AI прогнозує оцінки школярів із похибкою близько 3,8 бала: користь і небезпека цифрового ярлика

AI-модель передбачила екзаменаційний бал учня за невеликим набором табличних даних і водночас показала, які ознаки найбільше вплинули на прогноз. У дослідженні PLOS One модель TabPFN випередила сім традиційних алгоритмів на відкритому наборі з 4 000 іспанських старшокласників. Найсильнішими факторами в її прогнозах стали години навчання на тиждень, відвідуваність і додаткові заняття. Але прогноз не можна перетворювати на ярлик чи автоматичне рішення про майбутнє дитини.

Що таке TabPFN

Prior-Data Fitted Network — попередньо навчена Transformer-модель для невеликих табличних наборів. На відміну від звичайного алгоритму, який починає навчання лише на даних конкретної школи, TabPFN заздалегідь бачила багато синтетичних задач і використовує цей досвід як статистичний пріоритет. Ідея схожа на перенесення знань у мовних моделях, але вхідними даними є рядки й стовпці, а не текст.

Набір SAP-4000 містить 4 000 анонімізованих записів. Серед ознак — стать, міська або сільська місцевість, години навчання, відвідуваність, додаткові заняття та освіта батьків. Середній час навчання становив 9,9 години на тиждень, середня відвідуваність — 75,2%, а 30,8% учнів отримували додаткову підтримку. Цільовою змінною був підсумковий бал від 10 до 100.

Результат і перевірка на малих вибірках

На тесті TabPFN отримала RMSE 4,8454, MAE 3,7950 і R² 0,9216. Простими словами, середня абсолютна похибка становила близько 3,8 бала, а модель описувала значну частину варіації оцінок у цьому наборі. Автори застосували поділ 80/20 і десятикратну крос-валідацію на навчальній частині.

Окремо вони 30 разів формували підвибірки від 500 до 3 500 записів. За їхніми даними, TabPFN на 500 прикладах працювала на рівні або краще, ніж традиційні моделі на значно більших вибірках. Це цікаво для шкіл і невеликих досліджень, де тисячі якісно розмічених записів зібрати важко.

Пояснення не дорівнює причинності

SHAP розкладає конкретний прогноз на внески окремих ознак. Це допомагає побачити, що модель не просто видала число, а спиралася, наприклад, на відвідуваність і години навчання. Проте високий SHAP-бал не означає, що збільшення показника автоматично поліпшить результат. Ознака може бути пов’язана з іншими умовами — здоров’ям, доходом родини, якістю школи або доступом до репетитора.

Так само «пояснювана модель» не стає справедливою автоматично. Якщо історичні дані відображають нерівний доступ до освіти, алгоритм може точно відтворити цю нерівність. Стать, місце проживання й освіта батьків особливо чутливі: їх не варто використовувати для покарання чи обмеження можливостей.

Як застосовувати без шкоди

• Тільки як сигнал для підтримки. Прогноз має запускати розмову з учнем і викладачем, а не автоматичне рішення.
• Показувати похибку. Одне число без інтервалу невизначеності створює хибне відчуття точності.
• Перевіряти групи окремо. Середня якість може приховувати систематичні помилки для невеликої групи.
• Мінімізувати дані. Збирати лише те, що справді потрібне для допомоги, та обмежувати доступ.
• Давати право на оскарження. Учень і родина повинні знати про прогноз і мати змогу виправити помилкові відомості.

Головне обмеження

Висока точність отримана на одному відкритому наборі та визначеному протоколі. Інша країна, програма, шкала оцінювання або поведінка після переходу на дистанційне навчання можуть змінити зв’язки. Автор додатково перевірив модель на іншому навчальному наборі, але для реального впровадження все одно потрібна локальна валідація, незалежний аудит і спостереження за зміною якості з часом.

Висновок: TabPFN показує, що сучасні попередньо навчені моделі можуть бути корисними навіть для невеликих табличних даних. Найкращий сценарій для освіти — раніше помітити потребу в допомозі. Найгірший — перетворити ймовірнісний прогноз на цифровий вирок.

Перекладено й адаптовано за дослідженням Qiang Yin у PLOS One від 24 вересня 2026 року. Текст і оригінальні фігури поширюються за CC BY 4.0.