Calibrated Explainable AI for Student Risk Prediction with Resource-Constrained Intervention and Machine Unlearning
Este artículo presenta un marco de trabajo para la predicción temprana del riesgo estudiantil que preserva la privacidad y está limitado por recursos, el cual integra modelos XGBoost calibrados, explicabilidad basada en SHAP y una capa de intervención agéntica consciente del presupuesto para garantizar una toma de decisiones precisa, interpretable y conforme, al tiempo que soporta el desaprendizaje de máquinas.