摘要: 随着信息化技术的发展，在线课堂教育开始在信息化应用中崭露头角，但是在线教学中，学生课堂状态不佳和大规模翘课的现象已经对在线教学的发展产生阻碍，因此人们开始更加关注如何改善这种学生翘课的现象。但是，在线教学的相关任务的研究中，公开可... 展开 随着信息化技术的发展，在线课堂教育开始在信息化应用中崭露头角，但是在线教学中，学生课堂状态不佳和大规模翘课的现象已经对在线教学的发展产生阻碍，因此人们开始更加关注如何改善这种学生翘课的现象。但是，在线教学的相关任务的研究中，公开可使用的数据集和在公开数据集上进行的工作较少，数据集的问题阻碍着在线教育相关任务研究的发展。为了解决上述问题，我们构建了一个新的数据集，并提出了一种新的学生完课预测方法，通过采用图结构进行点击流数据的构建从而完成学生完课的预测。 在数据集构建过程中，我们在网络上获取到2019年的学堂在线的学生行为数据，并完成数据的特征分析、特征选择以及特征的处理和规范化。在此基础上，实现数据集的构建，并说明我们所构建的数据集对学生的行为特征进行了较好的归纳和总结。 本文根据构建数据集中学生特征的特点，对不同类型的课程的学生构建成绩预测网络，将构建的网络用于学生成绩预测并比较其结果，进一步的说明，有效的利用学生行为中所隐含的时间信息可以更好的对学生的最终成绩进行预测。 本文基于学生点击行为提出了一种图结构，使用图神经网络完成学生完课预测任务。我们所提出的网络对于不同属性的数据进行独立处理，并将处理结果合并传入后续的网络进行学生的完课预测；完成和先前的工作结果的对比工作。在我们所构建的数据集上，利用图结构进行预测的F1的值为0.8824其结果明显要好于其他模型在我们数据集上的预测表现；说明了通过构建图结构，可以对学生行为中的时间信息更加有效的利用；GCN在完课问题上的使用相对于支持向量机等传统分类模型来说有更好的完课预测能力。而在公开数据集上我们的方法的F1值为0.9224，和先前的工作有着相当的预测能力。 收起