人工智能在学术申请人选中的使用:系统审查

科学领域:

• 教育技术的教育技术
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 越来越多的申请量给传统的整体招生流程带来了压力.
• 人工智能 (AI) 为提高学术入学选效率提供了一个潜在的解决方案.
• 本系统性审查调查了人工智能算法在招生中的应用,性能和伦理问题.

研究的目的:

• 系统地审查在学术录取中使用AI算法.
• 将AI类型分类,评估其性能,并评估道德考虑.
• 提供关于人工智能在招生选中的有效性和挑战的见解.

主要方法:

• 在2024年10月之前,对五个数据库进行系统搜索,以寻找招生 (本科生到医生) 中的人工智能研究.
• 数据提取包括研究特征,AI类型,性能指标和道德问题.
• 使用纽卡斯尔-太华尺度评估偏见风险;统计比较客观结果.

主要成果:

• 分析了18项涉及61,327名申请人的研究.
• 主要的人工智能应用包括面试选择,录取决策和评审者评分.
• 传统机器学习 (TML) 模型的平均AUC为0.89,超过NLP模型 (0.77);50%的研究报告道德问题,特别是偏见.

结论:

• TML算法在结构化数据方面是有效的,而NLP在非结构化数据方面显示出潜力,尽管透明度和数据要求很高.
• 伦理考虑,包括偏见和透明度,对于人工智能在招生中的采用至关重要.
• 需要进一步的研究来解决AI在学术入学方面的伦理和方法挑战.