现有的学习分析预测模型通常将学生的学术历史视为一个简单的序列，忽略了学期内同时修读的课程。这种简化可能会导致预测不准确，特别是对于课程负担重或具有挑战性的学生。本文介绍了一种名为TRansformer for Academic Course-grade Estimation (TRACE)的模型，它通过同时预测学生在即将到来的学期将修读的课程和相应的成绩来解决这个限制。我们的方法以每个学期为单位对课程进行编码，以捕捉课程并发的影响，并利用一种将课程集预测与成绩预测结合的新型损失函数。我们证明，预测课程和成绩可以显著提高预测质量。使用十年的机构数据进行训练，我们的联合预测模型将均方根误差减少了近50%，比预测成绩的相同架构有了显著的提升。该模型还优于传统的基于LSTM的序列模型和基于图神经网络的方法，并提供了将学生属性数据自然纳入模型的途径。本研究表明，现代神经架构对于创建可解释的模型具有实用性，这些模型可以通过重新训练和重新校准适应新机构。博主点评： 本文提出的TRACE模型通过结合课程和成绩的预测，显著提高了预测的准确性，这对高等教育机构的早期预警系统具有重要意义。同时，模型的设计和训练过程也为其他相关领域提供了有价值的参考。