Predecir el rendimiento académico de los estudiantes se ha vuelto cada vez más vital en el campo de la minería de datos educativos, ya que las instituciones buscan estrategias basadas en datos para mejorar los resultados de aprendizaje. Sin embargo, muchos modelos existentes dependen únicamente de indicadores de comportamiento o características estáticas, a menudo pasando por alto el papel del tiempo y el contexto en la formación del comportamiento de aprendizaje. Esta limitación reduce la precisión predictiva y la adaptabilidad en entornos académicos. Para abordar este desafío, este estudio introduce EduFuseNet, un marco híbrido de aprendizaje profundo que integra datos de comportamiento y espaciotemporales para la clasificación precisa del rendimiento estudiantil. El flujo de trabajo comienza con la recolección de datos de un conjunto de datos de rendimiento académico de los estudiantes, que comprende tanto métricas de comportamiento como información espaciotemporal. Los datos en bruto pasan por un proceso de preprocesamiento, que incluye la imputación de valores faltantes, la codificación one-hot de variables categóricas y la normalización min-max de características numéricas. Los datos procesados se envían a través de dos ramas especializadas: un módulo de Estructura Neural Tabular Consciente (TabNSA) que captura interdependencias complejas dentro de los datos conductuales, y un módulo de Transformer Espaciotemporal que modela patrones temporales y secuenciales en las actividades de aprendizaje. Las incrustaciones de características de ambas ramas se fusionan y se envían a través de capas completamente conectadas para generar predicciones en cinco bandas de rendimiento académico, lo que permite una clasificación precisa y la identificación temprana de riesgos. EduFuseNet logró una precisión del 99.00%, con una precisión del 99.04%, una recuperación del 99.00% y una puntuación F1 del 99.01%, reflejando un rendimiento predictivo fuerte y confiable. Al aprovechar tanto los indicadores de comportamiento como los temporales de aprendizaje, el modelo sirve como una herramienta eficaz para la monitorización e intervención académica temprana.
Ji Hongzheng (Miér,) estudió esta cuestión.