机器学习指导谁：学生财政援助续期上的因果对比预测指向的实地试验

Oct, 2023

机器学习指导谁：学生财政援助续期上的因果对比预测指向的实地试验

Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal

Susan Athey, Niall Keleher, Jann Spiess

TL;DR通过使用‘鼓励’（nudges）来推动大学生在截止日期前更新财政援助申请，当研究者通过异质性治疗效应估计再将学生指派给相应的治疗组时，下一步通过衡量低预测概率及高预测概率的学生对于应用的回归效果，从而验证多种指标中通过靶向中间预线性结果是最有效的方法。

Abstract

In many settings, interventions may be more effective for some individuals than others, so that targeting interventions may be beneficial. We analyze the value of targeting in the context of a large-scale field experiment with over 53,000 college students, where the goal was to use "

targeting interventions nudges financial-aid applications baseline approaches heterogeneous treatment effects

发现论文，激发创造

以长期成果为目标

利用双重稳健方法对渐进流失管理策略进行长期结果的预测和优化，使用缺失的长期结果推断优化政策，使用先前实验获取数据评估该方法的有效性，并使用第二个实验执行有效的目标政策，取得了 4-5 百万美元的总净正收益。

Oct, 2020

非因果预测模型的因果微调和效果校准

通过使用实验数据改进非因果推断的非因果模型以提高性能，并展示了其在不同因果任务中的有效性和实际应用优势。

Jun, 2024

基于目标的课程推荐

通过建立循环神经网络推荐系统来为学生推荐课程，以帮助其准备所需的目标课程，这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的，并且通过等级预测和挖掘大学先修关系等测试进行验证。

Dec, 2018

采用 AI 引导儿童的审计框架

本文提出了一种针对 AI-nudging 的审计框架，旨在确保 AI 系统通过符合审计标准，使用大量数据提供个性化、动态反馈和接口时，保持一定的道德惯性和中立性，并在发生意外负面影响时提出风险缓解机制，而在发生意外积极影响时提出加强机制。

Apr, 2023

基于动机的机器学习方法预测学生的学术表现和学习策略

本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

Oct, 2022

基于推荐系统的下一学期学生成绩预测

研究了高等教育中学生保留率的问题，通过学习历史记录数据和其他信息预测学生成绩，发现了教师特征和学生表现之间的强烈联系，探索了预测模型并发现了能够准确预测成绩的混合方法。

Apr, 2016

Trust Your ∇: 基于梯度干预的因果发现

本文提出了一种新的梯度干预目标方法，用于实验性设计的因果发现，该方法在模拟和现实世界数据集上进行了广泛的实验，并表现出与竞争基线相当的性能，甚至在低数据情况下超越了它们。

Nov, 2022

游戏有帮助！从自然动态的战略交互中学习

研究在在线回归模型中，个体会通过改变自己的特征来改进模型所预测的得分，并探讨在这一过程中，如何精准地找出对结果有意义的特征，并通过激励机制鼓励学习模型学习这些特征。

Feb, 2020

评估预测学生成功的公平性权衡

本文研究如何建立预测模型以帮助识别处于风险中的学生并为他们提供更好的支持，但预测模型可能会存在性别和种族偏见，因此需要进行后续调整以提高公平性并平衡不同的公平措施。

Jun, 2020

零样本因果学习

本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML)，它是一种单一元模型，可跨越数千个任务进行训练，结合基于个体特征和干预信息的元特征，证明了在医疗和细胞实验中的有效性。

Jan, 2023