BiLSTM 模型用 LMS 每周互动日志在第 6 周预测远程教育学生学业失败风险，准确率 91.4%、召回率 92.6%
核心概要
该研究基于双向长短期记忆网络（BiLSTM）构建深度学习模型，利用 1,250 名远程教育学生一学期学习管理系统（LMS）互动日志中提取的材料访问频率、论坛参与和作业提交时间等特征，预测学生学业表现与失败风险，报告在课程第 6 周即达到 91.4% 准确率、89.2% 精确率和 92.6% 召回率，从而为教育者提供早期教学干预依据以降低数字与远程学习环境中的辍学率。
The model processes data through the following pipeline (Figure 1): Input Layer: Receives
· 第 3 页深度剖析
研究提出并验证了一个基于 BiLSTM 的深度学习模型，用于依据 LMS 中的每周互动模式预测学生学业表现与失败风险。 相较于仅使用静态或非时序特征的做法，该工作把远程学习中的时间敏感性与序列数据处理作为核心问题，采用双向长短期记忆结构来建模周度互动序列。 摘要报告了模型结构（BiLSTM）、数据规模（1,250 名远程教育学生、一学期）与特征类型（材料访问频率、论坛参与、作业提交时间），并给出准确率、精确率、召回率三项指标。
模型在课程第 6 周即可给出预测，报告准确率 91.4%、精确率 89.2%、召回率 92.6%。 该结果把可用的预警时间点提前到学期早期，使教育者有机会在课程结束前实施及时的教学干预。 证据来自摘要中报告的实验结果，包含三项分类指标与明确的时间节点（第 6 周）；摘要未提供基线对比、交叉验证或置信区间等细节。
研究将早期预测与降低辍学率的教学目标相连接，指向数字与远程学习环境中的及时教学干预。 该工作把学习分析中的序列建模结果落到教育实践场景，强调预测结果可用于触发教学干预。 摘要以陈述方式说明早期预测“使教育者能够实施及时的教学干预以降低辍学率”，属于应用意义的表述，摘要未报告干预实施后的实际效果数据。
启示与展望
该结果面向数字与远程教育场景，适用于能够持续采集 LMS 互动日志（材料访问频率、论坛参与、作业提交时间）并可按周组织序列数据的教学平台与课程管理者；其设计意图是在课程早期（摘要报告为第 6 周）为教育者提供风险信号，以便安排及时的教学干预。对希望构建早期预警系统的远程教育机构而言，这项工作提供了一个以周度互动序列为输入的建模思路。
摘要未说明数据来自哪些机构或课程、失败风险如何定义与标注、训练与测试如何划分，也未报告与逻辑回归、随机森林等基线方法的对比，因此 91.4% 准确率、89.2% 精确率与 92.6% 召回率所处的参照水平仍待确认。摘要提到早期预测可支持教学干预以降低辍学率，但未报告干预实施后的实际效果，预测信号如何转化为教学行动仍是开放问题。此外，本次加载的文本为不完整范围，仅含摘要与参考文献列表，正文中的图表、消融实验与超参数设置无法从现有材料中核实。