Naukowcy z dziedziuy edukacji i AI opracowali EduRiskX - framework łączący neuronowe modele głębokie z symbolicznym rozumowaniem logicznym do wczesnego przewidywania ryzyka akademickiego studentów edukacji online. System uzyskał dokładność 90 procent i wynik F1 0,894, a najważniej - może wykryć zagrożenie średnio w 9. tygodniu semestru z wskaźnikiem wykrycia 94,3 procenta.
Problemy istniejących rozwiązań są dobrze znane w środowisku edukacyjnym. Standardowe modele machine learning działają jak czarna skrzynka - podają wynik, ale nikt nie wie dlaczego. Nauczyciele i administratorzy nie chcą polega na przeczuciu algorytmu, jeśli nie potrafią zinterpretować decyzji. EduRiskX rozwiązuje to poprzez hybrydowe podejście: komponent neuronowy bazuje na modelu Transformer, który analizuje historyczne dane aktywności studenta (łącze, przesyłane zadania, interakcje), a komponent symboliczny tworzy reguły logiczne oparte na teorii angażowania się studentów i modelu integracji społecznej. Te dwie ścieżki rozumowania są następnie łączone za pośrednictwem regresji logistycznej, która uczy się, ile wagi przydzielić każdemu sygnałowi.
Framework testowano na Open University Learning Analytics Dataset (OULAD) ze ścisłym podziałem danych na poziomie studenta (80/10/10). Wynik jest obiecujący nie tylko ze względu na metryki, ale przede wszystkim dlatego, że system jest wytłumaczalny - nauczyciel może zobaczyć, które konkretne zachowania (np. brak odpowiedzi na forum, niska liczba wysyłanych zadań) przyczynily się do prognozy ryzyka. To otwiera drogę do rzeczywistych wdrożeń w uczelniach, gdzie decyzje muszą być uzasadnione i możliwe do obrony przed studentami i rodzicami.