Angesichts der Verzögerungen bei traditionellen akademischen Warnsystemen und der Homogenität der Unterstützung integriert diese Studie Ensemble-Learning und kausale Inferenzalgorithmen: Basierend auf Daten von 2.003 Studierenden wurde ein AdaBoost-Modell entwickelt, um akademische Risiken präzise zu schichten und in Echtzeit zu überwachen; ein kausaler Waldmodell wurde verwendet, um den Nettointerventionseffekt zu quantifizieren und mehrdimensionale personalisierte Unterstützungspläne zu entwerfen. Die Studie wählte drei Hochschultypen mit unterschiedlichen Bildungsniveaus aus, wobei an jeder Hochschule 50 Studierende in der Experimentalgruppe (KI-Warnung + personalisierte Unterstützung) und 50 Studierende in der Kontrollgruppe (traditionelle Warnung + reguläre Unterstützung) zugeordnet wurden, mit einer Interventionsnachverfolgung über zwei Studienjahre. Die Ergebnisse zeigten, dass der durchschnittliche GPA der Experimentalgruppe um 35,70 % stieg, höher als der Anstieg von 19,40 % der Kontrollgruppe; auch die Regelmäßigkeit des Lernverhaltens und die Bewertung der akademischen Anpassung verbesserten sich stärker in der Experimentalgruppe (P<0.05). Die Studie zeigt, dass KI-Warnungen, validiert an einer großen Stichprobe, akademische Risikofaktoren präzise identifizieren können, personalisierte Unterstützung gezielte Interventionen ermöglicht und die Kombination beider einen positiven Effekt auf die akademische Leistung von Studierenden mit Schwierigkeiten hat. Dies kann übertragbare Wege für den Aufbau akademischer Unterstützungssysteme an Hochschulen mit unterschiedlichen Niveaus bieten.

KI-akademische Warnung;personalisierte Unterstützung;Studierende mit Schwierigkeiten;Interventionseffekt;kausale Inferenz