Raji 及其研究團隊在一篇概念性文獻綜述中，探討人工智能（AI）與預測分析如何結合智能導師系統（ITS），支援學生學習及持續就學。作者整理已發表的文獻，討論中小學及高等教育中的個別化學習、及早介入，以及負責任地應用 AI，並提出整合上述功能的框架，以回應學生不同的學習需要。
文章主要討論三類 AI 技術：機器學習用於預測學業表現及識別有學習困難或輟學風險的學生；自然語言處理用於理解學生的回答，並透過對話提供回饋；深度學習則分析複雜的學習模式，以調整學習內容。出席紀錄、評核成績及網上學習活動均可作為分析資料。作者亦將系統設計與學習理論連繫起來，強調知識建構、適度的認知負荷，以及自我調節學習。
作者認為，即時回饋、適應性學習路徑及預警系統，有潛力協助及早識別學生的知識缺口，並提供適切支援。建議框架結合學生學習檔案、預測分析、適應性教學及智能回饋，並運用可解釋人工智能，讓教師和學生理解系統建議的依據。推行步驟包括配合課程、準備基礎設施、試行及持續評估。預期效益包括提升學習投入及表現、減少輟學，以及促進學生公平獲得支援。
文章指出，資料私隱、演算法偏見，以及設備、網絡和數碼技能方面的差距，均是主要挑戰。作者建議訂立清晰指引、保障資料安全、加強教師培訓，並促進教育工作者、政策制定者與開發者合作。邀請不同背景的學生參與系統測試，以及解釋系統決策，亦是重點。然而，本文屬於概念性綜述，並未收集新的學生數據、整合效應量，或透過實驗驗證建議框架。因此，文中提出的預期效益仍有待進一步評估。
文獻來源（開放取用）：Raji, B., Iyer, S. S., & Yaseen, M. M. N. M. (2026). AI-enabled predictive analytics in education: Enhancing student success and retention through intelligent tutoring systems. Journal of Digital Educational Technology, 6(1), 1-15.