
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。