超越经典与当代模型：一种基于 RAG、提示工程与跨模态融合的远程学习学生辍学预测变革性 AI 框架
计算与语言
2025-07-15 v2 人工智能
计算机与社会
信息检索
摘要
远程学习中的学生辍学仍是一项重大挑战,具有深远的社会与经济影响。经典机器学习模型虽能利用结构化的社会人口统计与行为数据,却往往难以捕捉学生非结构化交互中所蕴含的细微情感与情境因素。本文提出一种变革性 AI 框架,通过三项协同创新重塑辍学预测:面向领域特定情感分析的检索增强生成(RAG)、用于解码学业压力的提示工程,以及用于动态对齐文本、行为与社会人口统计洞察的跨模态注意力融合。通过将情感分析锚定于经过策展的教学内容知识库,我们的 RAG 增强 BERT 模型能够以前所未有的情境相关性解读学生评论;经优化的提示可有效识别学业困境的指标(如"孤立感"、"学业负担焦虑")。随后,跨模态注意力层将这些洞察与时序参与模式相融合,构建出整体性的风险画像。该框架在包含 4 423 名学生的纵向数据集上进行评估,取得了 89% 的准确率与 0.88 的 F1 分数,较传统模型提升 7%,并将假阴性降低 21%。除预测之外,该系统还可通过检索情境对齐的干预策略(如面向孤立学习者的导师计划)生成可解释的干预方案。本研究架起了预测分析与可执行教学实践之间的桥梁,为缓解全球教育系统中的辍学风险提供了一种可扩展的解决方案。
引用
@article{arxiv.2507.05285,
title = {Beyond classical and contemporary models: a transformative AI framework for student dropout prediction in distance learning using RAG, Prompt engineering, and Cross-modal fusion},
author = {Miloud Mihoubi and Meriem Zerkouk and Belkacem Chikhaoui},
journal= {arXiv preprint arXiv:2507.05285},
year = {2025}
}
备注
13 pages, 8 figures, 1 Algorithms, 17th International Conference on Education and New Learning Technologies,: 30 June-2 July, 2025 Location: Palma, Spain