En ny forskningsmodel fra arXiv adresserer et af online-uddannelsernes største problemer: at opdage studerende i risiko for frafald tidligt nok til, at der kan gribes ind. EduRiskX er et neuro-symbolisk framework, der kombinerer en tidsbaseret Transformer-model med F-Logic symbolsk ræsonnering. Hvor traditionelle deep learning-modeller ofte er 'black boxes', giver EduRiskX strukturerede, regelbaserede forklaringer på, hvorfor en studerende vurderes i risiko – forklaringer der knytter sig til observeret adfærd og etablerede pædagogiske teorier.
Modellen blev testet på Open University Learning Analytics Dataset (OULAD) med en streng 80/10/10-student-level-opdeling. Resultaterne viser en accuracy på 0,900 og en F1-score på 0,894 ved semestrets slutning (uge 38), men det vigtigste tal er den gennemsnitlige tidlige detektionsuge på 9,32 med en detektionsrate på 94,30 procent. Sammenlignet med state-of-the-art tidsserie-modeller som PatchTST og iTransformer samt almindelige deep learning-baselines (LSTM, CNN) opnår EduRiskX forbedret recall og tidligere identifikation af risikostuderende under identiske betingelser.
For beslutningstagere i uddannelsessektoren – fra universiteter til online-læringsplatforme – betyder det noget. Tidlig og forklarlig risikodetektion kan omsættes til konkrete interventioner, fx målrettet vejledning eller ændret kursusdesign, før frafaldet bliver en realitet. Den regelbaserede forklaringskomponent adresserer desuden den tillidskrise, der ofte forhindrer AI i at blive taget i brug i pædagogiske sammenhænge.
