基于符號(hào)圖卷積網(wǎng)絡(luò)的在線學(xué)習(xí)行為早期預(yù)警模型

摘要：在在線教育快速發(fā)展的背景下，依托學(xué)習(xí)者行為數(shù)據(jù)實(shí)現(xiàn)高效的預(yù)警成為研究焦點(diǎn)。傳統(tǒng)學(xué)習(xí)預(yù)警模型多依賴統(tǒng)計(jì)特征與序列分析，導(dǎo)致學(xué)習(xí)者間潛在關(guān)系結(jié)構(gòu)難以有效捕捉，從而制約了預(yù)警的準(zhǔn)確性和時(shí)效性。針對(duì)這一問(wèn)題，該研究構(gòu)建了一個(gè)符號(hào)圖卷積網(wǎng)絡(luò)（SGCN） 驅(qū)動(dòng)的在線學(xué)習(xí)行為預(yù)警框架，對(duì)在線學(xué)習(xí)行為進(jìn)行建模分析，構(gòu)建表征行為相似度的符號(hào)關(guān)系圖，設(shè)計(jì) SGCN 模型以整合正負(fù)向關(guān)系數(shù)據(jù)，深度解析復(fù)雜行為模式特征，并采用模擬數(shù)據(jù)集開(kāi)展實(shí)驗(yàn)，對(duì)模型的效能進(jìn)行檢驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)表明，相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型和圖卷積網(wǎng)絡(luò)（GCN） ，SGCN 框架在預(yù)測(cè)精度、召回率等指標(biāo)上呈現(xiàn)顯著優(yōu)勢(shì)。文章的主要貢獻(xiàn)為：1） 構(gòu)建了符號(hào)圖模型以表征學(xué)習(xí)者行為的相似性與關(guān)聯(lián)；2） 將 SGCN 引入在線學(xué)習(xí)預(yù)警領(lǐng)域，有效提高了對(duì)高風(fēng)險(xiǎn)學(xué)習(xí)者的識(shí)別能力；3） 通過(guò)實(shí)驗(yàn)驗(yàn)證模型的有效性，為在線教育干預(yù)提供了新的技術(shù)手段。

關(guān)鍵詞：在線學(xué)習(xí)預(yù)警；符號(hào)圖卷積網(wǎng)絡(luò)；學(xué)習(xí)行為分析；學(xué)習(xí)風(fēng)險(xiǎn)預(yù)測(cè)；在線教育干預(yù)

中圖分類(lèi)號(hào)：TP18" "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）16-0013-05

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

近年來(lái)，在線教育形態(tài)快速演進(jìn)，課程完成率較低與學(xué)業(yè)表現(xiàn)差異顯著的現(xiàn)象持續(xù)引發(fā)討論。現(xiàn)有數(shù)據(jù)顯示，MOOC平臺(tái)大量課程完成率徘徊在10%以下[1]，識(shí)別高風(fēng)險(xiǎn)學(xué)習(xí)者并實(shí)施精準(zhǔn)干預(yù)，成為優(yōu)化教育技術(shù)效能的核心挑戰(zhàn)[2]。學(xué)習(xí)預(yù)警系統(tǒng)旨在依托學(xué)習(xí)行為軌跡分析，構(gòu)建輟學(xué)可能性與學(xué)習(xí)困境的預(yù)測(cè)模型[2-3]。傳統(tǒng)研究主要基于學(xué)習(xí)管理系統(tǒng)的日志數(shù)據(jù)（如訪問(wèn)頻次、在線時(shí)長(zhǎng)、作業(yè)質(zhì)量等）構(gòu)建特征，并采用邏輯回歸、決策樹(shù)等算法進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)[2]。例如，Purdue大學(xué)的Course Signals項(xiàng)目證明了基于學(xué)習(xí)行為分析的預(yù)警可以提高學(xué)生成績(jī)[3]。然而，現(xiàn)有方法多局限于個(gè)體特征分析，學(xué)習(xí)者間的拓?fù)潢P(guān)聯(lián)與交互影響未被充分建模，導(dǎo)致在預(yù)測(cè)準(zhǔn)確率和魯棒性上存在局限性[4]。隨著教育數(shù)據(jù)生態(tài)的擴(kuò)展與分析方法的革新，深度學(xué)習(xí)模型開(kāi)始逐步應(yīng)用于學(xué)習(xí)行為預(yù)測(cè)[5]，自監(jiān)督學(xué)習(xí)等新技術(shù)也為預(yù)警系統(tǒng)優(yōu)化提供了新路徑[6]。盡管如此，目前的大多數(shù)學(xué)習(xí)預(yù)警研究仍然缺乏對(duì)學(xué)習(xí)者關(guān)系網(wǎng)絡(luò)的挖掘。

與此同時(shí)，圖神經(jīng)網(wǎng)絡(luò)在社交網(wǎng)絡(luò)、推薦系統(tǒng)等領(lǐng)域展現(xiàn)出強(qiáng)大的關(guān)系挖掘能力[7]。其中，圖卷積網(wǎng)絡(luò)（GCN） [7]能夠有效融合網(wǎng)絡(luò)中節(jié)點(diǎn)與鄰居的特征，實(shí)現(xiàn)半監(jiān)督節(jié)點(diǎn)分類(lèi)等任務(wù)。為了處理含有正負(fù)邊（如好友/敵對(duì)關(guān)系） 的復(fù)雜網(wǎng)絡(luò)，Derr等[8]提出了符號(hào)圖卷積網(wǎng)絡(luò)（Signed GCN， SGCN） 。SGCN 基于社會(huì)平衡理論，將正鏈接與負(fù)鏈接分別聚合，能夠在帶符號(hào)的圖數(shù)據(jù)中傳播和學(xué)習(xí)信息[8]。后續(xù)研究者還提出了符號(hào)圖注意網(wǎng)絡(luò)等變種，以進(jìn)一步提升對(duì)符號(hào)圖的表示能力[7]。這些進(jìn)展表明，引入圖卷積網(wǎng)絡(luò)尤其是符號(hào)圖卷積網(wǎng)絡(luò)，有望捕捉在線學(xué)習(xí)環(huán)境中隱含的復(fù)雜關(guān)系，從而改進(jìn)學(xué)習(xí)預(yù)警的效果。

鑒于上述背景，本文提出了一種基于符號(hào)圖卷積網(wǎng)絡(luò)的在線學(xué)習(xí)行為預(yù)警模型。本文的基本思想是：利用學(xué)習(xí)者行為數(shù)據(jù)構(gòu)建反映學(xué)習(xí)者間行為相似和差異關(guān)系的符號(hào)圖，在此基礎(chǔ)上采用 SGCN 模型對(duì)圖數(shù)據(jù)進(jìn)行卷積聚合，學(xué)習(xí)每個(gè)學(xué)習(xí)者的行為表示并預(yù)測(cè)其是否屬于高風(fēng)險(xiǎn)。與傳統(tǒng)方法相比，該模型可以同時(shí)考慮個(gè)體行為特征和群體關(guān)系模式，從而有望提升預(yù)警的準(zhǔn)確率并降低漏報(bào)率。本文主要工作和貢獻(xiàn)包括：

1） 提出將在線學(xué)習(xí)者及其行為抽象為帶有正負(fù)關(guān)系邊的圖結(jié)構(gòu)，為學(xué)習(xí)行為分析提供新的視角；

2） 設(shè)計(jì)了符號(hào)圖卷積網(wǎng)絡(luò)模型用于學(xué)習(xí)預(yù)警，將符號(hào)圖神經(jīng)網(wǎng)絡(luò)方法引入教育數(shù)據(jù)分析領(lǐng)域；

3） 在模擬的在線學(xué)習(xí)數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)，對(duì)比多種基線方法，驗(yàn)證了所提模型在預(yù)測(cè)準(zhǔn)確度上的顯著優(yōu)勢(shì)；

4） 總結(jié)模型適用性與局限，展望了將圖神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于學(xué)習(xí)分析與干預(yù)的未來(lái)研究方向。

本文將按照以下結(jié)構(gòu)展開(kāi)：第1節(jié)介紹相關(guān)工作，第2節(jié)詳細(xì)描述研究方法，第3節(jié)給出實(shí)驗(yàn)設(shè)計(jì)，第4節(jié)分析實(shí)驗(yàn)結(jié)果，第5節(jié)總結(jié)全文并展望未來(lái)研究。

1 相關(guān)工作

1.1 在線學(xué)習(xí)行為分析與預(yù)警

在線教育平臺(tái)沉淀的大規(guī)模學(xué)習(xí)過(guò)程數(shù)據(jù)，推動(dòng)教育數(shù)據(jù)挖掘領(lǐng)域持續(xù)產(chǎn)出學(xué)習(xí)行為研究成果[4]。研究者通過(guò)分析日志點(diǎn)擊、論壇發(fā)帖、視頻觀看、測(cè)驗(yàn)成績(jī)等數(shù)據(jù)來(lái)理解學(xué)習(xí)者行為模式，并對(duì)學(xué)習(xí)參與度和成績(jī)進(jìn)行預(yù)測(cè)。例如，Macfadyen和Dawson利用學(xué)習(xí)管理系統(tǒng)（LMS） 日志數(shù)據(jù)構(gòu)建特征，成功預(yù)測(cè)出期末表現(xiàn)不佳的學(xué)生[2]。Arnold等人開(kāi)發(fā)的Course Signals系統(tǒng)通過(guò)綜合多源行為數(shù)據(jù)對(duì)學(xué)生風(fēng)險(xiǎn)進(jìn)行紅黃綠預(yù)警，證明了及時(shí)反饋對(duì)降低失敗率的作用[3]。此后，不少研究進(jìn)一步豐富了特征類(lèi)型，如社交互動(dòng)因素、學(xué)習(xí)風(fēng)格等，并采用機(jī)器學(xué)習(xí)和統(tǒng)計(jì)模型來(lái)提高預(yù)測(cè)性能[4]。但此類(lèi)方法大多將學(xué)習(xí)者視作彼此獨(dú)立的個(gè)體，未考慮群體中行為相似或差異所蘊(yùn)含的信息。例如，兩位學(xué)習(xí)者如果在前幾周表現(xiàn)出高度相似的學(xué)習(xí)模式，那么他們后續(xù)成績(jī)也可能存在關(guān)聯(lián)；反之，行為顯著不同的學(xué)習(xí)者或許體現(xiàn)出截然不同的風(fēng)險(xiǎn)水平。忽略這類(lèi)關(guān)系可能導(dǎo)致模型未能捕捉隱含的有用信息。近期，一些工作開(kāi)始探索更復(fù)雜的模型以改進(jìn)預(yù)警效果，包括采用深度神經(jīng)網(wǎng)絡(luò)從時(shí)序行為數(shù)據(jù)中自動(dòng)提取特征[4]，以及結(jié)合知識(shí)圖譜和自監(jiān)督學(xué)習(xí)來(lái)刻畫(huà)學(xué)習(xí)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(jìn)，對(duì)于學(xué)習(xí)者之間關(guān)系結(jié)構(gòu)的利用仍屬空白。

1.2 圖卷積網(wǎng)絡(luò)（GCN） 與符號(hào)圖卷積網(wǎng)絡(luò)（SGCN）

圖卷積網(wǎng)絡(luò)作為近年興起的圖神經(jīng)網(wǎng)絡(luò)模型，在社交網(wǎng)絡(luò)、推薦系統(tǒng)、生物信息等領(lǐng)域取得了優(yōu)異成果[7]。Kipf和Welling提出的半監(jiān)督GCN模型[7]通過(guò)在圖鄰域內(nèi)執(zhí)行卷積運(yùn)算，將節(jié)點(diǎn)自身特征與鄰居特征融合，實(shí)現(xiàn)了端到端的表示學(xué)習(xí)。該方法本質(zhì)上相當(dāng)于一種特征平滑，使得相連節(jié)點(diǎn)的表示更加接近，從而有利于聚類(lèi)或分類(lèi)任務(wù)。然而，標(biāo)準(zhǔn)GCN主要針對(duì)無(wú)符號(hào)圖（即圖中只有一種類(lèi)型的邊，通常代表“相似”或“聯(lián)系”） ，當(dāng)應(yīng)用于含有對(duì)立關(guān)系的網(wǎng)絡(luò)時(shí)會(huì)面臨挑戰(zhàn)。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(hào)表示，那么直接使用傳統(tǒng)GCN可能無(wú)法區(qū)分這兩種截然不同的鄰居影響。為解決這一問(wèn)題，Derr等人[8]在GCN基礎(chǔ)上引入了社會(huì)心理學(xué)中的結(jié)構(gòu)平衡理論，提出了GCN模型。SGCN將圖中的正邊和負(fù)邊區(qū)別對(duì)待：一方面，通過(guò)正邊聚合鄰居特征強(qiáng)化相似節(jié)點(diǎn)間的影響；另一方面，通過(guò)負(fù)邊聚合實(shí)現(xiàn)對(duì)不相似鄰居影響的抑制或反轉(zhuǎn)，從而避免將“不相似”的信息混為一談[8]。具體來(lái)說(shuō)，SGCN為每一層神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了兩套卷積參數(shù)，分別用于正鄰居和負(fù)鄰居的信息傳遞，并通過(guò)平衡理論指導(dǎo)下的損失函數(shù)保證學(xué)習(xí)到的節(jié)點(diǎn)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(guī)律。實(shí)驗(yàn)表明，SGCN在帶符號(hào)的社交網(wǎng)絡(luò)節(jié)點(diǎn)表示學(xué)習(xí)、鏈接符號(hào)預(yù)測(cè)等任務(wù)上顯著優(yōu)于直接忽略符號(hào)的GCN模型[8]。隨后，Huang等[9]提出了符號(hào)圖注意網(wǎng)絡(luò)（SiGAT） ，利用注意力機(jī)制自適應(yīng)地分配正負(fù)鄰居的重要性權(quán)重，進(jìn)一步提升了符號(hào)圖表示的靈活性和準(zhǔn)確性[9]。這些研究進(jìn)展構(gòu)成了符號(hào)圖神經(jīng)網(wǎng)絡(luò)的最新成果。受此啟發(fā)，本文考慮將符號(hào)圖卷積的思想引入在線學(xué)習(xí)行為分析：如果能夠?qū)W(xué)習(xí)者行為關(guān)系用帶符號(hào)的圖來(lái)表達(dá)并加以利用，也許可以捕捉到以往預(yù)警模型中未被利用的信息模式，從而提高預(yù)測(cè)的效果。

2 研究方法

本研究的目標(biāo)是構(gòu)建一個(gè)利用符號(hào)圖卷積網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)風(fēng)險(xiǎn)預(yù)測(cè)的模型。該模型由數(shù)據(jù)建模、符號(hào)關(guān)系圖構(gòu)建、SGCN 模型設(shè)計(jì)和預(yù)警判別四部分組成，下面分別進(jìn)行介紹。

2.1 在線學(xué)習(xí)行為數(shù)據(jù)建模

在線學(xué)習(xí)行為數(shù)據(jù)通常包括多源、多粒度的信息，例如：學(xué)生的基本屬性（專業(yè)、年級(jí)等） 、平臺(tái)交互行為數(shù)據(jù)（登錄頻率、觀看視頻時(shí)長(zhǎng)、帖子發(fā)言次數(shù)等） 、學(xué)習(xí)成果數(shù)據(jù)（測(cè)驗(yàn)成績(jī)、作業(yè)得分、考試成績(jī)） 以及學(xué)習(xí)路徑（章節(jié)完成情況） 等。為了進(jìn)行學(xué)習(xí)預(yù)警，本文首先選取能夠表征學(xué)生學(xué)習(xí)參與度和學(xué)業(yè)進(jìn)展的關(guān)鍵特征，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理和量化表示。假設(shè)本文關(guān)注某一在線課程，在第[t]周希望對(duì)學(xué)生是否面臨風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。對(duì)于每個(gè)學(xué)生，本文統(tǒng)計(jì)其在前[t]周內(nèi)的若干行為特征，例如：總登錄天數(shù)、累計(jì)觀看視頻時(shí)長(zhǎng)、提交作業(yè)次數(shù)、論壇提問(wèn)和回復(fù)數(shù)量、已完成單元占比，以及當(dāng)前的測(cè)驗(yàn)平均成績(jī)等。將這些特征組成特征向量[xi∈Rd]表示第[i]個(gè)學(xué)生的行為畫(huà)像，其中d為特征維度。同時(shí)，本文根據(jù)教學(xué)專家的建議或歷史數(shù)據(jù)確定“風(fēng)險(xiǎn)學(xué)生”的判定標(biāo)準(zhǔn)，例如成績(jī)排名后10%或連續(xù)多周未登錄者可被視為高風(fēng)險(xiǎn)樣本，用0/1標(biāo)簽表示是否屬于風(fēng)險(xiǎn)類(lèi)別。需要注意的是，在實(shí)際應(yīng)用中可根據(jù)需要擴(kuò)展更多特征，但應(yīng)注意特征的相關(guān)性和獨(dú)立性，以避免冗余信息影響模型性能。

2.2 符號(hào)關(guān)系圖構(gòu)建

有別于傳統(tǒng)方法僅利用每個(gè)學(xué)生自身特征，本文在此步驟引入對(duì)學(xué)生間關(guān)系的建模。直觀上，不同學(xué)生的學(xué)習(xí)行為軌跡可能存在相似或相反的模式：例如，兩名學(xué)生的在線時(shí)長(zhǎng)和作業(yè)成績(jī)都保持在高水平，則他們的學(xué)習(xí)狀態(tài)較為相似；反之，如果一名學(xué)生積極參與討論而另一名幾乎不參與，則他們?cè)趯W(xué)習(xí)投入方面存在差異。本文據(jù)此構(gòu)建一個(gè)無(wú)向帶符號(hào)的關(guān)系圖。

[G=V，E+，E-]" " " " " （1）

式中：節(jié)點(diǎn)集合[V]對(duì)應(yīng)于學(xué)生集合，每個(gè)節(jié)點(diǎn)代表一名學(xué)生；[E+]為正邊集合，表示“行為模式相似”的學(xué)生對(duì)；[E-]為負(fù)邊集合，表示“行為模式顯著不同”的學(xué)生對(duì)。具體構(gòu)建過(guò)程如下：首先，定義一個(gè)相似度度量函數(shù)[simi，j]來(lái)衡量學(xué)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(guān)系數(shù)等指標(biāo)進(jìn)行計(jì)算。

[simi，j=xi?xjxi·xj]" " " " "（2）

然后，本文設(shè)定閾值[θ+]和[θ-]（[θ+gt;θ-]） ：當(dāng)[simi，j≥θ+]時(shí)，在節(jié)點(diǎn)[i]和[j]之間建立一條正邊[i，j∈E+]，表示兩名學(xué)生行為高度相似；當(dāng)[simi，j≤θ-]時(shí)，建立一條負(fù)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(xué)生對(duì)則不連邊，以避免圖中過(guò)度稠密。具體閾值選擇將在實(shí)驗(yàn)部分詳細(xì)說(shuō)明。此外，在構(gòu)建過(guò)程中應(yīng)排除自身節(jié)點(diǎn)和重復(fù)邊，最終得到一個(gè)帶符號(hào)的學(xué)生關(guān)系圖。這個(gè)圖反映了學(xué)生群體中行為模式的聚類(lèi)與分化結(jié)構(gòu)：正邊聯(lián)結(jié)了可能有相近學(xué)習(xí)狀態(tài)的學(xué)生，負(fù)邊則刻畫(huà)了行為上存在巨大差異的學(xué)生對(duì)。

2.3 SGCN 模型設(shè)計(jì)

構(gòu)建好符號(hào)關(guān)系圖后，本文設(shè)計(jì)符號(hào)圖卷積網(wǎng)絡(luò)（SGCN） 來(lái)對(duì)該圖上的節(jié)點(diǎn)進(jìn)行表示學(xué)習(xí)和分類(lèi)（如圖 1 所示） 。

SGCN模型的輸入為上述學(xué)生關(guān)系圖[G]以及節(jié)點(diǎn)特征[xi]，輸出為每個(gè)學(xué)生節(jié)點(diǎn)的風(fēng)險(xiǎn)概率或類(lèi)別標(biāo)簽。模型由多層符號(hào)圖卷積層疊加組成，每一層都包含針對(duì)正鄰居和負(fù)鄰居的獨(dú)立卷積運(yùn)算。具體而言，對(duì)于圖中的任一學(xué)生節(jié)點(diǎn)[i]，設(shè)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(fù)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(quán)和，權(quán)重可取相似度或通過(guò)學(xué)習(xí)得到[7]） 。接著，符號(hào)GCN對(duì)正鄰居聚合和負(fù)鄰居聚合使用不同的線性變換和非線性激活，以區(qū)分兩種關(guān)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(fù)鄰域的權(quán)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(huán)） 。[σ?]為激活函數(shù)（ReLU） 。需要說(shuō)明的是，上式的實(shí)際實(shí)現(xiàn)根據(jù)[8]采用復(fù)雜的平衡約束項(xiàng)來(lái)確保正負(fù)鄰居的信息融合符合平衡理論預(yù)期，核心思想是：正鄰居的信息對(duì)節(jié)點(diǎn)起到類(lèi)似“朋友相助”的作用，負(fù)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(jié)點(diǎn)距離中心節(jié)點(diǎn)[ui]的路徑長(zhǎng)度。針對(duì)平衡路徑節(jié)點(diǎn)集合（正鄰居/朋友集合） [Bi（l）]和不平衡路徑節(jié)點(diǎn)集合（負(fù)鄰居/敵人集合） [Ui（l）]中的信息，分別設(shè)計(jì)單獨(dú)的聚合器[B（l）]和[U（l）]。經(jīng)過(guò)L層的卷積運(yùn)算后，本文得到每個(gè)學(xué)生節(jié)點(diǎn)的最終表示[h（L）i]。在模型頂層，本文接入一個(gè)全連接層將節(jié)點(diǎn)表示映射為二分類(lèi)的預(yù)測(cè)分值[10]，使用sigmoid函數(shù)將其轉(zhuǎn)化為屬于“高風(fēng)險(xiǎn)”類(lèi)別的概率[yi∈0，1]。模型訓(xùn)練過(guò)程中，以歷史數(shù)據(jù)中已標(biāo)記的學(xué)生風(fēng)險(xiǎn)標(biāo)簽為監(jiān)督信號(hào)，采用交叉熵?fù)p失函數(shù)：

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

式中：[yi]為真實(shí)標(biāo)簽（高風(fēng)險(xiǎn)為1，正常為0） 。通過(guò)反向傳播和梯度下降優(yōu)化[W+，W-，W0]等參數(shù)，使模型逐步學(xué)習(xí)如何根據(jù)學(xué)生自身特征及其正負(fù)鄰居特征來(lái)判斷風(fēng)險(xiǎn)。訓(xùn)練完成后，該模型即可用于對(duì)新數(shù)據(jù)中的學(xué)生進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，輸出預(yù)警概率。值得一提的是，由于SGCN能夠在有標(biāo)簽和無(wú)標(biāo)簽節(jié)點(diǎn)的混合圖上訓(xùn)練（半監(jiān)督學(xué)習(xí)） ，因此即使并非所有學(xué)生都有歷史標(biāo)簽，本文仍可利用圖結(jié)構(gòu)傳播已有標(biāo)簽信息，提高預(yù)測(cè)的廣度和穩(wěn)定性[7-8]。

2.4 學(xué)習(xí)預(yù)警判別

完成模型訓(xùn)練后，本文對(duì)目標(biāo)在線課程當(dāng)前尚未結(jié)束的學(xué)習(xí)者進(jìn)行風(fēng)險(xiǎn)評(píng)估。具體做法是將最新一期（第[t]周） 的學(xué)生行為數(shù)據(jù)輸入模型，經(jīng)過(guò)SGCN計(jì)算得到每個(gè)學(xué)生的風(fēng)險(xiǎn)概率[yi]。然后，根據(jù)預(yù)先設(shè)定的預(yù)警策略和閾值，將高于閾值的學(xué)生標(biāo)記為需要預(yù)警的高風(fēng)險(xiǎn)對(duì)象，并生成預(yù)警名單提供給教師或教學(xué)管理系統(tǒng)。閾值的選擇可以根據(jù)訓(xùn)練集上的驗(yàn)證結(jié)果確定，以保證一定召回率為前提選擇能最大化準(zhǔn)確率的概率閾值。除了二分類(lèi)的預(yù)警結(jié)果外，模型的輸出概率還可用于進(jìn)一步區(qū)分風(fēng)險(xiǎn)程度的高低，教師可優(yōu)先關(guān)注概率值最高的若干學(xué)生。由于SGCN模型融合了學(xué)生間的關(guān)系信息，其預(yù)測(cè)結(jié)果在一定程度上具有可解釋性：例如，如果某學(xué)生被預(yù)測(cè)為高風(fēng)險(xiǎn)，本文可以分析其圖鄰居情況，發(fā)現(xiàn)是否其大部分正鄰居也都出現(xiàn)學(xué)習(xí)困難（群體效應(yīng)） ，或者其負(fù)鄰居皆為學(xué)習(xí)優(yōu)秀學(xué)生從而形成強(qiáng)烈反差。這些分析有助于教師理解預(yù)警原因并采取有針對(duì)性的干預(yù)措施。總之，通過(guò)以上步驟，本文建立了一個(gè)綜合利用個(gè)體行為特征和群體關(guān)系的學(xué)習(xí)預(yù)警模型框架。

3 實(shí)驗(yàn)設(shè)計(jì)

為評(píng)估所提 SGCN 學(xué)習(xí)預(yù)警模型的有效性，本文設(shè)計(jì)并進(jìn)行了對(duì)比實(shí)驗(yàn)。本節(jié)將介紹數(shù)據(jù)集、評(píng)價(jià)指標(biāo)、比較方法和模型參數(shù)設(shè)置等實(shí)驗(yàn)設(shè)計(jì)要點(diǎn)。

3.1 數(shù)據(jù)集

由于缺乏公開(kāi)的、同時(shí)具備完整在線學(xué)習(xí)行為記錄與明確風(fēng)險(xiǎn)標(biāo)簽的真實(shí)數(shù)據(jù)集，本文在典型在線課程場(chǎng)景下構(gòu)建了一套模擬數(shù)據(jù)，用于模型訓(xùn)練與評(píng)估。該數(shù)據(jù)集模擬了某高校開(kāi)設(shè)的兩門(mén) 8 周制在線課程的學(xué)習(xí)日志，總計(jì)覆蓋 500 名學(xué)生的行為軌跡，其中課程 A 為“計(jì)算機(jī)基礎(chǔ)”（300 人） ，課程 B 為“高等數(shù)學(xué)”（200 人） 。

在數(shù)據(jù)設(shè)計(jì)過(guò)程中，本文為每名學(xué)生記錄了其每周的主要學(xué)習(xí)行為特征，包括：登錄天數(shù)、視頻總觀看時(shí)長(zhǎng)、完成作業(yè)次數(shù)、論壇發(fā)帖與回帖數(shù)量、當(dāng)周測(cè)驗(yàn)得分等。所有數(shù)據(jù)以學(xué)生為單位，構(gòu)成時(shí)間序列的行為特征矩陣。為獲得學(xué)生的風(fēng)險(xiǎn)標(biāo)簽，本文依據(jù)典型在線課程中的表現(xiàn)設(shè)定如下劃分規(guī)則：在課程結(jié)束時(shí)未獲得及格成績(jī)（即總評(píng)成績(jī)低于 60 分） 或中途退出學(xué)習(xí)任務(wù)的學(xué)生，統(tǒng)一標(biāo)記為高風(fēng)險(xiǎn)，標(biāo)簽設(shè)為 1；其余學(xué)生則標(biāo)記為非高風(fēng)險(xiǎn)，標(biāo)簽設(shè)為 0。依據(jù)該規(guī)則，課程 A 中共計(jì)有 60 名學(xué)生被標(biāo)記為高風(fēng)險(xiǎn)（高風(fēng)險(xiǎn)率為 20%） ，課程 B 中則有 30 名高風(fēng)險(xiǎn)學(xué)生（高風(fēng)險(xiǎn)率為 15%） 。

為模擬課程中期階段的風(fēng)險(xiǎn)預(yù)警需求，本文僅提取每名學(xué)生在前 4 周的行為數(shù)據(jù)作為模型輸入，預(yù)測(cè)其最終是否屬于高風(fēng)險(xiǎn)。這一設(shè)定對(duì)應(yīng)現(xiàn)實(shí)教學(xué)中的“過(guò)程性干預(yù)”需求，即在課程過(guò)半階段提前識(shí)別潛在掉隊(duì)學(xué)生。具體的數(shù)據(jù)劃分策略如下（如表 1 所示） 。

1） 訓(xùn)練集：課程 A 的全部數(shù)據(jù)（300 名學(xué)生） ，包含完整風(fēng)險(xiǎn)標(biāo)簽；

2） 驗(yàn)證集（20%） ：從訓(xùn)練集中隨機(jī)抽取 60 名學(xué)生，用于模型調(diào)參與超參數(shù)選擇；

3） 測(cè)試集：課程 B 的全部數(shù)據(jù)（200 名學(xué)生） ，用于模型跨課程泛化能力的評(píng)估。

盡管該數(shù)據(jù)集為模擬生成，其參數(shù)設(shè)計(jì)參考了當(dāng)前主流在線學(xué)習(xí)平臺(tái)（如 EdX、Coursera） 中的課程結(jié)構(gòu)、行為特征及學(xué)習(xí)風(fēng)險(xiǎn)分布情況。未來(lái)研究將進(jìn)一步嘗試引入真實(shí)大規(guī)模在線學(xué)習(xí)平臺(tái)的數(shù)據(jù)，以增強(qiáng)模型的適用性與實(shí)際部署能力。

3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

針對(duì)預(yù)警模型的性能，本文采用多種常用分類(lèi)指標(biāo)進(jìn)行評(píng)估，包括Accuracy （ACC）、Precision （Prec）、Recall （R）、F1-score （F1）以及ROC曲線下的面積 （AUC）。ACC 準(zhǔn)確率反映整體預(yù)測(cè)的正確率；Precision（精確率） 衡量預(yù)測(cè)為高風(fēng)險(xiǎn)的學(xué)生中真正高風(fēng)險(xiǎn)的比例，越高表示誤報(bào)越少；Recall（召回率） 表示實(shí)際高風(fēng)險(xiǎn)學(xué)生中被成功預(yù)測(cè)的比例，越高說(shuō)明漏報(bào)越少；F1為Precision和Recall的調(diào)和平均，用于綜合評(píng)價(jià)模型對(duì)高風(fēng)險(xiǎn)類(lèi)別的判定能力；AUC則從概率角度衡量模型對(duì)正負(fù)樣本的排序區(qū)分能力，較為魯棒。鑒于學(xué)習(xí)預(yù)警任務(wù)中，召回率往往比精確率更受關(guān)注（相比“誤報(bào)”，“漏報(bào)”更容易導(dǎo)致真正需要干預(yù)的學(xué)生被忽視） ，本文會(huì)特別關(guān)注模型的Recall和F1表現(xiàn)。另外，本文還記錄模型的訓(xùn)練時(shí)間和推斷速度，以評(píng)估其實(shí)用性。

3.3 比較方法

為了驗(yàn)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(jìn)行比較。

1） Logistic Regression （LR） [2]。經(jīng)典的線性分類(lèi)模型，以每個(gè)學(xué)生的行為特征向量作為輸入，輸出風(fēng)險(xiǎn)概率，未考慮時(shí)序或圖結(jié)構(gòu)特征。

2） 支持向量機(jī)（SVM）。采用RBF核的支持向量機(jī)分類(lèi)，對(duì)學(xué)生特征進(jìn)行二分類(lèi)，未顯式利用時(shí)間或結(jié)構(gòu)信息，適用于小樣本場(chǎng)景。

3） 多層感知機(jī)（MLP）。由多層全連接神經(jīng)元構(gòu)成的前饋神經(jīng)網(wǎng)絡(luò)，對(duì)學(xué)生特征進(jìn)行學(xué)習(xí)并分類(lèi)，但不具備時(shí)間建模能力。

4） 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） [8]。將每名學(xué)生按周的行為數(shù)據(jù)視作時(shí)間序列，輸入 LSTM 模型進(jìn)行學(xué)習(xí)狀態(tài)預(yù)測(cè)。該方法可捕捉時(shí)間動(dòng)態(tài)模式，但不利用學(xué)生間關(guān)系。

5） 圖卷積網(wǎng)絡(luò)（GCN） [7]。使用本文構(gòu)建的學(xué)生關(guān)系圖，但忽略邊的符號(hào)，也不含時(shí)間信息，采用 GCN 對(duì)圖數(shù)據(jù)進(jìn)行半監(jiān)督分類(lèi)。該對(duì)比用于驗(yàn)證引入符號(hào)信息的作用。GCN 模型使用與 SGCN 相同的輸入特征和網(wǎng)絡(luò)結(jié)構(gòu)（僅一套卷積參數(shù)） 。

為了確保公平比較，所有模型均在相同輸入特征和訓(xùn)練測(cè)試數(shù)據(jù)集上進(jìn)行訓(xùn)練。各模型主要超參數(shù)設(shè)置如下：

LR：調(diào)節(jié)正則化強(qiáng)度參數(shù)（C＼in {0.1，1，10}），選取驗(yàn)證集表現(xiàn)最優(yōu)者；SVM：采用 RBF 核函數(shù)，調(diào)節(jié)正則化系數(shù)（C＼in {0.1，1，10}）；MLP：使用兩層隱藏層，隱藏單元數(shù)分別為[64， 32]，激活函數(shù)為ReLU；LSTM：設(shè)定隱藏狀態(tài)維度為64，序列長(zhǎng)度為 4（對(duì)應(yīng)4周行為） ，學(xué)習(xí)率設(shè)置為0.001，采用Adam優(yōu)化器；GCN：使用兩層GCN層，隱藏層維度為64，dropout = 0.5，學(xué)習(xí)率為0.001，構(gòu)建基于課程內(nèi)的學(xué)生相似圖。

所有模型均在訓(xùn)練集上訓(xùn)練，并在驗(yàn)證集上進(jìn)行調(diào)參與早停判斷，最終在測(cè)試集上評(píng)估其泛化性能。

3.4 模型設(shè)置

對(duì)于SGCN模型本身，本文選取兩層符號(hào)圖卷積層的架構(gòu)（（ L=2）） ，隱藏層維度為 64，輸出層為2類(lèi)softmax。圖卷積層使用ReLU激活，輸出層使用sigmoid二分類(lèi)概率。在符號(hào)圖構(gòu)建中，相似度閾值通過(guò)在驗(yàn)證集上試驗(yàn)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(fù)邊，該閾值在驗(yàn)證集取得最佳效果） 。在訓(xùn)練過(guò)程中，使用Adam優(yōu)化器，初始學(xué)習(xí)率0.01，訓(xùn)練迭代100輪，并在驗(yàn)證集上監(jiān)控早停。為了避免過(guò)擬合，本文對(duì)隱藏層節(jié)點(diǎn)嵌入施加了L2正則化并采用Dropout率0.5。對(duì)每種方法，本文獨(dú)立運(yùn)行5次取平均指標(biāo)，以減少隨機(jī)初始化帶來(lái)的波動(dòng)（在Intel i5 CPU和NVIDIA GTX 4070 GPU的環(huán)境下完成，使用Python和PyTorch框架） 。

4 實(shí)驗(yàn)分析

實(shí)驗(yàn)結(jié)果如表2所示，比較了所提SGCN模型與各基線方法在測(cè)試集上的性能。

根據(jù)實(shí)驗(yàn)結(jié)果表格，生成的柱狀圖、雷達(dá)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(xiàng)指標(biāo)上均取得了最優(yōu)或接近最優(yōu)的成績(jī)。其中，SGCN的準(zhǔn)確率達(dá)到0.905，比傳統(tǒng)邏輯回歸提高了約15個(gè)百分點(diǎn)；Precision和Recall分別達(dá)到0.83和0.88，均高于其他模型，F(xiàn)1 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(dá)0.88，說(shuō)明它能夠識(shí)別出絕大多數(shù)真正有風(fēng)險(xiǎn)的學(xué)生，僅漏掉少數(shù)。這對(duì)于預(yù)警系統(tǒng)而言至關(guān)重要。相比之下，邏輯回歸和SVM的Recall僅為約0.60～0.65，漏報(bào)了相當(dāng)一部分風(fēng)險(xiǎn)學(xué)生；LSTM模型考慮了時(shí)間信息，Recall提升到0.75左右，但Precision略有下降，可能是因?yàn)樾蛄心Ｐ腿菀讓?duì)一時(shí)的異常波動(dòng)敏感，產(chǎn)生一些誤報(bào)。GCN模型利用了學(xué)生相似關(guān)系，性能比不考慮關(guān)系的MLP有明顯提升，F(xiàn)1從0.72增至約0.80，證明了關(guān)系信息對(duì)于預(yù)警的價(jià)值。然而GCN未區(qū)分正負(fù)關(guān)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(duì)某些孤立且行為特征極端的學(xué)生預(yù)測(cè)不準(zhǔn)，這是因?yàn)檫@些學(xué)生通過(guò)負(fù)邊連接到了一些優(yōu)秀學(xué)生節(jié)點(diǎn)，GCN將其特征混合后造成了誤分類(lèi)。而SGCN通過(guò)負(fù)邊的反向作用成功降低了此類(lèi)不相似鄰居的干擾，使得這部分學(xué)生被正確地判為高風(fēng)險(xiǎn)。此外，在AUC指標(biāo)上，SGCN同樣表現(xiàn)最佳，達(dá)到0.93，相比次優(yōu)的GCN高出約0.04，表明SGCN對(duì)正負(fù)樣本的區(qū)分能力更強(qiáng)。總體而言，這些結(jié)果驗(yàn)證了所提方法的有效性：結(jié)合符號(hào)圖關(guān)系的卷積網(wǎng)絡(luò)能夠更充分地挖掘在線學(xué)習(xí)行為數(shù)據(jù)中的模式，提高預(yù)警準(zhǔn)確度。

為進(jìn)一步探討模型的作用機(jī)理，本文對(duì)SGCN模型的若干細(xì)節(jié)進(jìn)行了分析。首先，本文考察了正邊和負(fù)邊對(duì)模型的影響。將SGCN模型中的負(fù)邊卷積單元移除（等價(jià)于將負(fù)邊視為無(wú)連接） 后，模型F1值下降約3個(gè)百分點(diǎn)；相反，將正邊移除僅用負(fù)邊信息時(shí)，模型幾乎無(wú)法收斂，預(yù)測(cè)效果接近隨機(jī)。這表明正邊（相似行為的學(xué)生關(guān)系） 是預(yù)警的主要信息來(lái)源，而負(fù)邊雖然數(shù)量相對(duì)少，但在特定情況下對(duì)提高區(qū)分度有關(guān)鍵作用。其次，本文分析了案例學(xué)生的鄰居貢獻(xiàn)。在一個(gè)典型案例中，學(xué)生A被預(yù)測(cè)為高風(fēng)險(xiǎn)，其正鄰居包含了3位歷史上有類(lèi)似拖延行為且最終輟學(xué)的學(xué)生，這些正鄰居在模型中加強(qiáng)了A的風(fēng)險(xiǎn)信號(hào)；同時(shí)，A的負(fù)鄰居是一位積極優(yōu)秀的學(xué)生B，SGCN模型有效地避免了將B的良好行為特征錯(cuò)誤傳播給A，從而保持了對(duì)A的正確判斷。這一現(xiàn)象與平衡理論一致：A與B之間負(fù)邊的存在反映了他們截然不同的學(xué)習(xí)狀態(tài)，模型據(jù)此對(duì)來(lái)自B的信息施加了“反向”處理。該案例體現(xiàn)了符號(hào)圖卷積的直觀意義，也從側(cè)面解釋了SGCN相較GCN性能提升的原因。

最后，本文關(guān)注了模型的時(shí)間效率。由于數(shù)據(jù)集規(guī)模相對(duì)適中（500節(jié)點(diǎn)） ，SGCN訓(xùn)練用時(shí)僅5秒左右，預(yù)測(cè)單個(gè)學(xué)生的時(shí)間可以忽略不計(jì)。這說(shuō)明在實(shí)際應(yīng)用中，本模型能夠滿足實(shí)時(shí)預(yù)警的需求。當(dāng)然，隨著學(xué)生人數(shù)和關(guān)系邊數(shù)量的增長(zhǎng)，模型計(jì)算開(kāi)銷(xiāo)會(huì)增加，但得益于圖卷積的局部連接特性和可并行計(jì)算能力，其擴(kuò)展性優(yōu)于許多基于復(fù)雜特征交互的傳統(tǒng)方法。在實(shí)際大規(guī)模部署時(shí)，可通過(guò)圖批處理、采樣等技術(shù)進(jìn)一步提升效率。

5 結(jié)論與展望

本文面向在線學(xué)習(xí)場(chǎng)景，提出了一種基于符號(hào)圖卷積網(wǎng)絡(luò)的學(xué)習(xí)行為預(yù)警模型。通過(guò)將學(xué)生行為相似關(guān)系建模為帶符號(hào)的圖結(jié)構(gòu)，并采用 SGCN 聚合正負(fù)鄰居信息，本文有效地提升了對(duì)高風(fēng)險(xiǎn)學(xué)生的早期識(shí)別能力。實(shí)驗(yàn)結(jié)果證明，與傳統(tǒng)的基于個(gè)體特征的模型相比，引入符號(hào)關(guān)系圖的預(yù)警模型在準(zhǔn)確率、召回率等方面都有明顯優(yōu)勢(shì)，尤其在識(shí)別潛在輟學(xué)者上表現(xiàn)出更高的靈敏度。這一研究揭示了群體行為模式對(duì)學(xué)習(xí)分析的重要價(jià)值：學(xué)習(xí)者并非孤立個(gè)體，適當(dāng)?shù)乜坍?huà)和利用他們之間的相似與差異關(guān)系，可以豐富對(duì)學(xué)習(xí)過(guò)程的理解，從而提高預(yù)測(cè)和干預(yù)的效果。

然而，本研究仍存在若干局限性。首先，實(shí)驗(yàn)數(shù)據(jù)集是模擬生成的，規(guī)模與復(fù)雜度受限，后續(xù)研究須在真實(shí)在線教育數(shù)據(jù)中測(cè)試模型有效性，并涵蓋多課程類(lèi)型與跨平臺(tái)數(shù)據(jù)，以檢驗(yàn)其通用性。其次，本文符號(hào)關(guān)系圖構(gòu)建依賴行為相似度閾值設(shè)定，參數(shù)選取存在經(jīng)驗(yàn)偏好，未來(lái)可引入學(xué)習(xí)型圖結(jié)構(gòu)推斷技術(shù)，實(shí)現(xiàn)符號(hào)邊自適應(yīng)生成[8]。另外，當(dāng)前研究聚焦學(xué)生間關(guān)系，但在線學(xué)習(xí)環(huán)境同時(shí)涉及知識(shí)點(diǎn)關(guān)聯(lián)、課程內(nèi)容交互等多元聯(lián)系，如何構(gòu)建融合多類(lèi)實(shí)體的異質(zhì)圖神經(jīng)網(wǎng)絡(luò)框架，成為亟待突破的技術(shù)方向。最后，在模型應(yīng)用方面，可以將預(yù)警結(jié)果與干預(yù)策略相結(jié)合，依據(jù)風(fēng)險(xiǎn)等級(jí)智能推送定制輔導(dǎo)資源，觸發(fā)導(dǎo)師關(guān)懷機(jī)制，推動(dòng)預(yù)測(cè)向行動(dòng)轉(zhuǎn)化。總之，符號(hào)圖卷積網(wǎng)絡(luò)在學(xué)習(xí)分析領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。本研究將持續(xù)優(yōu)化模型架構(gòu)，融合前沿學(xué)習(xí)分析技術(shù)與教育認(rèn)知理論，開(kāi)發(fā)智能支持工具，以助力在線教育輟學(xué)率降低與學(xué)習(xí)成效提升。

參考文獻(xiàn)：

[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(hào)圖的半監(jiān)督學(xué)習(xí)[D].長(zhǎng)沙：湖南師范大學(xué)，2021.

【通聯(lián)編輯：唐一東】