基于机器学习的学生表现因素多层次分析：来自 SAEB 微数据的应用
机器学习
2025-11-18 v2 人工智能
计算机与社会
摘要
识别影响基础教育学生表现的因素是制定有效公共政策的核心挑战之一。本研究引入一种多层次机器学习方法，用于对来自基础教育评估系统（SAEB）微数据的 9 年级及高中生学生 proficiency 进行分类。我们的模型独特地整合了四个数据来源：学生的社会经济特征、教师职业概况、学校指标以及校长管理概况。对四种集成算法的比较分析确认了随机森林模型的优越性，该模型达到了 90.2% 的准确率和 96.7% 的 AUC。为超越预测，我们应用可解释人工智能（XAI）技术（SHAP），揭示学校平均社会经济水平是最主要的预测因子，表明系统性因素的影响远超孤立的个体特征。首要结论是，学术表现是一种深植于学校生态系统中的系统性现象。这项研究提供了一种数据驱动、可解释的工具，以信息化方式为促进教育公平、解决学校间差距提供决策支持。
引用
@article{arxiv.2510.22266,
title = {A Multi-level Analysis of Factors Associated with Student Performance: A Machine Learning Approach to the SAEB Microdata},
author = {Rodrigo Tertulino and Ricardo Almeida},
journal= {arXiv preprint arXiv:2510.22266},
year = {2025}
}