基于OULAD数据集的在线学习学生辍学风险预测模型

本项目旨在利用机器学习技术预测在线学习环境中学生的辍学风险，实现早期学术干预。基于开放大学学习分析数据集（OULAD）开发逻辑回归模型，测试集整体准确率达76.4%，辍学学生召回率为67%。项目还通过Streamlit构建交互式Web应用，方便教育工作者实时获取预测结果，助力资源优化与干预决策。

在线教育普及带来灵活性的同时，辍学率显著高于传统教学。识别高风险学生并及时干预对提升教育质量至关重要。本项目基于OULAD数据集（包含学生行为、人口统计及学业表现记录），核心研究问题为：学生参与度、学业表现和人口统计信息能否有效预测辍学风险，转化为可操作洞察？

数据处理：合并OULAD多表，聚焦人口统计、学习参与度（VLE点击等）、评估数据三类；特征工程：将事件级数据聚合为学生级指标（如总点击次数、中位数分数）；缺失值处理：点击/分数用0填充，分类变量用Unknown标记；编码策略：名义变量独热编码，序数变量序数编码；目标转换：将final_result转为二元辍学变量；模型选择：逻辑回归（StandardScaler标准化，class_weight平衡类别）。

模型测试集整体准确率76.4%。分类报告显示：非辍学类精确率0.84、召回率0.81、F1 0.82；辍学类精确率0.61、召回率0.67、F1 0.64。混淆矩阵为[[3619 869],[669 1362]]。解读：辍学类高召回率（67%）利于识别风险学生，精确率较低存在假阳性，需根据干预成本权衡。

应用部署：通过Streamlit构建交互式Web应用，流程为训练模型保存为joblib，编写app.py启动界面；技术栈：Python3.8+、Pandas/NumPy、Matplotlib/Seaborn、Scikit-learn、Joblib、Streamlit、Kagglehub；教育价值：作为早期预警系统，优化资源分配，提供学习分析实践案例。

局限性：类别不平衡（非辍学占多数）、特征局限（缺质性因素如动机）、泛化能力待验证；改进方向：尝试集成学习（随机森林/梯度提升）、增加时间模式/社交互动特征、深度学习（大规模数据）、集成SHAP提升可解释性。

本项目是完整的教育数据挖掘案例，涵盖从数据预处理到模型部署全流程。模型实现76.4%准确率与67%辍学召回率，Streamlit应用降低使用门槛。开源性质支持扩展改进，共同推动在线教育质量提升。