一、研究背景与研究意义1.1 研究背景高校辍学并不是单一的考试失败它可能同时涉及课程适配、经济压力、工作与家庭责任、专业转换和转学选择。对高校而言过晚识别风险会压缩支持时间过早依赖人口标签又容易造成误判。因此更有价值的问题不是“能否给每名学生贴上结局标签”而是区分入学时即可观察的背景信号、第一学期形成的过程信号和更晚出现的结果信号并选择兼顾识别力与可干预性的时间节点。本案例数据来自葡萄牙一所高等教育机构由多个行政数据库汇总覆盖农学、设计、教育、护理、新闻、管理、社会服务与技术类专业。数据集最初用于构建学习分析工具为辅导团队提供毕业、在读与辍学风险估计。本文按照公开字段口径进行中文化复现但不把单校结果外推为中国或其他国家高校的平均规律而是将其作为大学生留存分析的完整案例。1.2 研究意义方法上本文把风险信息按时间切成三个阶段使用同一训练测试划分比较模型避免把第二学期成绩混入所谓入学预警同时报告宏平均F1、各类召回率和多数类基线防止不均衡目标制造虚假高准确率。应用上结果可帮助高校建立“财务支持—学业辅导—课程适配—弹性学习”分层机制把模型作为人工辅导的排序工具而不是自动处分系统。1.3 研究问题本文回答四个问题第一毕业、在读与辍学三类结局如何分布第二入学年龄、专业、授课时段、申请序位、财务状态和人口背景与辍学率有何差异第三第一学期注册、评价、通过和成绩如何构成风险过程链第四入学时、第一学期后和第二学期后的多分类模型表现如何哪个时点更适合作为学生支持节点。二、数据来源、变量与研究设计2.1 数据与样本原始资料由葡萄牙一所高等教育机构的多个行政数据库汇总。样本包含4,424名本科生每行代表一名学生原始35个字段没有缺失值结局在专业正常修读期限结束时记录为辍学、仍在读或毕业。本文不生成模拟学生只增加确定性中文标签、课程通过率、年龄组和财务风险计数等派生字段。信息时点核心变量统一处理分析用途入学时专业、志愿序位、授课时段、年龄、家庭背景代码保留并增加中文标签基础风险财务状态欠款、学费状态、奖学金0/1与可读标签并存支持触发第一学期注册、评价、通过、成绩、未评价计算课程通过率首学期预警第二学期注册、评价、通过、成绩、未评价计算课程通过率后期对照结果变量辍学、在读、毕业编码为0、1、2三分类模型外部环境失业率、通胀率、GDP保留原始连续值时期控制表1 学生留存分析的信息时点与变量体系。资料来源公开字段说明作者整理。2.2 指标构造辍学率定义为机构记录的辍学人数占相应群体人数。第一、第二学期课程通过率分别用通过课程数除以注册课程数注册数为零时记为0以保留完全没有课程进展的记录。年龄划分为17—19岁、20—21岁、22—24岁、25—29岁、30—39岁和40岁及以上财务风险计数由欠款与学费未按时缴纳两项相加。专业代码按照公开字段顺序映射为中文名称。2.3 模型与评价样本按三类结局分层随机划分为75%训练集和25%测试集随机种子固定为42。随机森林设置500棵树、最大深度12、叶节点最少3个样本并使用类别平衡权重。三个阶段使用完全相同的测试学生入学时模型使用22项背景和财务变量第一学期后模型增加6项第一学期变量第二学期后再增加6项第二学期变量。评价报告准确率、宏平均F1、辍学召回率、宏平均一对其余AUC和混淆矩阵。三、实证分析入学背景与财务风险本节先观察学业结局构成再比较入学年龄、专业、授课时段、申请志愿、财务状态和人口背景。所有比例只描述该校样本内部结构。order [毕业,辍学,在读] counts df[outcome_zh].value_counts().reindex(order) pct counts / counts.sum() * 100 ax.bar(order, pct)4,424名学生中毕业2,209人占49.9%辍学1,421人占32.1%在读794人占18.0%。三分类目标并不均衡只预测人数最多的“毕业”也能获得约49.9%的准确率因此后续模型必须同时报告宏平均F1、各类别召回率和混淆矩阵。该结局是在专业正常修读期限结束时记录转学或更换学校也可能被原机构记为辍学所以图中“辍学”代表机构口径的学业中断不应直接解释为个人教育失败。夜间学生的辍学率为42.9%高于日间学生的30.8%毕业比例则为41.6%与51.0%夜间组483人日间组3,941人。夜间学习通常与就业、家庭照料和通勤安排相伴时间冲突可能削弱持续投入但夜间课程也集中在特定专业和年龄群体因此不能把差异简单归因于授课时段。该结果更适合支持夜间学生的弹性考核、混合教学、辅导开放时间和停学复学通道设计。items [(tuition_status_zh,学费状态), (debtor_zh,欠款状态), (scholarship_zh,奖学金状态)] for col, title in items: rate df.groupby(col)[dropout].mean() * 100财务状态呈现最强的入学期风险梯度学费未按时缴纳者辍学率86.6%已按时缴纳者24.7%有欠款者62.0%无欠款者28.3%无奖学金者38.7%奖学金获得者12.2%。这些变量可能同时反映支付能力、行政状态、学业资格和既有表现奖学金也并非随机分配因此差异不能直接解释为资助的因果效果。不过学费状态是高校在学生管理系统中可及时观察的信号适合触发保密、非惩罚性的经济咨询和分期支持。四、实证分析首学期过程与学习轨迹三类学生在第一学期注册课程数的差距有限辍学、在读和毕业学生平均分别注册5.82、5.96和6.67门真正拉开差距的是通过课程数三组平均分别为2.55、4.32和6.23门。辍学组平均参加7.75次课程评价却只通过2.55门说明仅看注册量或考试次数会掩盖学习成效差异毕业组未参加评价课程也更少。教学管理应把“注册—评价—通过”视为过程链优先关注通过率持续偏低和多次评价未转化为学分的学生。heat df.pivot_table( indexsem1_progress_group, columnstuition_status_zh, valuesdropout, aggfuncmean) * 100 sns.heatmap(heat, annotTrue, fmt.1f)第一学期通过率与学费状态共同形成强烈的风险分层在0%通过率组学费未按时缴纳者辍学率96.2%已缴纳者72.4%即使达到100%通过率未按时缴纳者仍有47.5%的辍学率而已缴纳者仅7.3%。这说明学业进展和财务状态提供互补信息成绩好并不能完全抵消支付或注册状态风险。高校预警不应只由教务部门或财务部门单独完成而应在保护隐私的前提下建立跨部门支持触发机制。五、多分类预警与时点比较使用入学信息和第一学期过程变量的随机森林在75%训练、25%测试的分层划分中取得准确率0.730、宏平均F1为0.680、宏平均一对其余AUC为0.860辍学、在读和毕业召回率分别约66.5%、54.3%和83.9%。模型正确识别236名辍学者但仍将119名辍学者误分为在读或毕业在读类别最难识别。置换重要性以第一学期通过课程数、学费状态、评价次数、第一学期成绩和入学年龄居前适合形成辅导优先级但不适合自动处罚或取消学籍。、for name, features in stage_sets.items(): model.fit(df.loc[train_idx, features], y[train_idx]) pred model.predict(df.loc[test_idx, features]) macro_f1 f1_score(y[test_idx], pred, averagemacro)按信息时点比较只有入学信息的模型准确率0.603、宏平均F1为0.560、宏AUC为0.750加入第一学期信息后分别升至0.730、0.680和0.860再加入第二学期信息后为0.746、0.698和0.879。第二学期增益有限且介入更晚说明第一学期结束是识别力与可干预性之间更实用的平衡点。阶段比较也提醒模型使用者不能把后期课程结果回填到入学期模型中否则会产生时间泄漏并高估所谓“早期预警”能力。六、主要结论与建议第一样本中毕业、辍学和在读分别占49.9%、32.1%和18.0%三分类评价不能只看准确率。第二学费未按时缴纳、欠款、较晚入学和夜间学习与更高辍学率相关但这些差异混合专业、生活责任和制度因素。第三第一学期课程通过率是最清晰的过程信号辍学、在读和毕业组平均通过率分别约38.4%、68.8%和90.3%。第四第一学期后随机森林宏AUC为0.860能够提供群体风险排序但在读类别召回率仍只有约54.3%。第五加入第二学期信息的增益有限第一学期结束更适合作为识别力与干预时间之间的平衡节点。建议高校建立两阶段支持机制入学阶段使用学费状态、欠款、授课时段和成年学习者身份开展普惠式经济与时间管理支持不把背景标签当作结局判断第一学期结束后再依据课程通过率、评价参与和成绩变化由辅导员人工复核提供补修、同伴辅导、课程转换、弹性学制与经济咨询。模型输出应只决定“谁优先获得联系和资源”不决定处分、退学或资助取消并持续监测不同性别、年龄与专业的误报差异。完整报告内容可私具体细节见原文创造不易谢谢各位多多点赞收藏