A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education

不要把学校仅仅想象成一座尘封着旧书的安静图书馆，而要把它想象成一艘在波涛汹涌的大海中航行的、充满高科技感的繁忙飞船。船员就是学生，而飞船的计算机则在不断监测他们的生命体征，以确保每个人都能保持航向。长期以来，飞船的船员们只会在有人开始沉没之后才检查日志——也就是在一名学生挂掉好几门课之后才派人去帮忙。但这就像是在引擎冒烟之前才打电话叫修理工一样；到那时，往往已经太晚了，无法挽救这艘船。学习分析（Learning Analytics）领域的科学家们正试图改变这一点。他们使用一种叫做“教育数据挖掘”（Educational Data Mining）的方法，这基本上就像是一个超级聪明的侦探，观察成千上万个微小的线索——你学习了多久、你登录了多少次、甚至你的感受如何——以此来预测谁可能会遇到麻烦，并在问题发生之前就预判出来。他们提出的核心问题是：我们能否制造出一个水晶球，它不仅能告诉我们谁会不及格，还能准确告诉我们他们究竟在哪些方面遇到了困难，以便我们能及时提供帮助？

这篇论文正是关于如何构建这样一个水晶球，但它带有一个特别之处：研究人员并没有仅仅盯着成绩看，而是构建了一个“多模态”（multi-modal）框架。你可以把它想象成一个侦探，他不仅查看嫌疑人的成绩单，还会同时检查他们的日记、社交媒体习惯、家庭背景以及睡眠时间。由兴义民族师范学院的方卓滔及其同事领导的研究团队，收集了1,194名真实大学生的数据。他们并没有只看单一维度，而是将31种不同类型的信息融合在一起，范围从“当前平均绩点”（GPA，即他们现在的表现）到“每日社交媒体时长”（即他们刷手机的时间），甚至包括“居住状态”（即他们是独居还是与家人同住）。

研究人员希望看看他们是否可以将这些学生分为三个清晰的类别：“低风险”（安全且航行平稳）、“中风险”（有些摇晃，需要推一把）和“高风险”（即将倾覆）。为了实现这一目标，他们使用了一个巧妙的技巧，叫做“一对多”（One-vs-Rest）。想象一下你有三个不同的保安：一个保安的任务仅仅是识别出“高风险”学生并忽略其他人；第二个保安只寻找“中风险”学生；第三个保安只寻找“低风险”学生。通过让他们协同工作，该系统可以做出非常精准的决策，判断一名学生属于哪个等级。

在开始训练计算机模型之前，团队使用了一种特殊的可视化工具，叫做 t-SNE。你可以把它想象成一张神奇的地图，能将一个巨大的、三维以上的空间压缩成一张平面的二维平面图。当他们在地图上绘制学生分布时，他们看到了惊人的景象：“高风险”学生自然地聚集在一起，形成一个个紧密且孤立的小岛，而“低风险”学生则形成了各自独特的岛屿。这证明了他们所寻找的线索实际上非常擅长区分这些群体，就像一个优秀的指纹扫描仪能瞬间分辨出两个不同的人一样。

当他们测试最终的模型时，结果令人印象深刻。这台计算机就像一位经验丰富的船长，能够观察一名学生的数据并断言：“这名学生有95%的可能性属于高风险组”，且具有极高的置信度。最重要的线索是什么？是学生上一学期的成绩。事实证明，你过去的表现是未来表现的最强预测因子，它像一个沉重的锚，将你拉向同一个方向。然而，模型也发现，在社交媒体上花费过多时间是一个危险信号，而参加课程和每日学习则是积极的迹象。有趣的是，在这一特定数据集中，像家庭收入或性别这样的因素与成绩之间并没有直接、简单的联系，这表明在这种语境下，日常习惯比背景信息更为重要。

这项研究表明，这类系统可能会成为大学的游戏规则改变者。系统不再是等待学生失败，而是在学生的“风险评分”跨过某个界限的瞬间，自动向辅导员发送警报。这将实现“主动干预”，意味着辅导员可以在学生真正挂科之前坐下来对学生说：“嘿，我们注意到你最近在社交媒体上花的时间太多了，而且出勤率也在下降。让我们一起解决这个问题吧。”研究人员发现，他们的模型非常准确，很少出错，并且即使在“高风险”学生比“低风险”学生少的情况下，也不会产生混乱。

然而，作者也谨慎地指出，他们的系统并非完美的魔法。其中一些数据来自于学生填写关于自身的调查问卷，这意味着人们可能会撒谎或遗忘细节。此外，该模型在某些方面是一个“黑箱”；虽然它能很好地预测风险，但并不总能以人类辅导员易于理解的方式解释其背后的“原因”。团队建议，未来可以通过将系统直接连接到在线学习平台的实时日志，使其能够看到学生点击每一个按钮时的具体动作，而不是等待他们填写表格，从而使系统变得更加完善。不过，就目前而言，这项研究表明，通过结合成绩、习惯和生活细节，我们可以建立一个更智能的学生安全网，将飞船的计算机从一个被动的记录器转变为一个主动的守护者。