ICMC: Un modelo de clasificación multimodal interpretable para el plan de enseñanza de calificación

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Visión por computadora

Sus antecedentes:

• Las redes neuronales profundas (DNN) se destacan en la clasificación multimodal, pero a menudo carecen de interpretabilidad, lo que causa escepticismo, especialmente en campos sensibles como la educación.
• Este déficit de confianza dificulta la adopción de DNN en aplicaciones críticas que requieren una toma de decisiones transparente.

Objetivo del estudio:

• Introducir un marco interpretable de clasificación multimodal (ICMC, por sus siglas en inglés) que aumente la confianza y el rendimiento de las RND para las tareas multimodal.
• Abordar la falta de interpretabilidad en los DNN actuales, en particular para la evaluación educativa.

Principales métodos:

• El ICMC emplea un mecanismo de atención basado en la confianza en las capas intermedias para evaluar la información local y global y detectar anomalías.
• Un mecanismo de probabilidad de confianza en la capa de salida utiliza ambas perspectivas para mejorar la certeza del resultado.
• Se crearon y publicaron nuevos conjuntos de datos multimodales para la puntuación automática del plan de lecciones.

Principales resultados:

• El ICMC logró una precisión 2,5-6,0% mayor y una puntuación F1 3,1-7,2% mayor que los modelos de última generación en conjuntos de datos educativos y médicos.
• Se redujo la latencia computacional en un 18% y se demostró una generalización superior de 15,7% entre dominios en comparación con los métodos basados en transformadores.
• La interpretabilidad se confirmó a través de la visualización de la atención y la puntuación de confianza.

Conclusiones:

• ICMC ofrece una solución robusta para la clasificación multimodal interpretable, mejorando la confianza y el rendimiento en ámbitos sensibles.
• La generalización y la eficiencia del marco lo hacen adecuado para aplicaciones del mundo real más allá de la evaluación educativa.