早期检测有风险的健康科学学生:基于机器学习的预测研究,使用中期成绩
Reem A M Al Hashmi1, Ilhan Ozturk2,3,4,5, Hussein M Elmehdi6
1College of Business Administration, University of Sharjah, Sharjah, United Arab Emirates. reemh@sharjah.ac.ae.
BMC medical education
|November 27, 2025
概括
机器学习模型有效地识别了使用阿联中期成绩的有风险的健康科学学生. 这种方法支持及时的学术干预,以提高学生的坚持性和医疗保健工作人员的发展.
科学领域:
- 卫生科学教育健康科学教育
- 机器学习应用 机器学习应用
- 学术分析学术分析
背景情况:
- 在健康科学教育中,早期识别有风险的学生至关重要,特别是在医疗保健工作人员发展方面.
- 本研究探讨了阿拉伯联合长国 (UAE) 为此目的的机器学习 (ML) 分类器.
- 中期表现被用作学术融合和学生持久性的早期指标.
研究的目的:
- 评估已建立的ML分类器在识别阿联风险健康科学学生的有效性.
- 评估第一期中期业绩作为预测指标的有用性.
- 为学术干预策略提供区域案例研究.
主要方法:
- 分析了346名一年级学生的学术记录,涉及7个课程和3个普通课程.
- 使用ROSE进行5次交叉验证,对5个监督的ML模型 (XGBoost,随机森林,物流回归,GBM,Naïve Bayes) 进行训练.
- 使用F1分数和AUC进行性能评估,并通过变量重要性图表和XGBoost的SHAP进行解释.
主要成果:
- 在XGBoost和物流回归模型中,表现最高 (F1=0.84;AUC>0.91).
- 生物学和健康科学入门课程的中期成绩是学术风险的最强预测因素.
- SHAP分析证实了这些中期得分对风险预测的重大影响.
结论:
- 中期成绩是可行的,具有教学意义的早期指标,用于识别阿联卫生科学课程中的有风险学生.
- 该研究提供了区域相关的证据,以支持及时的学术干预.
- 未来的研究应纳入行为/心理社会因素,并在多样化的队列和机构中验证发现.


