可变形卷积神经网络赋能学生在线学习退课预测

邵永伟; 马坤; 荆山; 陈贞翔

doi:10.11907/rjdk.251112

您当前的位置：

首页 >

文章列表页 >

可变形卷积神经网络赋能学生在线学习退课预测

计算机人才与教育 | 更新时间：2026-04-30

- 可变形卷积神经网络赋能学生在线学习退课预测
- Student Drop-out Prediction for Online Learning with Deformable Convolutional Networks
- 软件导刊 2026年25卷第4期页码：191-198
- 作者机构：
  
  济南大学信息科学与工程学院，山东济南 250022
- 作者简介：
  
  邵永伟（1999-），男，济南大学信息科学与工程学院硕士研究生，研究方向为计算机技术
  马坤。
  荆山（1979-），男，济南大学信息科学与工程学院教授，研究方向为计算机网络、教育数据分析
  陈贞翔（1979-），男，济南大学信息科学与工程学院教授，研究方向为网络空间安全。
- 基金信息：
  
  山东省本科教学改革研究项目(Z2024139);山东省高等教育学会高等教育研究专项课题(SDGJ2023C05);济南大学教学研究重点项目(JZ2411);山东省电化教育馆人工智能教育研究课题(SDDJ202501004)
- DOI：10.11907/rjdk.251112
  中图分类号： TP18;G434
- 收稿：2025-03-22，
  
  纸质出版：2026-04-15
- 稿件说明：
移动端阅览
邵永伟,马坤,荆山等.可变形卷积神经网络赋能学生在线学习退课预测[J].软件导刊,2026,25(04):191-198.

SHAO Yongwei,MA Kun,JING Shan,et al.Student Drop-out Prediction for Online Learning with Deformable Convolutional Networks[J].Software Guide,2026,25(04):191-198.
邵永伟,马坤,荆山等.可变形卷积神经网络赋能学生在线学习退课预测[J].软件导刊,2026,25(04):191-198. DOI： 10.11907/rjdk.251112.

SHAO Yongwei,MA Kun,JING Shan,et al.Student Drop-out Prediction for Online Learning with Deformable Convolutional Networks[J].Software Guide,2026,25(04):191-198. DOI： 10.11907/rjdk.251112.

摘要

针对大规模开放在线课程（MOOC）中高退课率现象，基于可变形卷积神经网络构建预测模型，以预测学生的退课结果。通过KDD Cup 2015数据集验证模型效果，实验结果表明，该方法优于现有主流的机器学习和深度学习模型。此外，通过分析学生行为数据以解释退课预测结果，从而提高预测结果可信度。学习退课预测分析有助于教师对学生进行个性化指导，并可作为智能助手为学生提供更有针对性的学业帮助。

Abstract

To address the issue of high dropout rates in Massive Open Online Courses （MOOCs）， this paper has built a predictive model based on deformable convolutional networks to predict student dropouts. With the KDD Cup 2015 dataset， experimental results demonstrate that this method outperforms existing machine learning and deep learning models. Additionally， by analyzing student behaviors to explain dropout predictions， this paper has improved the credibility of the results. This analysis of dropout prediction assists teachers in providing personalized guidance and help students master the learning as an intelligent assistant.

关键词

Keywords

references

WATTERS A . MOOC mania： debunking the hype around massive open online courses ［EB/OL］. https：//www.slj.com/story/got-mooc-massive-open-online-courses-are-poised-to-change-the-face-of-education https://www.slj.com/story/got-mooc-massive-open-online-courses-are-poised-to-change-the-face-of-education . doi: 10.5772/intechopen.95166 http://dx.doi.org/10.5772/intechopen.95166

LIPI M ， BERTINI M ， FRASCONI P ， et al . Short-term traffic flow forecasting： an experimental comparison of time-series analysis and supervised learning ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2013 ， 14 （ 2 ）： 871 - 882 . doi: 10.1109/tits.2013.2247040 http://dx.doi.org/10.1109/tits.2013.2247040

JORDAN K . Initial trends in enrolment and completion of massive open online courses ［J］. International Review of Research in Open and Distance Learning ， 2014 ， 15 （ 1 ）： 133 - 160 . doi: 10.19173/irrodl.v15i1.1651 http://dx.doi.org/10.19173/irrodl.v15i1.1651

MEYER R . What it’s like to teach a MOOC （and What the Heck’s a MOOC？）［EB/OL］. https：//www.theatlantic.com/technology/archive/2012/07/what-its-like-to-teach-a-mooc-and-what-the-hecks-a-mooc/260000/ https://www.theatlantic.com/technology/archive/2012/07/what-its-like-to-teach-a-mooc-and-what-the-hecks-a-mooc/260000/ .

SINHA T ， JERMANN P ， LI N ， et al . Your click decides your fate： inferring information processing and attrition behavior from MOOC video clickstream interactions［DB/OL］ . https：//arxiv.org/abs/1407.7131 https://arxiv.org/abs/1407.7131 . doi: 10.3115/v1/w14-4102 http://dx.doi.org/10.3115/v1/w14-4102

FENG W ， TANG J ， LIU T X . Understanding dropouts in MOOCs ［C］// Proceedings of the AAAI Conference on Artificial Intelligence ， 2019 ： 517 - 524 . doi: 10.1609/aaai.v33i01.3301517 http://dx.doi.org/10.1609/aaai.v33i01.3301517

MOHAMAD N ， AHMAD N B ， JAWAWI D N A ， et al . Feature engineering for predicting MOOC performance ［J］. IOP Conference Series Materials Science and Engineering ， 2020 ， 884 （ 1 ）： 012070 . doi: 10.1088/1757-899x/884/1/012070 http://dx.doi.org/10.1088/1757-899x/884/1/012070

ZHANG H F ， CHEN Z X ， XU S J . Artificial intelligence enables new reform of higher education pattern ［J］. Software Guide ， 2022 ， 21 （ 11 ）： 166 - 171 .

张慧峰，陈竹湘，徐水晶 . 人工智能赋能高等教育模式新变革［J］. 软件导刊， 2022 ， 21 （ 11 ）： 166 - 171 .

KOTSIANTIS S . Educational data mining： a case study for predicting dropout-prone students ［J］. International Journal of Knowledge Engineering and Soft Data Paradigms ， 2009 ， 1 （ 2 ）： 101 - 111 . doi: 10.1504/ijkesdp.2009.022718 http://dx.doi.org/10.1504/ijkesdp.2009.022718

XING W ， CHEN X ， STEIN J ， et al . Temporal predication of dropouts in MOOCs： reaching the low hanging fruit through stacking generalization ［J］. Computers in Human Behavior ， 2016 ， 58 ： 119 - 129 . doi: 10.1016/j.chb.2015.12.007 http://dx.doi.org/10.1016/j.chb.2015.12.007

DESMARAIS M C ， NACEUR R ， BEHESHTI B . Linear models of student skills for static data ［C］// Montreal：UMAP Workshops ， 2012 . doi: 10.1007/978-3-642-30950-2_58 http://dx.doi.org/10.1007/978-3-642-30950-2_58

NIU K ， ZHOU Y ， LU G ， et al . PMCT： parallel multiscale convolutional temporal model for MOOC dropout prediction ［J］. Computers and Electrical Engineering ， 2023 ， 112 ： 108989 . doi: 10.1016/j.compeleceng.2023.108989 http://dx.doi.org/10.1016/j.compeleceng.2023.108989

LIN Y Z ， HUANG P . Research on the technology of intelligent correction of online homework system for “fundamentals of mechanical design” ［J］. Technology Innovation and Application ， 2019 （ 29 ）： 145 - 147， 149 .

林毅贞，黄平 . 智能批改《机械设计基础》网上作业系统的技术研究［J］. 科技创新与应用， 2019 （ 29 ）： 145 - 147，149 .

GUO K ， ZHONG Y ， LI D ， et al . Effects of chatbot-assisted in-class debates on students’ argumentation skills and task motivation ［J］. Computers & Education ， 2023 ， 203 ： 104862 . doi: 10.1016/j.compedu.2023.104862 http://dx.doi.org/10.1016/j.compedu.2023.104862

LU X F ， LIAO J ， XU Q . The current status and prospects of the application research of educational robots in foreign language oral teaching ［J］. Foreign Language World ， 2021 （ 1 ）： 11 - 19 .

陆小飞，廖剑，许琪 . 教育机器人在外语口语教学中的应用研究现状及前瞻［J］. 外语界， 2021 （ 1 ）： 11 - 19 .

TAYLOR C ， VEERAMACHANENI K ， O'REILLY U M . Likely to stop？ predicting stopout in massive open online courses［DB/OL］. https：//arxiv.org/abs/1408.3382 https://arxiv.org/abs/1408.3382 .

KLOFT M ， SITEHLER F ， ZHENG Z ， et al . Predicting MOOC dropout over weeks using machine learning methods ［C］// Proceedings of the EMNLP 2014 Workshop on Analysis of Large Scale Social Interaction in MOOCs ， 2014 ： 60 - 65 . doi: 10.3115/v1/w14-4111 http://dx.doi.org/10.3115/v1/w14-4111

LIU T Y ， XIU L . Finding out reasons for low completion in MOOC environment： an explicable approach using hybrid data mining methods ［C］// 2017 International Conference on Modern Education and Information Technology ， 2017 ： 376 - 384 . doi: 10.12783/dtssehs/meit2017/12893 http://dx.doi.org/10.12783/dtssehs/meit2017/12893

LIANG J ， YANG J ， WU Y ， et al . Big data application in education： dropout prediction in Edx MOOCs ［C］// 2016 IEEE Second International Conference on multimedia big data （BigMM）， 2016 ： 440 - 443 . doi: 10.1109/bigmm.2016.70 http://dx.doi.org/10.1109/bigmm.2016.70

MUBARAK A A ， CAO H ， HEZAM I M . Deep analytic model for student dropout prediction in massive open online courses ［J］. Computers & Electrical Engineering ， 2021 ， 93 ： 107271 . doi: 10.1016/j.compeleceng.2021.107271 http://dx.doi.org/10.1016/j.compeleceng.2021.107271

MRHAR K ， DOUIMI O ， ABIK M . A dropout predictor system in MOOCs based on neural networks ［J］. Journal of Automation Mobile Robotics and Intelligent Systems ， 2020 ， 14 （ 4 ）： 72 .

FU Q ， GAO Z ， ZHOU J ， et al . CLSA： a novel deep learning model for MOOC dropout prediction ［J］. Computers & Electrical Engineering ， 2021 ， 94 ： 107315 . doi: 10.1016/j.compeleceng.2021.107315 http://dx.doi.org/10.1016/j.compeleceng.2021.107315

ZHENG Y ， SHAO Z ， DENG M ， et al . MOOC dropout prediction using a fusion deep model based on behaviour features ［J］. Computers and Electrical Engineering ， 2022 ， 104 ： 108409 . doi: 10.1016/j.compeleceng.2022.108409 http://dx.doi.org/10.1016/j.compeleceng.2022.108409

CHEN X ， LIU H Q ， ZHAO F . Prediction of MOOCs dropout based on IQPSO-PLSTM model ［C］// Proceedings of the 2023 8th International Conference on Mathematics and Artificial Intelligence ， 2023 ： 7 - 12 . doi: 10.1145/3594300.3594302 http://dx.doi.org/10.1145/3594300.3594302

NITHYA S ， UMARANI S . MOOC dropout prediction using FIAR-ANN model based on learner behavioral features ［J］. International Journal of Advanced Computer Science and Applications ， 2022 ， 13 （ 9 ）： 607 - 617 . doi: 10.14569/ijacsa.2022.0130972 http://dx.doi.org/10.14569/ijacsa.2022.0130972

HANCOX Z ， RELTON S D . Temporal graph-based CNNs （TG-CNNs） for online course dropout prediction ［C］// International Symposium on Methodologies for Intelligent Systems ， 2022 ： 357 - 367 . doi: 10.1007/978-3-031-16564-1_34 http://dx.doi.org/10.1007/978-3-031-16564-1_34

NIU K ， LU G ， PENG X ， et al . CNN autoencoders and LSTM-based reduced order model for student dropout prediction ［J］. Neural Computing and Applications ， 2023 ， 35 （ 30 ）： 22341 - 22357 . doi: 10.1007/s00521-023-08894-2 http://dx.doi.org/10.1007/s00521-023-08894-2

TANG Z . Research on key technologies of MOOCs based on modeling of interactive behaviors ［D］. Nanjing ： Nanjing University of Posts and Telecommunications ， 2023 .

唐瞻 . 基于交互行为建模的MOOCs关键技术研究［D］. 南京：南京邮电大学， 2023 .

WON H S ， KIM M J ， KIM D ， et al . University student dropout prediction using pretrained language models ［J］. Applied Sciences ， 2023 ， 13 （ 12 ）： 7073 . doi: 10.3390/app13127073 http://dx.doi.org/10.3390/app13127073

DE VILLE B . Decision trees ［J］. Wiley Interdisciplinary Reviews： Computational Statistics ， 2013 ， 5 （ 6 ）： 448 - 455 . doi: 10.1002/wics.1278 http://dx.doi.org/10.1002/wics.1278

BREIMAN L . Random forests ［J］. Machine Learning ， 2001 ， 45 ： 5 - 32 . doi: 10.1023/a:1010933404324 http://dx.doi.org/10.1023/a:1010933404324

ZHANG H . The optimality of naive Bayes ［C］// Florida：The Seventeenth International Florida Artificial Intelligence Research Society Conference ， 2004 .

SALEKSHAHREZAEE Z ， LEEVY J L ， KHOSHGOFTAAR T M . Feature extraction for class imbalance using a convolutional autoencoder and data sampling ［C］// 2021 IEEE 33rd International Conference on Tools with Artificial Intelligence（ICTAI）， 2021 ： 217 - 223 . doi: 10.1109/ictai52525.2021.00037 http://dx.doi.org/10.1109/ictai52525.2021.00037

SHOU Z ， CHEN P ， WEN H ， et al . MOOC dropout prediction based on multidimensional time‐series data ［J］. Mathematical Problems in Engineering ， 2022 （ 1 ）： 2213292 . doi: 10.1155/2022/2213292 http://dx.doi.org/10.1155/2022/2213292

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据