Wenn Sie ein College-Student sind und sich fragen, wie sich Ihre Lern- und Partygewohnheiten auf Ihren GPA auswirken, fragen Sie sich nicht länger. Forscher aus Dartmouth und ihre Kollegen haben die erste App entwickelt, die automatisch den Notendurchschnitt von College-Studenten basierend auf ihren Smartphone-Daten vorhersagt.
Die Ergebnisse bieten neue Möglichkeiten, die Leistung der Schüler zu verbessern, indem sie Echtzeit-Feedback zu ihrem Lernen, Feiern, Schlafen, Trainieren und anderen bewussten und unbewussten Verh altensweisen liefern, um ihnen zu helfen, akademisch auf Kurs zu bleiben.
Dartmouth-Informatikprofessor Andrew Campbell, leitender Autor der SmartGPA-Studie, wird am 27. Mai in einer Grundsatzrede auf der International Conference on Web and Social Media (ICWSM-15) in Oxford, England, vorläufige Ergebnisse vorstellen. Die vollständigen Ergebnisse werden vom 7. bis 11. September auf der ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2015) in Osaka, Japan, präsentiert.
Die SmartGPA-App baut auf der früheren StudentLife-Studie der Forscher auf, in deren Rahmen die erste Smartphone-App erstellt wurde, die automatisch die psychische Gesundheit, die schulischen Leistungen und Verh altenstrends von College-Studenten anzeigt.
"Viele kognitive, verh altensbezogene und umweltbedingte Faktoren wirken sich auf das Lernen der Schüler während des Studiums aus", sagt Campbell, leitender Autor der beiden Artikel SmartGPA und StudentLife. "Unsere SmartGPA-Ergebnisse zeigen, dass es eine Reihe wichtiger Studien- und Sozialverh altensweisen gibt, die automatisch aus Smartphone-Erkennungsdaten abgeleitet werden, die signifikant mit der Laufzeit und dem kumulativen GPA korrelieren."
Die Forscher installierten die SmartGPA-App auf den Smartphones von 30 Studenten aus Dartmouth und überwachten sie über einen Zeitraum von 10 Wochen. Die App verwendet rund um die Uhr automatische Erfassungsdaten auf dem Telefon und in der Cloud sowie maschinelle Lernalgorithmen, um auf Verh altensweisen auf höherer Ebene zu schließen, einschließlich Feiern (Häufigkeit und Dauer) und Lernen (Dauer und Fokus). Es verfolgt auch Verh altensänderungen der Schüler, wie z. B. Unterrichtsbesuch, Schlaf, körperliche Aktivität und Geselligkeit (d. h. persönliche Gespräche und Mobilität im Innen- und Außenbereich). Die App funktioniert hinter den Kulissen ohne Benutzereingaben.
Die Ergebnisse zeigen, dass die App zusammen mit regelmäßigen Selbstauskünften von Schülern ihren GPA innerhalb von 17 Hundertstelpunkten anhand ihres kumulativen GPA aus ihren Transkripten vorhersagen kann. Die Ergebnisse sind selbst für eine kleine Kohorte statistisch signifikant. Das Rechenmodell verwendet kein Vorwissen über die schulischen Leistungen der Schüler, wie z. B. SAT-Ergebnisse und IQ.
Die Ergebnisse zeigen, dass die vorhersagendsten Verh altensweisen zwischen Leistungsträgern und Leistungsträgern sind:
- Leistungsstarke erlebten einen Anstieg des Stressniveaus bis zur Mitte der Laufzeit, gefolgt von einem allmählichen Rückgang bis zum Ende der Laufzeit;
- In Bezug auf die Geselligkeit (d. h. die Menge an Gesprächen von Angesicht zu Angesicht) führten Leistungsstarke am frühen Abend und in der Nacht später im Semester kürzere Gespräche;
- Im Laufe des Semesters verbrachten die Leistungsstärkeren mehr Zeit mit dem Lernen;
- Leistungsstarke waren gewissenhafter in ihrem Verh alten;
- Leistungsstarke hatten am Ende des Semesters eine positivere Stimmung.
"Das College-Leben ist komplex", sagt Campbell. „Studenten müssen den Besuch des Unterrichts und gute akademische Leistungen mit konkurrierenden Anforderungen an ihre Zeit und Energie in Einklang bringen, aber es gibt keine allgemeine Einigkeit darüber, warum Studenten mit ähnlichen akademischen Fähigkeiten an derselben Institution besser oder schlechter abschneiden als andere. Darüber hinaus ist es so nicht klar, welche Verh altensweisen signifikant zu den individuellen Unterschieden in den Studienleistungen der Studierenden beitragen.
"In unserer vorherigen StudentLife-Studie haben wir einfache Durchschnittswerte aller Schülerverh altensweisen während des Semesters verwendet und basierend auf diesem Ansatz eine Reihe von Korrelationen mit der Leistung dargestellt. Die SmartGPA-Studie geht viel tiefer in unsere Analyse der akademischen Leistung und schlägt vor Zeitreihenanalyse der Datenströme jedes Schülers, um die Unterschiede der Individuen zwischen High- und Low-Performern am besten zu verstehen. Als Teil unserer Analyse haben wir neue Methoden vorgeschlagen, um Verh altensänderungen von Schülern zu bewerten, und ein einfaches Modell, um GPAs mit großer Genauigkeit vorherzusagen."
