早期预警信号在辍学前长期存在：基于复杂动态系统理论的个体化方法
计算机与社会
2026-02-03 v1 人工智能
摘要
维持参与度和从挫折中恢复的能力（即韧性）是学习的基本要素。当韧性减弱时，学生可能失去参与度，进而辍学，错失机会。因此，预测辍学前的参与度丧失至关重要。在本文中，我们检验了基于临界减缓（CSD）概念的韧性丧失早期预警信号，是否能预测辍学。CSD在生态学、气候学和神经科学等领域广泛观察到，常在进入灾难性失败（本案例中为辍学）前出现。我们使用167万次练习数据，来自9401名使用数字数学学习环境的学生，计算了CSD指标：自相关系数、返回率、方差、偏度、峰度和变异系数。我们发现，88.2%的学生在辍学前表现出CSD信号，且警报集中在活动后期且在练习停止（辍学）之前。我们的结果首次为教育领域提供CSD的证据，表明通用韧性动力学也支配着人类学习等社会系统。这些发现为在临界事件发生前检测脆弱性、支持不同应用和情境中的学习者提供了实用指标。最重要的是，CSD指标是普遍产生的，独立于生成数据的机制，为跨情境、数据类型和学习环境的可移植性提供新机遇。
引用
@article{arxiv.2602.00021,
title = {Early Warning Signals Appear Long Before Dropping Out: An Idiographic Approach Grounded in Complex Dynamic Systems Theory},
author = {Mohammed Saqr and Sonsoles López-Pernas and Santtu Tikka and Markus Wolfgang Hermann Spitzer},
journal= {arXiv preprint arXiv:2602.00021},
year = {2026}
}
备注
Accepted as a full paper at Learning Analytics & Knowledge (LAK) conference 2026 (ACM Proceedings)