基于机器学习的数字协作教育的关键因素与预测模型

《Annals of the New York Academy of Sciences》：Key Factors and Predictive Models of Digital Collaborative Education Based on Machine Learning

数字协同教育对提升教学质量及促进家校社合作具有重要作用，但关键驱动因素及预测模型尚未明确。本研究基于教师数字素养视角，采用GBRT和随机森林模型分析，结合SHAP和ALE方法，发现随机森林模型预测效果最佳，数字教学评估、实施、设计及研究创新是核心特征变量，且存在性别、年龄等异质性非线性关系。

　　

摘要

数字协作教育在数字教育研究中发挥着关键作用，并显著提升了教学质量。此外，它还为家庭、学校和社区在人才发展方面的合作提供了新的动力。然而，数字协作教育的关键驱动因素和预测模型仍然有待深入探索。为填补这一空白，本研究从教师数字素养的角度出发，以中小学教师作为研究对象。通过使用梯度提升回归树（GBRT）和随机森林等机器学习方法，我们确定了影响数字协作教育的因素，并开发了相应的预测模型。SHapley Additive exPlanations（SHAP）框架被用于进行全面的、异质的以及个体层面的解释分析，而累积局部效应（ALE）图则用于单特征的解释。研究结果表明，随机森林在预测数字协作教育效果方面优于其他模型。数字学术评估、数字教学实施、数字教学设计以及数字教学研究与创新是预测数字协作教育效果最重要的四个特征变量，其中数字应用是最强的预测因子，其次是专业发展。这些关键特征在预测数字协作教育效果时表现出性别、年龄、教育背景和教学经验等方面的异质性，显示出非线性关系。研究结果为推进数字协作教育提供了实证支持，并为提升教师的专业发展提供了宝贵的见解。

图形摘要

我们确定了影响数字协作教育（DCE）的关键因素，并开发了预测模型。研究结果表明，随机森林在预测DCE效果方面优于其他模型。数字学术评估、数字教学实施、数字教学设计以及数字教学研究与创新是预测DCE效果最重要的特征变量。此外，这些预测因子在不同性别、年龄等因素之间存在显著差异。

利益冲突

作者声明没有利益冲突。