通过机器学习加速学生学位完成

波特兰州立大学（PSU）面临学生学位完成率低的挑战，许多学生在课程顺序和学位路径上遇到困难。为此，PSU采用机器学习技术分析成功毕业生的历史数据，识别最优课程顺序。利用这些洞察，大学可为当前学生推荐个性化路径，旨在缩短毕业时间并提高保留率。该方法不仅帮助学生保持正轨，还增强了PSU的课程规划和资源分配能力，从而更有效地利用学术数据，改善学生整体成果。

学生经常难以从众多课程中选出能顺利完成其声明专业要求的课程，选课偏离路径会打乱毕业时间表并导致流失。据NCES统计，仅60%大学生在六年内获得学位，PSU希望改善这一状况。

PSU与AWS专业服务团队开发了三个机器学习模型：1）利用转学生课程历史预测最佳学位计划匹配，为转学生推荐最快路径和可能的主修专业；2）当学生选择的课程偏离其学位计划常规范围时发出警报；3）根据当前学生路径预测未来各专业学生人数，辅助容量规划。模型基于成功毕业生的历史数据训练，推荐先通过学术顾问应用于学生指导，以提高学位完成效率。

该案例未在来源材料中披露量化效果指标，具体成效请参考下方信息来源。

转学生人数多导致路径多样性，使得基于多样数据集的模型预测能力下降；某些完成人数少的专业使模型产生固有偏见，需额外工作解决；存在足够多的异常案例，建议必须有人工顾问参与决策，目前不宜直接将推荐呈现给学生。