跨越隐性鸿沟：基于可解释机器学习的数字资源对学业表现的预测关联及算法公平性研究 ——以 PISA 2022 新加坡与台湾数据为例

Abstract

随着智能教育系统的普及，数字鸿沟正由“资源接入差异”转向“算法适应性差异”。本研究提出“算法鸿沟”概念，指因特征表征不足与数据异质性导致算法对不同群体产生系统性预测差异。基于PISA
2022新加坡与台湾11,591名学生数据，采用梯度提升树与SHAP可解释机器学习框架，检验ICT因素与数学素养的非线性预测关联及其公平性表现。结果显示，ICT“使用”维度的预测力显著强于“接入”，低ICT群体预测误差更高且极端误差更大，而重加权干预改善有限。研究为学习分析系统的公平设计提供实证依据。