高校学生学业风险预警长期依赖期末成绩单的事后统计：辅导员靠人工逐一比对成绩、凭经验筛选"差生"，滞后、覆盖面窄、解释性差，且家长与任课教师之间缺乏协同通道。
本项目立项原因是：在学生规模大、辅导员配比低、过程数据分散的现实下，传统模式无法在学期中（挂科/退学风险形成前）及时发现并干预学业困难学生。
旨在解决的问题：将学业风险识别从"事后补救"前移到"学期前预测"，基于学生历史学期成绩序列预测下一学期绩点，量化置信度、解释风险来源、自动生成帮扶建议，并以"教师—学生—家长—教务"多角色闭环推动干预落地。行业场景与业务背景：契合高校学业预警、学风建设与"以学生为中心"的教育数字化转型要求——预测用于支持而非贴标签，教师据此安排精准帮扶，学生获得可执行的下一步行动，家长在最小必要知情原则下参与协同，教务可追踪全流程。
系统围绕"评、学、督、规、研、管"六大能力构建，核心功能模块包括：
数据接入：成绩单 Excel 上传（自动字段映射/校验）、演示数据、OULAD 公开数据导入；
智能预测分析：基于历史学期序列预测下一学期 GPA，支持 Transformer/LSTM/GRU 多模型、域适应微调与置信度/可靠性估计，产出分学期误差、特征重要性、风险学生名单；
多智能体诊断帮扶：LangGraph 编排 Intake→Predict→Diagnose→Recommend→Reflect→Report→Query 七节点流程，支持班主任/辅导员/任课教师/家长/教务五角色协作与"@角色"追问；
预警工单管理：四态状态机（下发—处理—复核—关闭），支持指派责任人、跟进记录、处理备注与审计追踪；
我负责全链路开发。① 模型内核：基于 OULAD 公开数据预训练序列模型（Transformer/LSTM/GRU 五折对比择优），经 z-score 跨域对齐实现 GPA 零样本推理，并设计域适应协议（约 20% 学生微调 + 学期半段带校准、calib_shrink、s6_extra 等后处理策略），将 held-out MAE 由 ≈0.47 优化至 0.3393±0.0033（baseline_v4），完成可靠性诊断、误差归因与稳健性评估。② 服务端：FastAPI 全量接口（分析任务、SSE 实时进度、结果、预警工单、知识库、设置、导出等 11 组路由），SQLite 持久化、异步任务崩溃恢复。③ 前端：Vue3 全站 20 余页面，三角色权限切换、ECharts 可视化。④ 智能体：LangGraph 七节点编排 + TF-IDF 知识库 RAG + DeepSeek LLM（无 Key 自动降级规则引擎）。⑤ 工程化：Dockerfile、部署脚本、conda 环境强制校验、pytest 测试、Visio 架构图与论文材料。
技术栈：Python 3.10（PyTorch、scikit-learn、FastAPI、LangGraph、SQLite）+ TypeScript/Vue3/Element Plus/ECharts/Vite + Docker。
亮点：公开数据预训练 + 少量本校学生微调的小样本跨校迁移；预测附置信度、依据与建议动作（支持而非贴标签）；模型内核与产品层强隔离；无 Key 自动降级保主链路可用。
难点：跨校成绩分布差异（域对齐 + 分学期校准）；小样本微调过拟合（早停、多 seed 稳健评估）；长任务体验（SSE + 崩溃恢复）；预测可解释性（特征重要性、分学期误差热力图）；多角色细粒度权限与依赖环境治理。
评论