Пояснюваний штучний інтелект для розподілу формувальної підтримки у вищій освіті: архітектура ухвалення рішень з контролем людини та синтетична симуляція
Вантажиться...
Дата
2026
Автори
Назва журналу
Номер ISSN
Назва тому
Видавець
СумДПУ
Анотація
Штучний інтелект та аналітика навчання дають змогу раніше виявляти ознаки ризику в навчанні й диференційовано розподіляти формувальну підтримку у вищій освіті. Водночас точність прогнозування сама по собі не забезпечує педагогічної обґрунтованості рішення: дані мають інтерпретуватися відповідно до навчальних цілей, пояснення алгоритму не можна ототожнювати з причинною діагностикою, а остаточне рішення щодо підтримки має залишатися предметом професійного судження викладача та передбачати участь здобувача освіти. У статті розроблено архітектуру ухвалення рішень із контролем людини та обчислювально проілюстровано її прогнозувальний складник і механізм розподілу підтримки. Проведено відтворювану симуляцію 10 000 синтетичних спостережень типу «здобувач освіти - навчальний курс» без використання персональних даних. За умов дисбалансу класів порівнювали логістичну регресію, випадковий ліс та XGBoost. Порогові значення визначали на валідаційній вибірці за зваженою функцією вартості рішень, у якій невиявлення здобувача освіти з ризиком навчальних труднощів мало більшу вагу, ніж додатковий сигнал для перегляду та можливої підтримки. На незалежній тестовій вибірці XGBoost продемонстрував ROC-AUC = 0,910, PR-AUC = 0,764, повноту = 0,902, F1 = 0,612 та коефіцієнт кореляції Метьюза = 0,526 за порогового значення 0,220. За середніми абсолютними значеннями SHAP найбільший внесок у прогнозування мали результати формувального оцінювання, виконання завдань, відвідуваність, попередня успішність, саморегуляція, залученість, навчальний прогрес і систематичність навчання. За прийнятих сценарних припущень стратегія розподілу підтримки із застосуванням ШІ дала на 62,4 % нижчу ілюстративну зважену вартість рішень порівняно з реактивною стратегією наприкінці навчального періоду та на 26,9 % менше дій з перегляду або підтримки порівняно зі стратегією на основі фіксованих правил. Сценарій моделює розподіл сигналів і потенційне навантаження на викладача, але не моделює згоду викладача з рекомендацією, фактичне здійснення підтримки, реакцію здобувача освіти чи зміни навчальних результатів. Методичний внесок полягає в поєднанні чутливого до вартості вибору порога, обов'язкового рішення викладача, педагогічно нейтральних кодів причин на основі SHAP, можливості оскарження й корекції даних здобувачем освіти та врахування операційного навантаження під час визначення порога. Отримані показники характеризують прогнозувальну та розподільчу логіку запропонованої архітектури, а не ефективність педагогічної системи в реальному університеті.
Artificial intelligence and learning analytics can identify patterns of learning risk earlier and support more differentiated allocation of formative support in higher education. Yet predictive accuracy does not by itself make an educational decision valid: evidence must be interpretable in relation to learning goals, explanations must not be confused with causal diagnosis, and final support decisions should remain subject to professional review and learner participation. This article develops a human-supervised decision architecture and computationally illustrates its predictive and support-allocation components through a reproducible simulation of 10,000 synthetic learner-course observations without using personal data. Logistic regression, random forest, and XGBoost were compared under class imbalance. Decision thresholds were selected on a validation subset by minimizing a weighted decision-cost function in which missing an at-risk learner was assigned greater weight than generating an additional support-review action. On the independent test set, XGBoost achieved ROC-AUC = 0.910, PR-AUC = 0.764, recall = 0.902, F1 = 0.612, and Matthews correlation coefficient = 0.526 at a threshold of 0.220. Mean absolute SHAP values indicated that formative assessment score, task completion, attendance, prior achievement, self-regulation, engagement, learning progress, and study consistency contributed most strongly to predictions. Under the stated scenario assumptions, the AI-assisted allocation strategy produced an illustrative weighted decision cost that was 62.4% lower than a reactive end-of-term strategy and 26.9% fewer review/support actions than a simple rule-based strategy. The scenario models alert allocation and review workload only; it does not model teacher acceptance, intervention implementation, learner response, or learning effects. The methodological contribution is the integration of cost-sensitive thresholding, a mandatory teacher decision gate, SHAP-informed pedagogical reason codes, learner challenge and data correction, and workload-aware threshold governance within one auditable formative-assessment architecture. The reported metrics therefore illustrate the predictive and allocation logic of the architecture rather than the effectiveness of the pedagogical system as a whole.
Artificial intelligence and learning analytics can identify patterns of learning risk earlier and support more differentiated allocation of formative support in higher education. Yet predictive accuracy does not by itself make an educational decision valid: evidence must be interpretable in relation to learning goals, explanations must not be confused with causal diagnosis, and final support decisions should remain subject to professional review and learner participation. This article develops a human-supervised decision architecture and computationally illustrates its predictive and support-allocation components through a reproducible simulation of 10,000 synthetic learner-course observations without using personal data. Logistic regression, random forest, and XGBoost were compared under class imbalance. Decision thresholds were selected on a validation subset by minimizing a weighted decision-cost function in which missing an at-risk learner was assigned greater weight than generating an additional support-review action. On the independent test set, XGBoost achieved ROC-AUC = 0.910, PR-AUC = 0.764, recall = 0.902, F1 = 0.612, and Matthews correlation coefficient = 0.526 at a threshold of 0.220. Mean absolute SHAP values indicated that formative assessment score, task completion, attendance, prior achievement, self-regulation, engagement, learning progress, and study consistency contributed most strongly to predictions. Under the stated scenario assumptions, the AI-assisted allocation strategy produced an illustrative weighted decision cost that was 62.4% lower than a reactive end-of-term strategy and 26.9% fewer review/support actions than a simple rule-based strategy. The scenario models alert allocation and review workload only; it does not model teacher acceptance, intervention implementation, learner response, or learning effects. The methodological contribution is the integration of cost-sensitive thresholding, a mandatory teacher decision gate, SHAP-informed pedagogical reason codes, learner challenge and data correction, and workload-aware threshold governance within one auditable formative-assessment architecture. The reported metrics therefore illustrate the predictive and allocation logic of the architecture rather than the effectiveness of the pedagogical system as a whole.
Опис
Ключові слова
Бібліографічний опис
Mammadova, G. Explainable Artificial Intelligence for Formative Support Allocation in Higher Education: A Human-Supervised Decision Architecture and Synthetic Simulation [Text] / G. Mammadova // Освіта. Інноватика. Практика : науковий журнал / МОН України, Сумський державний педагогічний університет ; редкол.: М. Друшляк (гол. ред), О. Семеніхіна, Francis Kwadwo Awuah, N. Demeshkant та ін. – Суми : СумДПУ, 2026. – Т. 14, № 8. – С. 145–154. – DOI: https://doi.org/10.31110/2616-650X-vol14i8-017