识别对思维模式干预起支持作用的学生因素：一种双模型机器学习方法

成长型思维干预培养学生相信自身能力可通过努力与恰当策略得到提升。然而，并非每位学生都能从此类干预中获益——但识别哪些学生因素支持成长型思维干预的研究尚很匮乏。在本研究中，我们利用机器学习方法在美国一项超过 10,000 名学生的全国性实验中预测成长型思维干预的有效性。这些方法能够分析学生层面预测变量组合与干预结果（定义为向高中过渡期间平均绩点 GPA 的提升）之间任意复杂的交互作用。我们使用了两个独立的机器学习模型：一个用于控制 51 个学生层面预测变量与 GPA 之间的复杂关系，另一个用于预测由干预引起的 GPA 变化。我们分析训练后的模型以发现哪些特征对模型预测影响最大，发现先前的学业成就、受阻导航（试图过快地通过干预软件进行导航）、自我报告的学习原因以及种族/民族是预测干预有效性的模型中最重要的预测因子。与先前研究一致，我们发现该干预对先前学业成就较低的学生最为有效。本研究独有地发现，受阻导航预测的干预效应比均值低至 0.185 个 GPA 点（在 0–4 量表中），这是一个显著的负向预测，因为本样本中的平均干预效应仅 0.026 个 GPA 点，尽管仅有少数学生（4.4%）经历了大量的受阻导航事件。我们还发现一些少数族裔学生被预测从干预中获益较少（甚至完全无益）。