Explainable Optimized Machine Learning for Predicting Student Self-Regulated Learning

Konstantinos Zervoudakis

doi:10.1080/00220973.2026.2719482

Explainable Optimized Machine Learning for Predicting Student Self-Regulated Learning

2026-08-29

0

PRE

AI

K

Konstantinos Zervoudakis

Konstantinos Mastrothanasis

DOI：10.1080/00220973.2026.2719482

原文链接

原文求助

摘要

En 中文

本研究考察了优化后的可解释机器学习（ML）模型在预测学生自我调节学习（SRL）方面的效用。参与者为823名来自随机选取公立学校的中学生（52.6%为女生），完成了相关社会、动机和环境因素的现场测量。结果显示，结合可解释技术的树基ML模型表现出良好的内部预测性能，并识别出SRL的重要预测因素。任务兴趣是SRL的最强预测因素，其次是主观幸福感、感知教师支持，学习责任感贡献中等，社会幸福感影响较小。这些发现表明，可解释ML在识别SRL关键影响因素以及将预测模型转化为可操作教育见解方面具有重要价值。

Keyword:

Self-regulated learning

optimized machine learning

predictors

students

middle schools

Explainable Optimized Machine Learning for Predicting Student Self-Regulated Learning

摘要

期刊

机构

引用论文