機器學習作為表現性唯物主義實踐：十三項論文
arXiv - Computers and SocietyAdolfo De Un\'anue, Fernanda Sobrino
本文提出機器學習應用的十三項表現性唯物主義論點，重新定義模型為臨時干預工具，強調效度為實際影響，並將目標函數與公平性視為政治決策。
AI 幫你先抓重點
AI 重點 1
將效度視為實際影響而非形式化指標，促使實務者重新評估驗證方法。
滑鼠懸停看 AI 判斷理由
此觀點迫使從傳統交叉驗證轉向時間交叉驗證，提升模型在動態環境中的可靠性，並強調實際效果是評估的核心。
AI 重點 2
認識到目標函數與公平性設定是政治決策，強調利益相關者參與，避免技術官僚主義。
滑鼠懸停看 AI 判斷理由
這使決策者必須在設計階段就納入多元價值，提升模型透明度與公正性，並促進跨部門合作與共識建立。
核心研究發現
- 1
ML模型不是尋求真理的靜態表示，而是時間定位的壓縮，作為干預工具。
- 2
數據產品是一個複雜適應系統，與目標共同演化，無單一算法能優化多目標空間。
- 3
模型效度應以實際世界影響衡量，並且目標函數、公平性、資源閾值等選擇是政治決策。
對教育工作者的啟發
對教育工作者而言，本文提醒機器學習模型應被視為時間性干預工具，效度評估需聚焦實際影響而非僅靠數值指標；在設計學習評量或個別化學習系統時，應採用時間交叉驗證、pipeline-aware 公平審計，並以滿足（satisficing）為優先，避免過度優化造成的偏差。此框架亦鼓勵利益相關者共同決定目標函數與公平標準，確保教育技術方案更具社會責任與透明度。
原始文獻資訊
- 英文標題：
- Machine Learning as Performative Materialist Practice: Thirteen Theses on the Epistemology, Methodology, and Politics of Applied ML
- 作者：
- Adolfo De Un\'anue, Fernanda Sobrino
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。