Abstract

Bu çalışmada, üniversite öğrencilerinin akademik başarılarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesi ve model kararlarının açıklanabilir yapay zekâ teknikleri ile yorumlanması amaçlanmıştır. Araştırma kapsamında, 353 üniversite öğrencisinden anket yöntemiyle elde edilen veriler kullanılmıştır. Veri seti; demografik, davranışsal, akademik ve çevresel değişkenleri içerecek şekilde çok boyutlu olarak yapılandırılmıştır. Öznitelik oluşturma süreci ile değişkenler tematik boyutlar altında birleştirilmiş ve akademik başarı değişkeni ikili sınıflandırma problemine dönüştürülmüştür. Çalışmada Lojistik Regresyon, Random Forest, Destek Vektör Makineleri ve XGBoost algoritmaları kullanılmıştır. Model performansları 5 katlı çapraz doğrulama ve eğitim-test ayrımı yöntemleri ile değerlendirilmiş, ayrıca Grid Search ve Optuna yöntemleri ile hiperparametre optimizasyonu gerçekleştirilmiştir. Elde edilen sonuçlara göre RF modeli %78 doğruluk ve 0.79 F1 skoru ile en yüksek performansı sergilerken, DVM modeli %76 doğruluk ve 0.77 F1 skoru ile onu takip etmiştir. Modelin açıklanabilirliğini sağlamak amacıyla SHAP ve LIME yöntemleri kullanılmıştır. SHAP analizleri, akademik başarı üzerinde en etkili değişkenlerin sınıf düzeyi, akademik katılım, çevresel destek, öz-düzenleme ve akademik motivasyon olduğunu göstermiştir. LIME sonuçları ise bu bulguları destekleyerek model kararlarının tutarlılığını ortaya koymuştur. Sonuç olarak, akademik başarının çok boyutlu ve karmaşık bir yapıya sahip olduğu ve bu yapının açıklanabilir makine öğrenmesi yaklaşımları ile daha etkin biçimde analiz edilebileceği belirlenmiştir.

Abstract

This study aims to predict university students’ academic achievement using machine learning methods and to interpret model decisions through explainable artificial intelligence techniques. The dataset consists of survey data collected from 353 university students and is structured to include demographic, behavioral, academic, and environmental variables in a multidimensional manner. Through a feature construction process, variables were grouped under thematic dimensions, and the academic achievement variable was transformed into a binary classification problem. Logistic Regression, Random Forest, Support Vector Machines, and XGBoost algorithms were employed. Model performance was evaluated using 5-fold cross-validation and a train–test split, and hyperparameter optimization was performed. According to the results, the Random Forest model achieved the highest performance with 78% accuracy and an F1 score of 0.79, followed by the Support Vector Machine model with 76% accuracy and an F1 score of 0.77. To ensure model interpretability, SHAP and LIME methods were used. SHAP analyses indicated that the most influential variables affecting academic achievement were grade level, academic engagement, environmental support, self-regulation, and academic motivation. LIME results supported these findings, demonstrating the consistency of model decisions. Consequently, academic achievement has a multidimensional and complex structure that can be analyzed more effectively using explainable machine learning approaches.

Structured Abstract:

Academic achievement is widely regarded as a key indicator of educational quality, reflecting both student development and institutional effectiveness. However, academic achievement is not determined solely by cognitive abilities; rather, it emerges through the interaction of behavioral, psychological, and environmental factors. Traditional statistical approaches may be insufficient for modeling the complex and nonlinear structure of educational data. In this regard, machine learning (ML) approaches offer effective tools for identifying complex patterns and improving predictive performance. Nevertheless, many studies focusing on academic achievement prediction primarily emphasize model accuracy while providing limited explanation regarding how model predictions are formed. This limitation is particularly important in educational settings, where decision-making processes may have significant implications. Therefore, this study aims to predict university students’ academic achievement using machine learning algorithms and to interpret model predictions through Explainable Artificial Intelligence (XAI) techniques. Accordingly, the study addresses the following research questions: (i) How do different ML algorithms perform in predicting academic achievement? (ii) To what extent does hyperparameter optimization influence model performance? (iii) Which variables have the greatest influence on academic achievement? and (iv) How do XAI methods contribute to the interpretation of model predictions?

Academic achievement is widely regarded as a multidimensional construct influenced by cognitive, behavioral, motivational, and environmental factors. The literature has demonstrated that variables such as academic engagement, self-regulation, motivation, and environmental support have significant effects on student success. Although the number of machine learning-based studies has increased, these studies have primarily focused on improving predictive accuracy and have not sufficiently explained how model predictions are generated. This issue is commonly referred to as the “black box” problem and limits the transparency and practical applicability of such models in educational practice. XAI methods, such as SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations), aim to address this limitation by providing both global and local explanations of model predictions. These approaches not only identify which variables are important but also reveal how these variables influence predictions. By integrating machine learning and XAI methods, this study aims to fill the gap in the literature in terms of both performance and interpretability.

The study is based on data collected from 353 university students through a survey. The dataset includes demographic, academic, behavioral, digital, and socio-economic variables. The sample was determined using a convenience sampling method and consists of students from a single faculty. Initially, 38 variables were collected and later reduced to 19 conceptual variables through thematic aggregation. However, after one-hot encoding procedures applied to nominal variables, the final number of features included in the machine learning models increased to 23. The dependent variable, academic achievement (Grade Point Average-GPA), was transformed into a binary classification problem using a threshold value of 70 (academically successful/academically unsuccessful). Logistic Regression (LR), Random Forest (RF), Support Vector Machines (SVM), and XGBoost (XGB) algorithms were employed in the study. Model performance was evaluated using 5-fold cross-validation and an 80/20 train-test split. Standardization was applied to scale-sensitive models. To improve model performance, hyperparameter optimization was conducted using Grid Search and Optuna, with the F1 score used as the primary evaluation metric. In addition, SHAP and LIME methods were applied to the best-performing model to analyze model predictions at both global and local levels.

The findings indicate that the RF model achieved the highest performance (Accuracy = 0.78, F1 = 0.79), followed by the SVM model (Accuracy = 0.76, F1 = 0.77). LR and XGB models demonstrated inferior predictive performance. Although RF and XGB models demonstrated very high performance on the training data, the decline in test performance suggests the presence of overfitting. Hyperparameter optimization improved the performance of all models, highlighting the importance of model tuning. Furthermore, nonlinear models appeared to be more successful in capturing the complex relationships embedded within the dataset. SHAP analyses revealed that the most influential variables affecting academic achievement were grade level, academic engagement, environmental support, self-regulation, and academic motivation. As academic engagement, motivation, and self-regulation increase, the probability of success also increases, whereas higher grade levels are associated with a decrease in success probability. SHAP and LIME analyses demonstrated that model predictions are shaped by the interaction of multiple variables rather than a single factor. The consistency between the two methods supports the reliability of the findings. Overall, the results indicate that academic achievement is shaped by the combination of individual behaviors, learning processes, and environmental conditions.

The findings of this study suggest that academic achievement is a multidimensional construct that can be effectively modeled using machine learning methods. In particular, ensemble learning methods such as Random Forest were found to exhibit superior performance. Furthermore, the use of XAI methods improves the interpretability of model predictions, thereby addressing some of the limitations associated with traditional machine learning approaches.

The findings indicate that academic engagement, motivation, and self-regulation are key determinants of student success. Accordingly, educational institutions may consider developing supportive programs targeting these areas. In addition, improving students’ environmental and socio-economic conditions may contribute to improving academic outcomes.

The study has several limitations. The dataset is limited to a single institution and is based on self-reported data, which may restrict the generalizability of the findings. Additionally, transforming academic achievement into a binary classification problem may limit the depth of analysis. Furthermore, comprehensive psychometric validity and reliability analyses for the thematic composite variables were not conducted, which should be considered an important methodological limitation of the study. Future research should consider larger and more diverse samples, as well as longitudinal data, to examine changes in academic achievement over time.

In conclusion, the integration of machine learning and XAI offers a comprehensive approach for both predicting and understanding academic achievement, thereby contributing to more transparent and data-driven decision-making processes in education. 

Yapılandırılmış Özet:

Akademik başarı hem öğrenci gelişimini hem de kurumsal etkililiği yansıtan eğitim kalitesinin temel bir göstergesi olarak yaygın biçimde kabul edilmektedir. Ancak akademik başarı yalnızca bilişsel yetenekler tarafından belirlenmemekte; aksine davranışsal, psikolojik ve çevresel faktörlerin etkileşimi sonucunda ortaya çıkmaktadır. Geleneksel istatistiksel yaklaşımlar, eğitim verilerinin karmaşık ve doğrusal olmayan yapısını modellemede yetersiz kalabilmektedir. Bu bağlamda, makine öğrenmesi (ML) yaklaşımları karmaşık örüntülerin belirlenmesi ve tahmin performansının artırılması için etkili araçlar sunmaktadır. Bununla birlikte, akademik başarı tahminine odaklanan birçok çalışma, model tahminlerinin nasıl oluştuğuna ilişkin sınırlı açıklama sunarken öncelikli olarak model doğruluğunu vurgulamaktadır. Bu sınırlılık, karar verme süreçlerinin önemli sonuçlar doğurabileceği eğitim ortamlarında özellikle önemlidir. Bu nedenle, bu çalışmanın amacı üniversite öğrencilerinin akademik başarısını makine öğrenmesi algoritmaları kullanarak tahmin etmek ve model tahminlerini açıklanabilir yapay zekâ (XAI) yöntemleri aracılığıyla yorumlamaktır. Bu doğrultuda çalışma aşağıdaki araştırma sorularını ele almaktadır: (i) Farklı ML algoritmaları akademik başarıyı tahmin etmede nasıl performans göstermektedir? (ii) Hiperparametre optimizasyonu model performansını ne ölçüde etkilemektedir? (iii) Akademik başarıyı etkileyen en önemli değişkenler nelerdir? ve (iv) XAI yöntemleri model tahminlerinin yorumlanmasına nasıl katkı sağlamaktadır?

Akademik başarı, bilişsel, davranışsal, motivasyonel ve çevresel faktörlerden etkilenen çok boyutlu bir yapı olarak yaygın biçimde kabul edilmektedir. Literatür, akademik katılım, öz-düzenleme, motivasyon ve çevresel destek gibi değişkenlerin öğrenci başarısı üzerinde anlamlı etkileri olduğunu ortaya koymuştur. Makine öğrenmesi temelli çalışmaların sayısı artmış olsa da, bu çalışmalar öncelikli olarak tahmin doğruluğunu artırmaya odaklanmış ve model tahminlerinin nasıl üretildiğini yeterince açıklamamıştır. Bu durum, genellikle “kara kutu” problemi olarak adlandırılmakta ve bu tür modellerin eğitim uygulamalarındaki şeffaflığını ve pratik uygulanabilirliğini sınırlamaktadır. SHAP (SHapley Additive exPlanations) ve LIME (Local Interpretable Model-agnostic Explanations) gibi açıklanabilir yapay zekâ yöntemleri, model tahminlerine hem küresel hem de yerel açıklamalar sunarak bu sınırlılığı gidermeyi amaçlamaktadır. Bu yaklaşımlar yalnızca hangi değişkenlerin önemli olduğunu belirlemekle kalmaz, aynı zamanda bu değişkenlerin tahminleri nasıl etkilediğini de ortaya koyar. Bu çalışma, makine öğrenmesi ve açıklanabilir yapay zekâ yöntemlerini bütünleştirerek literatürde hem performans hem de yorumlanabilirlik açısından var olan boşluğu doldurmayı amaçlamaktadır.

Çalışma, 353 üniversite öğrencisinden anket yoluyla toplanan verilere dayanmaktadır. Veri seti demografik, akademik, davranışsal, dijital ve sosyo-ekonomik değişkenleri içermektedir. Örneklem, kolayda örnekleme yöntemiyle belirlenmiş olup tek bir fakültede öğrenim gören öğrencilerden oluşmaktadır. Başlangıçta 38 değişken toplanmış, daha sonra tematik birleştirme yoluyla 19 kavramsal değişkene indirgenmiştir. Ancak nominal değişkenlere uygulanan one-hot encoding işlemleri sonrasında, makine öğrenmesi modellerine dâhil edilen nihai öznitelik sayısı 23’e yükselmiştir. Bağımlı değişken olan akademik başarı (GNO), 70 eşik değeri kullanılarak ikili sınıflandırma problemine dönüştürülmüştür (akademik olarak başarılı/akademik olarak başarısız). Çalışmada Lojistik Regresyon (LR), Random Forest (RF), Destek Vektör Makineleri (DVM) ve XGBoost (XGB) algoritmaları kullanılmıştır. Model performansı, 5 katlı çapraz doğrulama ve %80/%20 eğitim-test ayrımı kullanılarak değerlendirilmiştir. Ölçek duyarlı modellere standardizasyon uygulanmıştır. Model performansını artırmak amacıyla Grid Search ve Optuna kullanılarak hiperparametre optimizasyonu gerçekleştirilmiş ve temel değerlendirme metriği olarak F1 skoru kullanılmıştır. Ayrıca, model tahminlerini hem küresel hem de yerel düzeyde analiz etmek amacıyla en iyi performans gösteren modele SHAP ve LIME yöntemleri uygulanmıştır.

Bulgular, RF modelinin en yüksek performansı elde ettiğini göstermektedir (Doğruluk = 0.78, F1 = 0.79). Bunu DVM modeli izlemiştir (Doğruluk = 0.76, F1 = 0.77). LR ve XGB modelleri ise daha düşük tahmin performansı sergilemiştir. RF ve XGB modelleri eğitim verisi üzerinde oldukça yüksek performans göstermiş olsa da test performansındaki düşüş aşırı öğrenmenin varlığına işaret etmektedir. Hiperparametre optimizasyonu tüm modellerin performansını artırmış ve model ayarlamanın önemini ortaya koymuştur. Ayrıca, doğrusal olmayan modellerin veri setinde yer alan karmaşık ilişkileri yakalamada daha başarılı olduğu görülmüştür. SHAP analizleri, akademik başarıyı etkileyen en önemli değişkenlerin sınıf düzeyi, akademik katılım, çevresel destek, öz-düzenleme ve akademik motivasyon olduğunu ortaya koymuştur. Akademik katılım, motivasyon ve öz-düzenleme arttıkça başarı olasılığı da artarken, daha yüksek sınıf düzeyleri başarı olasılığındaki azalma ile ilişkilendirilmiştir. SHAP ve LIME analizleri, model tahminlerinin tek bir faktörden ziyade birden fazla değişkenin etkileşimiyle şekillendiğini göstermiştir. İki yöntem arasındaki tutarlılık, bulguların güvenilirliğini desteklemektedir. Genel olarak sonuçlar, akademik başarının bireysel davranışlar, öğrenme süreçleri ve çevresel koşulların birleşimiyle şekillendiğini göstermektedir.

Bu çalışmanın bulguları, akademik başarının makine öğrenmesi yöntemleri kullanılarak etkili biçimde modellenebilen çok boyutlu bir yapı olduğunu göstermektedir. Özellikle Random Forest gibi topluluk öğrenmesi yöntemlerinin üstün performans sergilediği belirlenmiştir. Ayrıca, açıklanabilir yapay zekâ yöntemlerinin kullanımı model tahminlerinin yorumlanabilirliğini artırmakta ve böylece geleneksel makine öğrenmesi yaklaşımlarıyla ilişkili bazı sınırlılıkları gidermektedir.

Bulgular, akademik katılım, motivasyon ve öz-düzenlemenin öğrenci başarısının temel belirleyicileri olduğunu göstermektedir. Bu doğrultuda, eğitim kurumları bu alanları hedefleyen destekleyici programlar geliştirmeyi değerlendirebilir. Ayrıca, öğrencilerin çevresel ve sosyo-ekonomik koşullarının iyileştirilmesi akademik çıktıların geliştirilmesine katkı sağlayabilir.

Çalışmanın çeşitli sınırlılıkları bulunmaktadır. Veri seti tek bir kurumla sınırlıdır ve öz-bildirime dayalı verilerden oluşmaktadır; bu durum bulguların genellenebilirliğini sınırlayabilir. Ayrıca, akademik başarının ikili sınıflandırma problemine dönüştürülmesi analiz derinliğini sınırlandırabilir. Bunun yanı sıra, tematik bileşik değişkenler için kapsamlı psikometrik geçerlik ve güvenirlik analizleri yapılmamıştır; bu durum çalışmanın önemli bir metodolojik sınırlılığı olarak değerlendirilmelidir. Gelecek araştırmalarda, akademik başarının zaman içerisindeki değişimini incelemek için daha büyük ve daha çeşitli örneklemler ile boylamsal veriler dikkate alınmalıdır.

Sonuç olarak, makine öğrenmesi ve açıklanabilir yapay zekânın bütünleştirilmesi, akademik başarının hem tahmin edilmesi hem de anlaşılması için kapsamlı bir yaklaşım sunmakta; böylece eğitimde daha şeffaf ve veri odaklı karar verme süreçlerine katkı sağlamaktadır.

الملخص المنظَّم

يُعَدُّ التحصيل الأكاديمي على نطاق واسع مؤشرًا محوريًا لجودة التعليم، إذ يعكس في الوقت ذاته مستوى تطور الطلبة وفاعلية المؤسسات التعليمية. غير أن التحصيل الأكاديمي لا يتحدد بالقدرات المعرفية وحدها، بل يتشكل من خلال التفاعل المعقد بين العوامل السلوكية والنفسية والبيئية. وفي هذا السياق، قد لا تكون الأساليب الإحصائية التقليدية كافية لنمذجة البنية المعقدة وغير الخطية للبيانات التعليمية، في حين توفر تقنيات تعلّم الآلة (Machine Learning, ML) أدوات تحليلية فعّالة لاكتشاف الأنماط المعقدة وتعزيز القدرة التنبؤية للنماذج. ومع ذلك، فقد ركزت غالبية الدراسات المعنية بالتنبؤ بالتحصيل الأكاديمي على تحسين دقة النماذج، مع إيلاء اهتمام محدود لتفسير الكيفية التي تُنتج بها هذه النماذج تنبؤاتها. وتكتسب هذه المحدودية أهمية خاصة في البيئات التعليمية التي قد تترتب فيها على عمليات اتخاذ القرار آثار تربوية وإدارية بالغة الأهمية. وانطلاقًا من ذلك، تهدف هذه الدراسة إلى التنبؤ بالتحصيل الأكاديمي لطلبة الجامعة باستخدام خوارزميات تعلّم الآلة، مع تفسير مخرجات النماذج بالاستعانة بتقنيات الذكاء الاصطناعي القابل للتفسير (Explainable Artificial Intelligence, XAI). وفي ضوء هذا الهدف، تسعى الدراسة إلى الإجابة عن الأسئلة البحثية الآتية: (1) كيف يختلف أداء خوارزميات تعلّم الآلة في التنبؤ بالتحصيل الأكاديمي؟ (2) إلى أي مدى يؤثر تحسين المعلمات الفائقة (Hyperparameter Optimization) في أداء النماذج؟ (3) ما المتغيرات الأكثر تأثيرًا في التحصيل الأكاديمي؟ (4) كيف تسهم أساليب الذكاء الاصطناعي القابل للتفسير في توضيح آلية تكوين تنبؤات النماذج؟

ينظر الأدب العلمي إلى التحصيل الأكاديمي بوصفه بناءً متعدد الأبعاد يتأثر بعوامل معرفية وسلوكية ودافعية وبيئية. وقد أظهرت الدراسات السابقة أن متغيرات مثل الاندماج الأكاديمي، والتنظيم الذاتي، والدافعية، والدعم البيئي تؤدي أدوارًا جوهرية في نجاح الطلبة. وعلى الرغم من التزايد الملحوظ في الدراسات المعتمدة على تعلّم الآلة، فإن معظمها انصب على رفع كفاءة التنبؤ، دون تقديم تفسيرات كافية للكيفية التي تُولِّد بها النماذج قراراتها، وهو ما يُعرف بمشكلة «الصندوق الأسود» (Black Box)، التي تحد من شفافية النماذج وقابليتها للتطبيق العملي في المجال التربوي. وفي المقابل، تهدف أساليب الذكاء الاصطناعي القابل للتفسير، مثل SHAP (SHapley Additive exPlanations) وLIME (Local Interpretable Model-agnostic Explanations)، إلى تجاوز هذه الإشكالية من خلال توفير تفسيرات شاملة على المستويين الكلي والمحلي لمخرجات النماذج. ولا تقتصر هذه الأساليب على تحديد المتغيرات الأكثر أهمية، بل تكشف أيضًا عن طبيعة إسهام كل متغير في تشكيل التنبؤات. ومن ثم، تسعى هذه الدراسة، من خلال الدمج بين تقنيات تعلّم الآلة وأساليب الذكاء الاصطناعي القابل للتفسير، إلى سد فجوة معرفية تتعلق بجانبي الأداء التنبئي وقابلية التفسير في آنٍ واحد.

اعتمدت الدراسة على بيانات جُمعت بواسطة استبانة طُبِّقت على 353 طالبًا جامعيًا. وتضمنت قاعدة البيانات متغيرات ديموغرافية وأكاديمية وسلوكية ورقمية واجتماعية-اقتصادية. واختيرت العينة وفق أسلوب العينة الملائمة (Convenience Sampling)، واقتصرت على طلبة كلية واحدة. وقد جُمعت في المرحلة الأولى 38 متغيرًا، ثم جرى اختزالها إلى 19 متغيرًا مفاهيميًا من خلال التجميع الموضوعي. إلا أن تطبيق ترميز One-Hot Encoding على المتغيرات الاسمية أدى إلى ارتفاع عدد السمات المستخدمة في نماذج تعلّم الآلة إلى 23 سمة. وحُوِّل المتغير التابع، وهو التحصيل الأكاديمي (المعدل التراكمي GPA)، إلى مسألة تصنيف ثنائي باستخدام قيمة حدية مقدارها 70 (ناجح أكاديميًا/غير ناجح أكاديميًا). واستُخدمت في الدراسة خوارزميات الانحدار اللوجستي (Logistic Regression, LR)، والغابة العشوائية (Random Forest, RF)، وآلات المتجهات الداعمة (Support Vector Machines, SVM)، وXGBoost (XGB). وقُيِّم أداء النماذج باستخدام أسلوب التحقق المتقاطع خماسي الطيات (5-Fold Cross-Validation)، إلى جانب تقسيم البيانات بنسبة 80/20 إلى بيانات تدريب واختبار. كما طُبِّق توحيد القياس (Standardization) على النماذج الحساسة لمقياس البيانات. ولتحسين الأداء، استُخدمت تقنيات تحسين المعلمات الفائقة بالاعتماد على Grid Search وOptuna، مع اعتماد مقياس F1 Score معيارًا رئيسًا للتقييم. وإضافةً إلى ذلك، طُبِّقت طريقتا SHAP وLIME على النموذج الأعلى أداءً لتحليل تنبؤاته على المستويين الكلي والمحلي.

أظهرت النتائج أن نموذج الغابة العشوائية (RF) حقق أعلى مستويات الأداء (Accuracy = 0.78، F1 = 0.79)، تلاه نموذج آلات المتجهات الداعمة (SVM) (Accuracy = 0.76، F1 = 0.77)، في حين أظهر نموذجا LR وXGB أداءً تنبؤيًا أقل. وعلى الرغم من تحقيق نموذجي RF وXGB أداءً مرتفعًا جدًا على بيانات التدريب، فإن انخفاض الأداء على بيانات الاختبار يشير إلى وجود مشكلة فرط التكيّف (Overfitting). كما أسهم تحسين المعلمات الفائقة في رفع أداء جميع النماذج، مما يؤكد الأهمية المنهجية لعمليات الضبط الأمثل للنماذج. وأظهرت النتائج كذلك أن النماذج غير الخطية كانت أكثر قدرة على التقاط العلاقات المعقدة الكامنة في البيانات. وكشفت تحليلات SHAP أن أكثر المتغيرات تأثيرًا في التحصيل الأكاديمي تمثلت في: المستوى الدراسي، والاندماج الأكاديمي، والدعم البيئي، والتنظيم الذاتي، والدافعية الأكاديمية. كما بينت النتائج أن ازدياد مستويات الاندماج الأكاديمي والدافعية والتنظيم الذاتي يؤدي إلى ارتفاع احتمالية النجاح، في حين يرتبط التقدم في المستوى الدراسي بانخفاض احتمالية النجاح الأكاديمي. وأظهرت تحليلات SHAP وLIME أن التنبؤات لا تعتمد على متغير منفرد، وإنما تتشكل من خلال التفاعل المتزامن بين مجموعة من المتغيرات. كما عزز الاتساق بين نتائج الطريقتين موثوقية النتائج المستخلصة. وبوجه عام، تؤكد النتائج أن التحصيل الأكاديمي يتحدد من خلال التفاعل بين السلوكيات الفردية، وعمليات التعلم، والظروف البيئية المحيطة بالطالب.

تشير نتائج الدراسة إلى أن التحصيل الأكاديمي يمثل بناءً متعدد الأبعاد يمكن نمذجته بكفاءة باستخدام تقنيات تعلّم الآلة، وأن نماذج التعلم التجميعي (Ensemble Learning)، ولا سيما الغابة العشوائية (Random Forest)، تحقق أداءً متفوقًا مقارنةً بالنماذج الأخرى. كما أن توظيف تقنيات الذكاء الاصطناعي القابل للتفسير يعزز قابلية تفسير مخرجات النماذج، ويسهم في تجاوز بعض القيود الملازمة لأساليب تعلّم الآلة التقليدية.

وتبرز النتائج أن الاندماج الأكاديمي، والدافعية، والتنظيم الذاتي تمثل محددات رئيسة لنجاح الطلبة؛ وعليه، يمكن للمؤسسات التعليمية تطوير برامج داعمة تستهدف تعزيز هذه الجوانب. كما أن تحسين الظروف البيئية والاجتماعية-الاقتصادية للطلبة قد يسهم بصورة ملموسة في الارتقاء بمخرجاتهم الأكاديمية.

وتواجه الدراسة عددًا من القيود المنهجية؛ إذ اقتصر مجتمع الدراسة على مؤسسة تعليمية واحدة، واعتمدت البيانات على التقارير الذاتية، الأمر الذي قد يحد من إمكانية تعميم النتائج. كما أن تحويل التحصيل الأكاديمي إلى مسألة تصنيف ثنائي قد يكون قد حدَّ من عمق التحليل. فضلًا عن ذلك، لم تُجرَ تحليلات سيكومترية شاملة للتحقق من الصدق والثبات للمتغيرات المركبة الناتجة عن التجميع الموضوعي، وهو ما ينبغي اعتباره من أبرز القيود المنهجية للدراسة. وعليه، توصي الدراسة المستقبلية بالاعتماد على عينات أكبر وأكثر تنوعًا، واستخدام بيانات طولية تسمح بتتبع تطور التحصيل الأكاديمي عبر الزمن.

ختامًا، يبرهن الدمج بين تقنيات تعلّم الآلة وأساليب الذكاء الاصطناعي القابل للتفسير على أنه إطار تحليلي متكامل لا يقتصر على تحسين القدرة التنبؤية للتحصيل الأكاديمي، بل يسهم أيضًا في فهم العوامل الكامنة وراء هذه التنبؤات، بما يعزز من شفافية عمليات اتخاذ القرار في المجال التعليمي، ويدعم تبني سياسات وممارسات تعليمية قائمة على الأدلة والبيانات.

Résumé Structuré:

La réussite académique est largement considérée comme un indicateur fondamental de la qualité de l’enseignement, reflétant à la fois le développement des étudiants et l’efficacité des établissements d’enseignement supérieur. Toutefois, la réussite académique ne dépend pas exclusivement des capacités cognitives ; elle résulte plutôt de l’interaction complexe entre des facteurs comportementaux, psychologiques et environnementaux. Dans ce contexte, les approches statistiques traditionnelles peuvent s’avérer insuffisantes pour modéliser la structure complexe et non linéaire des données éducatives. Les méthodes d’apprentissage automatique (Machine Learning, ML) offrent, à cet égard, des outils particulièrement performants pour identifier des schémas complexes et améliorer les performances prédictives. Néanmoins, la majorité des recherches consacrées à la prédiction de la réussite académique se sont principalement concentrées sur l’amélioration de la précision des modèles, tout en accordant une attention limitée à l’explication des mécanismes sous-jacents à la production de leurs prédictions. Cette limitation revêt une importance particulière dans les contextes éducatifs, où les processus décisionnels peuvent avoir des implications pédagogiques et institutionnelles majeures. En conséquence, la présente étude vise à prédire la réussite académique des étudiants universitaires au moyen d’algorithmes d’apprentissage automatique et à interpréter les prédictions des modèles grâce aux techniques d’Intelligence Artificielle Explicable (Explainable Artificial Intelligence, XAI). À cette fin, l’étude cherche à répondre aux questions de recherche suivantes : (i) quelles sont les performances comparatives des différents algorithmes d’apprentissage automatique dans la prédiction de la réussite académique ? (ii) dans quelle mesure l’optimisation des hyperparamètres influence-t-elle les performances des modèles ? (iii) quelles variables exercent l’influence la plus importante sur la réussite académique ? et (iv) dans quelle mesure les méthodes d’IA explicable contribuent-elles à l’interprétation des prédictions produites par les modèles ?

La réussite académique est généralement définie comme un construit multidimensionnel influencé par des facteurs cognitifs, comportementaux, motivationnels et environnementaux. Les travaux antérieurs ont démontré que des variables telles que l’engagement académique, l’autorégulation, la motivation et le soutien environnemental exercent une influence significative sur la réussite des étudiants. Bien que les études fondées sur l’apprentissage automatique se soient multipliées au cours des dernières années, elles se sont essentiellement focalisées sur l’amélioration des performances prédictives, sans expliquer de manière satisfaisante la manière dont les modèles génèrent leurs prédictions. Cette problématique est communément désignée sous le terme de « problème de la boîte noire » (black box), lequel limite la transparence ainsi que l’applicabilité pratique de ces modèles dans le domaine de l’éducation. Les approches d’Intelligence Artificielle Explicable, notamment SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-agnostic Explanations), ont précisément été développées afin de surmonter cette limite en fournissant des explications globales et locales des prédictions des modèles. Ces méthodes permettent non seulement d’identifier les variables les plus déterminantes, mais également d’expliciter la manière dont chacune d’entre elles contribue aux prédictions. En intégrant les approches d’apprentissage automatique aux méthodes d’IA explicable, la présente recherche ambitionne ainsi de combler une lacune importante de la littérature, tant du point de vue des performances prédictives que de l’interprétabilité des modèles.

L’étude repose sur des données recueillies auprès de 353 étudiants universitaires au moyen d’un questionnaire. Le jeu de données comprend des variables démographiques, académiques, comportementales, numériques et socio-économiques. L’échantillon a été constitué selon une méthode d’échantillonnage de convenance et se limite aux étudiants d’une seule faculté. Dans un premier temps, 38 variables ont été collectées, puis regroupées thématiquement afin d’être réduites à 19 variables conceptuelles. Toutefois, l’application de la technique de codage One-Hot Encoding aux variables nominales a porté le nombre final de caractéristiques utilisées dans les modèles d’apprentissage automatique à 23 variables. La variable dépendante, correspondant à la réussite académique (Grade Point Average – GPA), a été transformée en un problème de classification binaire au moyen d’un seuil fixé à 70 (étudiant en réussite / étudiant en échec académique). Les algorithmes de Régression Logistique (Logistic Regression – LR), Random Forest (RF), Support Vector Machines (SVM) et XGBoost (XGB) ont été mobilisés dans cette étude. Les performances des modèles ont été évaluées au moyen d’une validation croisée à 5 plis (5-fold cross-validation), complétée par une répartition des données selon un ratio 80/20 entre les ensembles d’apprentissage et de test. Une procédure de standardisation a été appliquée aux modèles sensibles à l’échelle des variables. Afin d’améliorer les performances prédictives, une optimisation des hyperparamètres a été réalisée à l’aide des méthodes Grid Search et Optuna, en retenant le score F1 comme principal indicateur d’évaluation. Enfin, les méthodes SHAP et LIME ont été appliquées au modèle présentant les meilleures performances afin d’analyser les prédictions aussi bien au niveau global qu’au niveau local.

Les résultats montrent que le modèle Random Forest (RF) a obtenu les meilleures performances (Accuracy = 0,78 ; F1 = 0,79), suivi du modèle Support Vector Machines (SVM) (Accuracy = 0,76 ; F1 = 0,77). Les modèles Logistic Regression (LR) et XGBoost (XGB) ont, en revanche, présenté des performances prédictives relativement inférieures. Bien que les modèles RF et XGB aient atteint des performances très élevées sur les données d'entraînement, la diminution observée sur les données de test suggère la présence d'un phénomène de surapprentissage (overfitting). Par ailleurs, l'optimisation des hyperparamètres a amélioré les performances de l'ensemble des modèles, mettant ainsi en évidence l'importance du réglage optimal des paramètres. Les résultats indiquent également que les modèles non linéaires se révèlent plus efficaces pour capturer les relations complexes sous-jacentes aux données. Les analyses réalisées à l'aide de SHAP ont révélé que les variables exerçant l'influence la plus déterminante sur la réussite académique sont le niveau d'études, l'engagement académique, le soutien environnemental, l'autorégulation et la motivation académique. Une augmentation de l'engagement académique, de la motivation et de l'autorégulation accroît la probabilité de réussite, tandis qu'un niveau d'études plus avancé est associé à une diminution de cette probabilité. Les analyses SHAP et LIME montrent également que les prédictions des modèles résultent de l'interaction simultanée de multiples variables plutôt que de l'effet isolé d'un seul facteur. La cohérence observée entre les résultats obtenus par ces deux méthodes renforce la robustesse et la fiabilité des conclusions. Dans leur ensemble, les résultats démontrent que la réussite académique est façonnée par l'interaction des comportements individuels, des processus d'apprentissage et des conditions environnementales.

Les résultats de cette recherche montrent que la réussite académique constitue un construit multidimensionnel pouvant être modélisé avec efficacité au moyen des techniques d'apprentissage automatique. En particulier, les méthodes d'apprentissage ensembliste (Ensemble Learning), notamment Random Forest, présentent des performances supérieures à celles des autres modèles évalués. En outre, l'intégration des méthodes d'Intelligence Artificielle Explicable (XAI) améliore considérablement l'interprétabilité des prédictions, contribuant ainsi à surmonter certaines des limites inhérentes aux approches traditionnelles d'apprentissage automatique.

Les analyses mettent en évidence que l'engagement académique, la motivation et l'autorégulation constituent les principaux déterminants de la réussite des étudiants. À cet égard, les établissements d'enseignement supérieur pourraient développer des programmes de soutien spécifiquement orientés vers le renforcement de ces dimensions. Par ailleurs, l'amélioration des conditions environnementales et socio-économiques des étudiants est susceptible de favoriser une progression significative de leurs performances académiques.

Cette étude présente néanmoins plusieurs limites. Premièrement, les données proviennent d'un seul établissement d'enseignement supérieur et reposent sur des déclarations auto-rapportées, ce qui peut limiter la généralisation des résultats. Deuxièmement, la transformation de la réussite académique en un problème de classification binaire est susceptible de réduire la profondeur analytique des résultats. En outre, aucune analyse psychométrique exhaustive de validité et de fidélité n'a été réalisée pour les variables composites obtenues par agrégation thématique, ce qui constitue une limitation méthodologique importante de l'étude. Les recherches futures devraient s'appuyer sur des échantillons plus vastes et plus diversifiés, ainsi que sur des données longitudinales, afin d'examiner l'évolution de la réussite académique dans le temps.

En conclusion, l'intégration des techniques d'apprentissage automatique et de l'Intelligence Artificielle Explicable (XAI) offre un cadre analytique complet permettant non seulement de prédire la réussite académique avec un niveau élevé de performance, mais également d'en comprendre les mécanismes sous-jacents. Cette approche favorise ainsi des processus décisionnels plus transparents, interprétables et fondés sur les données dans le domaine de l'éducation.

Resumen Estructurado:

El rendimiento académico es ampliamente reconocido como un indicador fundamental de la calidad educativa, ya que refleja tanto el desarrollo integral del estudiantado como la eficacia de las instituciones de educación superior. Sin embargo, el rendimiento académico no está determinado exclusivamente por las capacidades cognitivas, sino que emerge como resultado de la interacción dinámica entre factores conductuales, psicológicos y ambientales. En este contexto, los enfoques estadísticos tradicionales pueden resultar insuficientes para modelizar la estructura compleja y no lineal de los datos educativos. En este sentido, las técnicas de aprendizaje automático (Machine Learning, ML) constituyen herramientas analíticas eficaces para identificar patrones complejos y mejorar el rendimiento predictivo. No obstante, la mayor parte de las investigaciones orientadas a la predicción del rendimiento académico se ha centrado principalmente en maximizar la precisión de los modelos, prestando una atención limitada a la explicación de los mecanismos mediante los cuales dichos modelos generan sus predicciones. Esta limitación adquiere una relevancia especial en los contextos educativos, donde los procesos de toma de decisiones pueden tener importantes implicaciones pedagógicas e institucionales. En consecuencia, el presente estudio tiene como objetivo predecir el rendimiento académico de estudiantes universitarios mediante algoritmos de aprendizaje automático e interpretar las predicciones de los modelos utilizando técnicas de Inteligencia Artificial Explicable (Explainable Artificial Intelligence, XAI). Con este propósito, la investigación aborda las siguientes preguntas: (i) ¿Cómo difieren los distintos algoritmos de aprendizaje automático en la predicción del rendimiento académico? (ii) ¿En qué medida influye la optimización de hiperparámetros en el desempeño de los modelos? (iii) ¿Qué variables ejercen la mayor influencia sobre el rendimiento académico? y (iv) ¿Cómo contribuyen los métodos de Inteligencia Artificial Explicable a la interpretación de las predicciones generadas por los modelos?

El rendimiento académico es concebido en la literatura científica como un constructo multidimensional influenciado por factores cognitivos, conductuales, motivacionales y ambientales. Numerosos estudios han demostrado que variables como el compromiso académico, la autorregulación, la motivación y el apoyo ambiental ejercen una influencia significativa sobre el éxito académico del estudiantado. Aunque el número de investigaciones basadas en aprendizaje automático ha aumentado considerablemente durante los últimos años, estas se han orientado principalmente hacia la mejora del rendimiento predictivo, sin explicar de manera suficiente cómo los modelos producen sus predicciones. Esta problemática se conoce comúnmente como el problema de la “caja negra” (black box), el cual limita la transparencia y la aplicabilidad práctica de estos modelos en el ámbito educativo. En contraste, los métodos de Inteligencia Artificial Explicable, como SHAP (SHapley Additive exPlanations) y LIME (Local Interpretable Model-agnostic Explanations), han sido desarrollados para superar esta limitación proporcionando explicaciones tanto globales como locales de las predicciones de los modelos. Estos enfoques no solo permiten identificar cuáles son las variables más relevantes, sino también comprender de qué manera dichas variables contribuyen a la generación de las predicciones. En consecuencia, mediante la integración de técnicas de aprendizaje automático y métodos de Inteligencia Artificial Explicable, el presente estudio pretende subsanar una importante laguna en la literatura, tanto desde la perspectiva del rendimiento predictivo como de la interpretabilidad de los modelos.

El estudio se fundamenta en datos recopilados mediante un cuestionario aplicado a 353 estudiantes universitarios. El conjunto de datos comprende variables demográficas, académicas, conductuales, digitales y socioeconómicas. La muestra fue seleccionada mediante un procedimiento de muestreo por conveniencia y está compuesta por estudiantes pertenecientes a una única facultad. Inicialmente se recopilaron 38 variables, las cuales fueron posteriormente reducidas a 19 variables conceptuales mediante un proceso de agregación temática. No obstante, tras la aplicación del procedimiento de One-Hot Encoding a las variables nominales, el número final de características utilizadas en los modelos de aprendizaje automático ascendió a 23 variables. La variable dependiente, correspondiente al rendimiento académico (Grade Point Average, GPA), fue transformada en un problema de clasificación binaria mediante el establecimiento de un valor umbral de 70 (estudiantes con rendimiento académico satisfactorio/estudiantes con rendimiento académico no satisfactorio). Para el desarrollo del estudio se emplearon los algoritmos de Regresión Logística (Logistic Regression, LR), Random Forest (RF), Máquinas de Vectores de Soporte (Support Vector Machines, SVM) y XGBoost (XGB). El rendimiento de los modelos fue evaluado mediante validación cruzada de cinco particiones (5-fold cross-validation) y una división de los datos en una proporción 80/20 para entrenamiento y prueba. Asimismo, se aplicó un procedimiento de estandarización a los modelos sensibles a la escala de las variables. Con el propósito de optimizar el desempeño predictivo, se realizó una optimización de hiperparámetros utilizando los métodos Grid Search y Optuna, tomando como principal métrica de evaluación la puntuación F1 (F1 Score). Finalmente, los métodos SHAP y LIME fueron aplicados al modelo con mejor desempeño para analizar las predicciones tanto a nivel global como local.

Los resultados muestran que el modelo Random Forest (RF) alcanzó el mejor desempeño (Accuracy = 0.78; F1 = 0.79), seguido por el modelo Support Vector Machines (SVM) (Accuracy = 0.76; F1 = 0.77). En contraste, los modelos de Regresión Logística (LR) y XGBoost (XGB) presentaron un rendimiento predictivo inferior. Aunque los modelos RF y XGB obtuvieron un desempeño muy elevado sobre los datos de entrenamiento, la disminución observada en el conjunto de prueba sugiere la presencia de sobreajuste (overfitting). Asimismo, la optimización de los hiperparámetros mejoró el rendimiento de todos los modelos, lo que pone de manifiesto la importancia del ajuste óptimo de los parámetros para incrementar la capacidad predictiva. Los resultados también evidencian que los modelos no lineales fueron más eficaces para capturar las complejas relaciones subyacentes presentes en los datos. Los análisis realizados mediante SHAP revelaron que las variables con mayor influencia sobre el rendimiento académico fueron el nivel de estudios, el compromiso académico, el apoyo ambiental, la autorregulación y la motivación académica. El incremento del compromiso académico, la motivación y la autorregulación aumenta la probabilidad de éxito académico, mientras que un mayor nivel de estudios se asocia con una disminución de dicha probabilidad. Tanto los análisis de SHAP como los de LIME demostraron que las predicciones del modelo no dependen de un único factor, sino que se configuran a partir de la interacción simultánea de múltiples variables. La consistencia observada entre ambos métodos refuerza la robustez y la fiabilidad de los resultados obtenidos. En conjunto, los hallazgos indican que el rendimiento académico se configura mediante la interacción entre los comportamientos individuales, los procesos de aprendizaje y las condiciones ambientales.

Los resultados de la presente investigación ponen de manifiesto que el rendimiento académico constituye un constructo multidimensional susceptible de ser modelizado eficazmente mediante técnicas de aprendizaje automático. En particular, los métodos de aprendizaje por conjuntos (Ensemble Learning), especialmente Random Forest, demostraron un desempeño superior en comparación con los demás algoritmos evaluados. Asimismo, la incorporación de métodos de Inteligencia Artificial Explicable (XAI) incrementa significativamente la interpretabilidad de las predicciones, contribuyendo a superar algunas de las limitaciones inherentes a los enfoques tradicionales de aprendizaje automático.

Los hallazgos evidencian que el compromiso académico, la motivación y la autorregulación constituyen los principales determinantes del éxito académico del estudiantado. En consecuencia, las instituciones de educación superior podrían diseñar e implementar programas de apoyo orientados específicamente al fortalecimiento de estas dimensiones. Del mismo modo, la mejora de las condiciones ambientales y socioeconómicas de los estudiantes podría contribuir de manera significativa al incremento de su rendimiento académico.

El estudio presenta diversas limitaciones metodológicas. En primer lugar, el conjunto de datos se limita a una única institución de educación superior y se basa en información autodeclarada, lo que puede restringir la capacidad de generalización de los resultados. En segundo lugar, la transformación del rendimiento académico en un problema de clasificación binaria puede haber reducido la profundidad analítica de la investigación. Además, no se realizaron análisis psicométricos exhaustivos de validez y fiabilidad sobre las variables compuestas obtenidas mediante agregación temática, circunstancia que debe considerarse una limitación metodológica relevante. En consecuencia, futuras investigaciones deberían incorporar muestras más amplias y heterogéneas, así como diseños longitudinales, con el fin de analizar la evolución del rendimiento académico a lo largo del tiempo.

En conclusión, la integración de las técnicas de aprendizaje automático con los métodos de Inteligencia Artificial Explicable (XAI) constituye un marco metodológico integral que no solo permite predecir el rendimiento académico con elevados niveles de precisión, sino también comprender los mecanismos que sustentan dichas predicciones. En este sentido, este enfoque contribuye al desarrollo de procesos de toma de decisiones más transparentes, interpretables y fundamentados en evidencia empírica dentro del ámbito educativo.

结构化摘要:

学业成就（Academic Achievement）被广泛认为是衡量教育质量的重要指标，它不仅反映学生的发展水平，同时也是评价高等教育机构教育成效的重要依据。然而，学业成就并非仅由认知能力决定，而是在行为、心理及环境等多种因素相互作用下形成的复杂结果。传统统计分析方法在刻画教育数据复杂且非线性的结构特征方面往往存在一定局限，而**机器学习（Machine Learning, ML）方法则能够有效识别复杂模式并提升预测性能。然而，现有关于学业成就预测的大多数研究主要关注模型预测精度，而对于模型如何生成预测结果的解释相对不足。这一局限在教育情境中尤为突出，因为教育决策通常会对学生发展及教育管理产生重要影响。因此，本研究旨在利用机器学习算法预测大学生学业成就，并借助可解释人工智能（Explainable Artificial Intelligence, XAI）**技术对模型预测结果进行解释。据此，本研究围绕以下四个研究问题展开：（1）不同机器学习算法在学业成就预测中的表现如何？（2）超参数优化（Hyperparameter Optimization）在多大程度上影响模型性能？（3）哪些变量对学业成就具有最显著的影响？（4）可解释人工智能方法如何促进机器学习模型预测结果的解释与理解？

现有研究普遍认为，学业成就是一个受认知、行为、动机及环境等多重因素共同影响的多维构念（multidimensional construct）。大量文献表明，学业投入（academic engagement）、自我调节（self-regulation）、**学习动机（motivation）以及环境支持（environmental support）**等变量均对学生学业成功具有显著影响。尽管近年来基于机器学习的相关研究数量不断增加，但其主要关注预测精度的提升，而较少深入解释模型预测形成的机制。这一问题通常被称为“黑箱（Black Box）问题”，限制了机器学习模型在教育实践中的透明性与实际应用价值。为克服这一局限，可解释人工智能（XAI）方法，如SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations），能够分别从全局（global）与局部（local）两个层面对模型预测结果进行解释。这些方法不仅能够识别影响预测结果的重要变量，而且能够揭示各变量对预测结果产生影响的具体方式。因此，本研究通过融合机器学习与可解释人工智能方法，旨在弥补现有研究在预测性能与模型可解释性两个方面的不足，为教育数据分析提供更加透明且具有解释力的分析框架。

本研究的数据来源于对353名大学生实施的问卷调查。数据集涵盖人口统计学变量、学业变量、行为变量、数字化变量以及社会经济变量。研究采用便利抽样（Convenience Sampling）方法，样本均来自同一学院。研究初期共收集38个变量，随后通过主题聚合（thematic aggregation）整合为19个概念变量。然而，在对名义变量实施独热编码（One-Hot Encoding）之后，用于机器学习模型训练的最终特征数量增加至23个。因变量——学业成就（平均绩点，Grade Point Average, GPA）——依据70分这一阈值转换为二元分类问题（学业成功/学业未成功）。研究采用了逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、支持向量机（Support Vector Machines, SVM）以及极端梯度提升（XGBoost, XGB）四种机器学习算法。模型性能通过五折交叉验证（5-fold Cross-Validation）及80%训练集—20%测试集的数据划分方式进行评估。对于对数据尺度敏感的模型，研究实施了标准化（Standardization）处理。为进一步提升模型性能，研究采用Grid Search与Optuna两种超参数优化方法，并以F1值（F1 Score）作为主要评价指标。此外，对表现最佳的模型进一步应用SHAP与LIME方法，从全局和局部两个层面对模型预测结果进行了深入解释与分析。

研究结果表明，**随机森林（Random Forest, RF）模型取得了最佳预测性能（Accuracy = 0.78；F1 = 0.79），其次为支持向量机（Support Vector Machines, SVM）**模型（Accuracy = 0.76；F1 = 0.77）。相比之下，逻辑回归（Logistic Regression, LR）与XGBoost（XGB）模型的预测性能相对较低。尽管RF和XGB模型在训练集上均表现出极高的预测能力，但其在测试集上的性能下降表明模型存在一定程度的过拟合（Overfitting）现象。此外，超参数优化显著提升了所有模型的预测性能，进一步凸显了模型参数优化在提高预测能力方面的重要作用。研究结果还表明，相较于线性模型，非线性模型能够更加有效地捕捉数据中蕴含的复杂关系。SHAP分析结果显示，对学业成就影响最大的变量依次为：年级（grade level）、学业投入（academic engagement）、环境支持（environmental support）、自我调节（self-regulation）以及学业动机（academic motivation）。随着学业投入、学习动机和自我调节水平的提高，学生取得学业成功的概率显著增加；而较高的年级则与学业成功概率下降呈现相关关系。SHAP与LIME分析进一步表明，模型预测结果并非由单一因素决定，而是多种变量相互作用的综合结果。两种解释方法所得结果之间表现出较高的一致性，从而进一步增强了研究结论的可靠性。总体而言，研究结果表明，学业成就是个体行为、学习过程与环境条件共同作用的综合体现。

本研究结果进一步证明，学业成就是一种多维构念（multidimensional construct），能够借助机器学习方法实现有效建模。其中，以**随机森林（Random Forest）为代表的集成学习（Ensemble Learning）方法表现出最优的预测性能。此外，引入可解释人工智能（Explainable Artificial Intelligence, XAI）**方法显著提升了模型预测结果的可解释性，从而在一定程度上克服了传统机器学习方法在模型透明性方面存在的不足。

研究结果表明，学业投入、学习动机以及自我调节能力是影响学生学业成功的核心决定因素。因此，高等教育机构可考虑开发针对上述关键能力的支持性干预项目，以促进学生学业表现的持续提升。同时，改善学生所处的环境条件及社会经济状况，也有助于进一步提高其学业成绩。

本研究仍存在若干局限性。首先，研究数据仅来源于单一高等教育机构，且主要依赖学生自我报告数据，因此研究结论的普遍适用性受到一定限制。其次，将学业成就处理为二元分类问题，可能削弱了研究分析的深度。此外，本研究未对通过主题聚合形成的复合变量开展系统而全面的心理测量学信度与效度检验，这应被视为本研究的重要方法学局限。未来研究应采用规模更大、来源更加多样化的样本，并结合纵向数据设计，以深入考察学业成就随时间变化的发展过程及其影响机制。

综上所述，机器学习与**可解释人工智能（XAI）**的有机融合，为学业成就的预测与解释提供了一个兼具预测能力与理论解释力的综合分析框架。这不仅有助于深入理解影响学生学业表现的关键机制，而且能够促进教育领域更加透明、更加科学、更加基于数据证据的决策过程。

Структурированная Аннотация:

Академическая успеваемость широко рассматривается как один из ключевых индикаторов качества образования, отражающий как уровень развития обучающихся, так и эффективность образовательных учреждений. Вместе с тем академическая успеваемость определяется не исключительно когнитивными способностями, а формируется в результате сложного взаимодействия поведенческих, психологических и средовых факторов. В этом контексте традиционные статистические методы нередко оказываются недостаточными для моделирования сложной и нелинейной структуры образовательных данных. В свою очередь, методы машинного обучения (Machine Learning, ML) предоставляют эффективный аналитический инструментарий для выявления сложных закономерностей и повышения точности прогнозирования. Однако большинство исследований, посвящённых прогнозированию академической успеваемости, сосредоточено преимущественно на повышении точности моделей, уделяя значительно меньше внимания объяснению механизмов формирования прогнозов. Данное ограничение приобретает особую значимость в образовательной сфере, где принимаемые решения могут иметь существенные педагогические и институциональные последствия. В связи с этим целью настоящего исследования является прогнозирование академической успеваемости студентов университета с использованием алгоритмов машинного обучения, а также интерпретация результатов прогнозирования посредством методов объяснимого искусственного интеллекта (Explainable Artificial Intelligence, XAI). Для достижения поставленной цели исследование направлено на получение ответов на следующие вопросы: (i) каковы сравнительные результаты различных алгоритмов машинного обучения при прогнозировании академической успеваемости? (ii) в какой степени оптимизация гиперпараметров влияет на эффективность моделей? (iii) какие переменные оказывают наибольшее влияние на академическую успеваемость? и (iv) каким образом методы объяснимого искусственного интеллекта способствуют интерпретации прогнозов моделей?

В современной научной литературе академическая успеваемость рассматривается как многомерный конструкт, формирующийся под воздействием когнитивных, поведенческих, мотивационных и средовых факторов. Предыдущие исследования убедительно показали, что такие переменные, как академическая вовлечённость (academic engagement), саморегуляция (self-regulation), мотивация и поддержка образовательной среды (environmental support), оказывают существенное влияние на успешность студентов. Несмотря на стремительный рост числа исследований, основанных на применении методов машинного обучения, основное внимание в них уделяется повышению прогностической точности моделей, тогда как объяснение механизмов формирования прогнозов остаётся недостаточно разработанным. Данная проблема широко известна как проблема «чёрного ящика» (Black Box) и существенно ограничивает прозрачность моделей, а также возможности их практического применения в образовательной практике. Для преодоления данного ограничения были разработаны методы объяснимого искусственного интеллекта (XAI), в частности SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations), обеспечивающие интерпретацию прогнозов моделей как на глобальном, так и на локальном уровнях. Эти методы позволяют не только определить наиболее значимые переменные, но и раскрыть механизм их влияния на формирование прогнозов. Таким образом, интеграция методов машинного обучения и объяснимого искусственного интеллекта в настоящем исследовании направлена на восполнение существующего пробела в научной литературе одновременно с точки зрения прогностической эффективности и интерпретируемости моделей.

Эмпирическую основу исследования составили данные, полученные в результате анкетного опроса 353 студентов университета. Набор данных включал демографические, академические, поведенческие, цифровые и социально-экономические переменные. Выборка была сформирована с использованием метода удобной выборки (Convenience Sampling) и ограничивалась студентами одного факультета. На первоначальном этапе было собрано 38 переменных, которые впоследствии посредством тематической агрегации были сведены к 19 концептуальным переменным. Однако после применения процедуры One-Hot Encoding к номинативным признакам итоговое количество признаков, использованных в моделях машинного обучения, увеличилось до 23. Зависимая переменная — академическая успеваемость (Grade Point Average, GPA) — была преобразована в задачу бинарной классификации с использованием порогового значения 70 (академически успешный / академически неуспешный студент). В исследовании были использованы алгоритмы логистической регрессии (Logistic Regression, LR), случайного леса (Random Forest, RF), метода опорных векторов (Support Vector Machines, SVM) и XGBoost (XGB). Оценка эффективности моделей осуществлялась с применением пятикратной перекрёстной проверки (5-fold Cross-Validation) и разделения данных на обучающую и тестовую выборки в соотношении 80/20. Для моделей, чувствительных к масштабу данных, была выполнена процедура стандартизации. С целью повышения эффективности моделей была проведена оптимизация гиперпараметров с использованием методов Grid Search и Optuna, при этом в качестве основного критерия оценки применялся показатель F1-score. Кроме того, к модели, продемонстрировавшей наилучшие результаты, были применены методы SHAP и LIME, что позволило провести интерпретацию прогнозов как на глобальном, так и на локальном уровнях.

Результаты исследования показали, что модель Random Forest (RF) продемонстрировала наилучшие показатели прогнозирования (Accuracy = 0,78; F1 = 0,79), за которой следовала модель Support Vector Machines (SVM) (Accuracy = 0,76; F1 = 0,77). В свою очередь, модели Logistic Regression (LR) и XGBoost (XGB) продемонстрировали сравнительно более низкую прогностическую эффективность. Несмотря на то что модели RF и XGB достигли чрезвычайно высоких результатов на обучающей выборке, снижение их эффективности на тестовой выборке свидетельствует о наличии эффекта переобучения (overfitting). Кроме того, оптимизация гиперпараметров способствовала повышению эффективности всех исследуемых моделей, что подтверждает ключевую роль корректной настройки параметров в обеспечении высокой прогностической точности. Полученные результаты также свидетельствуют о том, что нелинейные модели значительно эффективнее отражают сложные взаимосвязи, присущие образовательным данным. Анализ, выполненный с использованием метода SHAP, показал, что наибольшее влияние на академическую успеваемость оказывают уровень обучения, академическая вовлечённость, поддержка образовательной среды, саморегуляция и академическая мотивация. Повышение уровня академической вовлечённости, мотивации и саморегуляции увеличивает вероятность достижения академической успешности, тогда как более высокий уровень обучения ассоциируется со снижением данной вероятности. Результаты анализа, полученные с применением методов SHAP и LIME, показали, что прогнозы моделей формируются не под воздействием одного отдельного фактора, а являются результатом комплексного взаимодействия множества переменных. Высокая степень согласованности результатов, полученных двумя независимыми методами интерпретации, дополнительно подтверждает надёжность и устойчивость полученных выводов. В целом результаты исследования свидетельствуют о том, что академическая успеваемость определяется сложным взаимодействием индивидуального поведения, особенностей учебного процесса и характеристик образовательной среды.

Полученные результаты подтверждают, что академическая успеваемость представляет собой многомерный конструкт, который может быть эффективно смоделирован средствами методов машинного обучения. При этом методы ансамблевого обучения (Ensemble Learning), прежде всего Random Forest, продемонстрировали наиболее высокую прогностическую эффективность среди исследованных алгоритмов. Кроме того, интеграция методов объяснимого искусственного интеллекта (Explainable Artificial Intelligence, XAI) существенно повышает интерпретируемость результатов прогнозирования, преодолевая одно из наиболее существенных ограничений традиционных моделей машинного обучения.

Результаты исследования свидетельствуют о том, что академическая вовлечённость, мотивация и саморегуляция являются ключевыми детерминантами академической успешности студентов. Следовательно, учреждения высшего образования могут разрабатывать и внедрять программы поддержки, направленные на развитие именно этих компетенций. Наряду с этим улучшение образовательной среды и социально-экономических условий студентов способно оказать существенное положительное влияние на повышение уровня их академической успеваемости.

Настоящее исследование имеет ряд методологических ограничений. Во-первых, используемый набор данных сформирован на основе информации, полученной лишь в одном высшем учебном заведении, и базируется преимущественно на самоотчётных данных респондентов, что ограничивает возможность широкого обобщения полученных результатов. Во-вторых, преобразование академической успеваемости в задачу бинарной классификации могло привести к снижению аналитической глубины исследования. Кроме того, агрегированные тематическим способом составные переменные не были подвергнуты всестороннему психометрическому анализу валидности и надёжности, что также следует рассматривать как существенное методологическое ограничение настоящего исследования. В связи с этим в дальнейших исследованиях целесообразно использовать более многочисленные и разнородные выборки, а также применять лонгитюдные исследовательские дизайны, позволяющие анализировать динамику академической успеваемости во времени.

Таким образом, интеграция методов машинного обучения с технологиями объяснимого искусственного интеллекта (XAI) формирует комплексную методологическую основу, которая позволяет не только с высокой точностью прогнозировать академическую успеваемость, но и раскрывать механизмы формирования соответствующих прогнозов. Следовательно, данный подход способен содействовать принятию более прозрачных, интерпретируемых и научно обоснованных решений в сфере образования.

संरचित सार:

शैक्षणिक उपलब्धि (Academic Achievement) को व्यापक रूप से शिक्षा की गुणवत्ता के एक प्रमुख संकेतक के रूप में स्वीकार किया जाता है, क्योंकि यह न केवल विद्यार्थियों के विकास स्तर को प्रतिबिंबित करती है, बल्कि उच्च शिक्षा संस्थानों की शैक्षिक प्रभावशीलता का भी एक महत्वपूर्ण मानदंड है। तथापि, शैक्षणिक उपलब्धि केवल संज्ञानात्मक क्षमताओं का परिणाम नहीं है, बल्कि यह व्यवहारिक, मनोवैज्ञानिक तथा पर्यावरणीय कारकों की जटिल अंतःक्रिया से निर्मित होने वाली बहुआयामी प्रक्रिया है। इस संदर्भ में, पारंपरिक सांख्यिकीय विधियाँ शिक्षा-संबंधी आँकड़ों की जटिल तथा गैर-रेखीय संरचना को पर्याप्त रूप से अभिव्यक्त करने में सीमित सिद्ध होती हैं। इसके विपरीत, मशीन लर्निंग (Machine Learning, ML) आधारित विधियाँ जटिल प्रतिरूपों (patterns) की पहचान करने तथा पूर्वानुमानात्मक क्षमता को बढ़ाने में अधिक प्रभावी सिद्ध हुई हैं। तथापि, शैक्षणिक उपलब्धि के पूर्वानुमान पर आधारित अधिकांश अध्ययन मुख्यतः मॉडल की भविष्यवाणी-सटीकता पर केंद्रित रहे हैं, जबकि भविष्यवाणियों के निर्माण-तंत्र की व्याख्या अपेक्षाकृत उपेक्षित रही है। शिक्षा के क्षेत्र में यह सीमा विशेष रूप से महत्वपूर्ण है, क्योंकि शैक्षिक निर्णय विद्यार्थियों तथा संस्थानों दोनों पर दीर्घकालिक प्रभाव डालते हैं। इसी परिप्रेक्ष्य में, इस अध्ययन का उद्देश्य विश्वविद्यालय के विद्यार्थियों की शैक्षणिक उपलब्धि का पूर्वानुमान लगाने के लिए मशीन लर्निंग एल्गोरिद्मों का उपयोग करना तथा व्याख्यायोग्य कृत्रिम बुद्धिमत्ता (Explainable Artificial Intelligence, XAI) तकनीकों के माध्यम से इन पूर्वानुमानों की व्याख्या करना है। इस उद्देश्य की पूर्ति हेतु अध्ययन निम्नलिखित चार अनुसंधान प्रश्नों का समाधान प्रस्तुत करता है: (1) शैक्षणिक उपलब्धि के पूर्वानुमान में विभिन्न मशीन लर्निंग एल्गोरिद्मों का तुलनात्मक प्रदर्शन कैसा है? (2) हाइपरपैरामीटर अनुकूलन (Hyperparameter Optimization) मॉडल के प्रदर्शन को किस सीमा तक प्रभावित करता है? (3) कौन-से चर शैक्षणिक उपलब्धि पर सर्वाधिक प्रभाव डालते हैं? तथा (4) व्याख्यायोग्य कृत्रिम बुद्धिमत्ता की विधियाँ मशीन लर्निंग मॉडल के पूर्वानुमानों की व्याख्या एवं समझ को किस प्रकार सुदृढ़ करती हैं?

पूर्ववर्ती साहित्य में शैक्षणिक उपलब्धि को व्यापक रूप से एक बहुआयामी संरचना (Multidimensional Construct) के रूप में स्वीकार किया गया है, जो संज्ञानात्मक, व्यवहारिक, प्रेरणात्मक तथा पर्यावरणीय कारकों के संयुक्त प्रभाव से निर्मित होती है। अनेक अध्ययनों ने यह प्रदर्शित किया है कि शैक्षणिक संलग्नता (Academic Engagement), स्व-नियमन (Self-Regulation), शैक्षणिक प्रेरणा (Academic Motivation) तथा पर्यावरणीय समर्थन (Environmental Support) जैसे कारक विद्यार्थियों की शैक्षणिक सफलता के प्रमुख निर्धारक हैं। यद्यपि हाल के वर्षों में मशीन लर्निंग-आधारित अनुसंधानों की संख्या में उल्लेखनीय वृद्धि हुई है, फिर भी अधिकांश अध्ययन केवल पूर्वानुमान की सटीकता बढ़ाने तक सीमित रहे हैं तथा मॉडल के निर्णय-निर्माण की व्याख्या पर अपेक्षाकृत कम ध्यान दिया गया है। इस सीमा को सामान्यतः "ब्लैक बॉक्स (Black Box) समस्या" के रूप में जाना जाता है, जो शिक्षा क्षेत्र में मशीन लर्निंग मॉडलों की पारदर्शिता तथा व्यावहारिक उपयोगिता को सीमित करती है। इस समस्या के समाधान हेतु व्याख्यायोग्य कृत्रिम बुद्धिमत्ता (XAI) की विधियाँ, विशेषतः SHAP (SHapley Additive exPlanations) तथा LIME (Local Interpretable Model-agnostic Explanations), वैश्विक (Global) एवं स्थानीय (Local) दोनों स्तरों पर मॉडल के निर्णयों की व्याख्या करने की क्षमता प्रदान करती हैं। ये विधियाँ न केवल उन चरों की पहचान करती हैं जो पूर्वानुमान को सर्वाधिक प्रभावित करते हैं, बल्कि यह भी स्पष्ट करती हैं कि प्रत्येक चर किस प्रकार अंतिम निर्णय में योगदान देता है। इस प्रकार, वर्तमान अध्ययन मशीन लर्निंग तथा व्याख्यायोग्य कृत्रिम बुद्धिमत्ता के समन्वित उपयोग के माध्यम से पूर्वानुमानात्मक प्रदर्शन एवं मॉडल की व्याख्यात्मकता के मध्य विद्यमान अनुसंधान-अंतर (Research Gap) को संबोधित करने का प्रयास करता है।

इस अध्ययन का डेटा 353 विश्वविद्यालयी विद्यार्थियों से प्रश्नावली के माध्यम से संकलित किया गया। डेटासेट में जनसांख्यिकीय, शैक्षणिक, व्यवहारिक, डिजिटल तथा सामाजिक-आर्थिक चर सम्मिलित थे। अध्ययन में सुविधाजनक नमूना चयन (Convenience Sampling) विधि का उपयोग किया गया तथा प्रतिभागी एक ही संकाय से चयनित किए गए। प्रारम्भिक चरण में 38 चर संकलित किए गए, जिन्हें विषयगत समेकन (Thematic Aggregation) की प्रक्रिया द्वारा 19 वैचारिक चरों (Conceptual Variables) में रूपांतरित किया गया। तथापि, नाममात्र (Nominal) चरों पर वन-हॉट एन्कोडिंग (One-Hot Encoding) लागू किए जाने के पश्चात मशीन लर्निंग मॉडलों में प्रयुक्त अंतिम विशेषताओं (Features) की संख्या बढ़कर 23 हो गई। आश्रित चर, अर्थात् शैक्षणिक उपलब्धि (Grade Point Average, GPA), को 70 के कट-ऑफ मान के आधार पर द्विआधारी वर्गीकरण (Binary Classification) समस्या में परिवर्तित किया गया (सफल / असफल)। अध्ययन में लॉजिस्टिक प्रतिगमन (Logistic Regression, LR), रैंडम फ़ॉरेस्ट (Random Forest, RF), सपोर्ट वेक्टर मशीन (Support Vector Machines, SVM) तथा XGBoost (XGB) एल्गोरिद्मों का उपयोग किया गया। मॉडलों का मूल्यांकन पाँच-गुणा क्रॉस-वैलिडेशन (5-fold Cross-Validation) तथा 80% प्रशिक्षण–20% परीक्षण डेटा-विभाजन पद्धति के माध्यम से किया गया। जिन मॉडलों की कार्यक्षमता डेटा के पैमाने पर निर्भर थी, उनके लिए मानकीकरण (Standardization) लागू किया गया। मॉडल के प्रदर्शन को और अधिक अनुकूल बनाने हेतु Grid Search तथा Optuna आधारित हाइपरपैरामीटर अनुकूलन विधियों का उपयोग किया गया, जबकि F1-स्कोर (F1 Score) को प्रमुख प्रदर्शन-मापक के रूप में अपनाया गया। इसके अतिरिक्त, सर्वाधिक सफल मॉडल पर SHAP तथा LIME तकनीकों का प्रयोग करके वैश्विक एवं स्थानीय दोनों स्तरों पर मॉडल की भविष्यवाणियों का विस्तृत व्याख्यात्मक विश्लेषण किया गया।

अध्ययन के परिणामों से स्पष्ट हुआ कि रैंडम फ़ॉरेस्ट (Random Forest, RF) मॉडल ने सर्वश्रेष्ठ पूर्वानुमानात्मक प्रदर्शन प्रदर्शित किया (Accuracy = 0.78; F1 = 0.79), जबकि इसके पश्चात सपोर्ट वेक्टर मशीन (Support Vector Machines, SVM) मॉडल का स्थान रहा (Accuracy = 0.76; F1 = 0.77)। इसके विपरीत, लॉजिस्टिक प्रतिगमन (Logistic Regression, LR) तथा XGBoost (XGB) मॉडलों का प्रदर्शन तुलनात्मक रूप से निम्न पाया गया। यद्यपि RF तथा XGB मॉडलों ने प्रशिक्षण (Training) डेटा पर अत्यधिक उच्च प्रदर्शन प्रदर्शित किया, तथापि परीक्षण (Test) डेटा पर उनके प्रदर्शन में आई कमी ने अतिअनुरूपण (Overfitting) की उपस्थिति का संकेत दिया। इसके अतिरिक्त, हाइपरपैरामीटर अनुकूलन ने सभी मॉडलों के प्रदर्शन में उल्लेखनीय सुधार किया, जिससे यह स्पष्ट हुआ कि मॉडल के उपयुक्त पैरामीटर विन्यास (Parameter Tuning) का पूर्वानुमानात्मक क्षमता को बढ़ाने में अत्यंत महत्वपूर्ण योगदान है। परिणामों से यह भी ज्ञात हुआ कि गैर-रेखीय (Non-linear) मॉडल, डेटा में निहित जटिल संबंधों को निरूपित करने में रैखिक मॉडलों की तुलना में अधिक प्रभावी हैं। SHAP विश्लेषण से यह निष्कर्ष प्राप्त हुआ कि अध्ययन स्तर (Grade Level), शैक्षणिक संलग्नता (Academic Engagement), पर्यावरणीय समर्थन (Environmental Support), स्व-नियमन (Self-Regulation) तथा शैक्षणिक प्रेरणा (Academic Motivation) वे प्रमुख चर हैं, जिनका शैक्षणिक उपलब्धि पर सर्वाधिक प्रभाव पड़ता है। शैक्षणिक संलग्नता, प्रेरणा तथा स्व-नियमन में वृद्धि से विद्यार्थियों की शैक्षणिक सफलता की संभावना बढ़ती है, जबकि उच्च अध्ययन स्तर सफलता की संभावना में कमी के साथ संबद्ध पाया गया। SHAP तथा LIME दोनों विश्लेषणों ने यह प्रदर्शित किया कि मॉडल के पूर्वानुमान किसी एकल कारक पर आधारित नहीं होते, बल्कि अनेक चरों की पारस्परिक अंतःक्रिया का परिणाम होते हैं। दोनों व्याख्यात्मक विधियों से प्राप्त निष्कर्षों की उच्च स्तर की संगति अध्ययन के परिणामों की दृढ़ता एवं विश्वसनीयता को और अधिक सुदृढ़ करती है। समग्र रूप से, निष्कर्ष यह संकेत करते हैं कि शैक्षणिक उपलब्धि व्यक्तिगत व्यवहार, अधिगम प्रक्रियाओं तथा पर्यावरणीय परिस्थितियों की संयुक्त अंतःक्रिया से निर्मित होती है।

अध्ययन के निष्कर्ष यह प्रमाणित करते हैं कि शैक्षणिक उपलब्धि एक बहुआयामी संरचना (Multidimensional Construct) है, जिसका प्रभावी मॉडलन मशीन लर्निंग तकनीकों के माध्यम से किया जा सकता है। विशेष रूप से, समष्टिगत अधिगम (Ensemble Learning) पर आधारित विधियाँ, विशेषकर रैंडम फ़ॉरेस्ट (Random Forest), परीक्षण किए गए अन्य एल्गोरिद्मों की तुलना में श्रेष्ठ प्रदर्शन प्रदर्शित करती हैं। साथ ही, व्याख्यायोग्य कृत्रिम बुद्धिमत्ता (Explainable Artificial Intelligence, XAI) की विधियों का समावेशन मॉडल की व्याख्यात्मकता को उल्लेखनीय रूप से बढ़ाता है तथा पारंपरिक मशीन लर्निंग दृष्टिकोणों की प्रमुख सीमाओं में से एक को प्रभावी रूप से कम करता है।

अध्ययन के परिणामों से यह भी स्पष्ट हुआ कि शैक्षणिक संलग्नता, प्रेरणा तथा स्व-नियमन विद्यार्थियों की शैक्षणिक सफलता के सर्वाधिक महत्वपूर्ण निर्धारक हैं। अतः उच्च शिक्षा संस्थान इन आयामों को सुदृढ़ करने के उद्देश्य से लक्षित समर्थन कार्यक्रमों (Support Programs) का विकास एवं कार्यान्वयन कर सकते हैं। इसी प्रकार, विद्यार्थियों के पर्यावरणीय एवं सामाजिक-आर्थिक संसाधनों में सुधार भी उनकी शैक्षणिक उपलब्धि को उल्लेखनीय रूप से उन्नत कर सकता है।

वर्तमान अध्ययन की कुछ महत्वपूर्ण सीमाएँ भी हैं। प्रथम, प्रयुक्त डेटासेट केवल एक ही उच्च शिक्षा संस्थान से संकलित किया गया तथा यह मुख्यतः स्व-रिपोर्ट (Self-reported) आँकड़ों पर आधारित था; अतः परिणामों की सार्वभौमिकता (Generalizability) सीमित हो सकती है। द्वितीय, शैक्षणिक उपलब्धि को द्विआधारी वर्गीकरण समस्या में परिवर्तित करने से विश्लेषण की गहनता पर प्रतिकूल प्रभाव पड़ा हो सकता है। इसके अतिरिक्त, विषयगत समेकन द्वारा निर्मित संयुक्त चरों (Composite Variables) पर व्यापक मनोमितीय (Psychometric) वैधता एवं विश्वसनीयता विश्लेषण नहीं किया गया, जिसे इस अध्ययन की एक महत्वपूर्ण पद्धतिगत सीमा के रूप में स्वीकार किया जाना चाहिए। भविष्य के अध्ययनों में अधिक बड़े एवं विविधतापूर्ण नमूनों के साथ-साथ अनुदैर्ध्य (Longitudinal) अनुसंधान अभिकल्पों का उपयोग किया जाना चाहिए, ताकि समय के साथ शैक्षणिक उपलब्धि में होने वाले परिवर्तनों का अधिक व्यापक विश्लेषण किया जा सके।

अंततः, मशीन लर्निंग तथा व्याख्यायोग्य कृत्रिम बुद्धिमत्ता (XAI) का एकीकृत उपयोग ऐसा समग्र पद्धतिगत ढाँचा प्रस्तुत करता है, जो न केवल उच्च सटीकता के साथ शैक्षणिक उपलब्धि का पूर्वानुमान लगाने में सक्षम है, बल्कि उन अंतर्निहित तंत्रों की भी व्याख्या करता है जिनके आधार पर ये पूर्वानुमान निर्मित होते हैं। इस प्रकार, यह दृष्टिकोण शिक्षा के क्षेत्र में अधिक पारदर्शी, व्याख्यायोग्य तथा साक्ष्य-आधारित निर्णय-निर्माण प्रक्रियाओं को सुदृढ़ करने में महत्वपूर्ण योगदान प्रदान करता है।