学生成功建模：最关键的因素

留学生对高等教育机构的重要性促使数据分析师提出各种方法来预测处于风险中的学生。受同样动机的推动，本研究提出了一种深度学习模型，该模型使用从 60,822 名高等教育学生的记录中提取或构建的 121 个多样化类别特征进行训练。该模型旨在识别可能毕业的学生、可能转学至其他学校的学生，以及可能辍学并未完成高等教育的学生。本研究致力于针对学生课程进展的不同阶段调整其预测方法。为此引入的时间方面通过模型中融入 LSTM 层来考量。我们的实验表明，在最早阶段合理区分将毕业与处于风险中的学生是可行的，随后迅速改善，但后者类别内的分辨（辍学 vs. 转学）依赖于随时间积累的数据。然而，该模型能显著预见在校就读三年学生的命运。该模型还被要求呈现预测过程中权重最大的特征，包括机构层面和学生层面。我们研究中庞大的多样化样本量以及对一百多个提取或构建特征的考察，为影响学生成功的变量提供了新见解，以合理准确度预测辍学，并阐明了较少被研究的学院间转学问题。更重要的是，通过提供个体层面预测（相对于学校层面预测）并处理转学结果，本研究改进了 ML 在教育结果预测中的使用。