Domain Methodology · Education

学习行为与学业成绩的关联研究

以 UCI Student Performance(id=320)为基准数据:葡萄牙两所中学、葡语课 649 名中学生 × 33 字段,真实公开数据(CC BY 4.0)。研究对象是高校教师学员—— 本域教的是教育科研方法本身,不是"预测学生"。

T1–T5 预登记协议流程

协议 V1.0 先于分析锁定(datasets/education-student-performance/protocol.md);分析计划不得边看边改。

T1数据导入与字段语义核查

分号解析 + 逐列类型断言 + 缺失/重复审计。raw 字节级检查发现 G1/G2 取值带引号——标准解析器静默吸收为整数,类型异常就此消失。引号数字是解析层必须显式核查类型的原因。

教学点:引号数字 → 静默类型漂移 → "解析层不得信任推断"三段论,是 data-intake 技能的核心案例。

T2单变量关联 + 组间检验(只表述关联)

有序暴露用 Spearman(ρ:studytime +0.2747、failures −0.4484);absences 双口径对照(Pearson −0.0914 / Spearman −0.1585);两独立组 Welch t + Mann-Whitney + Cohen's d(sex:d=−0.264);Medu 五组 Welch ANOVA(F=9.85);卡方 + Cramér's V(school×higher V=0.131,含期望频数检查);8 项检验家族 Bonferroni / BH-FDR 双校正。

T3多变量回归 M1 与诊断

协议公式 G3 ~ C(school)+C(sex)+Medu+Fedu+studytime+failures+absences: 调整 R²=0.2629;studytime +0.511 [0.239, 0.783];failures −1.667(p≈2e-17)。 诊断三件套真实存在:BP 显著(异方差)→ 必报 HC3 稳健 SE;JB 拒绝正态(偏度 −0.84); VIFmax=1.80 无共线;设计矩阵满秩;Cook's d >4/n 共 60 例(报告而不删除)。

T4目标信息时点对照(泄漏审计)

M2 = M1 + G1 + G2 → 调整 R² 0.2629 → 0.8500(Δ+0.587)。 解读纪律:M2 回答"期末解释/含泄漏预测",不是"更好的模型";回答研究问题的只有 M1。 教育数据几乎总含期中成绩——这是该领域最常见、最隐蔽的泄漏源。

课堂金句:如果论文里出现这种解释力跳变,先问"预测在什么时点可用",而不是先庆祝。

T4b连续预测与解释

80/20(seed=42)holdout MAE=2.20 / RMSE=2.826 / R²=0.226;5 折 CV R² 均值 0.2377; 置换重要性(r² 计分,30 次重复)给出"哪些变量真正贡献样本外预测"。

T5复现交付

results.json(全量结构化)+ report.md(人读)+ tables/ + figures/ + 运行日志; 双实现互证:statsmodels vs numpy 手写 OLS |Δ系数|=0(逐位一致); python scripts/verify.py --suite education 一键对账。

数值锚点卡(授课只引用这些锁定值)

样本规模649 × 33,0 缺失 0 重复
studytime ↔ G3ρ = +0.2747(p≈1.1e-12)
性别效应(男−女)−0.847 分,d = −0.2643
M1 调整 R²0.2629
M2(含 G1/G2)调整 R²0.8500(Δ +0.5872)
holdout RMSE / CV R²2.826 / 0.2377
多重校正8 项家族:Bonferroni 6 项 / FDR 8 项显著

课堂讲点(教师速查)

🧲 为什么是"中学数据"?

授课对象是高校教师,研究主题是教育科研方法。数据真实性、变量语义(studytime 分档、failures 上限封顶 4)、重叠样本(382 名学生两课都有记录,禁合并当独立样本)——每一条都是真实科研会遇到的问题。

🗣️ 措辞边界训练

全部结论用"关联/一致/提示";"证明/导致/效应"在观察性设计里不出现——报告生成器从 JSON 引用数字时同步执行这一纪律。

🔁 换学科怎么迁

tools/ 零改动;换协议 + 字典 + Skill + expected/ 锚点即可。迁移自检:用第二份数据证明"真实复用"而非"复制结果"。

不适用方法(显式声明,防方法错配)

生存分析(无时间-事件字段)· 纵向/混合模型(无重复测量)· 因果效应估计(观察性无识别策略)· 调查加权(非复杂抽样)· 序数 Logistic 作主模型(G3 近似连续,OLS 为协议主模型,序数模型仅课后扩展)
# 一键复现本域全部数字
python examples/education-demo/run_t1_t5.py
python scripts/verify.py --suite education   # 教育段逐项对账