Що пов’язано з успішністю школярів: AI проаналізував дані майже 79 тисяч учнів

Машинне навчання знайшло повторювані зв’язки між результатами школярів із природничих наук, домашніми ресурсами, соціально-економічним контекстом і ставленням до математики. Нове дослідження в PLOS One проаналізувало дані PISA 2022 для 78 685 учнів із дев’яти освітніх систем. Проте автори спеціально застерігають: це карта статистичних зв’язків, а не спосіб визначити «причину» оцінки або передбачити майбутнє конкретної дитини.

Що саме аналізували

До вибірки увійшли Австралія, Бельгія, Чехія, Фінляндія, Велика Британія, Ірландія, Південна Корея, Литва та Польща. Дослідники перевіряли сім обчислювальних підходів: кілька варіантів нейронних мереж, XGBoost, випадковий ліс і метод опорних векторів. Для пояснення поведінки основної моделі використали SHAP — метод, який показує, які вхідні ознаки найбільше змінювали її результат.

Аналіз повторювали на двадцяти розділеннях даних, причому учнів групували за школами. Такий підхід зменшує ризик, що модель просто запам’ятає особливості конкретного навчального закладу. Автори також перевіряли, як результати змінюються за іншого способу заповнення пропущених відповідей.

Які чинники повторювалися

У всіх дев’яти системах модель регулярно поверталася до показників економічного, соціального й культурного статусу, ресурсів удома та математичної впевненості учня. Чотири змінні залишалися у консервативному наборі навіть після додаткових перевірок: широкий індекс соціально-економічного статусу, індекс домашніх ресурсів, математична самоефективність і одна з анкетних характеристик навчального середовища.

Це не означає, що багатший дім автоматично забезпечує вищий бал або що одна психологічна риса визначає результат. Показники перетинаються між собою: домашні ресурси можуть бути пов’язані з освітою батьків, доступом до книг, техніки й підтримки. SHAP пояснює рішення навченої моделі, а не відкриває незалежний причинний механізм.

Різні країни — різна вага ознак

Навіть коли та сама змінна з’являлася в усіх системах, її відносна важливість відрізнялася. Автори пов’язують це з контекстом, взаємозалежністю показників, способом відповідей на анкети й особливостями самої моделі PISA. Тому переносити рейтинг чинників з однієї країни на іншу без окремої перевірки не можна.

Порівняння нейронної мережі з XGBoost показало значну, але неповну узгодженість. Зміна способу заповнення пропусків також по-різному впливала на точність і порядок важливості ознак у різних системах. Це хороший приклад того, чому пояснення AI не слід сприймати як незмінну істину: воно залежить від даних, архітектури й процедури підготовки.

Навіщо це батькам і вчителям

• Не оцінювати дитину одним показником. Навіть складна модель бачить лише ті змінні, які були в анкеті та тесті.
• Дивитися на умови навчання комплексно. Доступ до матеріалів, упевненість у власних силах і сімейний контекст можуть містити спільну інформацію.
• Не плутати прогноз і причину. Щоб довести ефект конкретного втручання, потрібен інший дизайн дослідження.
• Перевіряти AI-рекомендації локально. Модель, побудована на одних країнах або школах, не повинна автоматично визначати рішення в інших.

Головні обмеження

Дев’ять систем були фіксованою, а не випадковою вибіркою, тому висновки не можна переносити на всі країни PISA. «Правдоподібні значення» PISA призначені для оцінювання груп населення, а не є прямими індивідуальними балами. Пропущені відповіді також були пов’язані з успішністю й соціальним статусом, отже повністю усунути упередження відбору не вдалося.

Висновок: дослідження корисне як демонстрація того, як AI може порівнювати структуру великих освітніх даних. Але найважливіший урок — не список «головних причин», а межі самого аналізу: повторюваний зв’язок ще не є доказом причинності й не дає права ставити діагноз окремому учневі.

Перекладено й адаптовано за дослідженням Liu та співавторів, опублікованим 18 вересня 2026 року в PLOS One. Текст і чотири оригінальні фігури поширюються за CC BY 4.0. Ілюстрації оптимізовано без зміни змісту, підписи перекладено й скорочено.