一个机器学习框架，配备了公开的合成数据集，用于对学生进行早期特征分析和结果预测

《Scientific Reports》：A machine learning framework with a public synthetic data set for early student profiling and outcome prediction

　　

摘要

准确且及时地预测学生的学习成果对于在高等教育中实施及时干预和个性化支持至关重要。然而，教育数据挖掘的进展受到公开可用数据集稀缺的严重限制，因为学生记录受到严格的隐私法规保护，禁止其被分发。本文介绍了一个全面的机器学习框架，用于早期学生特征分析和成果预测，该框架基于一个专为教育背景下的机器学习研究设计的包含超过10万条学生记录的新合成公共数据集。该数据集涵盖了28个属性，包括人口统计特征、学术背景、入学考试成绩、社会经济指标和行为指标，并包含了非线性关系、系统引入的缺失值模式以及控制好的类别不平衡等现实复杂性。定义了两个互补的预测任务：将学生学术水平有序分类为初级、中级、高级和优秀四个类别；以及将班级分配名义分类为补习班、普通班、高级班和荣誉班。开发了一个模块化的机器学习框架，包括全面的预处理、特征工程（包括复合指数和交互项）、实施从可解释的基线方法到集成方法和神经网络在内的十一种不同算法、严格的交叉验证，以及多方面的评估（包括准确性、每类指标、宏观平均F1分数和特定于序数的度量）。实验结果表明，集成方法的表现显著优于简单方法，其中LightGBM在学生水平预测方面的宏观F1分数为0.842，在班级分配方面的宏观F1分数为0.826。一个结合了学生水平目标序数性质的序数神经网络取得了最高的整体性能，其宏观F1分数为0.846，二次加权Kappa值为0.892，这证实了显式序数建模的价值。特征重要性分析显示，先前的学术成就（特别是12年级的百分比）在预测中起主导作用，而社会经济和行为因素提供了有意义的次要贡献。SHAP分析揭示了重要的交互效应，包括先前成就对入学考试成绩影响的调节作用，并提供了有助于针对性干预设计的局部解释。交叉验证确认了模型的稳定性，各折叠的标准差低于0.011；计算效率分析表明LightGBM在预测性能和资源需求之间提供了最佳平衡。整个框架（包括所有预处理模块、模型实现、评估协议和解释工具）作为开源软件与经过验证的合成数据集一起发布，为研究社区提供了推进可复制教育数据挖掘研究的基础资源，而无需考虑隐私限制。这项工作为学生成果预测建立了全面的基准，并为开发公平、数据驱动的学生支持系统提供了可行的见解。