使用人工智能与学习分析方法预测技术教育中的学生辍学风险

为何为陷入困境的学生提供早期预警很重要

许多大学生在在线课程中悄然落后，往往早在成绩变差之前很久就已出现问题。在技术类专业中，课程要求高、进度快，这种情况很容易导致辍学。本研究探讨了如何将在线学习平台中日常活动产生的数据转化为早期预警系统。通过分析学生如何浏览和使用课程材料，人工智能（AI）模型可以识别出表明存在问题的模式，并及早发出信号，以便教师及时提供有针对性的帮助。

追踪在线课程中的数字足迹

研究聚焦于一所应用科学大学通过 Moodle 学习平台开设的两门计算机辅助设计（CAD）课程。每一次点击——打开文件、尝试测验、提交作业——都会生成带时间戳的日志条目。研究者从 80 名学生的 12,941 条记录中构建了一个数据集，描述了 49 种不同的学习资源，从简单的入门页面到复杂的多步骤作业不等。由于这些课程显示出异常高的辍学率，它们为探索活动模式与学生成败之间的关系提供了有用的试验场。

将点击转化为有意义的学习信号

研究没有把原始点击次数直接喂入不透明的算法，而是引入了一种“加权属性”方法，将数据重塑为教师可以理解的指标。每种资源在三个主要方面被评分：其心理负担程度、学生与之互动的频率，以及课程期望投入的时间。这些评分被合并为一个单一的效果度量，反映学生实际掌握该资源的情况。通过这种方式，模型不仅指出学生处于风险之中，还能指向可能导致问题的具体任务或材料。

人工智能模型发现了什么

研究训练了两类预测模型——逻辑回归和随机森林——用以基于这些加权指标区分更有效与较不有效的学习工具。为避免被相对较小的样本误导，研究者采用了反复交叉验证，轮换用于训练和测试的数据。在这些检验中，两类模型表现良好，随机森林稍占上风，但更简单的逻辑回归模型更易解释。在所有情况下，最重要的信号是学生与某一资源互动的频率、在其上花费的时间以及资源设计的难度。

旨在改进课程设计，而非取代教师

研究结果表明，复杂且耗时的任务——例如多步骤的建模项目和大量作业——与更好的学习成果密切相关，而简单的公告或短篇概述贡献较小。这表明设计良好的挑战（并给予足够时间支持）对学生成功至关重要。研究还概述了早期预警系统在实践中的运作方式：自动化仪表盘会向教师突出显示风险模式，教师再决定如何应对，例如增加示例、调整工作量或提供额外辅导时间。重要的是，该系统旨在为教师提供信息，而不是自动替代有关学生的决策。

对学生与教育者的意义

对于一般读者，关键的信息是：人工智能可以帮助高校在学生失败前发现问题，但前提是要审慎使用。通过将课程设计见解与谨慎的数据处理相结合，加权属性方法能把原始活动日志转化为关于课程哪些部分有助或阻碍学习的清晰信号。该研究仍属试点，范围局限于一所机构的少数技术课程，因此其结果具有初步性。但它为在教育中更透明、公平且支持性的 AI 应用提供了一条具体路径——在这一路径上，以数据为驱动的工具帮助教师重新设计课程并更早地帮助陷入困境的学生，从而减少他们悄然辍学的可能性。

引用: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

关键词: 学生辍学风险, 学习分析, 在线技术教育, 预测建模, 早期预警系统