学習分析における時間的ドロップアウト・リスク：動的表現と初期ウィンドウ表現にまたがる調和されたサバイバルベンチマーク

要旨: 学習分析（Learning Analytics）における退学（ドロップアウト）は、持続的な懸念である。しかし、比較研究の多くでは、予測モデルが異種のプロトコルのもとで評価されることが多く、時間的な解釈可能性やキャリブレーションよりも弁別を優先している。本研究では、Open University Learning Analytics Dataset（OULAD）を用いた、時間的退学リスクモデリングのための生存（survival）志向のベンチマークを提示する。2つの調和（harmonized）されたアームを比較する：人授業期間表現でモデル化する動的な週次アームと、拡張されたファミリー群（tree-based survival、パラメトリック、ニューラル）を含む比較可能な連続時間アームである。評価プロトコルは、4つの分析層――予測性能、アブレーション、説明可能性、キャリブレーション――を統合する。手法同士の単一のクロスアーム順位は方法論的に妥当ではないため、結果は各アーム内でそれぞれ報告する。比較可能なアームでは、Random Survival Forest が弁別性能とホライズン（時間区間）特有のBrierスコアで先行し、動的なアームでは、Poisson Piecewise-Exponential が、緊密な5ファミリーのクラスター内で積分（integrated）Brierスコアにおいてわずかにリードした。再適合なし（no-refit）のブートストラップ抽出に伴うばらつきは、これらの位置づけを絶対的な優越性ではなく、方向性のあるシグナルとして位置づけるものである。アブレーションおよび説明可能性の分析は、すべてのファミリーにわたって、共通の発見に収束した。支配的な予測シグナルは、主に人口統計学的または構造的なものではなく、時間的かつ行動的なものであった。キャリブレーションは、より弁別性能の高いモデル群においてこのパターンを裏付けたが、XGBoost AFT だけは系統的なバイアスを示した。これらの結果は、学習分析における調和された多次元ベンチマークの価値を支持し、退学リスクを静的な背景属性の関数ではなく、時間‐行動のプロセスとして位置づける。