnymi zaburzeniami neuromuskularnymi. Chociaż zbudowany model inkluzji edukacyjnej został zweryfikowany pod kątem wykonalności w określonych grupach chorób neuromuskularnych, jego ograniczenia uczciwości obejmowały tylko jedną wymiar (równa reprezentacja grup diagnostycznych) i nie zostało ustanowione sztywne systemu ograniczeń na poziomie wielu grup i wielu celów^27. W testach przeprowadzanych w różnych scenariuszach nauczania, BFEN osiągnął SAR 99,01% dla ocen klasowych i FMD 97,81% dla ocen praktycznych, co jest znacznie wyższe niż w modelach porównawczych. Ta zaleta wynikała z iteracyjnego uczenia się GBDT wzorców błędów w danych oceniających w wieloscenariuszowych danych, w połączeniu z biblioteką standardów uczciwości edukacji inteligentnej w celu dopasowania docelowych parametrów kalibracji, co skutecznie zmniejszyło efekt kalibracji i brak równowagi uczciwości spowodowany różnicami scenariuszy. W porównaniu z adaptacyjnym i interpretowalnym systemem oceny uczciwej sztucznej inteligencji zaproponowanym przez Kumar i wsp., który obejmuje pętle opinii ekspertów i moduły weryfikacji uczciwości międzyjęzykowej, choć wprowadza te funkcje, nie jest w stanie skutecznie modelować łańcuchów ukrytych uprzedzeń w tekstach oceniających w dziedzinie oceny edukacyjnej, która ma wysoką gęstość semantyczną i silną zależność od kontekstu²⁸. To badanie jest głębiej zintegrowane pod względem sztywnego gwarantowania ograniczeń uczciwości i głębokiego skojarzenia modelowania semantycznego edukacji w porównaniu z literaturą²⁸.

W praktycznych zadaniach inteligentnej oceny edukacyjnej, model GFBFEN zbudowany na podstawie BFEN wykazał również znaczne zalety. Dla 500 zapisów kalibracji, GFBFEN osiągnął końcowe CAE 0,0641 i CRE 0,0912. Jego CAR dla wielu typów danych oceniających przekroczył 97% zarówno w zestawach treningowych, jak i walidacyjnych. Ta wydajność wynikała z optymalizacji korelacji funkcji GAT-KD i przetwarzania lekkiego. GAT zbudował graficzne korelacje semantyczne między funkcjami w celu zmniejszenia wieloźródłowego błędu funkcji, podczas gdy transfer wiedzy KD zwiększył efektywność wnioskowania bez pogorszenia dokładności modelu, unikając opóźnień kalibracji spowodowanych złożonością modelu. W porównaniu z badaniami przeprowadzonymi przez Deho i wsp. nad wpływem dryfu zestawu danych na uczciwość modeli analizy uczenia, choć ich badanie koncentrowało się na mechanizmie wpływu dryfu danych na uczciwość, strategie korekcji opierały się na statycznym ponownym wagowaniu i kompensacji po fakcie, brakując zdolności do dynamicznego postrzegania i reagowania na rzeczywiste odchylenia semantyczne. Trudno było radzić sobie z ewolucją ukrytych uprzedzeń w ocenie edukacyjnej spowodowaną subiektywnymi wypowiedziami nauczycieli i różnicami w stylach językowych uczniów. Jednak to badanie, poprzez model GFBFEN, skutecznie postrzega i reaguje dynamicznie na semantyczne odchylenia w semantykach oceny, wychwytując ukryte tendencje wartościowe w komentarzach nauczycieli, odchylenia stylu językowego w tekstach odpowiedzi uczniów oraz dryf semantyczny w wyrażeniach oceniających między klasami/przedmiotami, osiągając przemianę paradygmatu od "statycznej kompensacji" do "dynamicznej kalibracji"²⁹. W testach metryk rdzeniowych, GFBFEN osiągnął EFCA 99,35% i 98,76% w zestawach treningowych i walidacyjnych odpowiednio oraz FCP 98,52% i 97,93%, co jest znacznie wyższe niż modele porównawcze. Podobnie jak system egzaminów otwartych z automatycznym punktowaniem opartym na sztucznej inteligencji opracowany przez zespół Dimari A, choć osiągnął wysoki stopień spójności w ocenie otwartych odpowiedzi, jego korekta uczciwości opiera się tylko na wstępnie ustawioną wagą wymiarów oceniających i uprzedzonej bibliotece próbek adnotowanej przez ludzi, bez osadzania mechanizmu dynamicznej ewolucji semantycznej edukacji. Ta praca osiągnęła znaczące przełomy w mechanizmie dynamicznej ewolucji korekcji uczciwości i głębokiej modelizacji semantyki edukacji w porównaniu z wynikami badań zespołu Dimari A, szczególnie wykazując silną odporność i interpretowalność w radzeniu sobie z rzeczywistymi wyzwaniami, takimi jak dryf w orientacji wartościowej komentarzy nauczycieli, różnice pokoleniowe w stylach językowych uczniów i

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Zestaw danych
NumPy	NumPy	https://numpy.org/	Przechowywanie danych
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Przechowywanie danych
PyCharm Professional 2023.1	PyCharm	Wersja 2023.1	Środowisko programistyczne
Python 3.9	Python	Wersja 3.9	‌Język programowania
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Uczenie maszynowe
Seaborn	Seaborn	https://seaborn.pydata.org/	Wizualizacja
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Zestaw danych
TensorFlow	TensorFlow	https://www.tensorflow.org/	Uczenie głębokie
Windows 11	Microsoft	Wersja 11	System operacyjny