面向学生成功的AI驱动早期预警系统：发现时序预测模型中的静态特征主导性
机器学习
2025-12-16 v1
摘要
及早识别风险学生对于有效的线上学习环境干预至关重要。本研究将时序预测分析扩展到第20周（课程duration的50%），比较决策树和长短期记忆网络（LSTM）模型在六个时序快照中的表现。我们的分析揭示，不同性能指标在不同干预阶段至关重要：在早期干预（第2-4周）高度召回至关重要，而在中期课程资源分配（第8-16周）则需要平衡的精确率-召回率，而在后期（第20周）则需要高度精确率。我们证明静态人口统计特征主导预测（占68%），实现了无需评估即可进行早期预测。LSTM模型在第2周实现97%的召回率，适合早期干预，而决策树在中期课程提供稳定的平衡性能（78%准确率）。到第20周，两种模型在召回率收敛至相似水平（68%），但LSTM在精确率上显著高于决策树（90% vs 86%）。我们的发现还表明，模型选择应取决于干预时间，而且（第2-4周）的早期信号足以使用主要基于人口统计和注册前信息进行可靠的初始预测。
引用
@article{arxiv.2512.12493,
title = {AI-Driven Early Warning Systems for Student Success: Discovering Static Feature Dominance in Temporal Prediction Models},
author = {Vaarunay Kaushal and Rajib Mall},
journal= {arXiv preprint arXiv:2512.12493},
year = {2025}
}
备注
5 pages, 3 figures, KDD 2026