通过可解释机器学习方法识别拉美地区低绩效学生的后疫情决定因素
综合经济学
2026-05-26 v2 经济学
摘要
引言。拉美地区（LAC）学生未达到基本学习能力的高发率令人关切，尤其是考虑到该地区深刻的结构性不平等以及疫情后学习损失的增加。在此背景下，本文旨在识别底层和低绩效学生（低于水平 2）的决定因素。方法论。基于 2022 年来自 Programme for International Student Assessment（PISA）的 10 个拉美国家数据，运用集成二元分类模型的堆叠模型，并应用 Shapley 增益解释（SHAP）分析进行可解释性，识别影响低绩效学生群体表现的关键因素。结果。我们发现，具有最高概率成为不 Achieving 学生的特征包括：说少数语言、重复年级、家中无数字设备、来自贫困家庭且一周工作半天收入、所属学校存在诸多劣势如恶劣学校氛围、信息和通信技术（ICT）设施薄弱以及教学质量差（仅三分之一的教师具备资格）。在各国估计方面，我们发现关于顶级因素贡献的模式相当均匀， primary 重复、家庭财富和教育 ICT 输入在至少 8 个总计 10 个国家中均位列前十大协变量。讨论。本文发现为拓展拉美教育系统中识别和定位最需要帮助者的广泛文献提供了贡献。
引用
@article{arxiv.2509.24508,
title = {Identifying the post-pandemic determinants of low performing students in Latin America through Interpretable Machine Learning methods},
author = {Marcos Delprato},
journal= {arXiv preprint arXiv:2509.24508},
year = {2026}
}
备注
48 pages, 13 figures