Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
本研究表明，机器学习模型（特别是支持向量机）能够利用第一学期 GPA 和补考课程等常规记录，有效预测南迪·阿齐克韦大学本科生的学术风险，从而为处于风险中的学生提供及时的干预。
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
当今的大学面临着一个无声但日益严重的挑战：它们正在培养比以往任何时候都多的学生，但往往缺乏足够的观察时间或工具，去注意到某个特定学生何时开始陷入困境，直到为时已晚。在过去，教育者可能要等到出现不及格成绩或缺考时，才会意识到一名学生遇到了麻烦，但到那时，学习上的差距往往已经变得难以逾越。为了解决这个问题，研究人员正转向一个被称为“机器学习”的领域，这本质上是一种让计算机通过从数据中学习模式，而非遵循人类编写的严格规则来学习的方法。通过将学生表现、出勤率和背景的历史记录输入这些系统，计算机可以学会识别那些预示着学业失败的微妙迹象。其目标不是用算法取代教师，而是为他们提供一个预警系统——一种能够看到哪些学生可能需要帮助，从而在他们落后之前提供及时支持的方法，从而改变一名学生的整个学术轨迹。
在尼日利亚的恩南迪·阿齐克韦大学（Nnamdi Azikiwe University），一个研究小组决定测试这种方法在他们的特定环境下是否可行。他们收集了400名本科生的学术记录，查看了包括入学考试成绩、第一学期成绩、讲座出勤率、平时考核得分，甚至包括过去是否挂科在内的广泛细节。随后，研究人员要求四种不同的计算机模型分析这些信息，并预测哪些学生面临学业表现不佳的风险。他们将“处于风险中”定义为表现低于一定标准的学生，从而有效地将学生分为两组：表现良好的学生和正在挣扎的学生。该团队希望观察计算机是否能在学期开始时，仅利用现有的数据，就能识别出处于挣扎状态的那组学生，并确定哪些具体因素是预示困难的最强指标。
结果揭示了一个清晰的图景，展示了什么区分了蓬勃发展的学生与处于危险中的学生。在研究的400名学生中，近四分之一的学生被识别为处于风险之中。当研究人员仔细观察数据时，他们发现处于挣扎状态的学生具有非常特定的特征。他们以较低的入学考试成绩进入大学，但更重要的是，他们在第一学期的表现是未来出现问题的更强信号。最强大的预测因子是第一学期的平均绩点（GPA）；处于风险中的学生平均得分为2.43，而表现良好的学生平均得分为3.24。此前挂科的课程数量（即“补考/重修课程”）是第二重要的因素。处于风险中的学生平均有2.5门课程不及格，而他们的同伴平均仅为一门。其他因素如平时考核得分和讲座出勤率也发挥了作用，处于挣扎状态的学生上课次数较少，且在随堂测试中的得分较低。有趣的是，数据显示，学生的性别或进入大学的具体方式并不能帮助预测谁会陷入困境，这表明在这种环境下，学术行为比背景人口统计特征更为重要。
为了找到进行这些预测的最佳方式，研究人员比较了四种不同的机器学习技术，每种技术处理问题的方式略有不同。一种被称为“决策森林”（decision forest）的方法，通过构建许多简单的决策树来进行集体预测。另一种被称为“支持向量机”（support vector machine）的方法，试图画出一条复杂的线，将挣扎的学生与成功的学生区分开来。当这些模型在从未见过的全新数据上进行测试时，结果令人惊讶。在初始训练阶段表现最好的模型，在面对新学生时表现并不理想。相反，支持向量机和一种称为“逻辑回归”（logistic regression）的方法被证明是最可靠的。支持向量机正确识别了测试组中20名处于风险中的学生中的16名，仅漏掉了4名，同时也将“误报”的数量（即被标记为处于挣扎状态但实际上表现良好的学生）控制在较低水平。这些计算机模型能够以极高的准确度区分这两组人群，证明了数据中的模式是真实且一致的。
研究还深入探讨了模型做出决策的原因，以确保结果不仅仅是统计上的巧合，而是反映了真实的教育动态。分析证实，一名学生在第一学期的表现远比他们的起点更能说明问题。虽然入学考试成绩确实有影响，但它们被学生在课堂上的实际表现所掩盖。计算机了解到，低绩点、高挂科数和出勤率低是学生陷入困境的最强信号。这符合“学习是一个主动过程”的观点；那些不参与学习、缺课或早期无法掌握材料的学生，正是最需要帮助的人。研究人员指出，虽然这些模型在识别模式方面非常有效，但应将其视为辅助人类判断的工具，而非取代人类。计算机可以标记需要关注的学生，但随后提供理解与支持的，必须是大学的辅导员和教师。
最终，这项研究证明了大学可以利用已有的数据来为学生建立一张安全网。通过关注像第一学期成绩和课堂出勤率这样的早期指标，机构可以在学生最终考试不及格之前，就识别出那些可能面临困难的学生。研究表明，恩南迪·阿齐克韦大学以及其他类似的院校，可以通过实施此类预警系统来指导其学术指导工作。与其等待危机爆发，不如在数据显现出学生偏离航向的瞬间，由工作人员主动联系他们。这些发现提供了一条务实的路径：利用记录中的模式来触发及时的干预，确保那些最需要帮助的学生在学术困难变得无法克服之前，能够得到应有的支持。
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。