基於數位學習軌跡與 SRL 理論之跨課程預測模型泛化性研究
arXiv - Computers and SocietyJakob Schwerter, Loreen Sabel, Judith Bose, Matthew L. Bernacki, Di Xu, Marko Schmellenkamp, Thomas Zeume, Philipp Doebler
研究證實數位學習軌跡能有效預測學生的學習風險，但模型在不同環境間的泛化性受限於背景差異。
AI 幫你先抓重點
AI 重點 1
警惕預測模型的「情境侷限性」
滑鼠懸停看 AI 判斷理由
這提醒開發者與教育者，不能直接將在 A 校開發的預測模型套用到 B 校。若兩校學生的學習行為模式或風險基數不同，模型可能會產生誤判，這對於建立公平且可靠的預警系統至關重要。
AI 重點 2
從行為數據轉向 SRL 理論導向的特徵工程
滑鼠懸停看 AI 判斷理由
研究不只是看點擊次數，而是將數位軌跡與 SRL 理論結合。這說明了 EdTech 的未來不在於收集更多數據，而在於如何將數據轉化為具有心理學意義的學習特徵，才能提升預測的解釋力與實務價值。
核心研究發現
- 1
研究發現時間管理、努力調節與持續參與等與自我調節學習（SRL）相關的行為，是預測學生學業風險的關鍵指標。
- 2
在模型表現方面，隨機森林（Random Forest）在樣本內準確度最高，但 Elastic Net 在跨情境的泛化能力表現更為穩健。
- 3
當不同機構間的風險率（base rates）存在差異時，模型的樣本外準確度與校準度會明顯下降，顯示預測分析具有高度情境依賴性。
對教育工作者的啟發
教育工作者在部署 AI 預警系統時，應優先關注與「自我調節學習」相關的行為指標（如學習節奏與努力程度），而非僅看成績。同時，課程設計者應意識到，預警模型需要針對特定課程與校園環境進行在地化調整與校準，避免因模型泛化能力不足而導致對學生的錯誤干預。建議建立動態監測機制，定期檢查模型在不同學期或不同學生群體中的表現是否偏移。
原始文獻資訊
- 英文標題：
- Cross-Course Generalizability of SRL-Aligned Predictive Models Using Digital Learning Traces
- 作者：
- Jakob Schwerter, Loreen Sabel, Judith Bose, Matthew L. Bernacki, Di Xu, Marko Schmellenkamp, Thomas Zeume, Philipp Doebler
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。