Tekoäly- ja koneoppimismallit koulutuksessa ovat osoittaneet poikkeuksellista suorituskykyä ja lupaavat helpompaa ja yksilöllisempää koulutusta. Näiden mallien todelliset sovellukset ovat kuitenkin harvinaisia, koska parhaiten toimivat mallit ovat yleensä vähiten selitettävissä. Läpinäkymättömät mallit eivät sisällä ainoastaan riskiä siitä, että algoritmit tai automatisoidut päätöksentekojärjestelmät tekevät päätöksiä, jotka asettavat epäoikeudenmukaisesti tiettyjä opiskelijaryhmiä, vaan ne estävät myös koulutuksen sidosryhmiä ymmärtämästä päätöksiä. Siten selitettävyydellä on keskeinen rooli oikeiden ominaisuuksien käytön varmistamisessa ja algoritmisen syrjinnän havaitsemisessa. THRIVE-projekti pyrkii ratkaisemaan selitettävyysongelman pohtimalla yhdessä (i) tiedon esittämistä ja abstraktiota, (ii) "oikeiden" ominaisuuksien tunnistamista kausaalisuuden kanssa, (iii) koulutusmallien arkkitehtuuria ja (iv) malli- koulutusalan asiantuntijoiden määrittämä hyödyllisyys.

2023

2027