Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms
这项实证研究通过分析来自145名UCI学生的数据，利用18种机器学习算法进行分析，发现LightGBM模型能最准确地预测学业表现，揭示了个人及学校教育因素（如性别、年龄、兼职工作和课堂听讲）是成功的核心驱动因素，而家庭因素的影响较弱，从而能够开发出一个用于个性化学业干预的可解释性Shiny应用程序。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你是一名正在试图破解“为何有些大学生能考高分，而另一些人却举步维艰”这一谜团的侦探。长期以来，教师和研究人员一直在猜测线索：是因为你的家庭？你的性格？还是你的学校？这项研究决定不再靠猜，而是开始使用一支超级强大的数字侦探小队来寻找真正的答案。
侦探小队：18 种算法
研究人员收集了加州大学欧文分校 145 名学生的数据。他们查看了 30 种不同的线索，从个人细节（如年龄和性别）到家庭背景（如父母的受教育程度），再到学校习惯（如你在课堂上听课的情况）。
为了破解这个案件，他们不仅使用了一名侦探，还聘请了由 18 种不同机器学习算法组成的整个团队。把这些算法想象成 18 种不同类型的侦探：有些像细心的会计师（逻辑回归），有些像擅长发现模式的艺术家（神经网络），还有些则像是快速反应的调查员（LightGBM、XGBoost）。他们观察同样的证据堆，以看谁能最好地预测学生的成绩。
获胜者：LightGBM
在运行数据后，一位侦探脱颖而出，成为了明显的冠军：LightGBM。虽然其他侦探也很优秀，但 LightGBM 几乎是一个超级英雄。它的预测准确率达到了 0.985 次/1（即 98.5% 的准确率！）。它如此稳定，以至于其结果完全没有波动（稳定性评分为 0）。事实上，它在识别可能不及格的学生方面表现得如此出色，甚至得到了 1 的完美得分（这意味着它很少发出虚假警报，即“特异度”极高）。
重大揭秘：真正重要的因素是什么
一旦 LightGBM 侦探获胜，研究人员就要求它解释为什么做出这些预测。他们使用了一个特殊的工具——SHAP（这就像一个放大镜，可以清晰地显示每条线索对最终结论的贡献程度）。
以下是放大镜揭示的内容：
个人因素是核心： 最重要的线索都与学生自身有关。
- 是否有伴侣： 这是最具影响力的单一线索。数据表明，没有伴侣的学生往往具有更好的预测学业表现。看来，谈恋爱对某些人来说确实有点分心！
- 年龄： 22 至 25 岁之间的学生表现出最佳的预测成绩。较年轻的学生（22 岁以下）被预测可能会面临一些困难，或许是因为他们还没有完全找到专注点。
- 性别： 模型预测男性学生的表现略好于女性学生。作者认为，这可能是因为女性学生有时会对成绩波动感到更加焦虑，从而影响了表现。
- 兼职工作： 令人惊讶的是，有兼职工作是一个积极的线索！这表明工作有助于学生管理时间并学习实践技能。
学校习惯至关重要：
- 课堂听讲： 学生在课堂上听讲程度是一个巨大的因素。如果你在认真听讲，你的成绩就会提高。
- 预期： 有趣的是，毕业时拥有极高的预期成绩实际上是一个负面线索。研究表明，如果期望过高，可能会引发焦虑并损害表现。保持合理的预期会更好。
并不重要的因素：
- 家庭背景： 这是一个转折。研究明确发现，家庭因素（如父母的受教育程度或职业）的影响相对较弱。在大学成绩的世界里，驱动力主要是学生自身的选择和学校环境，而非家族血统。
“黑箱”问题已得到解决
通常，计算机模型就像“黑箱”——你输入数据，结果就会跳出来，但你完全不知道计算机是如何做决定的。这项研究打破了这个盒子。通过使用 SHAP 工具，他们将模型变成了“玻璃箱”，你可以清楚地看到哪个杠杆（如“年龄”或“兼职工作”）拉动了结果的上行或下行。
神奇工具：预测应用
为了让这项研究对真正的教师有用，研究人员构建了一个免费的在线应用（使用名为 Shiny 的工具）。想象一下这样一个仪表盘：老师输入学生的详细信息——比如“19 岁”、“有男朋友”、“在课堂上听讲”——应用就会立即预测该学生是否存在不及格风险。
如果应用显示“满意度低”或“有风险”，它并不仅仅给出一个红灯；它还会告诉老师原因。例如，它可能会说：“该学生存在风险，因为其有伴侣且年龄在 22 岁以下。”这使得教师能够提供针对性的建议，比如帮助学生平衡爱情与学习，或者鼓励他们寻找兼职工作以培养时间管理能力。
底线结论
这项研究不仅仅是在猜测，而是在测量。它证明了虽然家庭背景是故事的一部分，但大学成功故事中的主角是学生自己（他们的年龄、关系、工作习惯）以及他们在学校的行为方式（听讲、管理预期）。通过使用最好的数字侦探（LightGBM）和清晰的放大镜（SHAP），我们现在拥有了一张更清晰的地图，来帮助学生取得成功。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。