没有一个模型能够达到100%的准确度

整个样本进行培训时，女性的DFW准确性较低，而少数民族学生人数较少的DFW准确性较高，他们有问题地指出，这需要对人口统计学进行模型调整。

人口统计学敏感的高风险学生预测模型不胜枚举。估计包括佐治亚州立大学在内的1,400所美国大学正在使用算法技术来识别可能正在苦苦挣扎的学生，以便他们提供支持，甚至鼓励这些学生改变专业。但是，尽管在经历了多年的急剧下降之后，全国毕业率在2016年又开始回升，但人们担心这种算法可能会加剧历史上的不平等现象，将低收入的学生或有色人种的学生集中到“更容易”和薪水更低的专业中。

“我们整个社会的高等教育都存在历史偏见，”新美国智库的高等教育高级顾问艾里斯·帕尔默(Iris Palmer)告诉AMP Reports。“如果我们使用过去的数据来预测学生将来的表现，我们是否可以消除这种偏见?将会发生的事情是他们会灰心……这最终将成为那些特殊学生的自我实现的预言。”

在这项最新研究中，当将其应用于第二个样本时，研究人员发现随机森林的性能稍好(这归因于将范围限制为三年零一个机构，而不是十年零零几个机构)。他们还发现，与性别，每周作业和测验成绩等课堂数据相比，诸如性别，标准化考试成绩，佩尔助学金资格以及从AP课程获得的学时等制度性变量的重要性要小。经过物理课训练的随机森林在物理课的第五周之后变得比基于机构数据的模型更好，而在大约第八周之后“大大”改善。在这种情况下，制度变量和课堂数据结合起来具有更大的预测能力：与仅制度变量的模型相比，

关于第三个样本，研究人员说，对其进行训练的模型比第一个和第二个语料库的模型具有更低的DFW准确性和精确度(即，两次或更多次测量的接近程度的度量)。研究人员称，仅预测第三样本中少数族裔人口分组结果的模型的性能大约与整体模型的绩效相近。这表明，第一样本中子分组的绩效差异并不是这些组的低水平的结果。表示。

研究人员告诫说，没有一个模型能够达到100%的准确度，这是由他们对第一个样本的最佳表现模型所证明的(该模型总体上达到了57%的准确度，或者仅比偶然性好一点)。但是他们断言机器学习分类代表了物理指导者塑造指导的工具。该研究的共同作者写道：“如果教师要使用分类算法的预测，那么重要的是，这些结果不要使他或她对个别学生的待遇有偏见。”“机器学习结果……不应被用来将学生排除在其他教育活动之外，以支持处于危险中的学生……但是，分类模型的结果可以被用来鼓励最有风险的学生利用这些机会。”