目前，主修STEM领域的美国大学生的毕业率比非STEM领域的同龄人低约20%，这是一个响亮的号角，要求更好地帮助这些学生，尤其是在他们的前几个学期。尽管系统性、长期的转变——从讲授转向分享基于证据的教学实践——应该会有所帮助，但学术界的惰性有时会减慢它们的采用。

一些教育工作者和研究人员希望通过一些正确方向的推动来补充这些更大的转变。一种有希望的候选者：旨在帮助陷入困境的学生找到自己的出路的定期干预。

内布拉斯加州的穆罕默德·哈桑(MohammadHasan)和比拉尔·汗(BilalKhan)最近研究了机器学习(一种人工智能形式，可以识别数据模式，然后使用学到的识别来预测结果)是否可能促成这一原因。首先，Hasan和Khan根据2015年至2018年间参加计算机科学课程的537名学生的作业、测验和期中成绩以及期末成绩训练了一个模型。

后来，他们将该模型应用于参加同一课程的65名本科生班级。在本学期的三个时间点(第6周、第9周和第12周)，32名学生通过大学的课程管理系统收到了一条自动消息。该消息传达了模型对通过课程的学生的预测：“良好”、“一般”、“有风险”或“有风险”。剩下的33名对照组学生总是收到“无法做出预测”的信息。

在对照组中，33名学生中有24名(约73%)通过了课程。与此同时，那些根据自己的轨迹接受实际预测的学生表现要好得多：32名学生中有29人通过了考试，合格率接近91%。在表示积极检查自己状态的受访学生中，86%的人表示在看到预测后他们加大了努力。

该研究发表在《PLOSONE》杂志上。

哈桑和可汗表示，尽管这一发现还很早，但它表明了将基于人工智能的干预措施整合到STEM课程中的价值。两人计划进行一项更大规模、更长期的研究，帮助确定分数以外的变量——与课程相关的行为、对科学的看法、人口统计——是否可以概括和扩大干预措施的使用，超越单一的统一课程。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：