统计,机器学习和可解释的人工智能方法的混合框架,用于预测放学率.
Mst Rokeya Khatun1, Mithila Akter Mim1, Md Mahadi Tasin2
1Department of Computer Science and Engineering, Bangladesh University, Dhaka, Bangladesh.
PloS one
|September 10, 2025
概括
孟加拉国的学生学受到年龄,性别和父母教育等因素的影响. 机器学习模型确定了关键预测因素,有助于制定改善教育成果的政策.
科学领域:
- 教育研究教育研究
- 数据科学是数据科学.
- 公共政策公共政策.
背景情况:
- 学生退学在孟加拉国构成了重大挑战,影响了教育成就和社会经济发展.
- 解决学生退学问题对于提高教育系统整体效率至关重要.
研究的目的:
- 调查导致孟加拉国6-24岁学生学的多方面因素.
- 使用先进的分析技术,开发和验证学生学预测模型.
- 提高透明政策建议的预测模型的可解释性.
主要方法:
- 利用了2019年孟加拉国多指标集群调查 (MICS) 的数据.
- 采用混合方法,将统计分析 (逻辑回归) 与机器学习 (随机森林,XGBoost) 结合起来.
- 应用可解释的AI技术 (SHAP,LIME) 来实现模型的可解释性.
主要成果:
- 极端梯度提升 (XGBoost) 模型以94.4%的准确性展示了优异的预测性能.
- 发现的关键预测因素包括年龄,性别,成绩,划分,财富指数和父母的教育背景.
- 统计和机器学习分析成功地确定了影响学生学的重要因素.
结论:
- 这项研究为了解和缓解孟加拉国学生学问题提供了数据驱动的基础.
- 调查结果可以为决策者制定有针对性的干预策略.
- 减少学生学率对于提高教育成果和国家发展至关重要.
