多層級機器學習分析學生表現因素：SAEB 微數據研究
arXiv - Computers and SocietyRodrigo Tertulino, La\'ercio Alencar
利用多層級機器學習與 SHAP 解釋，證明學校社經平均水平是影響九年級及高中學生表現的關鍵因素。
AI 幫你先抓重點
AI 重點 1
系統性社經因素比個人特徵更能預測學生成績，提示政策應聚焦學校層面。
滑鼠懸停看 AI 判斷理由
此發現將重點從個別學生干預轉向學校環境改革，說明教育公平的根源在於學校社經條件，能指導資源分配與政策設計。
AI 重點 2
SHAP可視化提供可解釋的預測模型，讓決策者能理解各變數貢獻，提升模型透明度與信任。
滑鼠懸停看 AI 判斷理由
解釋性AI將數據科學與政策實務橋接，使決策者不再受限於黑盒模型，能針對具體因子制定具體干預措施。
核心研究發現
- 1
Random Forest模型在SAEB微數據上達90.2%準確率、AUC 96.7%。
- 2
SHAP分析顯示學校平均社經水平為最重要預測因子，系統性因素勝於個人特徵。
- 3
四種集成算法比較中，Random Forest優於其他模型。
對教育工作者的啟發
本研究顯示學校平均社經水平對學生表現影響最大，建議教育主管機關優先改善學校社經環境，例如加強學校基礎設施、提升師資培訓、增設學習資源，並透過SHAP可視化監測各項干預措施的實際效益。學校可利用此模型評估不同政策方案的預期影響，將資源投入最具效益的領域，進而縮小學校間表現差距。對於教師而言，可針對社經背景較低的學生設計差異化教學策略，並與學校管理層協同制定長期提升計畫。此方法亦可擴展至其他國家或地區的教育評估，提供跨境比較與最佳實踐參考。
原始文獻資訊
- 英文標題：
- A Multi-level Analysis of Factors Associated with Student Performance: A Machine Learning Approach to the SAEB Microdata
- 作者：
- Rodrigo Tertulino, La\'ercio Alencar
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。