基于符號圖卷積網絡的在線學習行為早期預警模型

摘要：在在線教育快速發展的背景下，依托學習者行為數據實現高效的預警成為研究焦點。傳統學習預警模型多依賴統計特征與序列分析，導致學習者間潛在關系結構難以有效捕捉，從而制約了預警的準確性和時效性。針對這一問題，該研究構建了一個符號圖卷積網絡（SGCN） 驅動的在線學習行為預警框架，對在線學習行為進行建模分析，構建表征行為相似度的符號關系圖，設計 SGCN 模型以整合正負向關系數據，深度解析復雜行為模式特征，并采用模擬數據集開展實驗，對模型的效能進行檢驗。實驗數據表明，相較于傳統機器學習模型和圖卷積網絡（GCN） ，SGCN 框架在預測精度、召回率等指標上呈現顯著優勢。文章的主要貢獻為：1） 構建了符號圖模型以表征學習者行為的相似性與關聯；2） 將 SGCN 引入在線學習預警領域，有效提高了對高風險學習者的識別能力；3） 通過實驗驗證模型的有效性，為在線教育干預提供了新的技術手段。

關鍵詞：在線學習預警；符號圖卷積網絡；學習行為分析；學習風險預測；在線教育干預

中圖分類號：TP18" "文獻標識碼：A

文章編號：1009-3044（2025）16-0013-05

開放科學（資源服務） 標識碼（OSID）

0 引言

近年來，在線教育形態快速演進，課程完成率較低與學業表現差異顯著的現象持續引發討論?，F有數據顯示，MOOC平臺大量課程完成率徘徊在10%以下[1]，識別高風險學習者并實施精準干預，成為優化教育技術效能的核心挑戰[2]。學習預警系統旨在依托學習行為軌跡分析，構建輟學可能性與學習困境的預測模型[2-3]。傳統研究主要基于學習管理系統的日志數據（如訪問頻次、在線時長、作業質量等）構建特征，并采用邏輯回歸、決策樹等算法進行風險預測[2]。例如，Purdue大學的Course Signals項目證明了基于學習行為分析的預警可以提高學生成績[3]。然而，現有方法多局限于個體特征分析，學習者間的拓撲關聯與交互影響未被充分建模，導致在預測準確率和魯棒性上存在局限性[4]。隨著教育數據生態的擴展與分析方法的革新，深度學習模型開始逐步應用于學習行為預測[5]，自監督學習等新技術也為預警系統優化提供了新路徑[6]。盡管如此，目前的大多數學習預警研究仍然缺乏對學習者關系網絡的挖掘。

與此同時，圖神經網絡在社交網絡、推薦系統等領域展現出強大的關系挖掘能力[7]。其中，圖卷積網絡（GCN） [7]能夠有效融合網絡中節點與鄰居的特征，實現半監督節點分類等任務。為了處理含有正負邊（如好友/敵對關系） 的復雜網絡，Derr等[8]提出了符號圖卷積網絡（Signed GCN， SGCN） 。SGCN 基于社會平衡理論，將正鏈接與負鏈接分別聚合，能夠在帶符號的圖數據中傳播和學習信息[8]。后續研究者還提出了符號圖注意網絡等變種，以進一步提升對符號圖的表示能力[7]。這些進展表明，引入圖卷積網絡尤其是符號圖卷積網絡，有望捕捉在線學習環境中隱含的復雜關系，從而改進學習預警的效果。

鑒于上述背景，本文提出了一種基于符號圖卷積網絡的在線學習行為預警模型。本文的基本思想是：利用學習者行為數據構建反映學習者間行為相似和差異關系的符號圖，在此基礎上采用 SGCN 模型對圖數據進行卷積聚合，學習每個學習者的行為表示并預測其是否屬于高風險。與傳統方法相比，該模型可以同時考慮個體行為特征和群體關系模式，從而有望提升預警的準確率并降低漏報率。本文主要工作和貢獻包括：

1） 提出將在線學習者及其行為抽象為帶有正負關系邊的圖結構，為學習行為分析提供新的視角；

2） 設計了符號圖卷積網絡模型用于學習預警，將符號圖神經網絡方法引入教育數據分析領域；

3） 在模擬的在線學習數據集上進行了大量實驗，對比多種基線方法，驗證了所提模型在預測準確度上的顯著優勢；

4） 總結模型適用性與局限，展望了將圖神經網絡技術應用于學習分析與干預的未來研究方向。

本文將按照以下結構展開：第1節介紹相關工作，第2節詳細描述研究方法，第3節給出實驗設計，第4節分析實驗結果，第5節總結全文并展望未來研究。

1 相關工作

1.1 在線學習行為分析與預警

在線教育平臺沉淀的大規模學習過程數據，推動教育數據挖掘領域持續產出學習行為研究成果[4]。研究者通過分析日志點擊、論壇發帖、視頻觀看、測驗成績等數據來理解學習者行為模式，并對學習參與度和成績進行預測。例如，Macfadyen和Dawson利用學習管理系統（LMS） 日志數據構建特征，成功預測出期末表現不佳的學生[2]。Arnold等人開發的Course Signals系統通過綜合多源行為數據對學生風險進行紅黃綠預警，證明了及時反饋對降低失敗率的作用[3]。此后，不少研究進一步豐富了特征類型，如社交互動因素、學習風格等，并采用機器學習和統計模型來提高預測性能[4]。但此類方法大多將學習者視作彼此獨立的個體，未考慮群體中行為相似或差異所蘊含的信息。例如，兩位學習者如果在前幾周表現出高度相似的學習模式，那么他們后續成績也可能存在關聯；反之，行為顯著不同的學習者或許體現出截然不同的風險水平。忽略這類關系可能導致模型未能捕捉隱含的有用信息。近期，一些工作開始探索更復雜的模型以改進預警效果，包括采用深度神經網絡從時序行為數據中自動提取特征[4]，以及結合知識圖譜和自監督學習來刻畫學習路徑等新方法[5]。然而，這些研究仍主要聚焦于特征層面的改進，對于學習者之間關系結構的利用仍屬空白。

1.2 圖卷積網絡（GCN） 與符號圖卷積網絡（SGCN）

圖卷積網絡作為近年興起的圖神經網絡模型，在社交網絡、推薦系統、生物信息等領域取得了優異成果[7]。Kipf和Welling提出的半監督GCN模型[7]通過在圖鄰域內執行卷積運算，將節點自身特征與鄰居特征融合，實現了端到端的表示學習。該方法本質上相當于一種特征平滑，使得相連節點的表示更加接近，從而有利于聚類或分類任務。然而，標準GCN主要針對無符號圖（即圖中只有一種類型的邊，通常代表“相似”或“聯系”） ，當應用于含有對立關系的網絡時會面臨挑戰。在在線教育情境下，若本文試圖將行為模式“相似”和“差異”以邊的符號表示，那么直接使用傳統GCN可能無法區分這兩種截然不同的鄰居影響。為解決這一問題，Derr等人[8]在GCN基礎上引入了社會心理學中的結構平衡理論，提出了GCN模型。SGCN將圖中的正邊和負邊區別對待：一方面，通過正邊聚合鄰居特征強化相似節點間的影響；另一方面，通過負邊聚合實現對不相似鄰居影響的抑制或反轉，從而避免將“不相似”的信息混為一談[8]。具體來說，SGCN為每一層神經網絡設計了兩套卷積參數，分別用于正鄰居和負鄰居的信息傳遞，并通過平衡理論指導下的損失函數保證學習到的節點表示符合“朋友的朋友仍是朋友，敵人的朋友可能是敵人”等直觀規律。實驗表明，SGCN在帶符號的社交網絡節點表示學習、鏈接符號預測等任務上顯著優于直接忽略符號的GCN模型[8]。隨后，Huang等[9]提出了符號圖注意網絡（SiGAT） ，利用注意力機制自適應地分配正負鄰居的重要性權重，進一步提升了符號圖表示的靈活性和準確性[9]。這些研究進展構成了符號圖神經網絡的最新成果。受此啟發，本文考慮將符號圖卷積的思想引入在線學習行為分析：如果能夠將學習者行為關系用帶符號的圖來表達并加以利用，也許可以捕捉到以往預警模型中未被利用的信息模式，從而提高預測的效果。

2 研究方法

本研究的目標是構建一個利用符號圖卷積網絡進行學習風險預測的模型。該模型由數據建模、符號關系圖構建、SGCN 模型設計和預警判別四部分組成，下面分別進行介紹。

2.1 在線學習行為數據建模

在線學習行為數據通常包括多源、多粒度的信息，例如：學生的基本屬性（專業、年級等） 、平臺交互行為數據（登錄頻率、觀看視頻時長、帖子發言次數等） 、學習成果數據（測驗成績、作業得分、考試成績） 以及學習路徑（章節完成情況） 等。為了進行學習預警，本文首先選取能夠表征學生學習參與度和學業進展的關鍵特征，對原始數據進行預處理和量化表示。假設本文關注某一在線課程，在第[t]周希望對學生是否面臨風險進行預測。對于每個學生，本文統計其在前[t]周內的若干行為特征，例如：總登錄天數、累計觀看視頻時長、提交作業次數、論壇提問和回復數量、已完成單元占比，以及當前的測驗平均成績等。將這些特征組成特征向量[xi∈Rd]表示第[i]個學生的行為畫像，其中d為特征維度。同時，本文根據教學專家的建議或歷史數據確定“風險學生”的判定標準，例如成績排名后10%或連續多周未登錄者可被視為高風險樣本，用0/1標簽表示是否屬于風險類別。需要注意的是，在實際應用中可根據需要擴展更多特征，但應注意特征的相關性和獨立性，以避免冗余信息影響模型性能。

2.2 符號關系圖構建

有別于傳統方法僅利用每個學生自身特征，本文在此步驟引入對學生間關系的建模。直觀上，不同學生的學習行為軌跡可能存在相似或相反的模式：例如，兩名學生的在線時長和作業成績都保持在高水平，則他們的學習狀態較為相似；反之，如果一名學生積極參與討論而另一名幾乎不參與，則他們在學習投入方面存在差異。本文據此構建一個無向帶符號的關系圖。

[G=V，E+，E-]" " " " " （1）

式中：節點集合[V]對應于學生集合，每個節點代表一名學生；[E+]為正邊集合，表示“行為模式相似”的學生對；[E-]為負邊集合，表示“行為模式顯著不同”的學生對。具體構建過程如下：首先，定義一個相似度度量函數[simi，j]來衡量學生[i]和[j]行為特征向量之間的相似程度。可以采用余弦相似度或皮爾遜相關系數等指標進行計算。

[simi，j=xi?xjxi·xj]" " " " "（2）

然后，本文設定閾值[θ+]和[θ-]（[θ+gt;θ-]） ：當[simi，j≥θ+]時，在節點[i]和[j]之間建立一條正邊[i，j∈E+]，表示兩名學生行為高度相似；當[simi，j≤θ-]時，建立一條負邊[i，j∈E-]，表示兩者行為存在明顯差異。不滿足上述條件的學生對則不連邊，以避免圖中過度稠密。具體閾值選擇將在實驗部分詳細說明。此外，在構建過程中應排除自身節點和重復邊，最終得到一個帶符號的學生關系圖。這個圖反映了學生群體中行為模式的聚類與分化結構：正邊聯結了可能有相近學習狀態的學生，負邊則刻畫了行為上存在巨大差異的學生對。

2.3 SGCN 模型設計

構建好符號關系圖后，本文設計符號圖卷積網絡（SGCN） 來對該圖上的節點進行表示學習和分類（如圖 1 所示） 。

SGCN模型的輸入為上述學生關系圖[G]以及節點特征[xi]，輸出為每個學生節點的風險概率或類別標簽。模型由多層符號圖卷積層疊加組成，每一層都包含針對正鄰居和負鄰居的獨立卷積運算。具體而言，對于圖中的任一學生節點[i]，設其在第[l]層的隱藏表示為[hli]（第0層[h0i]定義為初始特征[xi]） 。第[l+1]層中，本文首先分別聚合[i]的正鄰居集合[N+i]與負鄰居集合[N-i]的表示：

[h-i，ag-=j∈N-i1N-ihlj]" " " " " " " （3）

式中：本文采用平均聚合（亦可用加權和，權重可取相似度或通過學習得到[7]） 。接著，符號GCN對正鄰居聚合和負鄰居聚合使用不同的線性變換和非線性激活，以區分兩種關系的影響：

[hl+1i=σW+h+i，agg+W-h-i，agg+W0hli]" " "（4）

式中：[W+、W-]分別為正、負鄰域的權重矩陣，[W0]為自身特征的變換矩陣（若包含殘差連接或自身循環） 。[σ?]為激活函數（ReLU） 。需要說明的是，上式的實際實現根據[8]采用復雜的平衡約束項來確保正負鄰居的信息融合符合平衡理論預期，核心思想是：正鄰居的信息對節點起到類似“朋友相助”的作用，負鄰居則起到“反面影響（敵人） ”的作用。

在示意圖中，[l=1，2，...，L]代表其他節點距離中心節點[ui]的路徑長度。針對平衡路徑節點集合（正鄰居/朋友集合） [Bi（l）]和不平衡路徑節點集合（負鄰居/敵人集合） [Ui（l）]中的信息，分別設計單獨的聚合器[B（l）]和[U（l）]。經過L層的卷積運算后，本文得到每個學生節點的最終表示[h（L）i]。在模型頂層，本文接入一個全連接層將節點表示映射為二分類的預測分值[10]，使用sigmoid函數將其轉化為屬于“高風險”類別的概率[yi∈0，1]。模型訓練過程中，以歷史數據中已標記的學生風險標簽為監督信號，采用交叉熵損失函數：

[L=-i∈Vlabeledyilogyi+1-yilog1-yi]" "（5）

式中：[yi]為真實標簽（高風險為1，正常為0） 。通過反向傳播和梯度下降優化[W+，W-，W0]等參數，使模型逐步學習如何根據學生自身特征及其正負鄰居特征來判斷風險。訓練完成后，該模型即可用于對新數據中的學生進行風險預測，輸出預警概率。值得一提的是，由于SGCN能夠在有標簽和無標簽節點的混合圖上訓練（半監督學習） ，因此即使并非所有學生都有歷史標簽，本文仍可利用圖結構傳播已有標簽信息，提高預測的廣度和穩定性[7-8]。

2.4 學習預警判別

完成模型訓練后，本文對目標在線課程當前尚未結束的學習者進行風險評估。具體做法是將最新一期（第[t]周） 的學生行為數據輸入模型，經過SGCN計算得到每個學生的風險概率[yi]。然后，根據預先設定的預警策略和閾值，將高于閾值的學生標記為需要預警的高風險對象，并生成預警名單提供給教師或教學管理系統。閾值的選擇可以根據訓練集上的驗證結果確定，以保證一定召回率為前提選擇能最大化準確率的概率閾值。除了二分類的預警結果外，模型的輸出概率還可用于進一步區分風險程度的高低，教師可優先關注概率值最高的若干學生。由于SGCN模型融合了學生間的關系信息，其預測結果在一定程度上具有可解釋性：例如，如果某學生被預測為高風險，本文可以分析其圖鄰居情況，發現是否其大部分正鄰居也都出現學習困難（群體效應） ，或者其負鄰居皆為學習優秀學生從而形成強烈反差。這些分析有助于教師理解預警原因并采取有針對性的干預措施?？傊?，通過以上步驟，本文建立了一個綜合利用個體行為特征和群體關系的學習預警模型框架。

3 實驗設計

為評估所提 SGCN 學習預警模型的有效性，本文設計并進行了對比實驗。本節將介紹數據集、評價指標、比較方法和模型參數設置等實驗設計要點。

3.1 數據集

由于缺乏公開的、同時具備完整在線學習行為記錄與明確風險標簽的真實數據集，本文在典型在線課程場景下構建了一套模擬數據，用于模型訓練與評估。該數據集模擬了某高校開設的兩門 8 周制在線課程的學習日志，總計覆蓋 500 名學生的行為軌跡，其中課程 A 為“計算機基礎”（300 人） ，課程 B 為“高等數學”（200 人） 。

在數據設計過程中，本文為每名學生記錄了其每周的主要學習行為特征，包括：登錄天數、視頻總觀看時長、完成作業次數、論壇發帖與回帖數量、當周測驗得分等。所有數據以學生為單位，構成時間序列的行為特征矩陣。為獲得學生的風險標簽，本文依據典型在線課程中的表現設定如下劃分規則：在課程結束時未獲得及格成績（即總評成績低于 60 分） 或中途退出學習任務的學生，統一標記為高風險，標簽設為 1；其余學生則標記為非高風險，標簽設為 0。依據該規則，課程 A 中共計有 60 名學生被標記為高風險（高風險率為 20%） ，課程 B 中則有 30 名高風險學生（高風險率為 15%） 。

為模擬課程中期階段的風險預警需求，本文僅提取每名學生在前 4 周的行為數據作為模型輸入，預測其最終是否屬于高風險。這一設定對應現實教學中的“過程性干預”需求，即在課程過半階段提前識別潛在掉隊學生。具體的數據劃分策略如下（如表 1 所示） 。

1） 訓練集：課程 A 的全部數據（300 名學生） ，包含完整風險標簽；

2） 驗證集（20%） ：從訓練集中隨機抽取 60 名學生，用于模型調參與超參數選擇；

3） 測試集：課程 B 的全部數據（200 名學生） ，用于模型跨課程泛化能力的評估。

盡管該數據集為模擬生成，其參數設計參考了當前主流在線學習平臺（如 EdX、Coursera） 中的課程結構、行為特征及學習風險分布情況。未來研究將進一步嘗試引入真實大規模在線學習平臺的數據，以增強模型的適用性與實際部署能力。

3.2 實驗評價指標

針對預警模型的性能，本文采用多種常用分類指標進行評估，包括Accuracy （ACC）、Precision （Prec）、Recall （R）、F1-score （F1）以及ROC曲線下的面積 （AUC）。ACC 準確率反映整體預測的正確率；Precision（精確率） 衡量預測為高風險的學生中真正高風險的比例，越高表示誤報越少；Recall（召回率） 表示實際高風險學生中被成功預測的比例，越高說明漏報越少；F1為Precision和Recall的調和平均，用于綜合評價模型對高風險類別的判定能力；AUC則從概率角度衡量模型對正負樣本的排序區分能力，較為魯棒。鑒于學習預警任務中，召回率往往比精確率更受關注（相比“誤報”，“漏報”更容易導致真正需要干預的學生被忽視） ，本文會特別關注模型的Recall和F1表現。另外，本文還記錄模型的訓練時間和推斷速度，以評估其實用性。

3.3 比較方法

為了驗證SGCN模型的有效性，本文選擇以下幾種具有代表性的基線方法進行比較。

1） Logistic Regression （LR） [2]。經典的線性分類模型，以每個學生的行為特征向量作為輸入，輸出風險概率，未考慮時序或圖結構特征。

2） 支持向量機（SVM）。采用RBF核的支持向量機分類，對學生特征進行二分類，未顯式利用時間或結構信息，適用于小樣本場景。

3） 多層感知機（MLP）。由多層全連接神經元構成的前饋神經網絡，對學生特征進行學習并分類，但不具備時間建模能力。

4） 長短期記憶網絡（LSTM） [8]。將每名學生按周的行為數據視作時間序列，輸入 LSTM 模型進行學習狀態預測。該方法可捕捉時間動態模式，但不利用學生間關系。

5） 圖卷積網絡（GCN） [7]。使用本文構建的學生關系圖，但忽略邊的符號，也不含時間信息，采用 GCN 對圖數據進行半監督分類。該對比用于驗證引入符號信息的作用。GCN 模型使用與 SGCN 相同的輸入特征和網絡結構（僅一套卷積參數） 。

為了確保公平比較，所有模型均在相同輸入特征和訓練測試數據集上進行訓練。各模型主要超參數設置如下：

LR：調節正則化強度參數（C＼in {0.1，1，10}），選取驗證集表現最優者；SVM：采用 RBF 核函數，調節正則化系數（C＼in {0.1，1，10}）；MLP：使用兩層隱藏層，隱藏單元數分別為[64， 32]，激活函數為ReLU；LSTM：設定隱藏狀態維度為64，序列長度為 4（對應4周行為） ，學習率設置為0.001，采用Adam優化器；GCN：使用兩層GCN層，隱藏層維度為64，dropout = 0.5，學習率為0.001，構建基于課程內的學生相似圖。

所有模型均在訓練集上訓練，并在驗證集上進行調參與早停判斷，最終在測試集上評估其泛化性能。

3.4 模型設置

對于SGCN模型本身，本文選取兩層符號圖卷積層的架構（（ L=2）） ，隱藏層維度為 64，輸出層為2類softmax。圖卷積層使用ReLU激活，輸出層使用sigmoid二分類概率。在符號圖構建中，相似度閾值通過在驗證集上試驗確定：取0.8和0.2（即相似度高于0.8視為正邊，低于0.2視為負邊，該閾值在驗證集取得最佳效果） 。在訓練過程中，使用Adam優化器，初始學習率0.01，訓練迭代100輪，并在驗證集上監控早停。為了避免過擬合，本文對隱藏層節點嵌入施加了L2正則化并采用Dropout率0.5。對每種方法，本文獨立運行5次取平均指標，以減少隨機初始化帶來的波動（在Intel i5 CPU和NVIDIA GTX 4070 GPU的環境下完成，使用Python和PyTorch框架） 。

4 實驗分析

實驗結果如表2所示，比較了所提SGCN模型與各基線方法在測試集上的性能。

根據實驗結果表格，生成的柱狀圖、雷達圖和折線圖如圖3、圖4和圖5所示。

可以看到，SGCN模型在各項指標上均取得了最優或接近最優的成績。其中，SGCN的準確率達到0.905，比傳統邏輯回歸提高了約15個百分點；Precision和Recall分別達到0.83和0.88，均高于其他模型，F1 值為0.85，相比普通GCN提高了約5%。

特別值得注意的是，SGCN模型的Recall最高，達0.88，說明它能夠識別出絕大多數真正有風險的學生，僅漏掉少數。這對于預警系統而言至關重要。相比之下，邏輯回歸和SVM的Recall僅為約0.60～0.65，漏報了相當一部分風險學生；LSTM模型考慮了時間信息，Recall提升到0.75左右，但Precision略有下降，可能是因為序列模型容易對一時的異常波動敏感，產生一些誤報。GCN模型利用了學生相似關系，性能比不考慮關系的MLP有明顯提升，F1從0.72增至約0.80，證明了關系信息對于預警的價值。然而GCN未區分正負關系，可能受到相互差異較大的鄰居干擾。例如，本文觀察到GCN模型對某些孤立且行為特征極端的學生預測不準，這是因為這些學生通過負邊連接到了一些優秀學生節點，GCN將其特征混合后造成了誤分類。而SGCN通過負邊的反向作用成功降低了此類不相似鄰居的干擾，使得這部分學生被正確地判為高風險。此外，在AUC指標上，SGCN同樣表現最佳，達到0.93，相比次優的GCN高出約0.04，表明SGCN對正負樣本的區分能力更強?？傮w而言，這些結果驗證了所提方法的有效性：結合符號圖關系的卷積網絡能夠更充分地挖掘在線學習行為數據中的模式，提高預警準確度。

為進一步探討模型的作用機理，本文對SGCN模型的若干細節進行了分析。首先，本文考察了正邊和負邊對模型的影響。將SGCN模型中的負邊卷積單元移除（等價于將負邊視為無連接） 后，模型F1值下降約3個百分點；相反，將正邊移除僅用負邊信息時，模型幾乎無法收斂，預測效果接近隨機。這表明正邊（相似行為的學生關系） 是預警的主要信息來源，而負邊雖然數量相對少，但在特定情況下對提高區分度有關鍵作用。其次，本文分析了案例學生的鄰居貢獻。在一個典型案例中，學生A被預測為高風險，其正鄰居包含了3位歷史上有類似拖延行為且最終輟學的學生，這些正鄰居在模型中加強了A的風險信號；同時，A的負鄰居是一位積極優秀的學生B，SGCN模型有效地避免了將B的良好行為特征錯誤傳播給A，從而保持了對A的正確判斷。這一現象與平衡理論一致：A與B之間負邊的存在反映了他們截然不同的學習狀態，模型據此對來自B的信息施加了“反向”處理。該案例體現了符號圖卷積的直觀意義，也從側面解釋了SGCN相較GCN性能提升的原因。

最后，本文關注了模型的時間效率。由于數據集規模相對適中（500節點） ，SGCN訓練用時僅5秒左右，預測單個學生的時間可以忽略不計。這說明在實際應用中，本模型能夠滿足實時預警的需求。當然，隨著學生人數和關系邊數量的增長，模型計算開銷會增加，但得益于圖卷積的局部連接特性和可并行計算能力，其擴展性優于許多基于復雜特征交互的傳統方法。在實際大規模部署時，可通過圖批處理、采樣等技術進一步提升效率。

5 結論與展望

本文面向在線學習場景，提出了一種基于符號圖卷積網絡的學習行為預警模型。通過將學生行為相似關系建模為帶符號的圖結構，并采用 SGCN 聚合正負鄰居信息，本文有效地提升了對高風險學生的早期識別能力。實驗結果證明，與傳統的基于個體特征的模型相比，引入符號關系圖的預警模型在準確率、召回率等方面都有明顯優勢，尤其在識別潛在輟學者上表現出更高的靈敏度。這一研究揭示了群體行為模式對學習分析的重要價值：學習者并非孤立個體，適當地刻畫和利用他們之間的相似與差異關系，可以豐富對學習過程的理解，從而提高預測和干預的效果。

然而，本研究仍存在若干局限性。首先，實驗數據集是模擬生成的，規模與復雜度受限，后續研究須在真實在線教育數據中測試模型有效性，并涵蓋多課程類型與跨平臺數據，以檢驗其通用性。其次，本文符號關系圖構建依賴行為相似度閾值設定，參數選取存在經驗偏好，未來可引入學習型圖結構推斷技術，實現符號邊自適應生成[8]。另外，當前研究聚焦學生間關系，但在線學習環境同時涉及知識點關聯、課程內容交互等多元聯系，如何構建融合多類實體的異質圖神經網絡框架，成為亟待突破的技術方向。最后，在模型應用方面，可以將預警結果與干預策略相結合，依據風險等級智能推送定制輔導資源，觸發導師關懷機制，推動預測向行動轉化?？傊?，符號圖卷積網絡在學習分析領域展現出廣闊的應用前景。本研究將持續優化模型架構，融合前沿學習分析技術與教育認知理論，開發智能支持工具，以助力在線教育輟學率降低與學習成效提升。

參考文獻：

[1] FENG W Z，TANG J，LIU T X.Understanding dropouts in MOOCs[J].Proceedings of the AAAI Conference on Artificial Intelligence，2019，33（1）：517-524.

[2] MACFADYEN L P，DAWSON S.Mining LMS data to develop an “early warning system” for educators：a proof of concept[J].Computers amp; Education，2010，54（2）：588-599.

[3] ARNOLD K E，PISTILLI M D.Course signals at Purdue：using learning analytics to increase student success[C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.Vancouver British Columbia Canada.ACM，2012：267-270.

[4] PAPAMITSIOU Z，ECONOMIDES A A.Learning analytics and educational data mining in practice： A systematic literature review of empirical evidence[J].Educational Technology amp; Society，2014，17（4）：49-64.

[5] ANJALI C A， RAMANI BAI V. An early prediction of dropouts for at-risk scholars in MOOCs using deep learning[C]//2022 International Conference on Computing， Communication， Security and Intelligent Systems （IC3SIS）. Kochi，India：IEEE，2022，1-6.

[6] LI J，LI S，ZHAO Y，et al.Predicting dropouts before enrollments in MOOCs：an explainable and self-supervised model[J].IEEE Transactions on Services Computing，2023，16（6）：4154-4167.

[7] KIPF T N，WELLING M.Semi-Supervised Classification with Graph Convolutional Networks[C]//Proc. Int. Conf. Learning Representations （ICLR）.2017：1-14.

[8] DERR T，MA Y，TANG J L.Signed graph convolutional networks[C]//2018 IEEE International Conference on Data Mining （ICDM）.Singapore：IEEE，2018：929-934.

[9] HUANG J，SHEN H，HOU L，et al.Signed Graph Attention Networks[C]//Proc. Int. Conf. Artificial Neural Networks （ICANN）， LNCS 11727.2019：566-577.

[10] 高智良.基于符號圖的半監督學習[D].長沙：湖南師范大學，2021.

【通聯編輯：唐一東】