學生壓力與學業表現的全球模式：基於 PISA 2022 的機器學習研究
arXiv - Computers and SocietyAni Ghazanchyan, Sachin Kumar
透過機器學習分析 PISA 2022 數據，證實壓力對學業表現的負面影響在全球六大洲具有高度一致性。
AI 幫你先抓重點
AI 重點 1
壓力對學習表現的負面影響具有「全球普適性」。
滑鼠懸停看 AI 判斷理由
這項發現打破了文化差異可能導致心理因素影響模式不同的假設，強調了心理健康作為全球教育公平與品質的核心議題，不論在何種教育體制下都必須優先處理。
AI 重點 2
機器學習在處理大規模、複雜教育數據中的優勢。
滑鼠懸停看 AI 判斷理由
傳統統計方法可能難以捕捉心理指標與學業表現間的非線性關係，使用機器學習能更精準地識別多維度因素（如數學焦慮與自信心）如何交織影響學習成果，為精準教育提供技術基礎。
核心研究發現
- 1
研究證實壓力因素（如焦慮、心理健康、歸屬感）對學業表現具有顯著且一致的負面影響，此模式跨越全球不同文化背景。
- 2
分析涵蓋六大洲的案例研究，顯示儘管各區域教育與福祉水平不同，壓力與表現之間的負相關關係依然穩定存在。
- 3
非洲地區在數據表現上呈現離群值，主因在於其平均教育與福祉水準較低，且存在較高比例的缺失數據，但負相關趨勢仍可觀察。
對教育工作者的啟發
教育工作者應意識到心理健康與學業成就的強耦合關係。具體建議包括：1. 在課程設計中納入情緒調節與壓力管理訓練，減少學生的數學焦慮與測試焦慮；2. 建立早期預警機制，利用數據監測學生的歸屬感與心理福祉，及早介入可能影響學習表現的心理風險；3. 政策制定者應將心理健康資源視為提升整體教育品質的關鍵投資，而非僅關注學術知識的傳遞。
原始文獻資訊
- 英文標題：
- Global Patterns in Student Stress and Academic Performance: A Machine Learning Study Using PISA 2022
- 作者：
- Ani Ghazanchyan, Sachin Kumar
- 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。