基于双模态突变行为变化的学生退学风险预测方法

及时预测学生中处于高退学风险的学生对于早期干预和改善教育成果至关重要。然而，在离线教育环境中，数据质量差、规模受限以及高异质性常常阻碍先进机器学习模型的应用。此外，尽管教育理论为理解退学现象提供了宝贵的见解，但缺乏对关键指标器的可量化度量，限制了其在数据驱动建模中的运用。通过数据分析和教育文献综述，我们确定学生行为的突变变化是退学风险的关键早期信号。为此，我们提出了 Dual-Modal Multiscale Sliding Window ( DMSW ) 模型，该模型整合学业表现和行为数据，通过最小化数据量来动态捕获行为模式。DMSW 模型相对于传统方法提高了 15% 的预测准确度，使教育者能够更早识别高风险学生，提供及时支持，营造更具包容性的学习环境。我们的分析揭示了关键行为模式，为预防策略和精准干预提供了实用见解。这些发现弥合了理论与实践之间的差距，为教育者提供了一种创新工具，以提高学生留学期望和成果。