应用生存分析技术和可解释人工智能（Explainable Artificial Intelligence）来理解软件工程专业学生的学业表现

《Array》：Applying survival analysis and Explainable Artificial Intelligence to understand academic success in software engineering students

软件工程学生入学档案与学业轨迹关联性研究，基于2014-2019年421名学生数据，运用多变量逻辑回归（准确率90%）、决策树（80%）和Cox生存分析（87%准确率），揭示年龄、GPA、学分进度等变量显著影响毕业或辍学。提出结合可解释AI的干预策略，如早期风险识别和个性化支持。

　　本研究旨在通过分析软件工程专业学生的入学档案和学术轨迹，探讨影响其学业成功或退学风险的关键因素。研究团队由来自墨西哥韦拉克鲁斯大学统计与信息技术学院的五位学者组成，他们结合统计方法、监督学习技术、可解释人工智能（XAI）和生存分析（SA）等工具，构建了一个综合性的分析框架，用于理解和预测学生的学术发展路径。研究对象涵盖了2014年至2019年入学的学生群体，数据覆盖时间跨度较长，有助于观察学生在不同阶段的表现变化。

研究发现，学生的入学档案中的变量，如年龄、CENEVAL考试成绩、平均绩点（GPA）、学分进度以及预期的最高教育水平，与他们的学术轨迹存在显著相关性。尽管高CENEVAL成绩通常被认为是学业成功的标志，但研究也发现了一些例外情况，表明单一指标不足以全面预测学生的表现。因此，研究强调了建立更精细模型的必要性，以识别影响学生完成学业或退学的多维度因素。通过构建多分类逻辑回归模型、决策树模型以及Cox比例风险模型，研究团队评估了这些模型在预测学生学术轨迹方面的有效性。结果显示，多分类逻辑回归模型在分类准确率上表现最佳，达到了90%的准确度，明显优于其他两种模型。

在实际应用中，多分类逻辑回归模型能够提供清晰的变量影响解释，这对于教育机构制定针对性干预措施至关重要。而决策树模型虽然具有一定的可解释性，但在某些类别（如AT类型B）的预测准确率较低。生存分析模型则提供了动态视角，能够揭示学生在学习过程中的表现变化趋势，有助于理解学生在不同时间点上的风险水平。然而，该模型在分类任务中的准确率相对较低，这可能与其主要关注时间维度而非多类别预测有关。

此外，研究还通过可视化分析，揭示了不同变量之间的关系，以及这些变量如何影响学生的学业轨迹。例如，学生年龄、GPA和学分进度被发现是最具影响力的变量。这些发现为教育管理者提供了有价值的参考，使他们能够更好地识别高风险学生，并采取相应措施提高学生的学业完成率。

值得注意的是，尽管多分类逻辑回归模型在准确率上表现优异，但研究也指出其局限性。例如，模型的可解释性虽然强，但在某些复杂情况下可能无法充分捕捉所有影响因素。因此，研究建议未来可以探索更多可解释人工智能技术，以增强模型的解释能力。同时，为了提高模型的泛化能力，研究团队还建议扩大样本规模，并考虑其他可能影响学生学业的变量，如学生的兴趣、动机、社会经济背景等。

此外，研究还强调了模型在实际应用中可能面临的挑战。例如，数据集的不平衡可能会影响模型的预测能力，尤其是在退学（AT类型C）这一类别中，样本数量相对较少。因此，研究团队在模型构建过程中未采用平衡技术，而是保留了原始数据分布，以确保模型能够真实反映退学现象的自然动态。尽管如此，数据不平衡问题仍然是未来研究需要关注的重点。

研究还讨论了模型在不同地区和背景下的适用性问题。虽然本研究基于墨西哥一所大学的数据，但研究团队指出，这些模型可能需要根据不同地区的学生特征进行调整，以确保其在其他教育环境中的有效性。例如，某些地区的社会经济条件、教育水平和学生需求可能与研究对象存在差异，因此在应用模型时需要充分考虑这些因素。

最后，研究团队提出了未来工作的方向。他们计划进一步探索其他XAI技术，以验证模型中变量影响的稳定性。同时，他们希望扩大研究样本，增加更多完成学业的学生数据，以提高模型的准确性。此外，他们还计划引入新的变量，如学生的兴趣和动机，以更全面地理解影响学业的因素。最后，研究团队建议对墨西哥其他地区的数据进行比较，以评估地理因素对学生学术轨迹分类的影响。

总的来说，本研究不仅提供了关于软件工程专业学生学术轨迹的深入分析，还展示了如何通过结合统计方法和人工智能技术，提高教育预测的准确性和可解释性。研究结果为教育机构提供了重要的数据支持，使他们能够更好地识别高风险学生，并采取相应的干预措施，从而提高学生的学业完成率和教育质量。同时，研究也指出了当前模型的局限性，并提出了未来研究的方向，为后续的学术研究和实际应用提供了参考。