EduRiskX：基于F逻辑推理的神经符号框架，用于早期学术风险预测

# EduRiskX：一个集成F-逻辑推理的神经符号框架，用于早期学业风险预测  
**来源**：https://arxiv.org/html/2608.26107  
**作者**：康永奇 四川大学计算机科学学院，成都 610207，中国；赵勇 四川大学计算机科学学院，成都 610207，中国；别荣芳 北京师范大学人工智能学院，北京 100875，中国  

###### 摘要  
在在线教育中预测学生的学业风险对于及时干预、提高留存率和学习成果至关重要。然而，现有模型往往存在早期检测能力有限和可解释性不足的问题，导致“黑盒”信任危机，阻碍其在实际教学场景中的应用。为应对这些挑战，我们提出了 EduRiskX，一个神经符号框架，它集成了基于时序 Transformer 的预测器与 F-逻辑符号推理。神经组件使用时间注意力、类别加权损失和动态周截断来建模纵向学生行为序列，并在80%的训练集上独立训练。F-逻辑规则库则完全基于相同的训练数据构建，作为数据驱动的现代专家系统，其基础建立在成熟的教育理论（参与理论和学生整合模型）之上，以模拟人类教育者的诊断逻辑。随后，通过基于逻辑回归的融合机制，将神经风险概率与符号置信度相结合，以数据驱动的方式学习每个信号的相对贡献。在开放大学学习分析数据集上使用严格的80/10/10学生级划分进行的实验表明，EduRiskX 在学期末（第38周）达到了0.900的准确率和0.894的F1分数，平均早期检测周为9.32，检测率为94.30%。与最先进的时序模型（PatchTST、iTransformer）和常用的深度学习基线（LSTM、CNN）相比，在相同条件下，EduRiskX 取得了更高的召回率和更早的风险识别能力。除了预测性能，F-逻辑模块还提供了结构化的基于规则的解释，将风险预测与可观察的行为模式及教育理论联系起来，支持透明且符合教学原则的早期干预。我们的工作表明，神经符号集成提供了一条通向可信且可操作的学习分析系统的可行路径。  

###### 关键词  
学业风险预测；在线学习；时序Transformer；F-逻辑；神经符号人工智能；早期检测  

## 引言  
在线教育的快速发展为灵活学习带来了前所未有的机遇，但也引入了诸如高辍学率和学生表现异质性等重大挑战[1 (https://arxiv.org/html/2608.26107#bib.bib1)]。学习分析旨在利用数字平台的行为数据来解决这些问题，识别可能需要额外学术支持的学生。早期可靠地识别高风险学生尤为关键，因为及时的干预已被证明可以缓解学习困难并提高留存率。然而，当前预测系统中存在两个基本障碍。第一，许多现有的深度学习模型——包括长短期记忆网络、卷积神经网络和最新的基于 Transformer 的架构——依赖于大量累积的序列数据才能达到令人满意的性能[2 (https://arxiv.org/html/2608.26107#bib.bib2),3 (https://arxiv.org/html/2608.26107#bib.bib3)]。这种依赖性限制了它们在早期阶段风险检测方面的有效性，往往延迟识别直到学期中后期，此时干预窗口已经缩小。第二，复杂神经模型的可解释性有限，降低了透明度，并阻碍教育者将预测与可操作的教学策略联系起来的能力。即使是像 PatchTST[4 (https://arxiv.org/html/2608.26107#bib.bib4)] 和 iTransformer[5 (https://arxiv.org/html/2608.26107#bib.bib5)] 这样最先进的时序模型，虽然在预测方面强大，但其设计初衷并非提供符合教育理论的解释。  

近年来，神经符号人工智能——将神经网络与符号推理相结合——已成为一个有前景的方向，旨在提高可解释性的同时保持预测能力[6 (https://arxiv.org/html/2608.26107#bib.bib6),7 (https://arxiv.org/html/2608.26107#bib.bib7)]。通过结合数据驱动的表示学习和结构化的逻辑推理，神经符号方法为平衡教育分析中的性能和可解释性提供了一条途径。框架逻辑因其以声明式、可执行的方式表示对象属性、层次结构和基于规则的推理的能力，在此背景下尤其适合进行符号推理[8 (https://arxiv.org/html/2608.26107#bib.bib8)]。  

基于此视角，我们提出了 EduRiskX——一个神经符号框架，它通过集成优化的时序 Transformer 与 F-逻辑符号推理模块，发挥现代教育专家系统的作用。通过这样做，EduRiskX 直接应对了纯深度学习模型中普遍存在的“黑盒”信任危机[9 (https://arxiv.org/html/2608.26107#bib.bib9)]，明确模拟人类专家的诊断逻辑，以弥合预测准确性与教学适用性之间的差距。基于 Transformer 的神经预测器首先经过训练，根据纵向行为序列估算学生级的风险概率。同时，F-逻辑规则库完全基于80%的训练集构建，确保没有符号知识来源于验证集或测试集。最后，基于逻辑回归的融合机制自适应地结合神经风险概率和符号置信度，允许它们的相对贡献以数据驱动的方式学习。  

本文的主要贡献如下：  
1.  (1) **一个优化的时序 Transformer 架构**，融合了时间注意力、类别加权损失和动态周截断，以改进对纵向行为序列的建模并解决类别不平衡问题，特别是在早期预测阶段。  
2.  (2) **一个基于训练集的 F-逻辑推理模块**，将教学导向的风险模式形式化为符号规则，并生成可解释的置信度分数。规则库源自教育理论（参与理论[10 (https://arxiv.org/html/2608.26107#bib.bib10)] 和学生整合模型[11 (https://arxiv.org/html/2608.26107#bib.bib11)]），并通过系统的规则挖掘程序构建，避免了数据泄露。  
3.  (3) **一个可学习的逻辑融合策略**，整合神经预测和符号推理输出，使模型能够校准每个证据源的贡献，在保持可解释性的同时提高早期检测性能。  
4.  (4) **用于教学决策支持的结构化解释输出**，包括触发的规则、符合理论的行为解释和映射的干预建议，促进了现实教育场景中透明且可操作的早期干预。  

本文其余部分的结构如下：相关工作部分回顾了学业风险预测和神经符号学习方面的相关工作。方法部分详细介绍了 EduRiskX 框架。结果部分描述了实验设置和评估结果。案例研究部分提供了可解释性案例分析。讨论部分探讨了其意义与局限性。最后，结论部分总结了论文并概述了未来的工作。  

## 相关工作  
本节将我们的工作置于三个相互关联的研究流中：(1) 使用开放大学学习分析数据集进行学生学业风险的预测建模，特别是序列深度学习方法；(2) 教育背景下的神经符号人工智能；(3) 基于 F-逻辑的可解释人工智能系统的符号推理。  

### 使用 OULAD 数据集的预测建模  
开放大学学习分析数据集因其规模、纵向结构和对远程高等教育的现实表征，已成为教育数据挖掘中广泛使用的基准数据集[12 (https://arxiv.org/html/2608.26107#bib.bib12)]。早期关于 OULAD 的研究主要采用传统的机器学习方法，如基于聚合行为指标的逻辑回归和决策树[13 (https://arxiv.org/html/2608.26107#bib.bib13),14 (https://arxiv.org/html/2608.26107#bib.bib14)]。这些方法确立了基线性能，并证明了数据驱动学业风险预测的可行性。随着对时序建模兴趣的增加，研究人员开始应用深度学习技术来捕获顺序学习行为[15 (https://arxiv.org/html/2608.26107#bib.bib15)]。循环神经网络和 LSTM 模型已被广泛用于建模每周或事件级的点击流序列，通常报告比静态分类器更好的预测性能[16 (https://arxiv.org/html/2608.26107#bib.bib16)]。最近，基于 Transformer 的架构通过利用自注意力机制建模长程时间依赖性，取得了最先进的结果[17 (https://arxiv.org/html/2608.26107#bib.bib17)]。混合深度学习框架通过注意力机制或多特征融合策略进一步提高了性能。例如，LBTT 模型[1 (https://arxiv.org/html/2608.26107#bib.bib1)]通过双重注意力机制整合了时间窗口表示和行为类型信息。尽管取得了这些进展，但两个挑战仍在积极研究中。首先，虽然深度神经模型提供了强大的预测能力，但其内部表示通常难以在教学术语上直接解释。其次，早期阶段的性能可能因可用序列数据的多少而异。这些考虑凸显了开发在保持有竞争力的预测性能的同时提高可解释性和早期鲁棒性的方法的重要性。  

### 教育领域的神经符号人工智能  
提高教育预测模型的透明度引发了人们对神经符号人工智能的日益浓厚的兴趣，该技术将神经网络与符号推理相结合[6 (https://arxiv.org/html/2608.26107#bib.bib6)]。通过将数据驱动学习与结构化逻辑推理相结合，神经符号方法旨在平衡预测准确性和可解释性[7 (https://arxiv.org/html/2608.26107#bib.bib7)]。  

*   **内在可解释模型**：基于规则的系统代表了教育领域最早的可解释人工智能形式之一。在智能辅导系统中，领域知识传统上被编码为显式规则，从而能够直接检查决策逻辑[18 (https://arxiv.org/html/2608.26107#bib.bib18)]。在教育数据挖掘中，关联规则挖掘等数据驱动的规则发现技术已被应用于识别频繁的行为模式[19 (https://arxiv.org/html/2608.26107#bib.bib19)]。然而，当应用于高维和序列数据集时，规则挖掘可能需要仔细的约束设计，以确保教学相关性和可管理的规则复杂性。  
*   **事后解释方法**：事后解释技术，包括 LIME 和 SHAP，已被广泛用于为黑盒模型提供特征归因[20 (https://arxiv.org/html/2608.26107#bib.bib20)]。这些方法通过估计输入变量对单个预测的贡献来提供局部解释。虽然对于可解释性和模型分析有用，但事后解释近似模型行为，可能无法直接编码结构化的领域知识。  
*   **神经-符号集成**：最近的工作探索了神经表示学习和符号推理之间更紧密的集成。这类方法在架构设计和集成策略上各不相同，正在进行的研究探讨了可扩展性、预测性能和可解释性之间的权衡。新兴技术，包括规则信息提示调整和逻辑引导学习[21 (https://arxiv.org/html/2608.26107#bib.bib21)]，展示了将结构化知识纳入神经系统的替代机制，尽管在学业风险预测中的应用仍然有限。EduRiskX 采用模块化集成策略，其中神经预测和符号推理分别训练然后组合，允许每个组件保持其优势，同时提供可解释的输出。  

### 用于教育符号推理的 F-逻辑  
框架逻辑提供了一种声明式的形式主义，以结构化且可执行的方式表示对象、属性和推理规则[22 (https://arxiv.org/html/2608.26107#bib.bib22),8 (https://arxiv.org/html/2608.26107#bib.bib8)]。它对面向对象表示和规则链的支持使其适合建模诸如参与模式、参与动态和学术整合等教育构建。尽管符号逻辑系统已被应用于教育知识表示，但它们与现代深度神经预测器在学业风险预测方面的集成仍相对探索不足。现有研究通常侧重于纯神经方法或独立的基于规则的系统。EduRiskX 为这一研究方向做出了贡献，它将一个基于 F-逻辑的符号推理模块——完全基于训练集构建——与时序 Transformer 预测器集成，并使用基于逻辑回归的融合机制来组合互补的预测信号。这种设计旨在保持有竞争力的预测性能，同时增强可解释性和教学透明度。  

## 方法  
EduRiskX 采用两阶段的“预测-然后-解释”神经符号架构，包含两个核心组件：神经预测模块（优化的时序 Transformer）和符号推理模块（F-逻辑）。整体框架如图1所示。  

**图1：EduRiskX 框架总体架构**  
*左侧（神经预测模块）：优化的时序 Transformer，融合时间注意力、类别加权损失和动态周截断，以产生 \(P_{\text{neural}}\)。*  
*右侧（符号推理模块）：F-逻辑规则引擎，应用120条基于教学的规则（静态、时序、时间窗口），通过规则置信度和风险增量校准计算 \(P_{\text{rule}}\)。*  
*底部（混合推理）：两阶段逻辑融合 \(P_{\text{final}} = \sigma(\alpha \cdot \text{logit}(P_{\text{neural}}) + \beta \cdot \text{logit}(P_{\text{rule}}) + b)\)，随后生成解释（风险严重程度、触发的规则、理论对齐、干预建议）*