Erklärbare KI deckt Schlüsselfaktoren für Mathe‑Erfolg auf – PISA 2018 Vergleich

Eine neue Analyse der PISA‑2018‑Daten nutzt erklärbare Künstliche Intelligenz (XAI), um die Faktoren zu identifizieren, die die Mathematikleistung von 67 329 Schülerinnen und Schülern in zehn Ländern bestimmen. Durch den Einsatz von XAI‑Methoden können die Ergebnisse nicht nur vorhersagen, sondern auch nachvollziehbar erklären.

Vier unterschiedliche Modelle wurden getestet: Multiple Linear Regression (MLR), Random Forest (RF), CATBoost und künstliche neuronale Netze (ANN). Die Modelle wurden auf 70 % der Daten mit 5‑Fold‑Cross‑Validation trainiert und anschließend auf 30 % der Daten, die nach Ländern aufgeteilt waren, validiert. Die Leistungsbewertung erfolgte anhand von R² und Mean Absolute Error (MAE).

Die Ergebnisse zeigen, dass nichtlineare Modelle, insbesondere RF und ANN, die Leistung von MLR deutlich übertreffen. Random Forest erwies sich dabei als besonders ausgewogen zwischen Genauigkeit und Generalisierbarkeit. Zu den wichtigsten Prädiktoren zählen sozioökonomischer Status, Lernzeit, Lehrer‑Motivation und die Einstellung der Lernenden zu Mathematik, wobei deren Einfluss je nach Land variiert.

Die Studie unterstreicht die komplexe, kontextabhängige Natur der Mathematikleistung und demonstriert den Mehrwert von XAI in der Bildungsforschung. Sie liefert wertvolle Erkenntnisse für gerechte Reformen und die Entwicklung personalisierter Lernstrategien.