多视图神经风险增强（MVNRA）：基于交叉拟合与门控融合的早期辍学预测框架

《Mathematics》：Cross-Fitted Multi-View Neural Risk Augmentation for Interpretable University Dropout Prediction

　　

摘要

早期辍学预测需要能够整合异构教育记录且不产生信息泄露的模型。我们提出了多视图神经风险增强（MVNRA），这是一种交叉拟合框架，将预警预测因子分离为学术、情境和数字参与视图。特定视图编码器和门控融合模块生成四个监督风险分数。我们在一所西班牙技术大学的公共纵向数据集上评估了 MVNRA，该数据集包含 464,739 条学生 - 课程记录和 81 个 12 月前可用的预测因子。在每个外层学生级别 GroupKFold 划分中，神经风险生成器通过内部学生分组交叉拟合进行训练。随后，将其折外融合的、学术的、情境的和数字的风险分数附加到原始预测因子中，然后拟合六个传统分类器。MVNRA 提高了所有六个分类器的平均接收器工作特征曲线下面积（AUC）。最大的增益出现在 AdaBoost（从 0.7717 到 0.9240）、线性判别分析（从 0.8701 到 0.9176）、高斯朴素贝叶斯（从 0.7313 到 0.7786）和逻辑回归（从 0.9139 到 0.9352）上。MVNRA + 随机森林实现了最高的绝对区分能力（AUC ），精确率 - 召回率 AUC 增加了 0.0191，F1 分数增加了 0.0112。SHAP 分析将融合的和学术的神经风险分数排名在累积学术进度指标之上。这些发现表明，交叉拟合的、特定视图的神经风险分数可以将非线性结构传递给传统的表格分类器，同时保持兼容 SHAP 的决策层和严格的学生级别分离。