SRL 对齐预测模型的跨课程普遍性：基于数字学习痕迹
计算机与社会
2026-04-28 v1 机器学习
应用统计
摘要
STEM 项目的退出率在大学层面仍然偏高，尤其是计算机科学等需要深厚理论基础的课程。数字学习环境现已捕获丰富的行为数据，或可帮助及早识别濒临受威胁的学生，但数据驱动预测模型在不同课程和机构之间的普遍性仍存疑虑。循自我调节学习（SRL）理论，本研究分析了来自三个本科理论计算机科学课程（N1=137, N2=104, N3=148）中多模态数字学习痕迹。基于 Elastic Net、Random Forest 和 XGBoost 建模，每周的 SRL 对齐数字痕迹指标，以评估其随时间和跨情境的预测性能，以及在课程内外的模型校准。早期预测受威胁学生的可行性得到证实，时间管理、努力调节和持续参与等 SRL 相关行为成为关键预测因子。虽然 Random Forest 在样本内准确率最高，但 Elastic Net 在跨情境推广性更佳。样本外准确率和校准在不同机构之间因基准受威胁率不同而下降，凸显了高等教育中预测分析的情境性特征。这些发现表明，数字学习痕迹可在课程内帮助及早识别受威胁学生，但若受威胁率在不同情境间有所差异，跨上下文推广预测模型需谨慎。
引用
@article{arxiv.2604.22812,
title = {Cross-Course Generalizability of SRL-Aligned Predictive Models Using Digital Learning Traces},
author = {Jakob Schwerter and Loreen Sabel and Judith Bose and Matthew L. Bernacki and Di Xu and Marko Schmellenkamp and Thomas Zeume and Philipp Doebler},
journal= {arXiv preprint arXiv:2604.22812},
year = {2026}
}