课外活动与学业发展：基于系统综述视角看AI技术在课外教育研究中的新机遇 | MDPI Education Sciences

课外活动 (Extracurricular Activities, ECAs) 是正式课程之外的重要教育活动，包括体育、艺术、音乐、学生社团、志愿服务、领导力项目等。既有研究长期关注其与学生学业表现之间的关系。与此同时，人工智能 (AI) 和机器学习 (ML) 逐渐应用于学业成绩预测、辍学风险识别和教育决策，但传统模型主要使用成绩、出勤率、人口统计信息及学习平台数据，课外活动等非学业变量较少被纳入。针对这一问题，近期一项系统综述对课外活动与学业表现的关系，以及AI/ML在相关研究中的应用进行了综合分析。

该研究遵循PRISMA 2020规范，纳入2010—2025年发表的实证研究，并围绕三个问题展开：课外活动对学生学业结果有何影响；AI/ML如何用于分析课外活动数据；现有研究还存在哪些不足。研究采用双路径检索策略，覆盖Scopus、Web of Science Core Collection、ERIC、IEEE Xplore、ACM Digital Library、PubMed和SpringerLink等数据库，同时通过Google Scholar及出版商平台补充检索，并采用前向、后向滚雪球方法扩展文献范围。由于纳入研究在样本、课外活动测量、学业结果和分析方法方面存在较大异质性，研究采用叙述性综合，而未进行定量Meta分析。

30项研究中，19项报告课外活动与学业结果存在正向关联，占63.3%；8项未发现显著关联，占26.7%；3项报告负向关联，占10.0%。因此，现有证据总体表现为正向关联，但研究结果并不完全一致。

不同教育阶段和活动类型呈现出不同特点。小学阶段，课外活动更多与学习动机、出勤、社会融入和课堂行为相关；中学阶段，体育活动与韧性、团队合作和坚持性相关，艺术活动与创造力、问题解决能力和沟通能力相关，志愿服务和领导力活动则与社会责任、自我效能及组织能力有关。高等教育阶段，课外活动除在部分情况下与GPA相关外，更突出地表现为学业坚持、学生留存、职业准备和就业能力方面的关联。

研究同时发现，参与程度是重要因素。约三分之二的研究报告正向关联，而负向结果通常出现在过度参与或存在学习时间竞争的情境中。由此，该研究认为，适度参与可能带来更积极的学业结果，而过度参与可能因压力、疲劳和时间冲突而产生不利影响。

30项研究中有12项采用机器学习或数据挖掘方法，常见算法包括决策树、随机森林、支持向量机、逻辑回归以及少量神经网络模型。相关研究主要用于预测GPA、学业表现、辍学风险和学生留存。部分研究发现，将课外活动变量与传统学业及人口统计变量结合后，预测性能有所改善；部分模型还显示，体育、领导力或志愿服务参与情况具有一定预测价值。

但研究并未表明这些预测已形成成熟、统一的模型体系。不同研究的样本量、变量设置、结果指标和验证方法存在较大差异，因此报告的预测准确率不能直接比较。与此同时，现有ML研究普遍将课外活动简化为二元或类别变量，较少反映参与频率、持续时间和强度等差异。

该综述指出，现有证据仍存在几个主要局限。首先，多数研究采用横断面设计，因此因果推断能力有限，需要更多纵向、实验和准实验研究。其次，不同研究对课外活动和学业表现的定义、测量方式并不统一，影响研究之间的可比性。再次，ML研究存在验证程序报告不足、过拟合风险和可重复性不足等问题，模型解释性也有待加强。

此外，公平性也是课外活动进入教育预测模型后需要关注的问题。学生参与课外活动的机会可能受到社会经济条件、学校资源和文化环境影响。如果模型忽略这些结构性因素，可能进一步强化已有教育不平等。综述发现，12项ML研究中均未开展结构化的人口统计公平性分析。

总体而言，这项系统综述表明，课外活动与学生学业结果总体呈正向关联，但其影响因教育阶段、活动类型和参与程度等因素而异。AI/ML研究进一步表明，课外活动变量能够为GPA、辍学风险和留存等结果提供额外预测信息。不过，现有研究仍处于发展阶段。未来需要通过标准化测量、纵向研究、更加透明和可重复的机器学习方法，以及对可解释性和公平性的系统关注，进一步提高相关研究的可靠性和可推广性。