基于异构图深度学习与机器学习模型的学生成功预测
机器学习
2026-01-13 v1
摘要
早期识别学生成功对于及时干预、降低退学率和促进按时毕业至关重要。在教育环境中，AI驱动的系统因其先进的分析能力而成为预测学生表现的必不可少的工具。然而，有效利用多样化的学生数据来揭示潜在且复杂的模式仍然是一个关键挑战。虽然已有研究探索过这一领域，但动态数据特征和多类别实体的潜力被大体忽略了。为弥补这一差距，我们提出了一个框架，将异构图深度学习模型与传统机器学习算法集成，以增强对学生表现的早期和持续预测。我们的方法采用图元路径结构，并纳入动态评估特征，这些特征会逐步影响学生成功预测任务。在Open University Learning Analytics (OULA)数据集上的实验结果表明，在仅完成学期的7%时即可达到68.6%的验证F1分数，最终在学期结束时达到最高89.5%。我们的方法在关键的前7%学期阶段比顶级机器学习模型高出4.7个百分点，凸显了动态特征和异构图表示在学生成功预测中的价值。
引用
@article{arxiv.2601.06729,
title = {Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models},
author = {Anca Muresan and Mihaela Cardei and Ionut Cardei},
journal= {arXiv preprint arXiv:2601.06729},
year = {2026}
}