IDENTIFYING THE POST-PANDEMIC DETERMINANTS OF LOWPERFORMING STUDENTS IN LATIN AMERICA THROUGH INTERPRETABLE MACHINE LEARNING SHAP VALUES—INSIGHTS FROM PISA 2022
创建于 更新于
摘要
本论文基于2022年PISA拉美10国数据，应用解释性机器学习SHAP值分析后疫情时期学生低成绩表现的主要决定因素。研究发现重复率高、家庭贫困、数字设备缺乏、少数族裔语言以及学校劣势（如较差的学校氛围、薄弱的ICT基础和师资质量低下）是显著驱动因素。模型结合了多种机器学习算法的堆叠方法，预测效果优越。结果揭示了不同表现水平学生的关键差异，为制定针对性教育干预提供数据支持与政策建议，有助于缓解拉美地区的学习危机和教育不平等[page::0][page::1][page::5][page::7][page::12]。
