在当前的STEM课程领域，美国大学生的毕业率比非STEM专业的同龄人低20%，这为更好地协助这些学生，特别是在他们的最初几个学期里，提出了迫切的需求。尽管系统性、长期的转变，如从讲授式教学向共享基于证据的教学实践的转变，应该会有所帮助，但学术界的惯性有时会减缓这些变革的采纳速度。
图源备注：图片由AI生成，图片授权服务商Midjourney
为了补充这些更大的变革，一些教育家和研究人员开始尝试通过一些小的干预来引导学生走向正确的方向。其中一种有前途的方法是定期干预，旨在帮助那些遇到困难的学生找到正确的学习方向。
内布拉斯加大学的Mohammad Hasan和前Husker队员Bilal Khan最近调查了机器学习是否可以为此做出贡献。机器学习是一种人工智能形式，它可以识别数据中的模式，然后利用这些学到的识别来预测结果。首先，Hasan和Khan在2015年至2018年之间，对参加计算机科学课程的537名Husker学生的家庭作业、测验和期中考试成绩以及期末成绩进行了模型训练。
随后，他们将该模型应用于一门相同课程的65名本科生。在学期的三个时间点——第六周、第九周和第12周，其中的32名学生通过大学的课程管理系统收到了一条自动化消息。该消息传达了模型对学生通过课程的预测:“优秀”、“合格”、“有风险”或“高风险”。而其他33名学生，即对照组，总是收到一条“无法预测”的消息。
在对照组中，33名学生中有24名——大约73%——通过了这门课程。与之相比，那些根据他们的学习轨迹收到实际预测的学生表现更好:32名学生中有29名通过了，达到了近91%的通过率。在那些主动查看自己状态的调查学生中，有86%表示在看到预测后增加了学习的努力。
Hasan和Khan表示，尽管这些发现还处于早期阶段，但它们指向了将基于AI的干预纳入STEM课程的价值。该团队计划进行更大规模、更长期的研究，以确定除了分数之外的变量——如与课程相关的行为、对科学的看法、人口统计学等——是否能够推广和扩展这种干预方法，超越单一统一的课程。