解码学生认知能力：教育数据挖掘中可解释AI算法的比较研究及其应用价值

本研究针对教育领域中学生认知能力影响因素分析存在的模型"黑箱"问题，采用随机森林(RF)、XGBoost等5种机器学习算法结合SHAP、LIME等4种可解释性AI方法，对1086名艺术类学生进行多维度建模。研究发现自我效能感(w2b02)和父母期望(w2a27/w2a28)对认知能力具有显著因果效应(ATT>0.2)，不同解释算法在特征识别中呈现明显偏好差异。该研究为教育决策提供了数据驱动的科学依据，论文发表于《Scientific Reports》。

　　

在当今教育领域，学生的认知能力发展始终是核心议题。传统研究方法依赖问卷调查和统计模型，但面对海量教育数据时，常规方法难以捕捉复杂特征间的非线性关系。更棘手的是，机器学习模型常被视为"黑箱"，其决策过程缺乏透明度，这严重制约了AI技术在教育评估中的应用。当教育管理者需要制定干预策略时，往往面临两个关键问题：哪些因素真正影响学生的认知发展？如何验证算法识别特征的可靠性？

福州大学厦门工艺美术学院的研究团队在《Scientific Reports》发表了一项创新研究。他们首次系统比较了SHAP、LIME等四种可解释AI算法在教育数据挖掘中的表现，通过倾向得分匹配(PSM)验证了关键特征的因果效应。研究收集了来自两所高校1086名艺术类新生的78维问卷数据，涵盖个人特质、家庭背景等212个特征，采用中国教育追踪调查(CEPS)框架的认知能力评估体系作为标准。

研究主要运用了五项关键技术：1)基于树结构Parzen估计(TPE)的超参数优化算法自动调参；2)随机森林(RF)与XGBoost等五种机器学习模型对比；3)SHAP值分析和LIME局部解释方法；4)Morris全局敏感性分析；5)倾向得分匹配(PSM)因果验证。通过7:2:1的数据划分和交叉验证，确保模型可靠性。

【特征识别】
通过RF建模显示，自我评估的数学能力(w2b02)和学业期望(w2b18)的特征重要性最高(0.3233/0.2545)。Morris敏感性分析证实w2b18的μ^*=0.4108具有最显著的平均效应。

【算法差异】
SHAP和特征重要性更关注家庭因素(占比35%)，而LIME独特识别出健康相关特征。Morris敏感性展现出最均衡的特征分布，其交互效应指标θ^*揭示了w2a27等变量的稳定性差异。

【因果验证】
PSM分析显示父母期望(w2a27)的ATT=0.181(p<0.001)，Rosenbaum检验证实即使存在未观测混杂(Gamma=2)时结论仍稳健。数学自我效能感(w2b02)呈现负向效应(ATT=-0.214)，暗示数学焦虑可能抑制艺术生的认知发展。

这项研究开创性地构建了教育数据挖掘的可解释性分析框架。其发现不仅证实了班杜拉自我效能理论在跨学科场景的适用性，更通过Morris敏感性指标揭示了家庭期望与学业表现的复杂交互机制。技术层面提出的损失函数改进方案(公式8)，为协调不同解释算法的输出差异提供了可行路径。对教育实践的启示在于：艺术类院校应考虑开设数学-艺术融合课程，同时建立家校联动的认知发展监测体系。未来研究可结合多模态数据，进一步探索生理指标与认知能力的深层关联。