本文提出了一种统计测试假设模型性能的过程，该过程超越了社区中的实践状态，分析了来自大规模在线开放课程（MOOC）的一系列算法和特征集。该方法揭示了论坛、作业和点击流基于特征提取方法之间的严重差距，其中后者明显优于前两者，而前两者相互之间无法区分，并为评估学生成功的预测或基于 AI 的模型以及设计和针对处于风险中的学生模型和干预措施的实践影响提供了方法论和实践上的启示。

Feb, 2018

研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

Jun, 2023

教育在减轻贫困、推动经济增长和赋予个人力量方面发挥着关键作用，然而，学校辍学的持续问题带来了重大挑战，本研究在 13 年的纵向数据集基础上通过机器学习模型的开发展现出显著的分类能力，未来这样的模型有可能支持教育工作者识别处于风险之中的学生，以改善教育结果。

Mar, 2024

通过使用机器学习技术来预测学术退学现象，本文研究了学术数据的分割和使用策略，揭示了基于时间轴的分割和选择学生的增量学术历史记录是此问题的最佳策略。

May, 2023

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型，通过训练四个二元分类器来预测学生是否会毕业或辍学，结果发现学术数据类型对模型性能最有影响。

Oct, 2023

本文提出了一种基于机器学习算法优化的框架，以急诊部门的患者入院情况为例进行实证研究，利用大规模的患者数据和三种新的机器学习算法对传统算法进行对比，结果表明新算法在 AUC 等五个指标上表现更好，其中 T-ADAB 算法效果最佳，最优模型的 AUC、灵敏度、特异度、F1 和准确率分别达到 95.4%、99.3%、91.4%、95.2% 和 97.2%。

Feb, 2022

该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生来说，大学 GPA 对预测具有更高的价值。

Jan, 2024

预测一个人是否能完成戒毒和戒酒康复计划以及出席次数，研究基于美国行为健康与心理服务管理局（SAMHSA）提供的俄克拉荷马州戒毒和戒酒康复中心的入院和出院的人口统计数据，使用二进制编码的高度分类数据，并利用各种公平性措施来减轻九个人口统计变量的偏见，通过支持向量机比较线性、多项式、Sigmoid 和径向基函数的核方法在不同参数范围内找到最佳值，然后与决策树、随机森林和神经网络等方法进行比较，使用 SMOTEN 技术均衡分类数据并对缺失数据进行插补，对九个偏见变量进行交叉整合以减轻偏见，并融合双重和三重交互作用来使用概率观察最坏情况比例的公平减轻措施，探索了二进制和多类别情景下的差异冲击、统计平等差异、条件统计平等比例、人口平等、人口平等比例、平等几率、平等几率比例、平等机会和平等机会比例。

Apr, 2024

利用深度学习模型和 LSTM 层，研究了大规模收集的 121 种不同类别的特征对高等教育学生保留率的影响，早期对毕业和风险学生的区分能力良好，在后期对退学和转学的区分能力依赖于随时间累积的数据，提供个体层面的预测并解决转学结果问题，为教育结果预测提供了新的见解。

Sep, 2023