온라인 교육에서 학업 위험군 학생을 조기에 예측하는 기존 모델들은 탐지 시점이 늦고 해석이 어려운 '블랙박스' 문제로 현장 도입이 제한돼 왔다. 연구팀은 시간적 어텐션 기반 트랜스포머 예측기와 F-로직 기호 추론을 결합한 신경-기호 프레임워크 'EduRiskX'를 제안했으며, 참여 이론(Engagement Theory)과 학생 통합 모델 등 교육학 이론에 기반한 규칙 기반 시스템을 학습 데이터만으로 구축해 신경망의 위험 확률과 결합했다. Open University Learning Analytics 데이터셋(OULAD)에서 학생 단위로 80/10/10 분할해 검증한 결과, 학기 말(38주차) 기준 정확도 0.900, F1 점수 0.894를 기록했고 평균 9.32주차에 94.3%의 탐지율로 조기 발견에 성공했다. PatchTST·iTransformer 등 최신 시계열 모델 및 LSTM·CNN 대비 재현율과 조기 탐지 성능이 모두 우수했으며, F-로직 모듈은 예측 결과를 관찰 가능한 행동 패턴과 교육 이론에 연결해 설명을 제공한다.

• •트랜스포머 예측기+F-로직 기호 추론 결합한 신경-기호 프레임워크 'EduRiskX' 제안
• •OULAD 데이터셋에서 정확도 0.900·F1 0.894, 평균 9.32주차·탐지율 94.3%로 조기 탐지
• •PatchTST·iTransformer·LSTM·CNN 대비 재현율과 조기 탐지 모두 우수
• •F-로직 모듈이 예측을 교육 이론·행동 패턴에 연결한 해석 가능한 설명 제공