基于可解释人工智能识别学业风险学生:以澳大利亚数学与计算素养课程为例

《TECHNOLOGY IN SOCIETY》:Identifying students at-risk with explainable artificial intelligence: A case study for Australia

【字体: 大 中 小 】 时间:2026年10月24日 来源:TECHNOLOGY IN SOCIETY 12.9

编辑推荐:

  摘要专业翻译 开发了一种可解释人工智能(Explainable Artificial Intelligence, xAI)模型,用于预测学业风险学生。研究人员对数学与计算素养(Mathematical and Computing Literacy)课程中成绩预

  
摘要专业翻译 开发了一种可解释人工智能(Explainable Artificial Intelligence, xAI)模型,用于预测学业风险学生。研究人员对数学与计算素养(Mathematical and Computing Literacy)课程中成绩预测的预测变量进行了评估。采用10折交叉验证(10-fold cross validation)方法进行预测误差界检验。研究观察到对学业风险学生的早期干预可用于教与学。所提出的模型为未来创新教育技术解决方案提供了实践洞见。

论文解读文章

一、研究背景与问题

在高等教育领域,学业风险学生的早期识别与及时干预是提升学生保留率、保障教育质量的关键环节。澳大利亚高等教育质量与标准署(Tertiary Education Quality and Standards Agency, TEQSA)通过 attrition( attrition,辍学率)、progress(学业进展)、completion(完成率)、grade distributions(成绩分布)、student satisfaction(学生满意度)和 graduate success(毕业生成功)等指标衡量学生表现。澳大利亚《高等教育标准框架》(Higher Education Standards Framework, HESF)2021年第1领域《学生参与和成就》明确强调了对学业进展不佳学生的早期识别和针对性支持。然而,TEQSA 在审查中发现,许多高校存在学生进展与参与度监测政策和程序不足、识别脱离学习学生的工作人员培训不够、以及针对风险学生干预策略实施不力等问题。
传统的 attrition、completion 和 graduation rates 等指标虽然能反映院校整体表现,但往往在学生已经经历显著学业困难之后才发现问题。因此,高等教育机构需要能够实时识别学业风险学生的系统,以便及时实施干预。此外,现有研究大多依赖多种数据源(如人口统计学特征、学习管理系统参与度、先前学业成绩等)进行预测,模型的可迁移性受限,且许多人工智能模型存在可解释性不足、伦理隐忧和计算成本高等问题。

二、研究内容与结论

本研究以澳大利亚南昆士兰大学(University of Southern Queensland, UniSQ)的 EAP7381《数学与计算素养》课程为对象,该课程是学术英语(English for Academic Purposes, EAP)项目的核心组成部分,为进入本科和研究生学位做准备。研究利用2017年至2020年间学生的形成性评估数据,包括计算机技能活动(computer skill activities)、问题解决任务(problem-solving tasks)、课堂调查与分析评估(class surveys and analysis assessment)以及复习考试(revision examinations),构建了基于支持向量回归(Support Vector Regression, SVR)的智能预测模型,用于预测学生的总成绩(Overall Score, OS)并早期识别学业风险学生。
研究构建了九个单变量和多变量预测模型,采用10折交叉验证框架估计预测区间、量化模型不确定性,并使用多种统计指标评估预测性能。研究人员将 SVR 模型与随机森林(Random Forest, RF)、极限梯度提升(XGBoost, XGB)和 K 近邻(K-Nearest Neighbors, KNN)模型进行了基准比较。此外,研究整合了可解释人工智能技术,包括 SHapley Additive exPlanations(SHAP)和 Local Interpretable Model-agnostic Explanations(LIME),以提供 SVR 预测的全局和局部解释,增强模型透明度。
研究结果表明,SVR 模型能够有效利用形成性评估数据准确预测学生在 EAP7381 课程中的总成绩,其中问题解决测验和复习考试与总成绩表现出强关联,可作为早期识别学业风险学生的关键指标。该研究发表在《TECHNOLOGY IN SOCIETY》期刊上,其重要意义在于:为高等教育机构提供了一种仅基于技能评估成绩即可准确预测学生表现的可靠工具,支持及时干预;同时通过 xAI 技术的集成,解决了 SVR 模型决策过程不透明的问题,增强了模型在教育教学实践中的实用性和伦理合规性。

三、关键技术方法

本研究主要采用了以下关键技术方法:一是支持向量回归(SVR)模型,该方法基于统计学习理论,在高维回归问题中具有鲁棒的数据泛化能力,能够获得全局最优解,避免陷入局部极小值;二是10折交叉验证(10-fold cross validation)框架,用于估计预测区间和量化模型不确定性;三是可解释人工智能(xAI)技术,包括 SHapley Additive exPlanations(SHAP)用于全局可解释性和 Local Interpretable Model-agnostic Explanations(LIME)用于局部可解释性;四是基准比较方法,将 SVR 与随机森林(RF)、极限梯度提升(XGBoost)和 K 近邻(KNN)模型进行对比评估。研究数据来源于澳大利亚南昆士兰大学 EAP7381 课程2017至2020年间的学生评估成绩数据。

四、研究结果

SVR 模型预测性能评估
研究人员利用五个评估项目的成绩数据训练和测试 SVR 模型,构建了九个单变量和多变量预测模型。通过10折交叉验证框架,采用多种统计指标(包括相关系数 r 和均方根误差 RMSE)评估预测性能。结果表明,SVR 模型能够以高精度预测学生在 EAP7381 课程中的总成绩(OS),预测误差在可接受范围内。
模型基准比较
研究人员将 SVR 模型与随机森林(RF)、极限梯度提升(XGBoost)和 K 近邻(KNN)模型进行了全面比较。通过综合统计性能指标评估,SVR 模型在预测精度和泛化能力方面表现出竞争力,验证了核方法(kernel-based)在学业成绩预测中的有效性。
早期风险识别能力评估
研究重点评估了 SVR 模型利用形成性评估数据早期识别学业风险学生的能力。结果表明,问题解决测验和复习考试的成绩与总成绩(OS)存在强关联,这些形成性评估数据能够在学期早期阶段有效识别可能面临学业困难的学生,为及时干预提供了决策支持。
可解释性分析
通过集成 SHAP 和 LIME 技术,研究人员提供了 SVR 预测的全局和局部解释。SHAP 分析揭示了各评估项目对总成绩预测的总体贡献度,而 LIME 分析则为个别学生的预测结果提供了局部解释,增强了模型决策过程的透明度,便于教育工作者理解和信任模型输出。

五、讨论与结论

讨论部分总结
研究讨论指出,基于技能评估成绩的预测模型为高等教育机构提供了一种实用的决策支持工具。与依赖多种复杂数据源的传统方法相比,仅使用形成性评估数据即可实现准确预测,降低了数据收集成本并提高了模型的可迁移性。研究还讨论了认知负荷理论(Cognitive Load Theory, CLT)和最近发展区(Zone of Proximal Development, ZPD)理论在理解学生学业表现中的应用,认为预测模型能够帮助教育者识别认知负荷过重或处于学业压力的学生,从而设计符合其认知能力的教学材料并提供适当的学习支架。此外,xAI 技术的集成解决了 SVR 模型作为"黑箱"模型的可解释性问题,符合教育领域的伦理要求,促进了先进机器学习模型在教育中的实际应用。
研究结论翻译
本研究开发了一种可靠且可信的基于支持向量回归(SVR)的智能预测模型,用于早期识别学业风险学生并预测澳大利亚南昆士兰大学 EAP7381《数学与计算素养》课程学生的总体表现。研究利用2017至2020年间五个形成性评估项目的数据,构建了九个单变量和多变量预测模型,并通过10折交叉验证框架评估了预测性能。研究结果表明,仅使用技能评估成绩即可准确预测学生表现,其中问题解决测验和复习考试与总成绩(OS)关联最强。通过与随机森林(RF)、极限梯度提升(XGBoost)和 K 近邻(KNN)模型的基准比较,SVR 模型展现出可靠的预测能力。研究整合了可解释人工智能(xAI)技术,包括 SHAP 和 LIME,提供了模型预测的全局和局部解释,增强了模型透明度。该研究为高等教育机构提供了一种实用的、可解释的学业风险学生早期识别工具,支持及时干预和个性化学习支持,有助于提高学生保留率和学业成功率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号