基于入学注册数据的本科生辍学早期预测：监督机器学习方法的应用与评估

《Technologies》：Academic Dropout Prediction Using Large-Scale Static Institutional Data: A Multi-Scenario Machine Learning Study

　　**摘要**学业辍学对学生和院校均造成巨大损失，而支持性干预措施最有效的时机往往是最早期的阶段——此时除注册记录外几乎没有其他可用信息。然而，最具预测价值的指标通常来源于学业轨迹数据，如成绩和课程进展，而这些数据只有在学生完成一个或多个学期后才可获得。本研究利用监督机器学习（ML）方法，针对巴西马里加国立大学（2002–2022年）45个本科专业的66,820名学生记录开展辍学预测研究。由于注册时的静态变量是仅有的机构可用数据，模型仅基于这些变量进行训练。尽管这限制了模型可使用的信息量，但也使得存在辍学风险的学生能够在极早期被识别出来。研究在十种训练配置下评估了决策树、随机森林和极限梯度提升（XGBoost）模型，涵盖完整数据集、完整届别子集、时间队列划分、学术中心、各专业以及重采样变体。评估基于各类别的精确率、召回率和F1分数，以及无阈值和校准指标（PR-AUC、ROC-AUC和Brier分数）。在全校范围的配置中，XGBoost表现最佳：欠采样条件下辍学召回率达0.64、精确率为0.51；不重采样时，在辍学发生率0.364的背景下PR-AUC为0.586，相当于随机排序性能的1.61倍。在时间队列划分下，默认阈值处召回率从0.37降至0.18，而ROC-AUC变化不大（从0.708降至0.679）；这一下降反映了辍学发生率变化导致模型的校准偏差，且无需重新训练模型即可加以纠正。本研究的主要贡献在于：提出了一种用于注册时辍学预测的评估方法论，该方法控制信息泄漏并包含时间验证；以及一套部署协议，可在跟进能力有限的情况下，利用模型输出来优先安排学生支持服务。