转载自：https://minorstone.com/archives/ru-he-li-yong-ren-gong-zhi-neng-ce-lve-huan-jie-xue-sheng-de-bu-an-gan#Joe-2
人们开始感到大学生的学习和发展是否良好存在不安，但很少有明确的数字可以确定“重要差异”。数字情况通常指有“正确”或“错误”答案的情况（类似于笔记本电脑上的开/关按钮）。如果没有正确地解释数据，某些常规统计程序可能会支持这种观点，即在比较两组学生得分的分析中可能会找到“差异”（例如，是/否p≤.05？）。然而，没有单一的发现可以说服人，因为学生的学习和发展是一种复杂的过程，远远超出了数字分析的复杂程度。
数据分析的目的是识别学生学习和发展过程中的模式和异常。学生的学习和发展是渐进的过程，需要综合考虑多个因素。因此，大学和高等教育机构正在采用人工智能和“模拟”策略来分析数据，以获得更全面的视角。这些模拟工具可以在完全没有和一切之间创建几乎无限的选项，以帮助机构更好地理解学生的学习和发展。
即使考虑到不同的学生子群是否具有更相似而不是不同的分数，也是一种模拟情况，因为我们意识到在校园里并没有一个适用于所有学生的正确答案。为了解释为什么学生的学习和发展是如此复杂，需要扩大我们的视野，了解所有相关因素的影响，包括但不限于学生的背景、文化、教育和家庭生活等方面。
因此，我们需要更深入地理解学生的学习和发展过程，而不仅仅是依靠常规统计程序的结果。通过采用人工智能和模拟工具来分析数据，我们可以获得更完整、更全面的视角，更好地了解学生的学习和发展。
发展科学，包括发展心理学、认知科学和神经科学，不仅仅是关注儿童的“年龄和阶段”发展，而是更着眼于探究学生的“轨迹”。这些轨迹的变化是由多种因素决定的，不仅仅是由不可变的人口特征和以往的学习成绩所预测的结果。发展轨迹是一个学生受过去、现在和未来影响的人生路径，决定着学生未来的发展方向。因此，了解学生轨迹的变化和因素，对于制定个性化的教育和发展计划至关重要。
我们研究了十五个纵向数据集，结合了不同的计算机信息系统和基于表现的评估来收集学生的学习和发展数据。这些数据集始于2007年，每个纵向数据集包含超过190万个个体数据点。通过使用机器学习技术和AI认知分析，我们构建了预测模型，以识别在这些纵向队列研究中收集的有关学生成功的数据的模式和异常。我们还使用了SPSS统计软件进行线性和二元逻辑回归分析，以及使用AMOS进行结构方程建模。通过使用不同的分析方法，我们确认了研究结果，并得出相同的发现，从而增强了对研究结果的信心。
在我们的研究中，我们发现学生轨迹的变化可以被看作是一种有意识的偏离，学生可以通过自我调整，使自己的预期生命之路发生变化。例如，学生可能被安排在一个通向大学成功的发展轨迹上，但决定重新定位自己，走向导致辍学的不同轨迹。我们的研究还表明，学生轨迹的变化是由多种因素决定的，如学生的个性、家庭环境、教育水平、心理状态等等。因此，制定个性化的教育和发展计划，需要综合考虑这些因素，以帮助学生找到最适合自己的轨迹，并实现其最大的潜力。
使用机器学习、AI认知分析和传统统计学等技术得出了相似的结果。在2017年的一篇论文《利用支持向量机预测学生毕业结果》中，介绍了如何应用机器学习技术进行学生毕业预测。该论文利用了100多个特征来构建预测模型，包括一组因素来衡量学生的学习和发展。研究结果证实了AI认知分析的结论：学生的入学背景不能决定他们的未来，而是在入学后的学习和发展经历对于预测学术成就和毕业情况更为重要。应用AI策略提供了最有用的信息。学生的发展轨迹是复杂的，但是AI能够处理这种复杂性。
收集学生的学习和发展数据有助于推动“模拟”思维，因为发展科学将学生在校园内的所有经历和随时间而变化的经历都纳入了同一框架内考虑。在分析学生学习和发展的所有“碎片化”数据时，AI策略非常有用。
