預測 CS1 學生不及格：利用加權學術動能與學習分析識別數位標記
arXiv - Computers and SocietyLighton Phiri, Mutune Chaibela, Ivy Chisha, David Pungwa, Danny Siabbaba, Bydon Simukoko
本研究透過結合學術成績動能、人口統計與 LMS 互動數據，成功建立高召回率的模型以預測電腦科學新生之不及格風險。
AI 幫你先抓重點
AI 重點 1
「加權學術動能」優於單一時間點的評量分數
滑鼠懸停看 AI 判斷理由
這顯示學習進度具有時間序列的連續性，後期的表現與前期累積的動能結合，比單一成績更能反映學生的真實學習狀態，這對於設計動態監測系統至關重要。
AI 重點 2
高召回率（Recall）在早期預警系統中的優先性
滑鼠懸停看 AI 判斷理由
在教育干預場景中，漏掉一名可能不及格的學生（偽陰性）的代價遠高於誤判一名優良學生（偽陽性）。此研究證明了透過犧牲部分精準度來換取高召回率，是實務上更具備社會意義的策略。
核心研究發現
- 1
研究發現「加權學術動能」（結合各階段評量分數）是預測學生是否不及格最強大的指標，其影響力高於其他因素。
- 2
邏輯迴歸模型在測試集上達到 74.7% 的準確度與 0.800 的 AUC，能有效區分學生表現。
- 3
該模型在預設門檻下可識別出 87% 的不及格學生（高召回率），雖然伴隨 41% 的偽陽性率，但具備早期預警價值。
- 4
結合人口統計資料（如性別、資助來源、疫情影響）與 LMS 活動紀錄，能顯著提升預測模型的完整性。
對教育工作者的啟發
教育工作者可參考此研究開發「早期預警系統」，重點不在於追求完美的精準度，而在於學期前五週內捕捉到潛在風險學生。建議課程設計者應特別關注學生的「學術動能」，即評量分數隨時間變化的趨勢，而非僅看單次成績。此外，結合 LMS 互動數據與人口統計背景，能提供更全面的學生畫像，幫助教師在學生真正失敗前，及時介入提供輔導或資源。
原始文獻資訊
- 英文標題：
- Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
- 作者：
- Lighton Phiri, Mutune Chaibela, Ivy Chisha, David Pungwa, Danny Siabbaba, Bydon Simukoko
- 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。