5、提升大学入学准备度：AI与机器学习的应用

提升大学入学准备度：AI与机器学习的应用

1. 大学入学准备度问题的背景

在教育领域，提升学生的大学入学准备度是一个重要目标。然而，传统上我们在解决这个问题时面临诸多挑战。其中，来自低收入家庭的学生上大学并顺利毕业的比例明显较低。这不仅降低了他们未来的生活质量和收入能力，还使他们被贴上“高风险”学生的标签。

当我们在K - 12阶段识别出这些“高风险”学生时，如果发现得足够早，我们可以在课堂内外采取正确的措施，重新吸引他们并提供支持。人类有时不需要大量数据就能察觉风险，比如我们能大致知道哪些学生在SAT或标准化考试中可能表现不佳，或者是否会参加考试。但问题在于，我们常常未能及时识别这些风险。

大脑虽然一直在尝试进行模式预测，但由于一次只能合理关注一件事，且大脑中负责模式识别的部分（如海马体和腹内侧前额叶皮质）会相互竞争注意力，导致我们难以清晰地察觉早期风险。而人工智能在同时识别多种模式方面具有优势，且不会为了吸引我们的注意力而相互比较。

2. 机器学习中的模式识别技术

2.1 分类技术

回到机器学习领域，我们追求最佳的模式识别。在之前的作业分数预测例子中，我们使用线性回归，期望函数的解是单个学生的预期分数。但在预测字母的例子中，情况有所不同。我们需要预测扫描手写字母是“a”“b”“c”等的可能性，这就引出了分类技术。

分类旨在预测输入属于某个类别或组的程度，它属于线性回归的一种变体——逻辑回归。简单的逻辑回归模型可以用少量数据构建，但随着对模型在多种场景下做出准确预测的期望增加，模型所需的训练数据也会增多。

在课堂上，分类问题非常常见。我们在进行差异化教学时，会根据学生的能