内布拉斯加大学林肯分校的一位计算机科学家正在利用人工智能的力量来帮助本科STEM学生提高他们的学业成绩。他的项目将加强为STEM工作做好准备的大学毕业生的渠道，预计到2030年，美国的毕业生人数将增加约10%。

该应用程序将是第一个使用人工代理提供量身定制的干预措施的应用程序，这些干预措施考虑了影响学生最终成绩的无数因素。

“现有的方法主要针对仅基于学术表现的学术改进，”电气与计算机工程系大数据和人工智能助理教授哈桑说。“但是学期末的表现不仅仅受到学期中学术活动的影响。它受到其他因素的影响：家庭背景、社会经济地位、同伴互动、与教师的互动、科学身份等等。”

该应用程序将是一种具有成本效益的便携式工具，可以应对STEM专业在全国范围内徘徊在50%左右的流失率，这主要是由于学生的学习成绩不佳。凭借在内布拉斯加州教授大型入门课程的7年经验，哈桑亲身了解了为什么本科生在STEM专业早期可能会遇到困难。

“在大班上帮助学生并不容易，因为你不能在整个学期中真正与每个人交谈，除非学生遇到真正的麻烦，否则他们不会来找你，”他说。“而且通常当他们来的时候，是在学期末期，那时真的不可能为他们提供有意义的帮助。”

哈桑开始集思广益，想办法提高学生的表现。尽管机构层面的变革可能最有推动力，但哈桑认为有更小规模、更便宜的方法来帮助学生。

他认识到机器学习对帮助学生取得成功的应用程序的力量：该应用程序可以“了解”学生的行为和背景，然后使用这些数据来预测未来的表现并为改变这一轨迹提供建议。

通过该应用程序，不愿向教师寻求帮助的学生——例如，那些性格内向或感到害怕的学生——将获得获得个性化帮助的途径。

“这就像我的代理人，”他说。代理将在屏幕上以未来学生的分身形式出现，哈桑认为这会比简单的短信更能引起共鸣。

为了构建一个试点应用程序，他收集了计算机科学课程中大约300名Husker本科生的学业成绩数据，并构建了一个成绩预测应用程序。他在二年级的班级启动了试点。

该应用程序增加了通过的学生人数。但结果表明，尽管在某个时间点处于相似的学术轨迹并且在这些时刻从应用程序接收到相同的消息，但学生的最终成绩并不相同。

NSF项目旨在查明驱动这些不同结果的因素。哈桑的预感是，试点工具的一维性质——仅以学术数据为基础——描绘了学生故事的不完整画面，缺少解释不同结果的关键因素。

为了填补这一空白，他与项目联合研究员、前Husker研究员、开放动态交互网络的开发人员BilalKhan合作。使用ODIN软件平台，他们正在收集学术、社会和心理九个维度的数据来训练模型。

然后，哈桑将使用一种称为聚类的机器学习技术——数据的自动分组——将学生的轨迹组织成不同的“故事类型”。

识别这些故事类型是该项目的关键：通过“知道”某个学生属于哪个分组，该应用程序将提供正确的信息和建议。

“如果一个学生属于A类故事，我们将理解该学生属于特定的行为模式，”哈桑说。“通过了解这种模式，我们可以为学生提供更有针对性的干预。”

该大学咨询心理学项目副教授兼主任、联合研究员NeetaKantamneni正在领导开发干预措施。她的团队将根据学生的故事展开方式，在特定时间点将信息发布给学生。

干预措施将反映面对面咨询中提供的建议类型。可能会鼓励学生参与正念活动以减轻压力或担忧，与同龄人合作以增强社区意识或在办公时间寻求额外帮助。

一个主要的好处是干预措施将实时出现在学生身上，在他们最需要的时候帮助他们。与面对面咨询相比，这是一个优势，通常是在学生对他们的专业不满意之后。

该应用程序还将在大学和全国范围内等待面对面咨询的漫长等待名单中支持学生获得帮助。Kantamneni乐观地认为，虚拟实施的干预措施可以帮助弥合这一差距。

“我们不希望人们仅仅因为上一门难的课而离开整个职业领域，”Kantamneni说。“这就是我们有时看到的。我的目标是这不会发生，特别是对于这些班级中代表性不足的学生——女性、有色人种学生、第一代学生。”

Hasan表示，该应用程序的设计具有超越STEM教育领域的潜力。让人们“看到”今天的行为如何影响明天在公共卫生领域可能尤为突出。看到一个人未来的自己生病可能是一个强大的推动力，可以帮助他们遵循戴口罩、锻炼或多睡觉等医疗建议。

哈桑还希望这款应用能够揭示智能机器的积极潜力。

“我知道现在人们对人工智能的作用非常担心，”他说。“但通过将人工智能用于社会公益，我们可以表明人工智能的另一面，它不是为了赚钱或只是为了做生意。我们可以使用人工智能来改善学生的生活。在大学内部，这是提高教育质量的一个非常有用的补充。”

标签：