基于联邦学习与差分特征的排名制风险学生预测
机器学习
2025-07-22 v2 计算机与社会
摘要
数字教科书广泛应用于各种教育场景，如大学课程和在线讲座。此类教科书产生的学习日志数据已在众多教育数据挖掘（EDM）研究中用于学生行为分析和成绩预测。然而，由于隐私问题，这些研究在跨学校整合机密数据（如学业记录和学习日志）方面面临挑战。因此，分析通常仅限于单一学校的数据，这使得开发高性能和泛化能力强的模型变得困难。本研究提出了一种结合联邦学习和差分特征的方法来解决这些问题。联邦学习能够在不集中数据的情况下进行模型训练，从而保护学生隐私。利用相对值而非绝对值的差分特征增强了模型的性能和泛化能力。为了评估所提出的方法，我们使用来自 4 年内 12 门课程的 1,136 名学生的数据训练了一个风险学生预测模型，并在另外 5 门课程的留出测试数据上进行了验证。实验结果表明，所提出的方法解决了隐私问题，同时在 Top-n 精确率、nDCG 和 PR-AUC 方面取得了与集中式学习训练的模型相当的性能。此外，与非差分方法相比，使用差分特征在所有评估数据集上均提高了预测性能。训练好的模型也适用于早期预测，在验证数据集的学期早期阶段实现了检测风险学生的高性能。
引用
@article{arxiv.2505.09287,
title = {Ranking-Based At-Risk Student Prediction Using Federated Learning and Differential Features},
author = {Shunsuke Yoneda and Valdemar Švábenský and Gen Li and Daisuke Deguchi and Atsushi Shimada},
journal= {arXiv preprint arXiv:2505.09287},
year = {2025}
}
备注
Published in the Proceedings of the 18th Educational Data Mining Conference (EDM 2025), see https://zenodo.org/records/15870193