分析针对自动化学术风险识别所采取的干预策略：一项系统评价

《IEEE Revista Iberoamericana de Tecnologias del Aprendizaje》：Analyzing Intervention Strategies Employed in Response to Automated Academic-Risk Identification: A Systematic Review

学习分析在高等教育中广泛用于预测学生挂科或退学风险，但现有研究多聚焦识别而非实际干预，缺乏对教育者、管理者等关键角色的研究，且干预效果评估体系不完善。本文提出建立多利益相关者干预框架、制定标准化评估指标、整合传统学术数据与新兴数据源等策略，以推动学习分析从理论到实践的有效转化。

　　

摘要：

提前预测学生可能无法通过课程或退出学位项目的情况已成为学习分析（Learning Analytics）被广泛应用的领域之一。尽管相关文献大量讨论了如何识别高风险学生，但往往缺乏将这些识别结果转化为实际干预措施的做法，更多关注的是实验结果的报告，而非其实际影响。早期识别的目标很明确，即让教育工作者能够在学生真正失败或辍学之前采取干预措施。然而，对于被标记为高风险的学生之后会发生什么，目前关注还不够。个性化反馈、自动提醒和有针对性的支持等干预措施可以带来重大改变，降低失败率和辍学率。然而，正如本文所指出的，很少有研究真正深入探讨这些策略的有效性或衡量它们对学生结果的影响。更为严重的是，针对教育工作者、管理人员和课程设计者等利益相关者的研究几乎空白，而这些人在推动有意义的干预措施中起着关键作用。本文综述了关于自动化学术风险预测的最新文献，并重点分析了部分论文中的干预措施。我们的研究发现，只有大约14%的研究提出了可实施的干预方案，而实际实施这些方案的研究则更少。尽管存在这些挑战，我们可以看到学习分析领域正在逐渐发展，许多机构开始利用这些工具的潜力。然而，蕴含宝贵信息的学术数据库仍被严重低估和利用不足。为了推动该领域的发展，我们提出了一些可操作的策略，例如开发涉及多方利益相关者的干预框架、创建衡量成功的标准化指标，以及扩展数据来源以涵盖传统学术系统和替代数据集。通过解决这些问题，本文不仅指出了现有研究的不足，还为未来的研究提供了方向...

显示更多

引言

提前预测学生可能无法通过课程或退出学位项目的概率是高等教育中学习分析最受欢迎的应用之一[1]。为应对这一趋势，高等教育机构在采用和实施学习分析方面投入了大量资源[2]。预测学生是否可能辍学已成为学习分析领域最重要的问题之一。为此，需要尽早识别高风险学生。但仅仅识别高风险学生还不够，真正关键的是接下来采取何种类型的干预措施。虽然识别高风险学生已成为学习分析的核心，但下一个关键步骤是有效的干预措施，而这方面的研究仍然不足。我们的回顾表明，所有分析的研究均未提供可用来评估干预效果的可衡量指标。这一差距不仅限制了策略之间的比较，也阻碍了基于证据的解决方案的开发。我们旨在通过解决这一问题并提出未来研究和实施框架的方向，来弥合理论预测与实际应用之间的差距。

一、引言

提前预测学生可能无法通过课程或退出学位项目的概率是高等教育中学习分析最受欢迎的应用之一[1]。为了适应这一趋势，高等教育机构在采用和实施学习分析方面进行了大量投资[2]。预测学生是否可能辍学已成为学习分析领域最重要的问题之一。为此，必须尽早识别高风险学生。但仅仅识别高风险学生是不够的，关键在于随后采取何种类型的干预措施。虽然识别高风险学生已成为学习分析的基石，但下一个关键步骤是有效的干预措施，而这方面的研究仍然不足。我们的回顾显示，所有分析的研究均未提供可用来评估干预效果的可衡量指标。这一差距不仅限制了策略之间的比较，也阻碍了基于证据的解决方案的开发。我们旨在通过解决这一问题并为未来的研究和实施框架提出方向，从而弥合理论预测与实际应用之间的差距。