通过监督机器学习检测本科计算机学生的倦怠情况
Eldar Yeskuatov1, Lee Kien Foo1, Sook-Ling Chua1
1Faculty of Computing and Informatics, Multimedia University, Persiaran Multimedia, Cyberjaya 63100, Malaysia.
Healthcare (Basel, Switzerland)
|December 11, 2025
概括
机器学习可以使用大学记录来检测学术倦怠,显示了识别疲劳和愤世嫉俗的希望. 这种方法提供了一种无调查的方法,用于对学生福祉的早期干预.
科学领域:
- 教育心理学教育心理学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 学术倦怠会对学生的认知和心理健康产生负面影响,可能导致行为问题.
- 早期发现学生倦怠对于机构提供支持和干预至关重要.
- 目前用于检测倦怠的调查方法面临着诸如响应偏差和行政负担等挑战.
研究的目的:
- 探索使用在大学行政数据上训练的机器学习模型来检测学术倦怠的可行性.
- 开发和评估模型来识别燃烧的三个维度:疲,愤世嫉俗和低职业效率.
- 评估无调查方法对不引人注目的学生倦怠检测的潜力.
主要方法:
- 开发机器学习模型来检测疲劳,愤世嫉俗和低专业效率.
- 使用了五种算法:逻辑回归,支持向量机,天真贝叶斯,决策树和极端梯度增强.
- 工程特征完全来自大学的行政记录,避免心理调查.
主要成果:
- 模型性能在所有燃烧维度上有所不同,疲劳检测产生了最高的结果.
- 后勤回归实现了疲劳检测的F1得分68.4%.
- 愤世嫉俗检测表现中等,而专业有效性检测表现最低.
结论:
- 使用被动收集的大学记录,可以自动检测学术倦怠的迹象,特别是疲和愤世嫉俗.
- 该研究强调了仅通过行政数据捕捉心理构造的局限性.
- 这些发现为未来研究学生倦怠检测的不引人注目的方法提供了基础.
