1. 项目概述：为什么我们需要关注ML/AI学生的“留下来”问题？
这几年，机器学习（ML）和人工智能（AI）火得一塌糊涂，几乎成了所有科技论坛和招聘广告的“标配”。从自动驾驶到医疗影像诊断，从智能推荐到金融风控，AI技术正在重塑各行各业。随之而来的，是高校里相关课程的火爆，以及无数学生怀揣着“成为下一个AI大牛”的梦想涌入这个领域。但一个残酷的现实是，进来的人多，真正能留下来、深耕下去的人，尤其是女性和少数族裔学生，比例却远低于我们的期望。
我接触过不少学生，他们最初被AI的“酷炫”和“高薪”吸引，兴致勃勃地选了课，啃下了艰难的数学和编程。但一个学期、一年、甚至毕业后，很多人却选择了离开。这背后不仅仅是个人兴趣的转移，更是一个复杂的系统性问题。为什么有些学生能坚定地走下去，而另一些则在半路掉队？这个问题，直接关系到这个新兴领域的健康与未来。一个缺乏多样性的AI领域是危险的，它产出的算法可能会带有偏见，无法公平地服务所有人。因此，理解学生持续参与（Persistence）的影响因素，并找到有效的提升策略，不再只是一个教育课题，更是关乎技术伦理和社会公平的紧迫任务。
最近，一项针对北美一所顶尖大学ML/AI课程学生的调查研究，为我们揭开了这个黑箱的一角。这项研究没有停留在简单的“喜欢与否”层面，而是深入剖析了“意向持续性”（Intentional Persistence）——即学生自己是否打算继续学习ML/AI课程或从事相关职业。研究发现，除了我们熟知的专业背景、学业阶段这些“硬条件”外，三个“软性”心理因素扮演了关键角色：专业角色信心、对社会效益的追求，以及非技术性人际交往技能的自评。更令人深思的是，渴望自己的工作能产生积极社会效益，竟然与长期留在AI领域的意愿呈负相关，而女性普遍更看重这一点。这为我们敲响了警钟：如果我们的教育只强调技术本身，而忽视了技术的“温度”和“向善”的可能，我们可能正在无意中劝退那些最有社会责任感、最可能让AI技术健康发展的未来人才。
接下来的内容，我将结合这项研究的主要发现，以及我个人在行业和教育一线观察到的现象，拆解影响学生持续参与的几大核心因素，并分享一些我认为行之有效的、能让课堂内外发生改变的具体策略。无论你是教育工作者、行业导师，还是一名正在AI道路上探索的学生，希望这些来自前沿研究和实战经验的干货，能给你带来一些实实在在的启发。
2. 核心影响因素深度解析：是什么在推动或拉扯学生？
影响一个学生是否愿意在ML/AI这条路上长期走下去的因素是多维且相互交织的。上述研究通过严谨的模型，将众多变量梳理成了几个清晰的维度。我们可以把这些因素想象成一辆车的动力系统和阻力系统。
2.1 动力系统：专业角色信心与身份认同
这是最核心的引擎。专业角色信心指的是学生对自己能否成功扮演一个ML/AI领域专业角色的信念。它具体又可以分为几个子维度：
- 职业匹配信心：学生是否觉得“ML/AI是适合我的职业”？我能否在其中找到满意的岗位？这关乎个人兴趣、价值观与领域特质的契合度。很多学生初入此门是因为潮流，但很快会发现，日复一日地调参、处理脏数据、阅读艰涩的论文并非自己想象中那般“科幻”。如果内心不认同这份工作的日常，离开是迟早的事。
- 专业能力信心：学生是否相信自己具备在该领域取得成功所需的能力？这直接与他们的数学和编程自评能力挂钩。研究证实，对自身技术能力评价高的学生，长期坚持的意向显著更强。这是一个典型的“马太效应”：初期成功或正反馈会增强信心，从而更愿意投入，获得更大成功；反之，初期受挫则容易导致信心崩塌，萌生退意。女性学生和少数族裔学生更容易受到“ stereotype threat”（刻板印象威胁）的影响，即在担心自己会印证某种负面 stereotype（如“女生不擅长数学”）的焦虑下，实际表现反而会下降，进一步打击信心。
- 社会归属信心：学生是否觉得自己能融入ML/AI的社群和文化？是否能在这里找到志同道合的伙伴和归属感？虽然在此次研究中，社会归属信心对持续性的直接预测作用不显著，但大量其他研究指出，尤其在工程和计算机科学领域，营造包容的社区环境对于留住女性和 underrepresented groups（代表性不足的群体）至关重要。一个充满竞争、孤立甚至存在微歧视的环境，会无声地驱逐很多人。
实操心得：信心不是凭空产生的。我发现，在课程中尽早引入小型、可实现的成功项目至关重要。例如，在第一周就让学生用一个简单的线性回归模型预测波士顿房价，并得到可视化的结果。这种“我能做到”的即时正反馈，是点燃信心的第一把火。同时，展示领域内多元化的成功榜样（不同性别、背景的科学家、工程师），能有效打破刻板印象，帮助学生建立“这里也有我的位置”的认同感。
2.2 独特的“双刃剑”：对社会效益的追求
这是研究中最反直觉也最值得深思的发现：渴望自己的工作能产生积极的社会效益，竟然是长期留在ML/AI领域的负面预测因素，且女性学生在这一项上的平均得分显著更高。
这听起来似乎违背常理。难道有社会责任感不好吗？深层原因可能在于当前AI领域的现实与理想之间的落差。
- 行业现状的冲击：许多学生，尤其是怀有强烈利他主义和社会关怀的学生，进入AI领域是希望用技术解决气候变化、医疗不平等、教育公平等宏大问题。然而，他们很快发现，市场上绝大多数高薪、光鲜的AI岗位集中在科技巨头，工作内容可能是优化广告点击率、开发更让人上瘾的推荐系统，或是用于军事、监控等存在伦理争议的领域。这种“理想很丰满，现实很骨感”的冲击，会导致强烈的幻灭感。
- 课程设置的缺失：传统的ML/AI课程高度聚焦于算法、模型和性能指标（如准确率、F1分数），很少系统性地探讨技术的社会影响、伦理困境和公平性问题。当学生的价值观无法在所学内容和未来职业展望中找到共鸣点时，离开就成了他们维护价值观的一种方式。
- 女性的更高关注：研究数据表明女性普遍更看重工作的社会意义。当她们感知到AI领域可能存在的“价值脱节”或伦理风险时，退出的可能性会更大。这在一定程度上解释了为何AI领域的性别差距如此顽固。
2.3 被低估的“软实力”：非技术性人际交往技能
与对社会效益的追求形成有趣对比的是，对自身非技术性人际交往技能（如沟通、团队合作、领导力）的高评价，是预测长期持续参与的强有力正面因素。
这揭示了AI工作的本质正在发生变化：
- 从“孤胆英雄”到“团队作战”：现代的AI项目极少能由一个人单打独斗完成。它需要数据工程师、算法工程师、产品经理、领域专家、伦理学家、法务人员紧密协作。一个不擅沟通、无法清晰向非技术人员解释模型原理或价值的工程师，其职业天花板会很低。
- 领导力与影响力：将一个AI想法落地为产品，推动其在组织内被采纳，需要的不仅仅是技术过硬，更需要说服、协调、项目管理等能力。对自己这些能力有信心的人，更能看到自己在该领域的长远发展路径，因而更愿意留下。
- 技能互补带来的安全感：意识到自己不仅拥有技术“硬技能”，还拥有沟通协作“软技能”，这种复合型人才的自我认知，能带来更强的职业安全感和适应性，抵消部分技术快速迭代带来的焦虑。
2.4 基础背景与外部环境因素
除了上述心理因素，一些客观条件也不容忽视：
- 学术背景：专业（如计算机科学 vs. 机械工程）、学历层次（本科 vs. 研究生）显著影响短期选课意向。研究生通常目标更明确。
- 经济压力：研究显示，有学生贷款的学生在某些维度上表现出差异。经济压力可能迫使学生更倾向于选择 perceived（被认为）起薪高、来钱快的路径，即便与个人兴趣不完全吻合。
- 环境毒性：经历过或感知到课程环境中存在基于性别、种族等的歧视、微侵犯或 stereotype reinforcement（刻板印象强化）的学生，其持续意愿会受到严重打击。一个不友好、排外的环境是人才流失的加速器。
3. 提升策略：从课堂到生态系统的全方位干预
基于以上分析，提升学生在ML/AI领域的持续参与度，特别是促进多样性，不能只靠喊口号，需要一套从微观教学实践到宏观生态系统建设的组合拳。
3.1 重塑课程内容：注入伦理、社会价值与“人”的元素
这是应对“社会效益悖论”和培养“软技能”的直接抓手。课程设计需要进行根本性的革新。
将伦理与社会影响贯穿始终：不是在课程最后加一个“AI伦理”的讲座，而是将伦理思考融入每一个技术模块。
- 案例教学：在讲图像分类时，引入“性别 Shades”研究，讨论数据集偏差如何导致算法对不同肤色、性别的人识别率不同。在讲推荐系统时，讨论信息茧房和算法偏见。
- 项目设计：鼓励或要求学生选择具有明确社会正向意义的项目选题，如开发辅助视障人士的APP、用时间序列预测预测区域用电量以促进节能、分析公共政策数据等。让学生看到技术向善的可能。
- 设立“影响评估”环节：在项目考核中，加入对技术方案可能产生的社会、伦理影响的评估报告，作为评分的一部分。
强制性培养非技术技能：将这些技能的培养量化、课程化。
- 团队项目为核心：设计必须通过团队合作才能完成的大作业，明确角色分工（如项目经理、算法负责人、沟通协调员、文档专家），并引入同伴互评机制，评估每个人的协作贡献。
- 沟通表达训练：要求学生不仅提交代码和报告，还要做项目展示（Tech Talk），对象设定为“技术背景不同的投资人”或“完全不懂技术的普通用户”，锻炼他们化繁为简的沟通能力。
- 邀请业界嘉宾：定期邀请来自不同行业（不仅是科技公司，也包括NGO、政府机构、传统企业数字化转型部门）的从业者，分享他们工作中如何运用AI，以及沟通、跨部门协作、项目管理技能如何帮助他们成功。
3.2 构建支持性环境：提升信心与归属感
信心和归属感需要在一个安全、支持的环境中才能生长。
针对性的信心建设：
- 细分学习路径与即时反馈：为不同基础的学生提供差异化的学习材料和挑战任务。建立频繁、小步快的评估机制（如每周编程练习、小测验），让学生能持续获得进步反馈，避免在期中/期末大考中一次性信心崩溃。
- 建立“成长型思维”文化：在教学中强调，能力是通过努力和实践提升的，而非固定不变的。公开分享教授、助教甚至业界专家早期学习时犯的错误和遇到的困难， normalize（常态化）“遇到困难”这件事。
- 提供丰富的榜样：在课件、阅读材料、嘉宾讲座中，有意识地展示女性、有色人种、 LGBTQ+等多元背景的AI科学家和工程师的成功故事和职业路径。
打造包容性学习社区：
- 设立同伴互助小组：由高年级学生或助教带领，定期组织学习小组，不仅讨论课业，也分享实习求职经验、行业见闻，形成支持网络。
- 教师与助教的包容性培训：教育工作者需要意识到无意识的偏见，并学习如何创造公平的课堂互动环境（如提问方式、分组方式、反馈语言）。
- 明确反对歧视和骚扰：在课程大纲和第一节课就明确声明对歧视、骚扰零容忍的政策，并建立清晰、易操作的举报和支持渠道。
3.3 拓展职业视野：连接多元化的未来
帮助学生看到AI领域广阔的可能性，打破“只有去大厂搞算法才是成功”的单一叙事。
- 职业路径导航：系统介绍AI相关的各种职业角色，如研究科学家、机器学习工程师、数据产品经理、AI伦理顾问、AI政策分析师、AI+XX（医疗、金融、农业等）领域专家等，并说明不同角色所需的核心技能组合。
- 行业连接项目：与不同类型的企业、研究机构、非营利组织合作，设立短期实习、项目实践或行业导师计划。让学生亲身体验AI在不同场景下的应用，了解其复杂的社会嵌入过程。
- 强调复合型优势：鼓励来自非计算机专业（如生物、社科、艺术）的学生，将他们原有的领域知识（Domain Knowledge）与AI技能结合，塑造自己独特的跨界竞争力。这能极大增强他们的职业认同感和不可替代性。
3.4 系统性变革：超越课堂的长期努力
学生的去留问题，根植于更广阔的社会和学术系统。
- 师资队伍的多元化：研究表明，院系授予 underrepresented minorities（代表性不足的少数群体）学生的学位越多，越有可能雇佣 underrepresented minority 的女性教职员工。多元化的教师队伍本身就是一个强烈的信号，能为学生提供更贴近的榜样，并带来更包容的课程视角。招聘和晋升政策需要向此倾斜。
- 招生与资助政策的审视：审视研究生招生和本科生录取过程中是否存在无形的壁垒。为经济困难的学生提供充足的研究助理、教学助理职位和奖学金，减轻其经济压力，让他们能更专注于学术和职业探索，而非生存。
- 长期追踪与支持：正如研究中所做，建立对学生从入学到毕业乃至职业早期数年的长期追踪机制。通过定期调查和访谈，持续收集数据，评估各项干预措施的效果，并动态调整策略。教育是一个长期工程，提升持续参与度需要耐心和基于证据的迭代。
4. 常见问题与实操挑战实录
在尝试实施上述策略时，无论是教师还是学生，都可能遇到一些典型的挑战。以下是我根据经验和观察整理的一些常见问题及应对思路。
4.1 对于教育工作者：“课程容量已满，如何塞进新内容？”
这是最现实的约束。我的建议不是“做加法”，而是“做整合与替换”。
- 挑战：现有教学大纲已经非常紧凑，再加入伦理、社会影响、团队协作等内容，时间根本不够。
- 应对策略：
- 案例整合：用融合了伦理考量的真实案例，替换掉纯技术演示的虚构例子。例如，讲模型评估时，不用经典的鸢尾花数据集，而用COMPAS再犯风险评估算法的案例，同时讲解准确率、公平性指标（如 demographic parity）和其引发的巨大社会争议。一个案例，同时教授了技术和伦理。
- 项目驱动，一举多得：设计一个贯穿学期的大项目，要求必须团队完成，选题需有社会价值，最终交付物包括代码、技术报告、面向公众的项目介绍视频。这一个项目，同时锻炼了技术、协作、沟通和伦理思考。
- 利用课外时间：将部分非技术技能培养（如嘉宾分享、职业沙龙、团队建设活动）作为非强制但鼓励参与的“拓展活动”，或计入额外的“参与分”。与学校的职业中心、学生社团合作举办。
4.2 对于学生：“我对社会议题感兴趣，但怕技术跟不上，怎么办？”
这是许多人文社科背景或价值观驱动型学生的核心焦虑。
- 挑战：感觉技术门槛高不可攀，担心自己数学/编程基础薄弱，无法在技术层面胜任，从而不敢深入。
- 应对策略：
- 重新定义“竞争力”：你需要明白，在复杂的AI应用项目中，对问题背景的深刻理解、对利益相关者需求的洞察、对伦理风险的预判，其价值不亚于写出最精妙的代码。你的“领域知识”和“人文关怀”是独特优势。
- 寻找互补型团队：在课程团队项目中，主动寻找技术背景强的队友，并明确贡献自己在问题定义、数据伦理考量、用户需求分析、报告撰写和成果展示方面的价值。成功的AI项目需要多元化技能。
- 关注“AI for Social Good”方向：现在有越来越多的学术会议、竞赛（如 NeurIPS 的 AI for Social Good 研讨会）、研究机构和NGO专门致力于此。这些地方更看重你的综合素养和使命感，是绝佳的起步点。可以先从参与相关开源项目或阅读该领域的论文开始。
4.3 对于所有人：“如何衡量这些‘软性’干预措施的效果？”
改变难以量化，但并非不可测量。
- 挑战：信心、归属感、价值观认同这些心理因素，如何评估其提升？又如何证明干预措施与之有因果关系？
- 应对策略：
- 采用混合研究方法：
- 定量：在学期初和学期末，使用经过验证的量表（如研究中的专业角色信心量表）进行问卷调查，测量关键心理构念的变化。同时追踪学生的课程成绩、后续选课行为、参与相关活动的频率等行为数据。
- 定性：进行焦点小组访谈或一对一深度访谈，收集学生的叙事性反馈。例如，“在做了那个医疗公平的项目后，你对AI职业的看法有变化吗？”“团队项目中，你遇到的最大挑战是什么？如何解决的？”这些故事能提供数字无法呈现的深度洞察。
- 设定过程性指标：不要只盯着最终的留存率。可以关注中期指标，如：课堂上主动提问或回答问题的学生性别/背景分布是否更均衡？团队项目中角色分工是否更多元？学生项目选题中涉及社会效益的比例是否增加？这些过程指标能更及时地反映环境的变化。
- 长期追踪：建立校友网络，对毕业1年、3年、5年的学生进行回访，了解他们的职业路径、对当年所受教育的反思。这是最宝贵但也最需要耐心去积累的数据。
- 采用混合研究方法：
提升机器学习与人工智能领域学生的持续参与度，特别是促进其多样性，是一项系统工程。它要求我们从“技术传教士”转变为“生态园丁”——我们不仅要教授精妙的算法，更要精心培育一片土壤，让拥有不同背景、技能和价值观的种子都能在这里生根发芽，茁壮成长，最终共同构建一个更健康、更负责任、也更富有创造力的AI未来。这条路很长，但每一个微小的、基于证据的改进，都值得我们全力以赴。
