研究人员调查了旨在利用数字学习轨迹识别高等教育中高风险学生的预测模型的泛化性。通过分析两所大学本科计算机科学课程的数据，研究发现与自我调节学习相关的行为，如时间管理和持续参与，是学生风险的有力预测指标。虽然模型可以在课程早期预测高风险学生，但当应用于不同机构时，其性能会下降，尤其是在高风险学生的基础发生率不同时。 AI
影响 强调了教育AI模型在不同机构背景下泛化的挑战，建议在应用预测分析时需要谨慎。
排序理由 这是一篇发表在arXiv上的关于教育领域预测建模的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2604.22812v1 Announce Type: cross Abstract: STEM dropout rates remain high at universities, particularly in computer science programs with theory-intensive courses. Digital learning environments now capture rich behavioral data that could help identify struggling students e…