Este trabalho apresenta uma abordagem híbrida de deep learning para identificar estudantes que provavelmente enfrentarão dificuldades acadêmicas em ambientes virtuais de aprendizagem. O quadro proposto foi avaliado com o Open University Learning Analytics Dataset (OULAD) e combina dois tipos complementares de informações: padrões temporais da atividade do aprendiz capturados por meio de Redes de Memória de Longo Prazo Bidirecionais (Bi-LSTM) e atributos relativamente estáveis do estudante modelados por um Perceptron Multicamadas (MLP). Para levar em conta que o engajamento do estudante não contribui igualmente em diferentes fases do curso, é incorporado um mecanismo de atenção temporal para enfatizar os períodos mais informativos ao longo da linha do tempo de aprendizado de 32 semanas. Os resultados experimentais indicam que o modelo híbrido alcança desempenho preditivo superior em relação a abordagens de base, com ROC-AUC de 0,95 e F1-score ponderado de 0,90. A análise dos pesos de atenção sugere que tanto o engajamento inicial quanto a atividade próxima ao final do curso (Semanas 25–32) desempenham papel importante na previsão dos resultados finais. Para tratar o desequilíbrio entre aprendizes bem-sucedidos e em risco, uma estratégia de treinamento sensível a custos foi adotada, resultando em recall de 0,79 para o grupo em risco. No geral, essas descobertas sugerem que a integração de sinais comportamentais temporais com características estáticas dos estudantes leva a uma previsão de risco mais confiável e fornece uma base útil para o suporte acadêmico orientado por dados em contextos de aprendizagem online.
Omarbekova et al. (Mon,) estudaram esta questão.