胡航 李雅馨

【摘 要】? ?? 學(xué)習(xí)行為診斷、監(jiān)控與評(píng)價(jià)一直是教育數(shù)據(jù)挖掘的研究重點(diǎn)。學(xué)習(xí)績效預(yù)測研究已將數(shù)據(jù)模型的理論轉(zhuǎn)化為教學(xué)的應(yīng)用實(shí)踐，而融合多種行為數(shù)據(jù)對(duì)學(xué)習(xí)績效進(jìn)行預(yù)警與評(píng)價(jià)的研究較少。采集1，053名大學(xué)生12周的運(yùn)動(dòng)日志和課堂視頻，構(gòu)建運(yùn)動(dòng)與課堂行為預(yù)測指標(biāo)，利用決策樹和規(guī)則集方法構(gòu)建預(yù)警閾值區(qū)間和行為預(yù)警策略，并利用機(jī)器深度神經(jīng)網(wǎng)絡(luò)分類模型，結(jié)合主成分法和熵值法，得到兩種行為的權(quán)重和得分區(qū)間，構(gòu)建行為組合評(píng)價(jià)策略。研究表明：學(xué)習(xí)績效模型能有效預(yù)測運(yùn)動(dòng)與課堂行為對(duì)學(xué)習(xí)績效的影響，學(xué)習(xí)行為預(yù)警策略也能有效發(fā)現(xiàn)學(xué)生行為變化規(guī)律，學(xué)習(xí)行為組合評(píng)價(jià)策略可量化行為特征值與學(xué)習(xí)績效的關(guān)系，提升教學(xué)管理能力與教育治理水平。

【關(guān)鍵詞】? 學(xué)習(xí)績效;預(yù)測模型;決策樹;深度學(xué)習(xí);運(yùn)動(dòng)行為;課堂行為;策略研究;關(guān)系研究

【中圖分類號(hào)】? ?G40-057? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2021）10-0019-10

學(xué)習(xí)行為診斷、學(xué)習(xí)過程智能化監(jiān)控和學(xué)習(xí)績效自動(dòng)化分類等問題一直是學(xué)習(xí)分析和數(shù)據(jù)挖掘的研究方向之一?，F(xiàn)有的學(xué)習(xí)系統(tǒng)一直努力創(chuàng)設(shè)一種動(dòng)態(tài)、精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑，解析學(xué)習(xí)的發(fā)生過程（胡航， 等， 2020）。學(xué)習(xí)分析已從理論研究轉(zhuǎn)向?qū)W習(xí)行為可視化、預(yù)測評(píng)估等綜合研究，將數(shù)據(jù)模型的理論研判轉(zhuǎn)化為教學(xué)實(shí)踐的應(yīng)用價(jià)值，同時(shí)學(xué)習(xí)預(yù)測從關(guān)注教育大數(shù)據(jù)本身轉(zhuǎn)為探索有意義的教學(xué)行為評(píng)價(jià)和學(xué)習(xí)結(jié)果預(yù)測，呈現(xiàn)出研究方法多樣性、樣本數(shù)據(jù)多元性等特點(diǎn)（武法提， 等， 2019）。隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，學(xué)習(xí)分析數(shù)據(jù)不再限于某一單項(xiàng)具體情境開展，研究手段在多元回歸、結(jié)構(gòu)方程模型為主的統(tǒng)計(jì)學(xué)分析方法基礎(chǔ)上，逐漸采用決策樹、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法進(jìn)行學(xué)習(xí)分析與預(yù)測（牟智佳， 等， 2017）?；诙鄨鼍皵?shù)據(jù)和多種預(yù)測模型的融合分析方法能更全面地反映學(xué)習(xí)績效與不同學(xué)習(xí)行為之間的重要性，提升預(yù)測模型的泛化能力（胡航， 等， 2021）。但學(xué)習(xí)者和教育管理者如何利用預(yù)測結(jié)果進(jìn)行學(xué)習(xí)效果評(píng)價(jià)，充分發(fā)揮大數(shù)據(jù)關(guān)聯(lián)性的優(yōu)勢和價(jià)值，提高教育管理能力和科學(xué)決策能力（宋宇， 等， 2020），成為亟待解決的問題。本研究力圖融合多種行為數(shù)據(jù)，應(yīng)用機(jī)器學(xué)習(xí)方法建立學(xué)習(xí)行為預(yù)警與評(píng)價(jià)策略，以期對(duì)學(xué)習(xí)行為監(jiān)控與評(píng)測提供指導(dǎo)和參考。

一、研究基礎(chǔ)與研究問題

（一）體育運(yùn)動(dòng)對(duì)學(xué)習(xí)績效影響研究

20世紀(jì)90年代，已有學(xué)者發(fā)現(xiàn)體育鍛煉與學(xué)生的學(xué)業(yè)成績具有相關(guān)性。Shephard（1996）在加拿大魁北克地區(qū)研究發(fā)現(xiàn)參加體育鍛煉的女生比男生對(duì)學(xué)業(yè)成績有更大的促進(jìn)作用;Sallis（1999）在美國加州地區(qū)研究發(fā)現(xiàn)，參加體育鍛煉可以提高學(xué)生的學(xué)業(yè)成績，但對(duì)不同地區(qū)學(xué)生的影響存在差異。近期研究發(fā)現(xiàn)，有氧能力與數(shù)學(xué)成績和閱讀成績成正相關(guān)（Castelli， Hillman， Buck， & Erwin， 2007），增加體育鍛煉的時(shí)間和強(qiáng)度有益于學(xué)生認(rèn)知能力和學(xué)習(xí)成績提升（Ardoy， et al.， 2014）。Tajik（2017）等從腦科學(xué)角度解釋了體育鍛煉對(duì)學(xué)業(yè)成績影響的內(nèi)在機(jī)理，發(fā)現(xiàn)體育鍛煉可以激活前額葉等主要腦區(qū)，增強(qiáng)腦區(qū)之間的連接以及改善相關(guān)腦區(qū)內(nèi)灰質(zhì)與白質(zhì)體積，進(jìn)而提升認(rèn)知靈活性，培養(yǎng)專注能力的習(xí)得，而且適當(dāng)?shù)挠醒跤?xùn)練可以優(yōu)化大腦結(jié)構(gòu)，改善大腦功能，增強(qiáng)學(xué)生的專注力和執(zhí)行能力，促進(jìn)大腦學(xué)習(xí)能力的發(fā)展（Guo， 2018）。同時(shí)，一些學(xué)者還探究了運(yùn)動(dòng)對(duì)學(xué)業(yè)成績之間的量化關(guān)系。傅建等（2016）發(fā)現(xiàn)每天進(jìn)行45分鐘中等運(yùn)動(dòng)強(qiáng)度體育鍛煉的學(xué)生語文、數(shù)學(xué)和英語的學(xué)業(yè)成績均有提高;董艷梅等（2020）研究中國教育追蹤調(diào)查數(shù)據(jù)發(fā)現(xiàn)，每天運(yùn)動(dòng)1個(gè)小時(shí)的學(xué)生成績最好，超過1個(gè)小時(shí)對(duì)成績的促進(jìn)開始減弱，超過2個(gè)小時(shí)對(duì)成績產(chǎn)生副作用。已有研究較好地驗(yàn)證了體育運(yùn)動(dòng)與學(xué)習(xí)績效之間的正向關(guān)系，但研究方法多采用問卷調(diào)查或自我報(bào)告數(shù)據(jù)進(jìn)行后期分析，研究內(nèi)容主要探究體育鍛煉在運(yùn)動(dòng)時(shí)間、運(yùn)動(dòng)強(qiáng)度等方面對(duì)學(xué)業(yè)成績的影響，對(duì)學(xué)生學(xué)業(yè)成績的影響研究因素較為單一（李凌姝， 等， 2016）。

（二）課堂行為對(duì)學(xué)習(xí)績效影響研究

課堂行為研究早期通常手動(dòng)記錄教室中師生的課堂活動(dòng)過程，如弗蘭德斯（Flanders）互動(dòng)分析系統(tǒng)、S-T分析方法等（傅德榮， 等， 2011），這些分析方式自動(dòng)化程度較低，處理效率不高。隨著卷積神經(jīng)網(wǎng)絡(luò)為代表的計(jì)算機(jī)視覺識(shí)別技術(shù)的革新，一些采用監(jiān)控設(shè)備錄制的低分辨率視頻也能進(jìn)行很好的識(shí)別和分類（Herrmann， Willersinn， & Beyerer， 2016），課堂環(huán)境中面部表情識(shí)別精度和可靠性也得到極大提升（孫波， 等， 2015）。Whitehill等（2014）采集學(xué)生課程中的面部表情圖像，使用機(jī)器學(xué)習(xí)自動(dòng)識(shí)別學(xué)生的專注度，發(fā)現(xiàn)自動(dòng)檢測器性能與人工判斷相當(dāng) ;Nigel等（2016）使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別學(xué)生互動(dòng)時(shí)的表情和行為，證明了在現(xiàn)實(shí)環(huán)境中使用視頻行為檢測技術(shù)的可行性和精準(zhǔn)性。在此基礎(chǔ)上，一些學(xué)者結(jié)合人臉檢測和面部表情識(shí)別技術(shù)，分析學(xué)生在學(xué)習(xí)過程中的情緒變化（韓麗， 等， 2017）和對(duì)課堂的關(guān)注度（唐康， 等， 2019），建立課堂行為指標(biāo)建立與課程成績之間的關(guān)系（Ashwin & Ram， 2018）。隨著智能技術(shù)的發(fā)展和課堂教學(xué)環(huán)境的更新，基于人臉識(shí)別的課堂行為分析手段逐漸成熟，可以自動(dòng)采集和編碼教學(xué)活動(dòng)中產(chǎn)生的視頻數(shù)據(jù)，對(duì)課堂教學(xué)和學(xué)習(xí)行為進(jìn)行可視化呈現(xiàn)（劉清堂， 等， 2019）。同時(shí)，基于視頻分析技術(shù)逐漸建立起課堂行為評(píng)價(jià)體系，從學(xué)生的情緒特征、行為特征等維度分析教學(xué)過程中課堂的整體狀態(tài)，為研究課堂教學(xué)評(píng)價(jià)、學(xué)習(xí)行為與學(xué)習(xí)績效的關(guān)系奠定了堅(jiān)實(shí)的基礎(chǔ)。

（三）研究問題

通過相關(guān)文獻(xiàn)分析可以發(fā)現(xiàn)，學(xué)者關(guān)于運(yùn)動(dòng)與課堂行為對(duì)學(xué)習(xí)績效的影響因素做了大量研究，但同時(shí)也發(fā)現(xiàn)，研究通?；趩我粚W(xué)習(xí)場景進(jìn)行學(xué)習(xí)效果預(yù)測，研究維度和數(shù)據(jù)量不夠豐富，其應(yīng)用推廣受到限制;采用多種行為數(shù)據(jù)融合方法進(jìn)行預(yù)警與組合評(píng)價(jià)的研究較少。可以應(yīng)用多類型、高維度數(shù)據(jù)的融合、降維和優(yōu)化方法提高預(yù)測模型性能。

研究團(tuán)隊(duì)前期對(duì)大學(xué)生“早起”與“借閱”行為與學(xué)習(xí)績效的關(guān)系進(jìn)行了探究（杜爽， 等， 2020），并通過五種機(jī)器學(xué)習(xí)預(yù)測模型和兩種神經(jīng)網(wǎng)絡(luò)模型分析了生活和學(xué)習(xí)場景中學(xué)習(xí)行為對(duì)學(xué)習(xí)績效的影響，構(gòu)建了包括三個(gè)知識(shí)引擎的學(xué)習(xí)行為診斷模型（胡航， 等， 2021）。本文基于學(xué)習(xí)行為診斷模型建立學(xué)習(xí)績效預(yù)測組合模型應(yīng)用框架，實(shí)現(xiàn)基于行為數(shù)據(jù)的應(yīng)用策略。主要聚焦三個(gè)問題：一是應(yīng)用決策樹與規(guī)則方法構(gòu)建運(yùn)動(dòng)與課堂行為預(yù)警策略;二是應(yīng)用深度神經(jīng)網(wǎng)絡(luò)方法構(gòu)建運(yùn)動(dòng)與課堂行為特征融合的組合評(píng)價(jià)策略;三是探究應(yīng)用策略對(duì)提升教學(xué)管理能力和教育治理水平的現(xiàn)實(shí)意義。

二、研究設(shè)計(jì)

（一）數(shù)據(jù)來源與數(shù)據(jù)處理

1. 數(shù)據(jù)來源

研究采集以C市S高校2019級(jí)大一學(xué)生2019年9月至2020年1月期間三個(gè)來源的數(shù)據(jù)：一是學(xué)習(xí)績效數(shù)據(jù)，來自于教務(wù)系統(tǒng)中該門必修課程23個(gè)班級(jí)的期末成績;二是通過智慧教室監(jiān)控系統(tǒng)采集大學(xué)生上課過程中錄制一學(xué)期（12周）一門人文社科類必修課程的課堂視頻，共有23個(gè)班級(jí)，每周錄制兩節(jié)課90分鐘視頻，共采集到約420小時(shí)的課堂視頻;三是S高校體育部開展的課后跑步活動(dòng)數(shù)據(jù)，為了保證大學(xué)生的鍛煉效果，采用校園跑步趣味打卡模式，鼓勵(lì)學(xué)生清晨和傍晚在校園各運(yùn)動(dòng)場進(jìn)行跑步訓(xùn)練，學(xué)生每次運(yùn)動(dòng)使用移動(dòng)端應(yīng)用程序記錄跑步的時(shí)段、時(shí)長、里程信息。運(yùn)動(dòng)數(shù)據(jù)來源于程序后臺(tái)導(dǎo)出的10月開始連續(xù)12周37，626條運(yùn)動(dòng)日志記錄，作為構(gòu)建運(yùn)動(dòng)行為預(yù)測指標(biāo)的基礎(chǔ)數(shù)據(jù)。

2. 數(shù)據(jù)處理

數(shù)據(jù)處理過程分為預(yù)處理和數(shù)據(jù)對(duì)齊階段，如圖1所示。

①數(shù)據(jù)預(yù)處理階段。一是提取視頻中學(xué)生行為特征，對(duì)視頻進(jìn)行圖像切割、輪廓提取、特征識(shí)別處理，形成結(jié)構(gòu)化的課堂行為數(shù)據(jù);二是處理不完整的行為數(shù)據(jù)，如學(xué)生缺課、無效跑步時(shí)間等情況，需對(duì)缺失數(shù)據(jù)采用期望最大化法進(jìn)行替補(bǔ)。

②數(shù)據(jù)對(duì)齊階段。一是進(jìn)行數(shù)據(jù)關(guān)聯(lián)，將行為結(jié)構(gòu)化數(shù)據(jù)與學(xué)生基本信息進(jìn)行聯(lián)結(jié)，構(gòu)建行為特征矩陣空間;二是對(duì)數(shù)據(jù)進(jìn)行多種抽樣方式，解決數(shù)據(jù)不均衡問題。由于一些男女性別比例、學(xué)習(xí)績效等數(shù)據(jù)分布是有偏的，如在學(xué)習(xí)績效的分布中有85.6%的學(xué)生大于80;為了緩解非平衡數(shù)據(jù)問題，對(duì)學(xué)習(xí)績效大于80的學(xué)生進(jìn)行隨機(jī)樣本抽取以減少樣本量，對(duì)小于等于80的學(xué)生采用了SMOTE方法進(jìn)行抽樣以增加樣本量。SMOTE方法中選取學(xué)習(xí)績效小于80的學(xué)生樣本點(diǎn)與其他的距離其最近的少數(shù)樣本點(diǎn)結(jié)合產(chǎn)生新樣本，從而避免隨機(jī)采樣簡單復(fù)制少數(shù)樣本策略產(chǎn)生模型過擬合的問題發(fā)生。抽樣后的數(shù)據(jù)樣本學(xué)習(xí)績效兩種類別各占比接近50%，可保證數(shù)據(jù)樣本基本無偏性。最終經(jīng)過數(shù)據(jù)預(yù)處理和對(duì)齊后，有1，053名學(xué)生處理后的數(shù)據(jù)作為本次研究的樣本，用于績效預(yù)測指標(biāo)的構(gòu)建和運(yùn)動(dòng)與課堂行為特征指標(biāo)數(shù)據(jù)。

（二）研究方法與研究工具

1. 研究方法

預(yù)測模型的目標(biāo)是依據(jù)學(xué)習(xí)績效是否大于、等于或小于80分的二分類預(yù)測問題，因此按照學(xué)習(xí)成績將學(xué)生分為A類（大于等于80）和B類（小于80），通過兩個(gè)策略在這個(gè)二分類問題中的應(yīng)用來綜合分析運(yùn)動(dòng)與課堂行為和學(xué)習(xí)績效之間的關(guān)系，主要從兩條路徑構(gòu)建學(xué)習(xí)績效模型的應(yīng)用策略。在行為預(yù)警策略構(gòu)建中，首先通過機(jī)器學(xué)習(xí)建立決策樹（C & R）和規(guī)則（JRip）模型，分別用于行為指標(biāo)分類的可視化和學(xué)習(xí)行為規(guī)則集的生成;其次將行為規(guī)則集中的關(guān)鍵分類閾值進(jìn)行合并和轉(zhuǎn)換，確定用于行為預(yù)警判斷的閾值區(qū)間;最后生成運(yùn)動(dòng)與課堂行為預(yù)警策略。在行為組合評(píng)價(jià)策略構(gòu)建中，通過對(duì)機(jī)器深度神經(jīng)網(wǎng)絡(luò)分類模型與決策樹和規(guī)則預(yù)測模型進(jìn)行預(yù)測效果的比較，確定最優(yōu)預(yù)測模型的預(yù)測結(jié)果，得到預(yù)測指標(biāo)的重要性先導(dǎo)經(jīng)驗(yàn)λ;然后使用主成分法計(jì)算運(yùn)動(dòng)與課堂行為類型的權(quán)重系數(shù)，同時(shí)使用熵值法，結(jié)合λ計(jì)算兩個(gè)行為類型中行為指標(biāo)的權(quán)重系數(shù);最終得到調(diào)整后的運(yùn)動(dòng)與課堂行為權(quán)重系數(shù)，同時(shí)計(jì)算行為特征、行為類型和組合評(píng)價(jià)的得分區(qū)間，為分析和量化運(yùn)動(dòng)與課堂行為對(duì)學(xué)習(xí)績效之間的關(guān)系提供評(píng)價(jià)支撐（如圖2所示）。

2. 研究工具

研究使用Weka和SPSS Modeler18工具，結(jié)合Python語言中數(shù)據(jù)分析工具包作為主要研究工具。Weka提供多種機(jī)器學(xué)習(xí)分類器和深度神經(jīng)網(wǎng)絡(luò)模型組件（Lang， Bravo-Marquez， Beckham， Hall， & Frank， 2019），可用于進(jìn)行各種分類預(yù)測模型的構(gòu)建;SPSS Modeler18用于構(gòu)建決策樹和規(guī)則模型;Python開發(fā)平臺(tái)實(shí)現(xiàn)主成分分析、熵值計(jì)算和圖形可視化操作。

（三）運(yùn)動(dòng)與課堂行為預(yù)測指標(biāo)的構(gòu)建

1. 運(yùn)動(dòng)行為預(yù)測指標(biāo)的構(gòu)建

運(yùn)動(dòng)行為預(yù)測指標(biāo)參照梁德清（1994）體育活動(dòng)等級(jí)量表（PAR-3）中關(guān)鍵指標(biāo)進(jìn)行構(gòu)建，該量表的信度和效度得到一致認(rèn)可。量表中將運(yùn)動(dòng)分為強(qiáng)度、時(shí)間和頻率三個(gè)維度，每個(gè)維度5分，按照“頻率*時(shí)間*強(qiáng)度=運(yùn)動(dòng)量”計(jì)算調(diào)查個(gè)體的運(yùn)動(dòng)量。依據(jù)體育活動(dòng)等級(jí)量表評(píng)測項(xiàng)構(gòu)建本研究基于跑步日志數(shù)據(jù)的運(yùn)動(dòng)指標(biāo)，采用X表示，指標(biāo)包括運(yùn)動(dòng)次數(shù)（VX）、平均跑步用時(shí)（TX）、平均跑步里程數(shù)（DX）、運(yùn)動(dòng)規(guī)律（HX）。其中，運(yùn)動(dòng)次數(shù)（VX）體現(xiàn)運(yùn)動(dòng)頻率，指在一學(xué)期12周學(xué)生參與跑步的次數(shù)累加的平均值;平均跑步用時(shí)（TX）體現(xiàn)運(yùn)動(dòng)時(shí)間，指學(xué)生每次跑步用時(shí)（秒）累加的平均值;平均跑步里程數(shù)（DX）體現(xiàn)運(yùn)動(dòng)強(qiáng)度，指學(xué)生每次跑步距離（米）累加的平均值。

為了反映學(xué)生的運(yùn)動(dòng)規(guī)律（HX），根據(jù)運(yùn)動(dòng)次數(shù)分布的熵值，可以判斷運(yùn)動(dòng)行為的隨機(jī)性與無序程度，運(yùn)動(dòng)規(guī)律值反映每周學(xué)生參加運(yùn)動(dòng)的連續(xù)規(guī)律。其中，[fmj]為第m個(gè)學(xué)生第j周運(yùn)動(dòng)次數(shù)在n個(gè)周內(nèi)運(yùn)動(dòng)總次數(shù)中的比重（如公式1所示）：

[HX]=[1ln（n）][i=1nfmjln]（[fmj]） ? （公式1）

運(yùn)動(dòng)規(guī)律指標(biāo)的取值范圍為0～1之間，取值越高說明學(xué)生每周的運(yùn)動(dòng)越有規(guī)律，如一學(xué)生n個(gè)周內(nèi)都沒有運(yùn)動(dòng)，運(yùn)動(dòng)規(guī)律值為0。

2. 課堂行為預(yù)測指標(biāo)的構(gòu)建

行為檢測是智能教育界面中響應(yīng)學(xué)生學(xué)習(xí)狀態(tài)的關(guān)鍵組成部分。在課堂環(huán)境中，采集課堂中連續(xù)的視頻序列，對(duì)動(dòng)態(tài)視頻進(jìn)行圖像分割、面部輪廓提取和面部特征識(shí)別。在課堂行為指標(biāo)建立中，韓麗（2017）構(gòu)建了課堂環(huán)境中基于面部表情特征與心理狀態(tài)的關(guān)系;Ashwin等（2018）通過面部、手勢和身體姿勢特征將學(xué)生劃分為非常投入至非常不投入4個(gè)層級(jí);唐康等（2019）根據(jù)學(xué)習(xí)個(gè)體和課堂整體抬頭率來計(jì)算課堂整體關(guān)注度。本研究以韓麗（2017）與唐康等（2019）兩者的研究為基礎(chǔ)，通過識(shí)別學(xué)生上課中的面部特征判斷學(xué)生對(duì)課堂的整體專注情況。利用人臉識(shí)別系統(tǒng)實(shí)時(shí)測量學(xué)生頭部的垂直方向上仰頭和低頭角度、水平方向上左右搖頭角度來判斷學(xué)生的聽課狀態(tài)：仰頭或直視（頭部角度變化在0～60度之間）為傾聽狀態(tài);略有傾斜或低頭動(dòng)作（頭部角度變化在0～60度之間）為理解或疑惑狀態(tài);低頭或扭頭（頭部角度大于60度或檢測失敗）為抗拒或不屑狀態(tài)。將前兩種頭部角度均在0～60度之間對(duì)應(yīng)為專注狀態(tài)，用于構(gòu)建課堂行為預(yù)測指標(biāo)的判斷依據(jù)。三個(gè)課堂行為預(yù)測指標(biāo)用Y表示，包括專注次數(shù)（VY）、專注度（PY）和專注時(shí)間（TY）。

①專注次數(shù)（VY）指標(biāo)依據(jù)陳子健等（2019）提出的主動(dòng)外觀模型（AAM）對(duì)學(xué)生面部進(jìn)行識(shí)別，通過頭部角度的變化程度，統(tǒng)計(jì)在一個(gè)完整課堂教學(xué)時(shí)間內(nèi)，學(xué)生處于傾聽狀態(tài)的次數(shù)統(tǒng)計(jì)。首先將視頻以45分鐘為一個(gè)周期每隔2.5秒進(jìn)行關(guān)鍵幀提取，一節(jié)課中共有1，080次識(shí)別;然后識(shí)別每個(gè)關(guān)鍵幀中學(xué)生頭部的變化角度，如果頭部角度垂直區(qū)間在0～60度且水平區(qū)間在0～60度，說明學(xué)生是在直視或仰頭，可統(tǒng)計(jì)為有1次專注數(shù)。

②專注度（PY）指標(biāo)在統(tǒng)計(jì)專注次數(shù)（VY）基礎(chǔ)上，統(tǒng)計(jì)在單位時(shí)間總識(shí)別次數(shù)（Sn）中，如果頭部角度在垂直或水平區(qū)間大于60度，說明學(xué)生是在低頭或扭頭，識(shí)別出學(xué)生處于非傾聽狀態(tài)次數(shù)（Sf），同時(shí)統(tǒng)計(jì)教學(xué)時(shí)間內(nèi)無法識(shí)別的次數(shù)（Se），運(yùn)用公式2得到學(xué)生的課堂參與度指標(biāo)。

PY=1-[（Sf+Se）Sn] ? （公式2）

③專注時(shí)間（TY）是學(xué)生頭部角度的變化時(shí)間統(tǒng)計(jì)。以分鐘為單位，主要反映學(xué)生在課堂中將面部識(shí)別為專注狀態(tài)的持續(xù)時(shí)間，同樣以學(xué)生的頭部角度區(qū)間作為識(shí)別依據(jù)。若在關(guān)鍵幀識(shí)別整個(gè)班級(jí)的專注率高于75%，則關(guān)鍵幀之間的時(shí)間間隔統(tǒng)計(jì)為專注時(shí)間段。專注時(shí)間主要反映大學(xué)生在課堂中的參與情況，對(duì)評(píng)價(jià)課堂學(xué)習(xí)的整體效果具有重要的參考價(jià)值。

三、數(shù)據(jù)分析

（一）依據(jù)決策樹與規(guī)則模型關(guān)聯(lián)研判，構(gòu)建行為預(yù)警策略

1. 決策樹模型可視化分類

決策樹是一種常用的直觀快速分類方法。研究采用Modeler決策樹中C & R（分類和回歸）對(duì)兩種行為特征值生成樹節(jié)點(diǎn)，使用遞歸分區(qū)將預(yù)測變量分割為具有相似輸出字段值來查找最佳分割值進(jìn)行分組。相較于決策樹常用的C4.5算法，C & R既能處理學(xué)習(xí)績效連續(xù)變量（回歸），也能處理成績等級(jí)分類變量（分類），且在數(shù)據(jù)缺失、指標(biāo)較多等情況下有較好的穩(wěn)健性。決策樹生成器生成運(yùn)動(dòng)與課堂兩種行為的預(yù)測分類結(jié)構(gòu)圖如圖3和圖4所示。

根據(jù)運(yùn)動(dòng)行為生成的決策樹分類結(jié)構(gòu)圖，可以直觀地分析出運(yùn)動(dòng)行為指標(biāo)與學(xué)習(xí)績效之間的關(guān)系。例如，經(jīng)過節(jié)點(diǎn)0、1、3、11到達(dá)節(jié)點(diǎn)14，可以得出如果一個(gè)學(xué)生平均跑步里程（DX）小于2，928米、運(yùn)動(dòng)次數(shù)（VX）小于15次、平均跑步時(shí)間（TX）小于1，093秒，但運(yùn)動(dòng)規(guī)律（HX）大于0.819，則模型能預(yù)測該生的學(xué)習(xí)成績屬于A類。同時(shí)，決策樹能反映出預(yù)測指標(biāo)重要程度，在圖中從左到右依次遞減，預(yù)測指標(biāo)重要性值分別為：平均跑步里程（DX）0.523，運(yùn)動(dòng)次數(shù)（VX）0.471，平均跑步時(shí)間（TX）0.438，運(yùn)動(dòng)規(guī)律（HX）0.380。這說明學(xué)生每次跑步里程和時(shí)間越長、運(yùn)動(dòng)次數(shù)越多，對(duì)學(xué)習(xí)績效的提升作用越積極，運(yùn)動(dòng)規(guī)律的影響要弱于前三個(gè)指標(biāo)。

同樣，在課堂行為分類中發(fā)現(xiàn)三個(gè)預(yù)測變量的重要性依次是專注時(shí)間（TY）0.882、專注度（PY）0.763和專注次數(shù)（VY）0.721。這反映出在課堂教學(xué)中，學(xué)生在教室專心聽課的時(shí)間長短對(duì)學(xué)生的學(xué)習(xí)績效關(guān)系最為密切，對(duì)學(xué)習(xí)績效的影響最大;從節(jié)點(diǎn)0、2、6和節(jié)點(diǎn)0、2、5、11中可以發(fā)現(xiàn)，專注次數(shù)（VY）更多的學(xué)生更有可能成為A類學(xué)生。

2. 規(guī)則模型生成行為規(guī)則集

在決策樹的可視化模型基礎(chǔ)上，利用規(guī)則模型生成運(yùn)動(dòng)與課堂行為規(guī)則集，用于構(gòu)建學(xué)習(xí)行為判斷的閾值區(qū)間。RIPPER采用貪婪算法構(gòu)造規(guī)則集，能進(jìn)一步簡化規(guī)則集規(guī)模，生成的規(guī)則集按照分類比例進(jìn)行排序，比例越高說明代表的規(guī)則信度越高（如運(yùn)動(dòng)行為規(guī)則集中規(guī)則1中表示該規(guī)則可對(duì)354名學(xué)生中70.4%也就是249人進(jìn)行分類），選取兩類規(guī)則集中的第1條（如表1所示）。

3. 依據(jù)上述關(guān)聯(lián)結(jié)果生成預(yù)警閾值

根據(jù)規(guī)則集中所有規(guī)則的分類閾值進(jìn)行排序和整理，結(jié)合決策樹對(duì)兩種行為得到用于運(yùn)動(dòng)與課堂行為預(yù)警的閾值。每種行為類型分別有兩個(gè)閾值點(diǎn)，分為三個(gè)閾值區(qū)間。同時(shí)可將三個(gè)區(qū)間對(duì)應(yīng)于三種行為等級(jí)，如運(yùn)動(dòng)次數(shù)小于9.1次對(duì)應(yīng)“未達(dá)標(biāo)”、9.2～15.5次對(duì)應(yīng)“良好”、大于15.5次對(duì)應(yīng)“優(yōu)秀”。通過確定行為閾值等級(jí)，使得對(duì)行為判斷的依據(jù)更加明確和易于操作，為構(gòu)建行為預(yù)警策略提供了依據(jù)（如表2所示）。

4. 基于預(yù)警閾值構(gòu)建行為預(yù)警策略

為了更加直觀地發(fā)現(xiàn)行為的內(nèi)在變化規(guī)律，將運(yùn)動(dòng)與課堂行為的行為特征值按每周的平均數(shù)進(jìn)行績效統(tǒng)計(jì)，并按照預(yù)警閾值區(qū)間分別構(gòu)建12周A、B類學(xué)生的行為預(yù)警圖（如圖5和圖6所示），圖中所在區(qū)域的顏色越淺行為等級(jí)越低，顏色最深的區(qū)域代表行為等級(jí)為“優(yōu)秀”。

從圖5和圖6可以看出，A類學(xué)生無論是運(yùn)動(dòng)還是課堂行為特征值均有較高的等級(jí)，說明成績好的學(xué)生在課堂中更加專注聽課，而且運(yùn)動(dòng)越好的學(xué)生可能會(huì)有更好的學(xué)習(xí)績效。兩種行為的分布情況：

①在課堂行為中可以發(fā)現(xiàn)，專注度（PY）12周中始終保持在“良好”和“優(yōu)秀”的等級(jí)，專注次數(shù)（VY）較高的集中在第4～5周中期階段，專注時(shí)間（TY）較高的主要集中在第9周以后;B類學(xué)生專注度（PY）較高的主要集中在第4周和第12周，專注次數(shù)（VY）最高的在第4和第11周，專注時(shí)間（TY）最高的在第8和第11周。這可能與學(xué)生中期考試和期末考試的重視程度有關(guān)，學(xué)生為了能在一學(xué)期中的考試中獲得比較好的分?jǐn)?shù)，在考試前的課堂學(xué)習(xí)中更加愿意傾聽教師講課。

②在運(yùn)動(dòng)行為中，A類學(xué)生在跑步時(shí)間（TX）、運(yùn)動(dòng)次數(shù)（VX）和跑步里程（DX）上基本處于“良好”和“優(yōu)秀”的等級(jí)，運(yùn)動(dòng)規(guī)律（HX）較高的出現(xiàn)在第2周和第9周，且基本保持在“良好”等級(jí);B類學(xué)生的運(yùn)動(dòng)規(guī)律（HX）出現(xiàn)4周一次的周期性變化，跑步次數(shù)（VX）、運(yùn)動(dòng)時(shí)間（TX）和跑步里程（DX）基本“未達(dá)標(biāo)”，在第10周以后出現(xiàn)上升的趨勢，這可能是因?yàn)榈?0周后由于體育課程考試的逼近，學(xué)生需要進(jìn)行體能準(zhǔn)備，或?qū)W校開始了冬季長跑運(yùn)動(dòng)。

（二）依據(jù)深度神經(jīng)網(wǎng)絡(luò)分類模型權(quán)重研判，構(gòu)建行為組合評(píng)價(jià)策略

1. 深度神經(jīng)網(wǎng)絡(luò)分類模型生成先導(dǎo)經(jīng)驗(yàn)權(quán)重

決策樹與規(guī)則分類模型能直觀解釋各預(yù)測指標(biāo)與學(xué)習(xí)績效之間的關(guān)系，但深度神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率一般情況下優(yōu)于機(jī)器學(xué)習(xí)模型，且在Kappa值、召回率等指標(biāo)上均較好，深度神經(jīng)網(wǎng)絡(luò)模型可用于對(duì)學(xué)生學(xué)習(xí)行為的精準(zhǔn)預(yù)測，相較于其他機(jī)器學(xué)習(xí)模型，其優(yōu)異的預(yù)測性能可用于學(xué)習(xí)行為診斷和學(xué)習(xí)干預(yù)方式的界定（胡航， 等， 2021）。因此，為獲得更優(yōu)的預(yù)測結(jié)果，在構(gòu)建行為預(yù)警策略后采用深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型對(duì)運(yùn)動(dòng)與課堂預(yù)測指標(biāo)進(jìn)行建模。使用Weka中的Dl4jMlpClassifer深度神經(jīng)網(wǎng)絡(luò)分類器，設(shè)置網(wǎng)絡(luò)類型、監(jiān)聽器為Epoch Listener類型、Epoch個(gè)數(shù)為10，采用十折交叉驗(yàn)證法對(duì)分類模型進(jìn)行訓(xùn)練和測試。同時(shí)，此分類器與建立行為預(yù)測策略中使用的決策樹和規(guī)則預(yù)測模型進(jìn)行預(yù)測結(jié)果比較，預(yù)測結(jié)果如表3所示。

從表中我們可以發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)分類模型在準(zhǔn)確率、真正率、召回率等指標(biāo)上相較于后兩種預(yù)測模型性能有所提升，預(yù)測準(zhǔn)確率提升到了79.8%。三種模型的Kappa值分別為0.704、0.634和0.615，模型分類結(jié)果均達(dá)到較高一致性。

同時(shí)，將分類模型建立過程中預(yù)測指標(biāo)的重要性值（貢獻(xiàn)程度）作為后期組合評(píng)價(jià)機(jī)制中計(jì)算權(quán)重的影響因素，選用準(zhǔn)確率較高的深度神經(jīng)網(wǎng)絡(luò)分類模型作為組合評(píng)價(jià)機(jī)制的基礎(chǔ)，將模型中預(yù)測指標(biāo)的重要性值進(jìn)行歸一化操作，生成指標(biāo)權(quán)重值λj，作為建立行為組合評(píng)價(jià)策略的先導(dǎo)經(jīng)驗(yàn)（如表4所示）。

2. 利用主成分融合法、熵值法生成行為特征權(quán)重

為了構(gòu)建分層組合的行為評(píng)價(jià)機(jī)制，運(yùn)動(dòng)與課堂兩種行為類型量化得分的計(jì)算，需要將行為特征指標(biāo)中的信息通過降維進(jìn)行濃縮，運(yùn)用降維、因子提取等操作將多維組合特征值投射成機(jī)器學(xué)習(xí)能夠處理的低維向量空間（張琪， 等， 2020）。在Python3.7環(huán)境中調(diào)用主成分法（PCA）分析工具進(jìn)行因子分析。KMO=0.6372，巴特利特值=0.00<0.05，說明當(dāng)前數(shù)據(jù)可以進(jìn)行主成分法融合。因子方差得分矩陣解釋程度為88.69%，權(quán)重系數(shù)wk如表4所示。

行為類型和行為特征的權(quán)重，熵值法確定的權(quán)重反映各個(gè)因素或指標(biāo)在綜合評(píng)價(jià)過程中的重要程度。通過計(jì)算運(yùn)動(dòng)與課堂的行為特征的信息熵值，得到每個(gè)行為特征指標(biāo)的權(quán)重系數(shù)wj（如表4所示）。從結(jié)果可以發(fā)現(xiàn)，運(yùn)動(dòng)行為特征中權(quán)重系數(shù)最高的是跑步時(shí)間TX（20.3%），運(yùn)動(dòng)規(guī)律HX最低（8.8%）;課堂行為特征中權(quán)重系數(shù)最高的是專注時(shí)間TY（24.4%），專注次數(shù)VY最低（9.3%）。

為了充分發(fā)揮預(yù)測模型和融合策略的優(yōu)勢，在預(yù)測模型的基礎(chǔ)上建立加權(quán)平均組合評(píng)價(jià)模型，可以提高評(píng)價(jià)效果的一致性（權(quán)軼，等，2006）。將熵值權(quán)重系數(shù)與深度神經(jīng)網(wǎng)絡(luò)分類模型中的學(xué)習(xí)經(jīng)驗(yàn)（重要性）進(jìn)行分級(jí)權(quán)重組合評(píng)價(jià)，對(duì)行為特征的權(quán)重值進(jìn)行調(diào)整，計(jì)算方法如公式3所示：

[W0j]=[λjwjj=1nλjwj] ? （公式3）

其中，λj為深度神經(jīng)網(wǎng)絡(luò)分類模型根據(jù)七個(gè)行為特征預(yù)測重要性計(jì)算的預(yù)測貢獻(xiàn)率，作為組合預(yù)測模型的先導(dǎo)經(jīng)驗(yàn)與行為特征的熵值權(quán)重wj共同計(jì)算的平均權(quán)值，最終得到修正后的加權(quán)平均組合權(quán)重[w0j]，經(jīng)過調(diào)整后的權(quán)重值如圖7所示，專注時(shí)間（TY）權(quán)重比例提高幅度最大，系數(shù)值達(dá)到34.6%，運(yùn)動(dòng)規(guī)律（HX）、運(yùn)動(dòng)次數(shù)（VX）和跑步里程（DX）權(quán)重值降低，其他行為特征權(quán)重值介于熵值權(quán)重wj與先導(dǎo)經(jīng)驗(yàn)λj值之間，權(quán)重系數(shù)得到平衡和優(yōu)化。

3. 基于行為得分判斷，構(gòu)建行為組合評(píng)價(jià)策略

組合評(píng)價(jià)策略采用兩級(jí)指標(biāo)分級(jí)計(jì)算的方式，二級(jí)指標(biāo)為行為特征的熵值組合權(quán)重和得分，一級(jí)指標(biāo)為運(yùn)動(dòng)與課堂行為類型的主成分權(quán)重和得分，最后可依據(jù)兩級(jí)各自的權(quán)重系數(shù)得到兩個(gè)行為類型的組合評(píng)價(jià)得分（如圖7所示）。

從圖7可以發(fā)現(xiàn)，組合評(píng)價(jià)得分區(qū)間在-2.78至4.77之間。得分區(qū)間是該研究樣本通過分級(jí)組合評(píng)價(jià)策略計(jì)算出運(yùn)動(dòng)與課堂行為的評(píng)價(jià)范圍，分值越高說明行為特征對(duì)學(xué)習(xí)績效的綜合影響越大。如果分值呈現(xiàn)負(fù)值，說明行為特征對(duì)學(xué)習(xí)績效產(chǎn)生相反的作用。

圖8反映了A、B類學(xué)生群體的組合評(píng)價(jià)得分情況。從運(yùn)動(dòng)行為得分分布看，A類學(xué)生有39%集中在-1.7附近（平均分-1.741，中位數(shù)-1.397），B類學(xué)生有35%集中在-1.7附近（平均分-1.713，中位數(shù)-1.042）。從課堂行為得分分布看，A類學(xué)生有25%集中在零值附近（平均分0.118，中位數(shù)0.069），B類學(xué)生有24%集中在-1.3附近（平均分-1.465，中位數(shù)-1.455）。從以上分析中發(fā)現(xiàn)，A、B類學(xué)生在運(yùn)動(dòng)行為得分相差不大的情況下，課堂行為得分對(duì)組合評(píng)價(jià)得分的影響較大。

四、研究討論與結(jié)論

（一）學(xué)習(xí)績效模型能有效預(yù)測運(yùn)動(dòng)與課堂行為對(duì)學(xué)習(xí)績效的影響

學(xué)習(xí)績效模型充分發(fā)揮兩個(gè)行為策略各自的優(yōu)勢，從不同的需求進(jìn)行運(yùn)動(dòng)與課堂行為的判別，通過預(yù)警與評(píng)價(jià)策略發(fā)現(xiàn)運(yùn)動(dòng)、課堂行為與學(xué)習(xí)績效的關(guān)系。

一是行為預(yù)警策略。采用決策樹和規(guī)則算法生成具體閾值區(qū)間，作為行為預(yù)警可視化的判別依據(jù)，預(yù)測結(jié)果易讀性強(qiáng)，便于理解，能對(duì)行為判斷進(jìn)行等級(jí)分類。如一名學(xué)生課堂行為中平均專注時(shí)間（TY）大于829分鐘且平均專注次數(shù)（VY）大于215次，那么模型可預(yù)測該學(xué)生學(xué)習(xí)績效有70.1%～71.4%的可能性達(dá)到A類。同時(shí)，教師可通過預(yù)警圖發(fā)現(xiàn)學(xué)生在12周每周課堂中各行為特征在預(yù)警區(qū)間的行為等級(jí)，依據(jù)此行為等級(jí)對(duì)學(xué)生進(jìn)行有針對(duì)性的及時(shí)的課堂行為預(yù)判和干預(yù)。

二是在深度神經(jīng)網(wǎng)絡(luò)方法運(yùn)算前，為了提升預(yù)測性能，需要將預(yù)測指標(biāo)進(jìn)行無量綱化，便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)。行為評(píng)價(jià)策略雖然采用深度神經(jīng)網(wǎng)絡(luò)模型可以提供較為準(zhǔn)確的預(yù)測結(jié)果，但在行為的判別、行為與學(xué)習(xí)績效之間量化關(guān)系上解釋和評(píng)估的程度不夠。因此，利用深度神經(jīng)網(wǎng)絡(luò)分類模型，對(duì)行為特征重要性作為先導(dǎo)經(jīng)驗(yàn)來調(diào)整權(quán)重，結(jié)合主成分法和熵值法的融合和權(quán)值計(jì)算結(jié)果，可以得到較為準(zhǔn)確的評(píng)價(jià)依據(jù)，得分結(jié)果可作為行為量化的依據(jù)。如在運(yùn)動(dòng)行為組合評(píng)價(jià)中，如果學(xué)生跑步時(shí)間（TX）得分多1分，則對(duì)運(yùn)動(dòng)行為多貢獻(xiàn)0.143分（跑步時(shí)間TX特征權(quán)重為14.3%），那么有79.8%的準(zhǔn)確性（預(yù)測模型準(zhǔn)確率）預(yù)測該生學(xué)習(xí)績效為A類的可能性提高1.77個(gè)百分點(diǎn)（0.143分在組合綜合得分區(qū)間7.55中的占比）。教師能根據(jù)行為得分與學(xué)習(xí)績效之間變化的映射關(guān)系，量化運(yùn)動(dòng)和課堂行為中具體操作和實(shí)施細(xì)節(jié)，實(shí)現(xiàn)對(duì)學(xué)生的綜合研判和評(píng)價(jià)。

（二）學(xué)習(xí)行為預(yù)警策略能提高教學(xué)管理能力

學(xué)習(xí)預(yù)警的主要工作是預(yù)測某一課程最終的分?jǐn)?shù)和等級(jí)，或者根據(jù)某一課程是否及格或優(yōu)異對(duì)學(xué)生進(jìn)行分類（肖巍， 等， 2018）。研究發(fā)現(xiàn)，無論是從運(yùn)動(dòng)的頻率、時(shí)間、強(qiáng)度、規(guī)律，還是課堂行為中專注次數(shù)、比例、時(shí)間，都會(huì)對(duì)學(xué)生的學(xué)習(xí)績效產(chǎn)生影響。預(yù)警策略結(jié)合多類運(yùn)動(dòng)與課堂行為指標(biāo)共同預(yù)警，結(jié)果可應(yīng)用于對(duì)學(xué)生具體行為的指導(dǎo)和干預(yù)，增強(qiáng)學(xué)校整體教學(xué)管理能力。

行為預(yù)警策略應(yīng)用于課堂行為既能及時(shí)發(fā)現(xiàn)學(xué)生學(xué)習(xí)行為的共同問題，也能針對(duì)不同類型的學(xué)生發(fā)現(xiàn)個(gè)性化的問題。如A、B類學(xué)生在行為預(yù)警模型中第6周均出現(xiàn)了等級(jí)下降的趨勢，或B類學(xué)生專注度和專注時(shí)間前3周均處于“未達(dá)標(biāo)”等情況，教師均可通過及時(shí)提醒進(jìn)行干預(yù)。預(yù)警策略在一學(xué)期開始兩周后就可對(duì)運(yùn)動(dòng)行為進(jìn)行預(yù)判。如B類學(xué)生的運(yùn)動(dòng)規(guī)律呈現(xiàn)4周一次的周期性變化，教師可以以1個(gè)月為期限進(jìn)行檢測，從熱力圖中發(fā)現(xiàn)隱藏的運(yùn)動(dòng)行為變化規(guī)律，不斷優(yōu)化和更新不同層次的運(yùn)動(dòng)預(yù)警閥值，幫助學(xué)生養(yǎng)成長期運(yùn)動(dòng)習(xí)慣，也為教學(xué)管理和教師基于證據(jù)的個(gè)性化教學(xué)決策者與分析者轉(zhuǎn)變（趙磊磊， 等， 2021），促進(jìn)傳統(tǒng)教學(xué)管理到數(shù)據(jù)驅(qū)動(dòng)教學(xué)決策的發(fā)展變革，提供可靠的技術(shù)支撐（劉妍， 等， 2021）。

（三）學(xué)習(xí)行為組合評(píng)價(jià)策略提升教育治理水平

建立學(xué)習(xí)行為組合評(píng)價(jià)策略多層次、多維度數(shù)據(jù)的有效集成和評(píng)價(jià)機(jī)制，以客觀數(shù)據(jù)為依據(jù)，充分利用已知信息，按照指標(biāo)信息的多少和質(zhì)量決定各評(píng)價(jià)指標(biāo)的權(quán)重，使評(píng)價(jià)結(jié)果更加科學(xué)、精度更高（Zhi-Hong， Yi， & Jing-Nan， 2006）。利用行為特征的量化分布與行為預(yù)警策略中的熱力圖分布進(jìn)行綜合行為判斷和分析，讓細(xì)微的行為過程在平時(shí)的教學(xué)活動(dòng)中發(fā)現(xiàn)和量化（許正興， 等， 2020），揭示行為特征值與學(xué)習(xí)績效預(yù)測之間的內(nèi)在關(guān)系。A類學(xué)生課堂行為得分整體上顯著大于B類學(xué)生（相差1.347），運(yùn)動(dòng)行為得分整體上約大于B類學(xué)生，分值差距較?。?.028），反映出學(xué)生的課堂表現(xiàn)對(duì)學(xué)習(xí)績效的影響更大。教師在課堂教學(xué)過程中通過對(duì)學(xué)生課堂關(guān)注的各個(gè)維度進(jìn)行評(píng)價(jià)，教師行為因素、教學(xué)準(zhǔn)備、對(duì)推理和問題解決的重視、電腦的使用等都有可能進(jìn)一步影響學(xué)生表現(xiàn)（黃慧靜， 等， 2007），進(jìn)而影響學(xué)生自身心理對(duì)教師的情感態(tài)度，改變自我意識(shí)，調(diào)節(jié)努力程度，最終影響學(xué)習(xí)成績（楊心德， 1990）。

組合評(píng)價(jià)策略在行為預(yù)警策略的基礎(chǔ)上，計(jì)算運(yùn)動(dòng)與課堂行為在不同行為特征的得分，實(shí)現(xiàn)行為數(shù)據(jù)的有效集成和融合。A、B類學(xué)生群體的分值呈現(xiàn)不同程度的偏態(tài)分布（A類峰度2.146，偏度0.955;B類峰度-0.165，偏度-0.70），得分主要集中在零值附近（A類平均分0.117，中位數(shù)0.530;B類平均分-0.092，中位數(shù)-0.069），A類學(xué)生的組合評(píng)價(jià)得分區(qū)間更加集中，平均分值大于B類學(xué)生。教師和教學(xué)管理人員可依據(jù)運(yùn)動(dòng)行為、課堂行為的綜合得分分布，發(fā)現(xiàn)不同類型學(xué)生的行為特征，促進(jìn)集成性智慧學(xué)習(xí)組織與文化實(shí)踐場域的創(chuàng)設(shè)（鄧?yán)冢?等， 2020），增強(qiáng)教育決策、調(diào)控、執(zhí)行、創(chuàng)新發(fā)展的活力，促進(jìn)教育治理模式由“靜態(tài)化”治理向“動(dòng)態(tài)化”治理轉(zhuǎn)變（宋宇， 等， 2020），為數(shù)據(jù)驅(qū)動(dòng)下教育治理沿著“技術(shù)—治理”的創(chuàng)新方式變革（張培， 等， 2021），提供可行的實(shí)踐方案。

（四）學(xué)習(xí)績效預(yù)測模型的應(yīng)用前景

學(xué)習(xí)行為與學(xué)習(xí)績效關(guān)系的揭示是一個(gè)涉及腦科學(xué)、認(rèn)知科學(xué)、教育學(xué)等的交叉研究，需要更多實(shí)證和理論探索，從生理、認(rèn)知和心理三個(gè)層面達(dá)到相互印證的統(tǒng)合關(guān)系，才能說明學(xué)習(xí)的發(fā)生有深度、有意義（胡航， 等， 2019）。通過學(xué)生行為數(shù)據(jù)的分析，構(gòu)建行為預(yù)警與組合評(píng)價(jià)策略能較好地對(duì)課堂行為進(jìn)行分析和評(píng)測，學(xué)習(xí)績效預(yù)測模型也能較準(zhǔn)確地預(yù)測運(yùn)動(dòng)與課堂行為特征對(duì)學(xué)習(xí)績效的影響。但基于現(xiàn)有的數(shù)據(jù)與方法僅能呈現(xiàn)行為與學(xué)習(xí)績效的關(guān)系，還未能得出運(yùn)動(dòng)和課堂行為之間的聯(lián)系，特別是運(yùn)動(dòng)對(duì)課堂行為或是運(yùn)動(dòng)對(duì)學(xué)習(xí)績效產(chǎn)生影響的其他中介效應(yīng)未能從模型中反映出來。因此，需要更多模態(tài)和場景的學(xué)習(xí)數(shù)據(jù)來檢測模型對(duì)數(shù)據(jù)變化的容忍度，減小模型對(duì)不同應(yīng)用場景、學(xué)習(xí)行為類型中數(shù)據(jù)噪聲的干擾（Herrmann， et al.， 2016），通過不斷調(diào)優(yōu)預(yù)測算法與應(yīng)用策略來提高整體學(xué)習(xí)績效預(yù)測模型的魯棒性，實(shí)現(xiàn)高效課堂管理與視頻分析技術(shù)的融合，構(gòu)建學(xué)生的綜合數(shù)字畫像，研判學(xué)生的學(xué)習(xí)與認(rèn)知水平。

五、結(jié)語

本文采用運(yùn)動(dòng)與課堂行為數(shù)據(jù)，基于學(xué)習(xí)績效預(yù)測模型中決策樹、規(guī)則算法、深度神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了學(xué)習(xí)行為預(yù)警和組合評(píng)價(jià)策略，采用數(shù)據(jù)融合、分層計(jì)算權(quán)重方法提高了應(yīng)用策略的可用性和推廣性，分析了兩種應(yīng)用策略在教學(xué)管理和教育治理上的作用，為學(xué)習(xí)活動(dòng)的組織與實(shí)施和闡釋學(xué)習(xí)行為對(duì)學(xué)習(xí)績效預(yù)測與評(píng)價(jià)奠定了堅(jiān)實(shí)的實(shí)踐基礎(chǔ)。研究也存在數(shù)據(jù)干擾、模型不夠健壯等問題。在后期研究中，將進(jìn)一步優(yōu)化預(yù)測模型，探究行為數(shù)據(jù)表征問題所反映出的內(nèi)隱原因，并與學(xué)習(xí)理念與要素進(jìn)行融合，從學(xué)習(xí)行為與心理認(rèn)知、學(xué)與教的評(píng)價(jià)等多個(gè)維度出發(fā)，構(gòu)建多模態(tài)行為數(shù)據(jù)關(guān)系的學(xué)與教評(píng)價(jià)改革路徑。

[參考文獻(xiàn)]

陳子健，朱曉亮. 2019. 基于面部表情的學(xué)習(xí)者情緒自動(dòng)識(shí)別研究——適切性、現(xiàn)狀、現(xiàn)存問題和提升路徑[J]. 遠(yuǎn)程教育雜志，37（4）：64-72.

鄧?yán)?，鐘穎. 2020. 智能化時(shí)代教師教育生態(tài)的反思與重構(gòu)[J]. 教師教育學(xué)報(bào)，7（5）：1-10.

董艷梅，朱傳. 2020. 青少年課外體育運(yùn)動(dòng)對(duì)學(xué)業(yè)成績的影響研究——兼論非認(rèn)知能力的中介效應(yīng)[J]. 體育學(xué)研究，34（06）：52-62.

杜爽，飛云倩，何牧，胡航. 2020. 大學(xué)生“早起”和“借閱”行為與學(xué)習(xí)績效的關(guān)系研究[J]. 中國遠(yuǎn)程教育（11）：47-58，77.

傅德榮，章慧敏，等. 2011. 教育信息處理[M]. 北京：北京師范大學(xué)出版社.

傅建，范亞榮. 2016. 不同時(shí)間中等強(qiáng)度體育鍛煉對(duì)初中生執(zhí)行功能和學(xué)業(yè)成績影響的實(shí)驗(yàn)研究[J]. 體育與科學(xué)（6）：110-116.

韓麗，李洋，周子佳，宋沛軒. 2017. 課堂環(huán)境中基于面部表情的教學(xué)效果分析[J]. 現(xiàn)代遠(yuǎn)程教育研究（4）：97-103，112.

胡航，李雅馨，曹一凡，趙秋華，郎啟娥. 2019. 腦機(jī)交互促進(jìn)學(xué)習(xí)有效發(fā)生的路徑及實(shí)驗(yàn)研究——基于在線學(xué)習(xí)系統(tǒng)中的注意力干預(yù)分析[J]. 遠(yuǎn)程教育雜志（4）：54-63.

胡航，李雅馨，郎啟娥，楊海茹，趙秋華，曹一凡. 2020. 深度學(xué)習(xí)的發(fā)生過程、設(shè)計(jì)模型與機(jī)理闡釋[J]. 中國遠(yuǎn)程教育（1）：54-61，77.

黃慧靜，辛濤. 2007. 教師課堂教學(xué)行為對(duì)學(xué)生學(xué)業(yè)成績的影響：一個(gè)跨文化研究[J]. 心理發(fā)展與教育（4）：57-62.

李凌姝，季瀏. 2016. 體育鍛煉對(duì)于學(xué)生學(xué)業(yè)成績影響的研究進(jìn)展[J]. 北京體育大學(xué)學(xué)報(bào)（9）：82-90.

梁德清. 1994. 高校學(xué)生應(yīng)激水平及其與體育鍛煉的關(guān)系[J]. 中國心理衛(wèi)生雜志（1）：5-6.

劉清堂，何皓怡，吳林靜，鄧偉，陳越，王洋，張妮. 2019. 基于人工智能的課堂教學(xué)行為分析方法及其應(yīng)用[J]. 中國電化教育（9）：13-21.

劉妍，胡碧皓，顧小清. 2021. 人工智能將帶來怎樣的學(xué)習(xí)未來——基于國際教育核心期刊和發(fā)展報(bào)告的質(zhì)性元分析研究[J]. 中國遠(yuǎn)程教育（6）：25-34，59.

牟智佳，武法提. 2017. 教育大數(shù)據(jù)背景下學(xué)習(xí)結(jié)果預(yù)測研究的內(nèi)容解析與設(shè)計(jì)取向[J]. 中國電化教育（7）：26-32.

權(quán)軼，張勇傳. 2006. 組合預(yù)測方法中的權(quán)重算法及應(yīng)用[J]. 科技創(chuàng)業(yè)月刊（5）：171-172.

宋宇，盧曉中. 2020. 大數(shù)據(jù)驅(qū)動(dòng)下區(qū)域教育治理探析[J]. 教育研究與實(shí)驗(yàn)（1）：36-39.

孫波，劉永娜，陳玖冰，羅繼鴻，張迪. 2015. 智慧學(xué)習(xí)環(huán)境中基于面部表情的情感分析[J]. 現(xiàn)代遠(yuǎn)程教育研究（2）：96-103.

唐康，先強(qiáng)，李明勇. 2019. 基于人臉檢測的大學(xué)課堂關(guān)注度研究[J]. 重慶師范大學(xué)學(xué)報(bào)（自然科學(xué)版）（5）：123-129.

武法提，田浩. 2019. 挖掘有意義學(xué)習(xí)行為特征：學(xué)習(xí)結(jié)果預(yù)測框架[J]. 開放教育研究（6）：75-82.

肖巍，倪傳斌，李銳. 2018. 國外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望[J]. 中國遠(yuǎn)程教育（2）：70-78.

許正興，高海燕，王慧. 2020. 創(chuàng)新教育導(dǎo)向下的智慧學(xué)習(xí)模式建構(gòu)與實(shí)踐路徑[J]. 教師教育學(xué)報(bào)（3）：23-28.

楊心德. 1990. 學(xué)生對(duì)教師課堂行為的認(rèn)知及其對(duì)學(xué)習(xí)的影響[J]. 心理科學(xué)通訊（4）：20-23.

張培，夏海鷹. 2021. 數(shù)據(jù)賦能教育治理創(chuàng)新：內(nèi)涵、機(jī)制與實(shí)踐[J]. 中國遠(yuǎn)程教育（7）：10-17，76.

張琪，李福華，孫基男. 2020. 多模態(tài)學(xué)習(xí)分析：走向計(jì)算教育時(shí)代的學(xué)習(xí)分析學(xué)[J]. 中國電化教育（9）：7-14，39.

趙磊磊，馬玉菲，代蕊華. 2021. 教育人工智能場域下教師角色與行動(dòng)取向[J]. 中國遠(yuǎn)程教育（7）：58-66.

Ardoy， D. N.， Fernández-Rodríguez， J. M.， Jiménez-Pavón， D.， Castillo， R.， Ruiz， J. R.， & Ortega， F. B. （2014）. A physical education trial improves adolescents cognitive performance and academic achievement： the EDUFIT study. Scandinavian journal of medicine & science in sports， 24（1）， e52-e61.

Ashwin. T. S.， & Ram. M. R. G. （2018）. Unobtrusive Students Engagement Analysis in Computer Science Laboratory Using Deep Learning Techniques. 2018 IEEE 18th International Conference on Advanced Learning Technologies （ICALT）（pp. 436-440）， Mumbai.

Herrmann， C.， Willersinn， D.， & Beyerer， J.. （2016）. Low-Quality Video Face Recognition with Deep Networks and Polygonal Chain Distance. 2016 International Conference on Digital Image Computing： Techniques and Applications （DICTA）（pp. 1-7）， Gold Coast， QLD.

Castelli， D. M.， Hillman， C. H.， Buck， S. M.， & Erwin， H. E. （2007）. Physical fitness and academic achievement in third- and fifth-grade students. Journal of sport & exercise psychology， 29（2）， 239-252.

Guo， W. （2018）. Brain science and physical education-to promote harmonious development of students with combination of left and right brain in physical education. NeuroQuantology， 16（5）.

Whitehill， J.， Serpell， Z.， Lin， Y.， Foster， A.， & Movellan， J. R. （2014）. The Faces of Engagement： Automatic Recognition of Student Engagementfrom Facial Expressions. IEEE Transactions on Affective Computing， 5（1）， 86-98.

Lang， S.， Bravo-Marquez， F.， Beckham， C. J.， Hall， M. A.， & Frank， E. （2019）. WekaDeeplearning4j： A deep learning package for weka based on Deeplearning4j. Knowledge Based Systems， 178， 48-50.

Bosch， N.， Dmello， S. K.， Ocumpaugh， J.， Baker， R. S.， Shute.， V. （2016）. Using Video to Automatically Detect Learner Affect in Computer-Enabled Classrooms. ACM Trans. Interact. Intell. Syst. 6， 2， Article 17 （August 2016）， 26 pages.

Sallis， J. F.， McKenzie， T. L.， Kolody， B.， Lewis， M.， Marshall， S.， & Rosengard， P. （1999）. Effects of health-related physical education on academic achievement： project SPARK. Research quarterly for exercise and sport， 70（2）， 127-134.

Shephard， R. J. （1996）. Habitual physical activity and academic performance. Nutrition reviews， 54（4 Pt 2）， S32-S36.

Tajik， E.， Abd Latiff， L.， Adznam， S. N.， Awang， H.， Yit Siew， C.， & Abu Bakar， A. S. （2017）. A study on level of physical activity， depression， anxiety and stress symptoms among adolescents. The Journal of sports medicine and physical fitness， 57（10）， 1382–1387.

Zhi-Hong， Z.， Yi， Y.， & Jing-Nan， S. （2006）. Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment. 環(huán)境科學(xué)學(xué)報(bào)：英文版， 18（005）， 1020-1023.

收稿日期：2021-02-19

定稿日期：2021-07-09

作者簡介：胡航，博士，副教授，碩士生導(dǎo)師，西南大學(xué)教師教育學(xué)院卓越教學(xué)中心主任，學(xué)習(xí)教學(xué)與智能化研究中心副主任（400715）。

李雅馨，碩士研究生，西南大學(xué)教育學(xué)部（4000715）。

責(zé)任編輯 韓世梅