← 返回 PaperDaily 前沿研究

学习助手让STEM毕业率提升9%，弱势群体提升20%

教育公平是热点议题，但缺乏大规模量化证据。这篇论文基于十年数据，用多层模型揭示了学习助手对STEM学生毕业率的显著提升，尤其对弱势群体效果惊人。结论扎实，对于教育管理者有直接参考价值。

龙哥读论文 阅读 4 查看原文
#AI应用 #预测模型
原论文信息如下：
论文标题:
Grades, equity and graduation rates: a quantitative analysis of the association of learning assistants with improved student outcomes
发表日期:
2026年7月
发表单位:
San Jose State University (圣何塞州立大学) and University of California, Davis (加州大学戴维斯分校)
原文链接:
https://arxiv.org/pdf/2607.27006v1.pdf

学习助手（LA）是提升学生成绩的“神兵利器”吗？

很多大学里都有这么一种角色：明明还是本科生，却被拉上讲台，在课堂上穿梭、打断、提问，甚至帮老师改作业——这就是学习助手（Learning Assistant，LA）。LA 通常是之前修过这门课并且表现不错的学生，他们被雇佣来辅助教学，而不是助教那样的批改机器。 过去十几年，加州大学系统带头推广的 LA 模式，被吹得神乎其神：能提高概念理解、降低挂科率、还能增强归属感。但也有人不服气：这些关联是不是巧合？是不是好学生才选了有 LA 的课？更重要的是：LA 到底能不能让更多学生顺利毕业？尤其是那些历史上被边缘化的群体？ 圣何塞州立大学的 Cassandra Paul 和加州大学戴维斯的 David Webb 两位研究者，带着 10 门 STEM 入门课程、超过 25000 名学生的 11 年数据，决定用多层模型（Multilevel Modeling）把这件事算清楚。他们不看“平均提升”，而是把学生分成不同的性别和族裔群体，逐一检验 LA 带来的影响。 结果令人惊讶——不仅是总体提升，更关键的是：那些最需要帮助的群体，受益最大。这或许是我们离“教育公平”最近的一次量化证据。

研究设计：十年数据，多层模型，多维度分析

这项研究的核心目标是回答两个问题：
1. 有 LA 的课上，学生是不是更不容易挂科（WFD：Withdrawal、D-grade、F-grade）？
2. 有 LA 上课经历的学生，最终毕业率是不是更高？ 为了得到可信的答案，研究者必须面对两个棘手问题。 第一个问题：学生不是随机被分配到有 LA 或无 LA 的班级的。某些老师可能更主动申请 LA，这些老师往往也是教学更用心的，所以即使有 LA，效果也可能是老师好造成的。而课程本身的难度、不同学期学生的素质波动，都会干扰判断。 第二个问题：同一个学生可能上过多门课，有的有 LA，有的没有，怎么定义“接触过 LA”？ 研究者的解法是：使用多层模型（Multilevel Modeling），把学生嵌套在班级里，班级嵌套在课程里。这样就能把班级层面的随机误差和课程层面的系统性差异分开，从而更准确地估计 LA 的效果。对于毕业率，他们进一步限制只考虑“大一新生直接入学”的学生，排除转学生带来的异质性，并定义一个变量 `LASomewhere`，只要学生在任意一门课里有 LA 经历，就标记为“有 LA”。对于重复出现的学生，随机选择一次课纳入分析，并多次验证稳定性。
图1a：WFD率的单变量模型，b0是常数项，bLA是LA虚拟变量的系数，取指数后可得有无LA的WFD概率比（Odds Ratio）。
对于毕业率，模型稍有不同，因为要跨课程和班级聚合：
图1b：毕业率模型，bLASomewhere的指数就是有无LA学生的毕业概率比。
数据来自圣何塞州立大学（一所区域公立大学，以学生多样性著称）的10门STEM入门课程，时间跨度从2010年到2022年（包含疫情期间）。总共615节没有LA的大班，67节有LA的大班。学生共25098人，其中男性16281人，女性8772人，非二元性别30人。历史上被边缘化的族裔群体（如非裔、拉丁裔、原住民等）共6475人。 研究者按照性别（M/F）和是否属于历史上被边缘化的族裔（HM/nonHM），将学生分为8个群体进行分别分析。

惊人的发现：LA对不同群体的影响差异显著

先看WFD率。下图把每门课有无LA的挂科率放在一起比较：
图1：10门课程中，有LA的班级WFD率全部低于无LA班级。误差棒为标准误。其中物理学2A、化学1A、生物学30、计算机科学46B的差异未达到统计学显著（P=0.05），但其余课程显著。
更关键的是图2，展示不同群体受益程度的差异：
图2：纵轴表示无LA班级中WFD学生比例减去有LA班级中WFD学生比例。横轴为8个群体。柱体上的数字为每学年如果所有班都有LA，可挽救的学生人数估计（括号内为标准误）。
可以看到：历史上被边缘化的族裔群体（HM）的受益程度远超非HM群体。男性HM群体WFD率降低约9个百分点，女性HM群体降低约7个百分点，而对应的非HM群体分别只降低约4个和2个百分点。所有群体的正差异在统计上都高度显著（P<0.001）。 如果所有入门课程都配备LA，每年估计可以减少304±31名学生的挂科或退课。 再看毕业率。研究者计算了4年、5年、6年、7年STEM毕业率的概率比（Odds Ratio）：
表1：4年毕业的概率比为1.27（P=0.006），5年为1.40（P<0.001），6年为1.47（P<0.001），7年为1.41（P=0.002）。说明有LA经历的学生的毕业概率显著更高。
更重要的差异在于分群体。下图展示了6年STEM毕业率：
图3：蓝色为无LA，橙色为至少一门课有LA。可以看到所有群体在接触LA后毕业率都有提升，但提升幅度差异很大。
具体数字：没有LA的学生整体6年STEM毕业率约为61%±5%，有LA后提升到70%±5%，提升约9个百分点。而最令人振奋的是：女性历史上被边缘化群体（F+HN）的无LA毕业率约53%，有LA后跃升至约73%，提升了20个百分点！男性HM群体也从约53%提升到约68%。相比之下，非HM群体的提升幅度小得多。 这说明LA模式不仅仅是对所有人好，更是对最需要帮助的人特别好——这正是“课程缺陷模型”所预测的：调整课程结构（引入LA）可以压缩因学生背景差异造成的公平性差距。

结论与局限：LA能否成为教育公平的突破口？

综合来看，这篇论文提供了非常有力的关联性证据：学习助手不仅与更高的课程通过率和毕业率相关，而且对历史上被边缘化的群体效果更大。研究者特意指出，这符合“课程缺陷模型”——即课程结构的设计会导致差异，修改结构（例如引入LA）可以缩小差距，同时提升整体水平。 但龙哥必须强调几点局限性（论文作者自己也坦诚）： 1. 单机构研究：只在圣何塞州立大学，一所区域公立大学，学生群体非常多样化。其他类型的大学效果可能不同。 2. 观察性数据：虽然用了多层模型控制班级和课程差异，但无法完全排除选择偏差——也许本来就是更好的老师才申请LA，这些老师的课本身就更优秀。虽然有因果研究（如Kramer 2023）支持LAs的因果作用，但本研究给出的是关联性。 3. 时间跨度包含疫情：2020-2021年期间，LA的工作方式发生了很大变化（线上），这可能会稀释或扭曲效果。 4. 未控制教师因素：不同教师使用LA的方式、频率、互动质量等差异巨大，本研究未对此建模。 5. 毕业率定义局限：只考虑了STEM专业毕业，且排除了转学生，可能低估实际影响。 尽管如此，9个百分点的毕业率提升，20个百分点的特定群体提升，这一数字已经足以让教育管理者认真思考：一个只需要雇佣本科生（成本远低于专职助教）的项目，就能带来如此可观的公平性收益，同时不损害任何群体——这简直是“帕累托改进”。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

Q1：什么是WFD率？WFD代表Withdrawal（退课）、D-grade（D等成绩）、F-grade（F等成绩）。WFD率就是选了一门课后，最终要么退课、要么只拿到D或F的学生比例。这是衡量课程通过率的常用指标。

Q2：为什么用多层模型而不是普通回归？因为数据有层次结构：学生→班级→课程。同一个班级内的学生不是独立的，他们共享同一个教师、同一份试卷。普通回归会低估标准误，导致过度显著。多层模型能正确考虑班级间的变异，给出更可靠的统计推断。

Q3：这篇研究给了哪些可以直接参考的建议？对于教育管理者：在入门STEM课程中引入LA模式，尤其是对于学生群体来源多样化的大学，可能带来显著的通过率和毕业率提升，同时缩小族裔间的公平性差距。成本仅为雇佣本科生（时薪通常较低），性价比极高。但要注意选择愿意合作的教师，并建立LA培训制度。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★✰✰

将多层模型和课程缺陷模型应用于LA对毕业率的分群体影响分析，虽然方法成熟，但在教育公平这一敏感且重要的议题上提供了新证据。

实验合理度：★★★★✰

使用了11年的大样本数据，多层模型处理层次结构，重复抽样验证毕业率分析的稳定性。不足之处是仍未控制教师层面差异和选择偏差。

学术研究价值：★★★★✰

为教育公平的“课程缺陷模型”提供了大规模量化支持，启发了后续多机构、因果推断研究的方向。

稳定性：★★★✰✰

结论在不同课程间存在差异（部分课程未达统计显著），且未排除教师效应，稳定性一般。

适应性以及泛化能力：★★★✰✰

单机构研究，且该校学生群体高度多样化。在精英大学或同质性高的学校效果可能不同。需要更多验证。

硬件需求及成本：★★★★★

本质是教育政策研究，无需计算资源。LA雇佣成本远低于专职教师，可行性高。

复现难度：★★★★✰

论文详细描述了方法、数据来源和模型公式。但原始数据来自大学管理数据库，外部研究者获取可能有障碍，不过论文给出的统计结果足以支撑核心结论。

产品化成熟度：★★✰✰✰

该研究是观察性分析，并非产品或系统。其结论可作为教育政策建议，但直接“产品化”不适用。

可能的问题：论文明确承认未控制教师差异和自选择偏差，且仅为一所大学。此外，疫情期间LA模式变异可能影响结果的普适性。尽管如此，作为首个针对多课程、多群体、多年限的大规模LA关联性分析，其贡献不容忽视。


主要参考文献

[1] Otero, V., Pollock, S., McCray, R. & Finkelstein, N. Who Is Responsible for Preparing Science Teachers? Science 313, 445 (2006).
[2] Alzen, J. L., Langdon, L. & Otero, V. K. The Learning Assistant model and DFW rates in introductory physics courses. in 2017 Physics Education Research Conference (2018) 36–39.
[3] Kramer, L., Fuller, E., Watson, C., Castillo, A., Oliva, P. D. & Potvin, G. Establishing a new standard of care for calculus using trials with randomized student allocation. Science 381, 995 (2023).
[4] Webb, D. J. & Paul, C. A. Attributing equity gaps to course structure in introductory physics. Phys. Rev. Phys. Educ. Res. 19, 020126 (2023).
[5] Paul, C. A. & Webb, D. J. Examining equity and graduation rates at two institutions using a course deficit model and the collaborative learning through active sense-making in physics curriculum. Phys. Rev. Phys. Educ. Res. 21, 010107 (2025).
[6] Bundy, C. G. & Wong, T. E. Analyzing Learning Assistant influence on STEM student success using logistic and hierarchical regression. Contemporary Mathematics and Science Education 6, ep25005 (2025).

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
想了解更多教育公平与学习分析的量化证据？欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 学习分析+上海+圣何塞州大+龙哥），根据格式备注，可更快被通过且邀请进群。
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。