基于符号图卷积网络的在线学习行为早期预警模型.pdfVIP

ISSN1009-3044E-mail：eduf@

ComputerKnowledgeandTechnology电脑知识与技术

第21卷第16期(2025年6月)ComputerKnowledgeandTechnology电脑知识与技术

http：//

Vol.21,No.16,June2025Tel：+86-551

基于符号图卷积网络的在线学习行为早期预警模型

高智良，王姣宇，刘家豪，刘桂梅

(长沙幼儿师范高等专科学校，湖南长沙410005)

摘要：在在线教育快速发展的背景下，依托学习者行为数据实现高效的预警成为研究焦点。传统学习预警模型多依赖

统计特征与序列分析，导致学习者间潜在关系结构难以有效捕捉，从而制约了预警的准确性和时效性。针对这一问题，

该研究构建了一个符号图卷积网络(SGCN)驱动的在线学习行为预警框架，对在线学习行为进行建模分析，构建表征行

为相似度的符号关系图，设计SGCN模型以整合正负向关系数据，深度解析复杂行为模式特征，并采用模拟数据集开展

实验，对模型的效能进行检验。实验数据表明，相较于传统机器学习模型和图卷积网络(GCN)，SGCN框架在预测精度、

召回率等指标上呈现显著优势。文章的主要贡献为：1)构建了符号图模型以表征学习者行为的相似性与关联；2)将

SGCN引入在线学习预警领域，有效提高了对高风险学习者的识别能力；3)通过实验验证模型的有效性，为在线教育干

预提供了新的技术手段。

关键词：在线学习预警；符号图卷积网络；学习行为分析；学习风险预测；在线教育干预

中图分类号：TP18文献标识码：A

文章编号：1009-3044(2025)16-0013-05开放科学(资源服务)标识码(OSID)：

0引言示能力[7]。这些进展表明，引入图卷积网络尤其是符

号图卷积网络，有望捕捉在线学习环境中隐含的复杂

近年来，在线教育形态快速演进，课程完成率较

关系，从而改进学习预警的效果。

低与学业表现差异显著的现象持续引发讨论。现有

鉴于上述背景，本文提出了一种基于符号图卷积

数据显示，MOOC平台大量课程完成率徘徊在10%以

下[1]，识别高风险学习者并实施精准干预，成为优化教网络的在线学习行为预警模型。本文的基本思想是：

育技术效能的核心挑战[2]。学习预警系统旨在依托学利用学习者行为数据构建反映学习者间行为相似和

差异关系的符号图，在此基础上采用SGCN模型对图

习行为轨迹分析，构建辍学可能性与学习困境的预测

模型[2-3]。传统研究主要基于学习管理系统的日志数数据进行卷积聚合，学习每个学习者的行为表示并预

测其是否属于高风险。与传统方法相比，该模型可以

据（如访问频次、在线时长、作业质量等）构建特征，并

采用逻辑回归、决策树等算法进行风险预测[2]。例如，同时考虑个体行为特征和群体关系模式，从而有望提

升预警的准确率并降低漏报率。本文主要工作和贡

Purdue大学的CourseSignals项目证明了基于学习行献包括：