摘要
联邦学习能够在不集中存储敏感学生记录的前提下，支持教育机构间的协同模型训练，从而为注重隐私的学生表现预测提供支持。然而，现有的教育联邦学习研究主要依赖FedAvg，而FedProx等替代策略则主要在与非独立同分布（non-IID）教育数据相关的研究中得到探讨。本研究通过比较七种联邦学习策略——包括FedAvg、FedAvgM、FedProx、FedAdagrad、FedAdam、FedYogi和FedMedian——来弥补这一研究空白，并采用了开放大学学习分析数据集。研究人员基于Flower框架搭建了一个模拟联邦学习框架，以评估这些方法在多个学生结果预测任务中的表现。在通过/退学预测任务中，FedMedian取得了最高的后期轮次平均准确率和宏平均F1分数。经Hochberg校正的p值表明，FedMedian的平均准确率与其余六种方法之间均存在显著差异。在通过/未通过预测任务中，FedMedian的观测平均表现最高，但在经校正的配对比较下，其相对于领先的替代方法FedProx、FedAvgM和FedAvg的优势并未得到统计学确认。在Fail/Distinction（不及格/优秀）预测任务中，FedProx的后期轮次观测均值最高，但经Hochberg校正后，其与FedAvg、FedAvgM或FedAdagrad之间并无统计学显著差异。所评估的七种策略均未能在高度不平衡的通过/优秀预测任务中实现令人满意的均衡表现，这表明将联邦学习应用于复杂的教育结果预测仍面临较大挑战。研究结果表明，尽管FedAvg是教育联邦学习中最常采用的方法，但在异构教育数据分布下它并非始终是最优选择。相反，根据任务特征选择合适的联邦优化策略可以提升模型的稳定性和预测可靠性。本研究强调了在教育场景中负责任地部署联邦学习的重要性，注重隐私的分析方法有助于更可靠地识别学生学习成果，并为基于证据的教学干预提供信息支持。
