El rápido desarrollo de sistemas de orientación de aprendizaje inteligente ha creado un entorno favorable para el aprendizaje personalizado. Al predecir con precisión el rendimiento futuro de los estudiantes, la educación puede ser adaptada y las estrategias de enseñanza optimizadas. Sin embargo, los algoritmos de predicción tradicionales rara vez tienen en cuenta conjuntos de datos altamente desbalanceados en la educación básica, pasan por alto factores temporales y carecen de una mayor interpretabilidad de los resultados de la predicción. Para abordar estas deficiencias, proponemos el Autoencoder Variacional Temporal - Red Generativa Antagónica (TVAE-GAN), un modelo de red generativa antagónica de autoencoder variacional temporal destinado a proporcionar advertencias tempranas para estudiantes de alto riesgo en la educación básica, con un análisis de interpretabilidad en profundidad de los resultados de la predicción para adaptarse al contexto único de la educación básica. TVAE-GAN extrae características de muestras reales e introduce una red de Memoria a Largo y Corto Plazo (LSTM) para capturar características dinámicas en series temporales, ayudando al modelo a comprender mejor las dependencias temporales en los datos, recordar la información causal secuencial del aprendizaje en línea de los estudiantes y lograr un mejor rendimiento en la generación de datos. Usando estas características, el modelo generativo genera nuevas muestras, y el modelo discriminador evalúa su calidad, produciendo salidas que se asemejan estrechamente a muestras reales a través del entrenamiento. La efectividad del modelo TVAE-GAN se valida en un conjunto de datos de educación básica en línea recopilado, al mismo tiempo que se avanza en el momento de las intervenciones en las predicciones. Se analizan las diferencias de rendimiento entre el método propuesto y los métodos clásicos de re-muestreo, así como su impacto en el campo educativo, destacando que la mala clasificación aumenta la carga de trabajo de los docentes y afecta las emociones de los estudiantes. Se identifican factores clave de influencia utilizando un modelo de sustitución de árbol de decisión, proporcionando a los docentes referencias multidimensionales para la evaluación académica.