Calibrated Explainable AI for Student Risk Prediction with Resource-Constrained Intervention and Machine Unlearning
Questo articolo presenta un framework per la previsione precoce del rischio degli studenti, orientato alla tutela della privacy e ai vincoli di risorse, che integra modelli XGBoost calibrati, spiegabilità basata su SHAP e uno strato di intervento agente consapevole del budget per garantire processi decisionali accurati, interpretabili e conformi, supportando al contempo l'unlearning delle macchine.