注意力增强RGB-CNN模型在MOOC学生行为3维特征提取与辍学预测中的研究

摘要

针对大规模开放在线课程（MOOC）高辍学率问题及传统模型难以适配卷积神经网络（CNN）特征提取能力的局限性问题，该文提出了一种注意力增强RGB-CNN模型用于MOOC学生辍学预测．首先，将2维学生行为数据重构为类比RGB图像的3维张量，通过分段标准化模拟图像像素分布．其次，设计“通道-空间双注意力模块”:通道注意力模块通过动态分配权重，强化学习通道、评估通道的核心作用，弱化社交通道的冗余干扰;空间注意力模块聚焦“课程中期（T₃～T₆）+学习行为”关键时空区域，捕捉具有强预警意义的信号．最后，结合优化的Res Net50残差结构提取深层特征，并融合时序卷积网络（TCN）的时序特征提升预测全面性．基于KDD Cup 2015数据集的实验表明:该模型较单注意力模型AUC提升2.3%～4.1%，在测试集上最终实现0.892的AUC与0.864的F₁分数，性能显著优于传统机器学习、2维深度学习等现有主流辍学预测模型的性能．该文提出的3维数据转换方法与双注意力增强模型不仅为MOOC学生辍学预测提供了更有效的技术方案，还为教育数据的深度特征挖掘与建模提供了参考思路．

关键词

MOOC辍学预测 / 注意力增强RGB-CNN / 双注意力机制 / 3维张量转换

基金资助

国家自然科学基金(61862032); 江西省教育科学“十四五”规划课题(22ZD014)资助项目