Verbesserung der Vorhersagen zur akademischen Leistung mit dualen Graph-Neuronalen Netzen

Zusammenfassung Die akademische Leistung ist ein zentrales Thema im Bereich der Online-Lernanalyse. Während Modelle auf Basis des tiefen Lernens erhebliche Fortschritte im Zeitalter der Big Data erzielt haben, benötigen viele dieser Methoden Unterstützung, um die komplexen Beziehungen zu erfassen, die in Online-Lernaktivitäten und den Eigenschaften der Studierenden vorhanden sind, welche entscheidend für die Verbesserung der Vorhersagegenauigkeit sind. In diesem Papier präsentieren wir ein neuartiges Modell zur Vorhersage der akademischen Leistung. Dieses Modell nutzt die Stärken der dualen Graph-Neuronalen Netze, um sowohl die strukturellen Informationen aus den Interaktionsaktivitäten als auch die Merkmalsräume der Studierenden effektiv zu nutzen. Das vorgeschlagene Modell verwendet ein interaktionsbasiertes Graph-Neuronales Netzwerk-Modul, um lokale akademische Leistungsrepräsentationen aus Online-Interaktionsaktivitäten zu lernen, und ein attributbasiertes Graph-Neuronales Netzwerk, um globale akademische Leistungsrepräsentationen aus den Attributmerkmalen aller Studierenden mithilfe dynamischer Graph-Konvolutionsoperationen zu lernen. Die gelernten Repräsentationen auf lokaler und globaler Ebene werden in einem Modul zur lokalen-globalen Repräsentationslernung kombiniert, um vorhergesagte akademische Leistungen zu erzeugen. Die Ergebnisse der empirischen Studie zeigen, dass das vorgeschlagene Modell bestehende Methoden signifikant übertrifft. Bemerkenswert ist, dass das vorgeschlagene Modell eine Genauigkeit von 83,96 % bei der Vorhersage von Studierenden erreicht, die bestehen oder durchfallen, und eine Genauigkeit von 90,18 % bei der Vorhersage von Studierenden, die bestehen oder zurücktreten, auf einem weithin anerkannten öffentlichen Datensatz. Die Ablationsstudien bestätigen die Wirksamkeit und Überlegenheit der vorgeschlagenen Techniken.