XAI e interpretabilità dei modelli di machine learning: applicazione di LIME su dati sociologici per l'abbandono scolastico

L'elaborato si concentra sull'applicazione di tecniche di Explainable Artificial Intelligence (XAI) per comprendere le predizioni di modelli di machine learning, con un focus sull'uso di LIME (Local Interpretable Model-Agnostic Explanations) per spiegare le decisioni prese dai modelli predittivi riguardo l'abbandono scolastico. Il fenomeno dell'abbandono scolastico è un problema crescente nelle istituzioni educative, e la capacità di prevedere quali studenti sono a rischio è cruciale per l'adozione di strategie preventive efficaci. La tesi utilizza un dataset di 3.623 studenti dell'Istituto Politecnico di Portalegre, analizzando fattori demografici, socioeconomici e accademici per prevedere se uno studente si iscriverà, abbandonerà o completerà il proprio percorso accademico. Vengono impiegati due classificatori principali: Decision Tree e XGBoost, noti per la loro accuratezza nei problemi di classificazione. LIME è applicato per interpretare localmente le predizioni di questi modelli, offrendo spiegazioni sulle variabili che maggiormente influenzano le decisioni. I risultati rivelano che le prestazioni accademiche, insieme a fattori socioeconomici e demografici, sono tra le variabili più influenti nel determinare il successo o l'abbandono scolastico. I modelli implementati si sono dimostrati efficaci nel prevedere con buona precisione gli studenti a rischio, offrendo uno strumento utile per le istituzioni educative. L'applicazione di LIME ha permesso di ottenere una maggiore comprensione delle variabili critiche, contribuendo a migliorare la trasparenza e l'interpretabilità dei modelli.