今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

人工智能驱动的在线学习者辍学早期预警:时序可解释性与基于理论的干预

《Scientific Reports》:Artificial intelligence-driven early warning for online learner dropout: temporal explainability and theory-grounded intervention

【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9

编辑推荐:

   摘要在线学习面临着持续较高的辍学率,然而大多数预测模型是静态的、单时间点的分类器,缺乏可解释性且未经过跨课程迁移测试。基于开放大学学习分析数据集(OULAD)中的 32,593 个注册记录,我们构建了一个时间动态、可解释的机器学习框架。其三层架构涵盖静态入学属性、动态行为指标

  

摘要

在线学习面临着持续较高的辍学率,然而大多数预测模型是静态的、单时间点的分类器,缺乏可解释性且未经过跨课程迁移测试。基于开放大学学习分析数据集(OULAD)中的 32,593 个注册记录,我们构建了一个时间动态、可解释的机器学习框架。其三层架构涵盖静态入学属性、动态行为指标和趋势测量,每一项均映射至自我调节学习、探究社区或整合理论中的某个构念。在五个累积观察窗口中对六种算法进行了基准测试。LightGBM 在每个窗口中表现最佳或并列最佳,课程开始前 AUC 达到 0.727,到第 120 天时达到 0.911。时间 SHAP 分析确定参与度持续性比率是自课程中期以来的主要预测因子。窗口后半段活动量的骤减会增加风险,而持续的活动会降低风险。仅六个趋势特征就占据了总归因的 25.4%。留一课程交叉验证得分数为 0.857,而仅针对仍在注册学习者的前瞻性分析得分为 0.72 至 0.75,机构应以此数据为基础进行规划。总之,归因结果可转化为四级干预方案,使干预措施与每位学习者的风险因素相匹配,从而确保固定的外联预算能在学生辍学前的数月内触达参与度不足的情况。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:在线学习|辍学预测|机器学习|可解释性|时间动态|干预方案

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号