// AI 新闻 · 2026-11-14 · Nature
深度学习与多任务学习在学生课程预警中不优于树模型
一项针对22,848名开放大学学生的研究发现，在基于首周14天交互日志的早期预警预测中，时间深度学习和多任务学习模型未表现出优于树模型的性能。研究对比了包括BiLSTM、GRU及四种表格基线在内的八种模型，通过等价性检验评估其差异，所有模型的F1分数均在0.574至0.583之间，其中循环神经网络未超越经过调优的梯度提升树。单任务、硬共享和交叉注意力变体在学术任务上表现统计上等价，且在学生层面的自助采样下结果一致。多任务共享虽存在中等任务相关性（r=0.589），但未带来性能提升，该结论在剔除退学学生后仍稳健。
原文发布 2026-11-14 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
研究指出，在早期点击日志中预测信号有限的情况下，任务相关性无法转化为知识迁移，模型复杂度增加也未提升准确率。预测能力主要由累积和滚动参与度等行为特征决定，提示教育实践者应优先采用更简单、可解释的模型，并关注更丰富的行为信号。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 研究基于22,848名开放大学学生首周14天交互日志进行早期预警预测
- 所有模型F1分数均在0.574至0.583之间，深度学习与多任务学习未优于梯度提升树
- 单任务、硬共享和交叉注意力变体在学术任务上表现统计等价，结果在学生层面自助采样下一致
- 任务相关性（r=0.589）未转化为性能优势，预测能力主要由累积与滚动参与度决定
03原文出处
Nature · 发布于 2026-11-14 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-14 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日