提前9周预警！EduRiskX准确率90%，用AI+逻辑规则破解学业风险黑箱
EduRiskX: A Neuro-Symbolic Framework with F-Logic Reasoning for Early Academic Risk Prediction
📖 AI 总结
该研究提出EduRiskX框架，用于在线教育场景下学生学业风险的早期预测。框架采用神经符号结合的设计：时间Transformer组件通过时序注意力、类别加权损失和动态周截断建模学生活动序列；F-Logic规则库则基于参与理论和学生整合模型等教育理论，从训练数据中构建可解释的专家规则。两者通过逻辑回归融合机制整合输出。在开放大学学习分析数据集上的严格学生级划分测试中，EduRiskX在学期末（第38周）达到0.900的准确率和0.894的F1分数，平均早期检测周数为9.32周，检测率达94.30%。相较PatchTST、iTransformer、LSTM和CNN等基线模型，该方法在召回率和风险识别时效性上表现更优。其核心价值在于通过规则化解释将预测结果与可观察行为模式及教育理论关联，缓解了深度学习模型的“黑箱”信任问题。
🔑 关键词速览
| EduRiskX | 本文提出的神经符号框架，用于早期学业风险预测。 |
| Neuro-Symbolic Framework | 结合神经网络和符号推理的框架，兼具数据驱动和可解释性。 |
| F-Logic | 一种基于框架的逻辑语言，用于表示和推理知识，此处用于构建规则库。 |
| Temporal Transformer | 基于Transformer架构的模型，用于处理时间序列数据，捕捉长期依赖。 |
| OULAD | 开放大学学习分析数据集，用于评估学习行为预测模型的公开数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅