EduRiskX, öğrenci akademik riskini erken ve açıklanabilir şekilde tahmin ediyorEduRiskX predicts student academic risk early and explainably

ÖzetSummary

EduRiskX, zamanlı bir transformer ile F-Logic kural tabanını (Etkileşim Teorisi ve Öğrenci Entegrasyon Modeli'nden türetilmiş) eşleştiren nöro-simgesel bir model öneriyor. Bu model, saf derin öğrenme baz çizgilerine kıyasla risk altındaki çevrimiçi öğrencileri daha erken tespit etmeyi hedefliyor; OULAD veri kümesinde 9. haftaya kadar %94,3 tespit oranı ve 0,900 doğruluk bildirdi.EduRiskX proposes a neuro-symbolic model that aligns a temporal transformer with an F-Logic rule base (derived from Interaction Theory and the Student Integration Model). The model aims to detect at-risk online students earlier than pure deep learning baselines, reporting a 94.3% detection rate and 0.900 accuracy on the OULAD dataset by week 9.

Neden ÖnemliWhy it matters

Erken ve yorumlanabilir risk sinyalleri, öğrenme analitiği araçlarında sürekli bir eksiklik olarak öne çıkıyor. Yorumlanabilirlik iddiası geçerliyse, kurumlar bir öğrencinin *neden* işaretlendiğini değil, sadece *işaretlendiğini* değil, bunun nedenini ele alabilir; bu da güven ve düzenleyici uyum için ön koşuldur. Nöro-simgesel füzyon yaklaşımı, alan teorisi kurallarının veri odaklı sıralama modellemesiyle birlikte var olması gereken diğer alanlar için de bir şablon sunuyor.Early and interpretable risk signals remain a persistent gap in learning analytics tools. If the interpretability claim holds, institutions can address why a student is flagged, not just that they are flagged; this is a prerequisite for trust and regulatory compliance. The neuro-symbolic fusion approach also offers a template for other domains where domain-theory rules must coexist with data-driven ranking models.

Öne ÇıkanlarHighlights

• F-Logic kuralları eğitim kümesinden çıkarılıyor ve iki adlandırılmış eğitim teorisine dayandırılıyor; bu da opak dikkat mekanizması ağırlıkları yerine yapılandırılmış, teoriyle bağlantılı açıklamalar sunuyor.F-Logic rules are extracted from the training set and grounded in two named educational theories, offering structured, theory-linked explanations instead of opaque attention mechanism weights.
• Lojistik regresyon füzyonu, sinirsel olasılık ile simgesel güven puanının göreli ağırlığını öğreniyor; bu, bilinçli olarak basit ve denetlenebilir bir birleştirme adımıdır.Logistic regression fusion learns the relative weight of neural probability and symbolic confidence scores, serving as a deliberately simple and auditable combination step.
• OULAD üzerinde model, ortalama 9,32. haftada riski tespit ediyor ve %94,3'lük tespit oranıyla PatchTST, iTransformer, LSTM ve CNN baz çizgilerini hatırlama ve zamanlama açısından geride bırakıyor.On OULAD, the model detects risk at an average of week 9.32, outperforming PatchTST, iTransformer, LSTM, and CNN baselines in both recall and timing with a 94.3% detection rate.

EleştiriCritical take

Değerlendirme, tek bir, iyi incelenmiş veri kümesine (OULAD) dayanıyor ve kurumlar arası veya platformlar arası bir doğrulama yok; bu nedenle %94,3'lük tespit oranı ve 'SOTA'dan daha erken' iddiası henüz kesinleşmiş değil. Ayrıca F-Logic kuralları, sinir ağından öğrenilen aynı eğitim verisinden çıkarıldığı için 'yorumlanabilirlik' gerçek anlamda bağımsız değil, daha çok dairesel bir yapı sergiliyor. Lojistik regresyon füzyonu ise, nöro-simgesel dilde süslenmiş, özünde iki özellikli bir sınıflandırıcının üzerine ince bir katman gibi duruyor.The evaluation relies on a single, well-studied dataset (OULAD) without cross-institutional or cross-platform validation, meaning the 94.3% detection rate and 'earlier than SOTA' claim are not yet definitive. Furthermore, since F-Logic rules are extracted from the same training data used to learn the neural network, the 'interpretability' is not truly independent but rather exhibits a circular structure. The logistic regression fusion also appears to be a thin layer on top of a fundamentally two-feature classifier, dressed up in neuro-symbolic terminology.