Dado que los comportamientos de los estudiantes son factores importantes que pueden reflejar sus estilos de aprendizaje y hábitos de vida en el campus, extraer características útiles de ellos juega un papel útil en la comprensión del proceso de aprendizaje de los estudiantes, lo cual es un paso importante hacia la educación personalizada. Recientemente, la tarea de predecir el rendimiento de los estudiantes a partir de sus comportamientos en el campus ha despertado la atención de los investigadores. Sin embargo, los estudios existentes se centran principalmente en extraer características estadísticas manualmente de los datos prealmacenados, lo que resulta en una histeresis en la predicción del logro de los estudiantes y en la identificación de sus problemas. Además, debido a la capacidad de representación limitada de estas características extraídas manualmente, solo pueden comprender los comportamientos de los estudiantes de manera superficial. Para hacer que el proceso de predicción sea oportuno y automático, tratamos la tarea de predicción del rendimiento como un problema de predicción de secuencias a corto plazo, y proponemos un marco de clasificación en dos etapas, es decir, Clasificador de Rendimiento Basado en Secuencias (SPC), que consiste en un codificador de secuencias y un clasificador clásico de minería de datos. Más específicamente, para descubrir profundamente las características secuenciales de los comportamientos de los estudiantes en el campus, primero introducimos una Red Neuronal Híbrida Recurrente (HRNN) basada en atención para codificar sus comportamientos recientes, dando un mayor peso a aquellos que están relacionados con la última acción de los estudiantes. Luego, para llevar a cabo la predicción del rendimiento estudiantil, involucramos estas características aprendidas en el clásico algoritmo de Máquina de Soporte Vectorial (SVM) y finalmente logramos nuestro modelo SPC. Realizamos experimentos extensivos en un conjunto de datos real de tarjetas de estudiantes. Los resultados experimentales demuestran la superioridad de nuestro método propuesto en términos de Precisión y Recuperación.