В связи с проблемами задержки традиционного академического оповещения и однородности поддержки, в этом исследовании интегрированы алгоритмы ансамблевого обучения и причинно-следственного вывода: построена модель AdaBoost на основе данных 2003 студентов для точной стратификации академических рисков и их мониторинга в реальном времени; использована модель причинных лесов для количественной оценки чистого эффекта вмешательства и разработки многомерных персонализированных программ поддержки. Исследование выбрало три категории вузов с разным уровнем образования, в каждом из которых по 50 студентов в экспериментальной группе (ИИ-оповещение + персонализированная поддержка) и 50 в контрольной группе (традиционное оповещение + обычная поддержка), проведено наблюдение за вмешательством в течение двух учебных лет. Результаты показали, что средний балл в экспериментальной группе повысился на 35,70%, что выше, чем в контрольной группе с 19,40%; показатели учебного поведения и оценки академической адаптации также улучшились по сравнению с контрольной группой (P<0.05). Исследование показывает, что ИИ-оповещение, проверенное на большой выборке, точно выявляет причины академических рисков, персонализированная поддержка позволяет реализовать целенаправленное вмешательство, а их совместное использование положительно влияет на академическую успеваемость студентов с трудностями, что может стать основой для создания системы академической поддержки в вузах с разным уровнем.

ИИ-оповещение;персонализированная поддержка;студенты с трудностями;эффект вмешательства;причинно-следственный вывод