面向真实教育情境的学生学业成绩早期预测模型的人本主义研究

支持学生成功需要多方利益相关者的协作。研究人员已探索用于学业成绩预测的机器学习模型，但在确保这些模型在真实教育支持系统中可解释、公平和可操作方面仍存在关键挑战。首先，许多模型优先考虑预测准确性，却忽视以人为本的考量，从而限制学生的信任度，并降低其对教育工作者和机构决策者的有用性。其次，大多数模型需要至少一个月的数据才能做出可靠的预测，从而延误了早期干预的机会。第三，当前的模型主要依赖偶尔收集的课堂数据，遗漏了可能提供更持续和可操作洞察的更广泛行为模式。为解决这些差距，我们提出了三种建模方法——LR、1D-CNN和MTL-1D-CNN——将学生分类为低或高学业表现者。我们基于可解释性、公平性和可推广性进行评估，以评估它们与关键社会价值的一致性。使用两个春季学期第一周内收集的行为和自我报告数据，我们证明这些模型可以在第一周就识别出有风险的学生。然而，跨以人为本考量的权衡突出表明，设计有效支持多方利益相关者决策和干预策略的预测模型的复杂性。我们讨论这些权衡及其对不同利益相关者的影响，概述预测模型如何整合到学生支持系统中。最后，我们检查部署这些模型更广泛的社会技术挑战，并为人本主义协作学术预测系统的未来发展方向提出建议。