EduRiskX：用于早期学术风险预测的具有 F 逻辑推理的神经符号框架

arXiv:2608.26107v1 公告类型：新 摘要：预测学生在线教育中的学业风险对于及时采取干预措施、提高保留率和学习成果至关重要。然而，现有模型往往存在早期检测能力有限和可解释性不足的问题，导致“黑匣子”信任危机，阻碍了它们在现实世界教学环境中的采用。为了应对这些挑战，我们提出了 EduRiskX，这是一种神经符号框架，它将基于时间 Transformer 的预测器与 F-Logic 符号推理相集成。神经组件使用时间注意力、班级加权损失和动态每周截断来模拟纵向学生活动序列。作为数据驱动的专家系统，F-Logic 规则库基于既定的教育理论（参与理论和学生整合模型），模仿人类教育者的诊断逻辑，完全根据训练数据构建。然后，通过基于逻辑回归的融合机制将神经风险概率和符号置信度得分组合起来，该机制可了解每个信号的相对贡献。在开放大学学习分析数据集 (OULAD) 上使用严格的 80/10/10 学生级别划分进行的实验表明，EduRiskX 在学期结束时（第 38 周）的准确度为 0.900，F1 分数为 0.894，平均提前检测周为 9.32，检测率为 94.30%。与最先进的时间序列模型（PatchTST、iTransformer）和常见的深度学习基线（LSTM、CNN）相比，EduRiskX 在相同条件下提高了召回率并更早地识别风险。除了预测性能之外，F-Logic 模块还提供基于规则的结构化解释，将预测与可观察的行为模式和教育理论联系起来。