目前，主修STEM专业的美国大学生的毕业率比非STEM专业的大学生低20%左右，这是一个响亮的号角，呼吁更好地帮助这些学生，尤其是在他们的前几个学期。虽然系统的、长期的转变——从讲课转向以证据为基础的教学实践的分享——应该会有所帮助，但学术界的惰性有时会减缓它们的采用。
一些教育工作者和研究人员希望通过一些正确方向的推动来补充这些重大转变。一个很有希望的选择是:定期干预，旨在帮助困难的学生找到自己的道路。
内布拉斯加州的穆罕默德·哈桑(Mohammad Hasan)和比拉尔·汗(Bilal Khan)最近调查了机器学习——一种能够识别数据模式的人工智能形式，然后利用所学的识别来预测结果——是否可能是导致这种情况的原因。首先，哈桑和汗训练了一个模型，该模型包括2015年至2018年间参加计算机科学课程的537名学生的家庭作业、测验、期中成绩以及期末成绩。
后来，他们将该模型应用于65名选修同一门课程的本科生。在学期的三个时间点——第6周、第9周和第12周——32名学生通过大学的课程管理系统收到了一条自动信息。这个信息传递了模型对学生通过课程的预测:“好”、“一般”、“风险对风险”或“有风险”。其余33名学生，也就是对照组的学生，总是收到一条“无法做出预测”的信息。
在对照组中，33名学生中有24名(约73%)通过了课程。与此同时，那些根据自己的轨迹得到实际预测的学生表现得好得多:32名学生中有29名通过了考试，合格率接近91%。在那些主动查看自己状态的受访学生中，86%的人表示在看到预测后会更加努力。
这项研究发表在《公共科学图书馆·综合》杂志上。
Hasan和Khan说，虽然研究结果还早，但指出了将基于人工智能的干预措施整合到STEM课程中的价值。两人计划进行一项更大规模、更长期的研究，以帮助确定分数以外的变量——与课程相关的行为、对科学的认知、人口统计学——是否可以推广并扩大干预措施在单一统一课程之外的应用。
