晉欣泉 姜 強(qiáng) 馬志強(qiáng) 趙 蔚

數(shù)智時代的高校學(xué)困生智能診斷模型研究*

晉欣泉1姜 強(qiáng)2[通訊作者]馬志強(qiáng)1趙 蔚2

（1．江南大學(xué) 江蘇“互聯(lián)網(wǎng)+教育”研究基地，江蘇無錫 214122；2．東北師范大學(xué) 信息科學(xué)與技術(shù)學(xué)院，吉林長春 130117）

高校學(xué)困生是制約高等教育人才培養(yǎng)質(zhì)量提升的客觀存在，精準(zhǔn)智能診斷是推進(jìn)教育高質(zhì)量發(fā)展的重要驅(qū)動力。然而，數(shù)智時代以學(xué)業(yè)成績預(yù)測、機(jī)器決策主導(dǎo)為牽引的高校學(xué)困生診斷研究面臨特征指標(biāo)單維度、數(shù)據(jù)建模程序化、機(jī)器反饋單向度等現(xiàn)實(shí)困境?；诖耍恼率紫葟奶卣饕刈R別、建模方法應(yīng)用兩個方面，梳理了高校學(xué)困生診斷的相關(guān)研究成果。隨后，文章依托全方位特征畫像、可識別學(xué)困推理、協(xié)同式智能診斷的設(shè)計(jì)思想，構(gòu)建了包含特征數(shù)據(jù)獲取、算法建模分析、診斷決策反饋三個環(huán)節(jié)的高校學(xué)困生智能診斷模型。最后，文章通過案例分析驗(yàn)證了此模型的可行性與有效性。文章的研究可為學(xué)業(yè)風(fēng)險預(yù)警與干預(yù)研究提供理論參考，并為全面監(jiān)測與管理高校學(xué)困生提供實(shí)踐指導(dǎo)，有助于精準(zhǔn)學(xué)業(yè)診斷成果的落地與推廣。

高校學(xué)困生；智能診斷；數(shù)智技術(shù)；人才培養(yǎng)

在高等教育招生規(guī)模逐年穩(wěn)定增長與本科生培養(yǎng)質(zhì)量日益嚴(yán)格把控的疊加效應(yīng)下，高校人才培養(yǎng)風(fēng)險（含掛科、延期、肄業(yè)、退學(xué)等學(xué)困問題）愈加凸顯[1]。然而，從實(shí)踐層面來看，目前與大規(guī)模人才資源總量不相稱的高校學(xué)困生人數(shù)日益增加，極易造成高質(zhì)量人才培養(yǎng)進(jìn)程中的質(zhì)量危機(jī)，因此如何加強(qiáng)對高校學(xué)困生的智能診斷引起了廣泛關(guān)注[2]。但在由學(xué)分績點(diǎn)驅(qū)動的大學(xué)場域內(nèi)，功利化評價標(biāo)準(zhǔn)和異質(zhì)性學(xué)習(xí)過程為及時、準(zhǔn)確地識別高校學(xué)困生帶來了挑戰(zhàn)[3]，且當(dāng)前高校存在的單維成績分析、滯后性結(jié)果診斷等問題也亟待解決。隨著教育數(shù)字化轉(zhuǎn)型的進(jìn)程加速，加上數(shù)字孿生、生成式人工智能等數(shù)字技術(shù)的迭代升級及其在教育實(shí)踐中的常態(tài)化應(yīng)用，教育評價研究逐漸進(jìn)入數(shù)智發(fā)展新階段，其強(qiáng)調(diào)以多源學(xué)習(xí)數(shù)據(jù)為關(guān)鍵要素、以智能算法建模為主要載體、以轉(zhuǎn)型發(fā)展的融合應(yīng)用為驅(qū)動力[4]，推動著高校學(xué)困生診斷研究向核心特征數(shù)據(jù)監(jiān)測與透明算法推理規(guī)則協(xié)同演進(jìn)的方向發(fā)展。基于此，本研究遵循教育教學(xué)規(guī)律，緊密圍繞阻礙學(xué)習(xí)者學(xué)業(yè)進(jìn)程的關(guān)鍵痛點(diǎn)，利用數(shù)智技術(shù)，積極探索構(gòu)建高校學(xué)困生智能診斷模型，以期為識別教育問題、預(yù)控學(xué)業(yè)風(fēng)險提供參考，并促進(jìn)數(shù)智時代高等教育的高質(zhì)量發(fā)展。

一 高校學(xué)困生診斷的相關(guān)研究

高校的“學(xué)困生”也稱“學(xué)業(yè)預(yù)警學(xué)生”“學(xué)習(xí)失敗學(xué)生”等，是指在普通高等教育學(xué)校中智力正常且接受正常教育、但具有難以順利完成學(xué)業(yè)傾向的本科生[5]。已有研究對高校學(xué)困生的診斷主要從特征要素識別、建模方法應(yīng)用兩個方面展開：

1 診斷高校學(xué)困生的特征要素識別

特征要素識別是對高校學(xué)困生核心特征或?qū)е聦W(xué)業(yè)困難發(fā)生關(guān)鍵因素的分析鑒定。通常在相關(guān)理論的指導(dǎo)下，研究者采用文獻(xiàn)調(diào)研、質(zhì)性數(shù)據(jù)挖掘、相關(guān)性分析等方法對高校學(xué)困生進(jìn)行觀察與分析，從教育學(xué)、經(jīng)濟(jì)學(xué)、心理學(xué)等多學(xué)科視角識別其特征要素：①從教育學(xué)視角，多以Kennedy等[6]提出的二維輟學(xué)理論模型、Tinto[7]提出的學(xué)生輟學(xué)理論等為指導(dǎo)，通過問卷量表從個體屬性、社交系統(tǒng)、學(xué)業(yè)環(huán)境等方面探究影響學(xué)習(xí)者輟學(xué)的關(guān)鍵特征要素[8]；②從經(jīng)濟(jì)學(xué)視角，強(qiáng)調(diào)以人力資本理論、勞動力市場分割理論等為主導(dǎo)，解釋學(xué)生輟學(xué)現(xiàn)象的產(chǎn)生，認(rèn)為輟學(xué)行為的選擇取決于個體對學(xué)習(xí)投入成本、感知價值收益、輟學(xué)機(jī)會成本等損益關(guān)系的權(quán)衡[9]；③從心理學(xué)視角，依托自我效能理論、認(rèn)知情感理論等，采用個案訪談、扎根理論等方法，探究人格特質(zhì)、情感狀態(tài)、學(xué)習(xí)動機(jī)等非認(rèn)知因素對學(xué)習(xí)者學(xué)習(xí)成績的影響[10]。雖然以往研究從不同視角探究了高校學(xué)困生的特征要素，但多以對前期研究的理論推導(dǎo)或?qū)μ囟ㄔ诰€學(xué)習(xí)實(shí)踐的經(jīng)驗(yàn)歸納為主，而缺乏對影響學(xué)業(yè)成績的各特征要素的詳細(xì)描述，難以實(shí)現(xiàn)對診斷高校學(xué)困生關(guān)鍵要素及其相互關(guān)系的定量刻畫和價值判斷。

2 診斷高校學(xué)困生的建模方法應(yīng)用

目前，對高等教育本科生的評價仍然以考試分?jǐn)?shù)與學(xué)分績點(diǎn)為主[11]，而此種靜態(tài)評判方法并不適用于學(xué)困生診斷。對此，研究者傾向于利用數(shù)理統(tǒng)計(jì)方法和智能算法，并以學(xué)習(xí)特征數(shù)據(jù)為基礎(chǔ)，構(gòu)建學(xué)業(yè)成績預(yù)測模型，以實(shí)現(xiàn)對高校學(xué)困生的診斷[12]。常用的高校學(xué)困生診斷建模方法主要有兩種：①人工驅(qū)動的判定方法，是指基于問卷調(diào)查、訪談觀察等得到的數(shù)據(jù)，采用回歸分析方法建立不同特征要素與學(xué)業(yè)成績的關(guān)聯(lián)關(guān)系，通過計(jì)算得到成為高校學(xué)困生的預(yù)測概率[13]；②機(jī)器主導(dǎo)的分析方法，是指以在線學(xué)習(xí)數(shù)據(jù)為基礎(chǔ)，采用單一算法或多算法融合的智能技術(shù)，構(gòu)建用于識別學(xué)業(yè)風(fēng)險學(xué)習(xí)者的預(yù)警模型，通過學(xué)習(xí)行為規(guī)律的智能推演、特定課程成績的智能預(yù)測等結(jié)果反饋，達(dá)到提早診斷高校學(xué)困生的目的[14][15]。而無論是人工判定還是機(jī)器分析，診斷模型構(gòu)建的重點(diǎn)都在于提升預(yù)測學(xué)業(yè)成績的準(zhǔn)確度。但是，對全面育人理念的重視程度不夠、依靠分析技術(shù)或智能算法的單向結(jié)果輸出使決策過程及結(jié)果的可解釋性受限、忽略教育主體的自主評判與反饋等問題，使得有效的教育干預(yù)策略難以形成。

上述診斷高校學(xué)困生的特征要素識別與建模方法應(yīng)用，為高校學(xué)困生智能診斷模型的構(gòu)建提供了有效參考，但目前診斷模型仍然面臨特征數(shù)據(jù)標(biāo)簽不全面、分?jǐn)?shù)導(dǎo)向片面判定、脫離主體評價反饋等挑戰(zhàn)。而以數(shù)據(jù)驅(qū)動、技術(shù)適配和多元決策為核心理念的數(shù)智技術(shù)，實(shí)現(xiàn)了對教育主體偏好需求與發(fā)展前景的精細(xì)化研判，可有效解決高校學(xué)困生特征數(shù)據(jù)冗余與診斷決策單向度輸出的問題。基于此，本研究利用數(shù)智技術(shù)，構(gòu)建高校學(xué)困生智能診斷模型，并通過案例分析來驗(yàn)證此模型的可行性與有效性。

二 高校學(xué)困生智能診斷模型的構(gòu)建

在當(dāng)前扎實(shí)推進(jìn)教育數(shù)字化轉(zhuǎn)型的政策語境下，診斷高校學(xué)困生面臨由高等教育普及化發(fā)展帶來的學(xué)習(xí)者特征多元異質(zhì)性新問題、智能技術(shù)常態(tài)化應(yīng)用帶來的學(xué)困生診斷推理可解釋性新訴求、算法模型同質(zhì)化輸出帶來的人機(jī)協(xié)同決策新議題。為實(shí)現(xiàn)對學(xué)業(yè)風(fēng)險學(xué)習(xí)者的智能診斷，本研究從數(shù)智時代全方位特征畫像、可識別學(xué)困推理、協(xié)同式智能診斷的視角對診斷高校學(xué)困生進(jìn)行重新審視，構(gòu)建了高校學(xué)困生智能診斷模型。

1 模型的設(shè)計(jì)思想

（1）從單維度學(xué)業(yè)成績轉(zhuǎn)向全方位特征畫像

我國高等教育已跨越到世界公認(rèn)的普及化發(fā)展階段，擴(kuò)招規(guī)?？偭考ぴ?，但隨之而來的是學(xué)習(xí)者生源多元化和異質(zhì)性特征日益凸顯，學(xué)習(xí)需求也更加模糊多變[16]。以往對不同高校各專業(yè)學(xué)生的評價多通過學(xué)業(yè)成績來表征課程知識的獲得量，盡管這種做法對于教學(xué)管理與人才甄別發(fā)揮了一定作用，但過于注重單維度學(xué)科知識掌握程度的碎片化評分規(guī)則忽視了學(xué)生在問題解決過程中的思維特質(zhì)表現(xiàn)[17]?？紤]到學(xué)習(xí)者學(xué)業(yè)困難的產(chǎn)生是在長期學(xué)習(xí)過程中多重要素協(xié)同作用、逐漸演化導(dǎo)致，而量化式的總結(jié)性評判方式易使高校學(xué)困生的診斷片面化。因此，為精準(zhǔn)識別學(xué)生是否處于學(xué)業(yè)困難狀態(tài)，數(shù)智時代的高校學(xué)困生智能診斷模型需要對學(xué)生學(xué)習(xí)過程與結(jié)果進(jìn)行全方位特征畫像，通過提供完整、全面的數(shù)據(jù)應(yīng)用支撐，實(shí)現(xiàn)從單維度學(xué)業(yè)成績預(yù)測轉(zhuǎn)向多維度數(shù)據(jù)綜合表征，以多源數(shù)據(jù)驅(qū)動的方式助力精準(zhǔn)診斷高校學(xué)困生。

（2）從程序化數(shù)據(jù)建模轉(zhuǎn)向可識別學(xué)困推理

在數(shù)智技術(shù)的支持下，海量教學(xué)數(shù)據(jù)可以被實(shí)時采集與記錄。借助結(jié)構(gòu)化算法模型，將學(xué)習(xí)者標(biāo)注描述為量化數(shù)據(jù)的集合體，可使教育質(zhì)量評價更加精準(zhǔn)。然而，評價的目的是促進(jìn)學(xué)習(xí)者全面發(fā)展，偏離為服務(wù)于育人教學(xué)活動而開展的程序化數(shù)據(jù)建模易為學(xué)習(xí)者提供遵循特定規(guī)則的偏向性、單一化學(xué)習(xí)路徑，這無疑窄化了學(xué)習(xí)者的自由發(fā)展道路[18]。因此，數(shù)智時代高校學(xué)困生智能診斷模型的構(gòu)建應(yīng)以人類可解釋的方式提高算法自動化決策的透明度。相較于傳統(tǒng)以專家知識為基礎(chǔ)的黑箱決策系統(tǒng)，探索結(jié)合預(yù)建模解釋和建模后解釋方法的診斷模型能更清晰地識別數(shù)據(jù)輸入特征與公開算法決策依據(jù)，可在建模階段根據(jù)特征重要性值排序進(jìn)行指標(biāo)篩選，在訓(xùn)練建模后進(jìn)行特征決策貢獻(xiàn)分析，向師生解釋自動化診斷決策所依據(jù)的學(xué)困特征要素與計(jì)算推理規(guī)則。這一可識別的學(xué)困推理過程不僅增強(qiáng)了師生的技術(shù)信任，也促使教育主體在理解智能機(jī)器決策的基礎(chǔ)上，對機(jī)器提供的學(xué)習(xí)支持服務(wù)進(jìn)行理性判斷與合理選擇，為及時優(yōu)化高校學(xué)困生智能診斷模型決策提供有力支撐。

（3）從單向度被動接受轉(zhuǎn)向協(xié)同式智能診斷

傳統(tǒng)以提升模型評價指標(biāo)性能為目的、以單向度決策被動接受為應(yīng)用路徑的學(xué)業(yè)預(yù)警研究已不再適應(yīng)數(shù)智時代下人機(jī)協(xié)同教育決策的發(fā)展趨向，且忽視了教師、學(xué)生、管理者等多元主體對機(jī)器智能決策的主觀體驗(yàn)[19]；而數(shù)智賦能的教育評價研究，實(shí)現(xiàn)了學(xué)業(yè)診斷系統(tǒng)的多特征要素整合、多算法技術(shù)集成與多主體協(xié)同參與?；诶斫饷浇橐暯?，唯有在與人的相互作用中，孤立狀態(tài)、無意義的診斷模型方能實(shí)現(xiàn)自身意義和存在[20]。因此，無論是以人工智能為代表的技術(shù)革新時代的倒逼還是教育全面數(shù)字化轉(zhuǎn)型發(fā)展的訴求，具有超強(qiáng)運(yùn)算推理速度的智能機(jī)器技術(shù)與具有自主教學(xué)和教學(xué)智慧的多元人類主體的協(xié)同式智能診斷是大勢所趨。機(jī)器提供多元算法模型與強(qiáng)大數(shù)據(jù)計(jì)算能力輔助確定每位主體的潛在學(xué)困概率，教師則依靠直覺經(jīng)驗(yàn)與情境感知對機(jī)器決策進(jìn)行精準(zhǔn)評判，通過人機(jī)交互協(xié)商為學(xué)生提供更加準(zhǔn)確、獨(dú)特的學(xué)習(xí)支持服務(wù)，且在與學(xué)習(xí)者協(xié)商的過程中進(jìn)一步提供實(shí)時學(xué)情診斷與適切路徑匹配建議，有助于實(shí)現(xiàn)規(guī)?；囵B(yǎng)與個性化指導(dǎo)的均衡發(fā)展。

2 模型構(gòu)建

模型輸入數(shù)據(jù)的質(zhì)量與建模方法的選擇，是精準(zhǔn)診斷的重要保障。依托全方位特征畫像、可識別學(xué)困推理、協(xié)同式智能診斷的設(shè)計(jì)思想，本研究采用質(zhì)性和量化相結(jié)合的方法獲取高校學(xué)困生特征指標(biāo)，并利用隨機(jī)森林進(jìn)行數(shù)據(jù)化建模分析與評價，對學(xué)習(xí)者是否為學(xué)困生進(jìn)行識別與分類，同時通過特征重要性可視化方法來提升診斷反饋結(jié)果的可解釋性，為精準(zhǔn)診斷高校學(xué)困生提供支撐。在此基礎(chǔ)上，本研究構(gòu)建了包含特征數(shù)據(jù)獲取、算法建模分析、診斷決策反饋三個環(huán)節(jié)的高校學(xué)困生智能診斷模型，如圖1所示。

圖1 高校學(xué)困生智能診斷模型

（1）高校學(xué)困生特征數(shù)據(jù)獲取

作為診斷模型的支撐脈絡(luò)，特征數(shù)據(jù)貫穿于高校學(xué)困生研判決策的全過程，是數(shù)智時代教育研究的核心要素。高校學(xué)困生特征指標(biāo)是指處于掛科、預(yù)警、肄業(yè)等學(xué)困狀態(tài)的學(xué)習(xí)者不同于其他類型學(xué)習(xí)者所可能表征出的一系列可測量學(xué)習(xí)特點(diǎn)，既是識別高校學(xué)困生的重要依據(jù)，也是驅(qū)動多元主體在各診斷環(huán)節(jié)協(xié)同反饋的紐帶。由于主體學(xué)習(xí)數(shù)據(jù)具有高度復(fù)雜性、生成性等特點(diǎn)[21]，故構(gòu)建高校學(xué)困生智能診斷模型的邏輯起點(diǎn)在于針對預(yù)先確定的研究對象，從其生成的大數(shù)據(jù)中提取出能夠有效闡釋、證明教育意義的特征數(shù)據(jù)集[22]，流程主要如下：①確定研究對象范圍，梳理多元特征。由行為、認(rèn)知、情感構(gòu)成的三維學(xué)習(xí)投入度，作為解釋學(xué)業(yè)表現(xiàn)差異的重要預(yù)測變量[23]，已被廣泛應(yīng)用于構(gòu)建學(xué)習(xí)者畫像[24][25]，以概括性表征學(xué)習(xí)者在學(xué)習(xí)過程中的主動參與、智力努力和情感反應(yīng)?；谝延械膶W(xué)習(xí)投入量化分析研究成果[26][27]，結(jié)合專家、學(xué)者的意見和預(yù)警學(xué)生的特征挖掘，本研究以學(xué)習(xí)投入為切入點(diǎn)，從行為投入邊緣、認(rèn)知投入困惑、情感投入消極三個維度設(shè)計(jì)了高校學(xué)困生特征指標(biāo)，如表1所示。②明確可操作性定義，量化標(biāo)簽體系。學(xué)習(xí)主體的能動差異性和教育數(shù)據(jù)的多源異構(gòu)性決定了過程性學(xué)習(xí)數(shù)據(jù)難以完整記錄，為確保特征標(biāo)簽量化的質(zhì)量，本研究采用多元主體協(xié)商達(dá)成共識的方法，明確特征可操作性定義；采用專家咨詢法和行為事件訪談法，建立不同特征維度與多源數(shù)據(jù)的映射關(guān)系；采用定量與定性相結(jié)合的方法，設(shè)置各特征的量化標(biāo)簽體系。③提取有用特征，形成特征數(shù)據(jù)集?？紤]到教育現(xiàn)象多表現(xiàn)出難以觀測、內(nèi)隱性強(qiáng)等特點(diǎn)，故在實(shí)際教學(xué)情境中，本研究依托上述初步構(gòu)建的高校學(xué)困生特征指標(biāo)，常采用靜態(tài)人工標(biāo)記、自我報告描述、動態(tài)程序記錄等方式，從現(xiàn)有平臺系統(tǒng)、問卷訪談數(shù)據(jù)中提取有用特征；同時，采用權(quán)重計(jì)算法、智能算法模型等量化處理方法，提取數(shù)據(jù)與特征標(biāo)簽之間的相互關(guān)系，以綜合比較、重組、抽取關(guān)鍵特征數(shù)據(jù)標(biāo)簽，形成全面且合理的高校學(xué)困生特征數(shù)據(jù)集。

表1 高校學(xué)困生特征指標(biāo)

（2）高校學(xué)困生算法建模分析

算法建模是高校學(xué)困生智能診斷模型的關(guān)鍵內(nèi)核。數(shù)智時代催生了更多以數(shù)字和智能為核心的前沿技術(shù)，為構(gòu)建可解釋性診斷模型提供了技術(shù)支持。以高校學(xué)困生特征指標(biāo)為輸入，以機(jī)器學(xué)習(xí)算法模型為支撐，通過合理、規(guī)范的訓(xùn)練測試過程，可有效識別出具有學(xué)業(yè)困難的學(xué)習(xí)者，流程主要如下：①基于隨機(jī)森林的高校學(xué)困生優(yōu)選特征選擇。多維度特征變量作為算法模型的數(shù)據(jù)輸入，其合理性影響著模型診斷高校學(xué)困生的效率和精度。作為集成多個決策樹的組合學(xué)習(xí)分類器算法，隨機(jī)森林具備的可識別多余或無關(guān)變量特征、可視化特征變量的重要性值等特性有效契合了高校學(xué)困生診斷模型的構(gòu)建需求[28]。基于此，可通過計(jì)算輸出特征指標(biāo)的相對重要性進(jìn)行特征選擇，篩選出優(yōu)選特征數(shù)據(jù)集。②基于機(jī)器學(xué)習(xí)的高校學(xué)困生智能診斷模型構(gòu)建。診斷建模實(shí)質(zhì)上是一個學(xué)習(xí)者是否為學(xué)困生的二分類判斷問題。將優(yōu)選特征樣本數(shù)據(jù)隨機(jī)劃分為測試集和訓(xùn)練集，利用不同機(jī)器學(xué)習(xí)分類算法對其進(jìn)行訓(xùn)練建模與調(diào)優(yōu)分析，在評價各模型重要參數(shù)的基礎(chǔ)上，選擇最佳分類器構(gòu)建具有良好精準(zhǔn)度的高校學(xué)困生智能診斷模型。

（3）高校學(xué)習(xí)者診斷決策反饋

診斷決策反饋是高校學(xué)困生智能診斷模型的后控環(huán)節(jié)，是多元參與主體對特征數(shù)據(jù)、算法建模等環(huán)節(jié)的協(xié)同評價與決策反饋。在驗(yàn)證模型輸出結(jié)果有效性的基礎(chǔ)上，本研究以高校學(xué)困生的特征向量貢獻(xiàn)值為解釋變量，深度解析智能診斷模型的決策依據(jù)和邏輯，通過糾正偏差對模型進(jìn)行更新，優(yōu)化高校學(xué)困生診斷模型的輸出結(jié)果，并為干預(yù)策略的制定提供有效支撐，流程主要如下：①基于算法模型的學(xué)習(xí)者實(shí)際類別檢驗(yàn)?；谒惴Ｐ?，輸入學(xué)習(xí)者的高校學(xué)困生特征數(shù)據(jù)，即可得到該學(xué)習(xí)者是否處于學(xué)業(yè)困難學(xué)習(xí)狀態(tài)的輸出結(jié)果。依據(jù)模型決策，學(xué)習(xí)者可劃分為學(xué)困生和非學(xué)困生兩種類型。②基于可視化表征的特征向量貢獻(xiàn)值。通過對已識別的高校學(xué)困生內(nèi)部決策過程的進(jìn)一步可視化輸出，在重點(diǎn)評估與對比分析不同特征要素貢獻(xiàn)值的基礎(chǔ)上，全面衡量各個特征的重要程度對導(dǎo)致學(xué)業(yè)困難形成的作用或影響，來為協(xié)同決策提供支撐。③基于多元主體參與的協(xié)同優(yōu)化診斷決策。立足學(xué)生、教師、管理者等多元學(xué)習(xí)主體對診斷決策合理性與可信度的評價反饋，以可理解的診斷決策輸出過程為支點(diǎn)，從技術(shù)端完善數(shù)據(jù)收集與分析規(guī)范，從應(yīng)用端優(yōu)化教育干預(yù)設(shè)計(jì)，實(shí)現(xiàn)價值理論與技術(shù)理論的嵌套共融，協(xié)同推進(jìn)以學(xué)習(xí)者為中心、可解釋高校學(xué)困生診斷模型的智能進(jìn)化。

三 高校學(xué)困生智能診斷模型的應(yīng)用

為驗(yàn)證高校學(xué)困生智能診斷模型的可行性和有效性，本研究以東北地區(qū)D大學(xué)的79名大三學(xué)生為研究對象，于2022年3～6月采用有目的抽樣、滾雪球抽樣等方法訪談?wù){(diào)查學(xué)困情況，從中抽取高校學(xué)困生特征，建立診斷模型。征得每位學(xué)生知情同意后，本研究參照學(xué)術(shù)界對學(xué)困生的概念界定和高校發(fā)布的本科生學(xué)業(yè)預(yù)警工作通知中的相關(guān)判定標(biāo)準(zhǔn)，基于D大學(xué)教務(wù)系統(tǒng)中導(dǎo)出的學(xué)籍信息和補(bǔ)考前課程成績，將經(jīng)歷過課程掛科、學(xué)業(yè)預(yù)警、緩?fù)嗽囎x或退學(xué)警告的24名學(xué)生標(biāo)記為學(xué)困生，其余55名學(xué)生標(biāo)記為非學(xué)困生，以作為診斷模型的訓(xùn)練輸出依據(jù)。

1 特征數(shù)據(jù)獲取

鑒于學(xué)習(xí)情境的不確定性和各專業(yè)課程設(shè)置的多元性，為準(zhǔn)確了解不同專業(yè)學(xué)習(xí)者在大學(xué)學(xué)習(xí)中的特征表現(xiàn)，本研究采用問卷量表、深度訪談、系統(tǒng)日志等方式，獲取D大學(xué)學(xué)困生的特征指標(biāo)數(shù)據(jù)；同時采用李克特5點(diǎn)量表，根據(jù)學(xué)習(xí)者訪談文本進(jìn)行特征量化定義，并輔以在線學(xué)習(xí)痕跡數(shù)據(jù)和教務(wù)系統(tǒng)平時分予以驗(yàn)證，獲取各特征維度的表征數(shù)據(jù)值，以此作為診斷模型的輸入數(shù)據(jù)源。

2 算法建模分析

本研究隨機(jī)等比例劃分70%的樣本數(shù)據(jù)用于建模訓(xùn)練、30%的樣本數(shù)據(jù)用于測試評價，之后以是否為學(xué)困生的二項(xiàng)分類作為標(biāo)簽，以D大學(xué)的學(xué)困生特征指標(biāo)作為解釋變量，輸入隨機(jī)森林模型進(jìn)行訓(xùn)練。利用R語言隨機(jī)森林程序中的Importance函數(shù)，經(jīng)參數(shù)調(diào)整后本研究得到各特征的重要性評價（如圖2所示），可以看出：此次研究對象中學(xué)習(xí)志趣消退度、學(xué)習(xí)意志匱乏性、人際關(guān)系疏離度、認(rèn)知決策迷茫感、先驗(yàn)知識薄弱性、平時表現(xiàn)放縱度的特征重要性值均高于1，是重要性相對較強(qiáng)的高校學(xué)困生診斷指標(biāo)；而其他指標(biāo)的特征重要性值均低于1，可視為不重要特征指標(biāo)。剔除這些不重要特征指標(biāo)后，本研究進(jìn)行了建模訓(xùn)練。

圖2 各特征的重要性評價

本研究選擇K最近鄰、樸素貝葉斯、隨機(jī)森林、梯度提升樹、支持向量機(jī)五種較為常用的分類算法，分別以提取出的6個優(yōu)選特征數(shù)據(jù)集和12個全集特征數(shù)據(jù)集作為數(shù)據(jù)輸入進(jìn)行建模分析，評估并比較不同算法模型的準(zhǔn)確率、召回率、精確率、F1值等診斷性能，結(jié)果如表2所示。表2顯示，相較于12個全集特征數(shù)據(jù)集，采用6個優(yōu)選特征數(shù)據(jù)集的分類算法具有更高的預(yù)測準(zhǔn)確率，可作為診斷的重要依據(jù)——其中，隨機(jī)森林在高校學(xué)困生診斷任務(wù)上取得了良好的效果（準(zhǔn)確率為79.2%、召回率為100%、精確率為68.8%、F1值為81.5%）。

表2 基于不同特征集的分類算法輸出結(jié)果

圖3 診斷模型的優(yōu)選特征重要性值及診斷偏差學(xué)生特征值分布

3 診斷決策反饋

為深入理解算法數(shù)據(jù)的教育意義，本研究通過隨機(jī)森林可視化輸出6個優(yōu)選特征數(shù)據(jù)集對高校學(xué)困生智能診斷模型的決策貢獻(xiàn)值，并以5名被診斷為學(xué)困生但從未有過掛科經(jīng)歷的診斷偏差學(xué)生為研究對象，對比分析各特征維度值，得到診斷模型的優(yōu)選特征重要性值及診斷偏差學(xué)生的特征值分布（如圖3所示），可以看出：①在高校學(xué)困生智能診斷模型中，重要性排前三的依次是學(xué)習(xí)志趣消退度、認(rèn)知決策迷茫感和學(xué)習(xí)意志匱乏性，說明高校學(xué)困生對專業(yè)內(nèi)容的學(xué)習(xí)興趣度普遍較低，且個體意志對認(rèn)知的控制比較有限，經(jīng)歷學(xué)習(xí)障礙和困難時易引起主觀心理惰性，多采用考前突擊策略應(yīng)對課程考核、通過求助同學(xué)獲取考試重點(diǎn)、使用網(wǎng)絡(luò)檢索完成學(xué)業(yè)任務(wù)等淺層次學(xué)習(xí)策略。②5名學(xué)生都表現(xiàn)出比較匱乏的學(xué)習(xí)意志，其中學(xué)生A和學(xué)生B具有明顯的學(xué)習(xí)志趣消退情況，學(xué)生B、學(xué)生C、學(xué)生D、學(xué)生E的認(rèn)知決策迷茫感較強(qiáng)，故均被判定為具有一定程度的潛在學(xué)困傾向。但通過訪談得知，受合作學(xué)習(xí)任務(wù)的影響，學(xué)生A和學(xué)生B更多地扮演主導(dǎo)者角色，他們由于成員不積極參與討論、集體評分有失公允等而對協(xié)同式課程學(xué)習(xí)模式表現(xiàn)出無興趣特征，并非真正的學(xué)困生；而學(xué)生C、學(xué)生D、學(xué)生E具有很強(qiáng)的外部學(xué)習(xí)驅(qū)動力，多表現(xiàn)出被動參與特征，且在知識遷移、創(chuàng)新應(yīng)用方面存在障礙，可被診斷為高校學(xué)困生。由此可見，高校的本科生并非同質(zhì)性群體，在進(jìn)行高校學(xué)困生精準(zhǔn)識別的同時需要重視對學(xué)習(xí)者給予人文關(guān)懷，并結(jié)合識別的關(guān)鍵診斷特征，探析診斷運(yùn)行邏輯與教育支持服務(wù)之間的價值關(guān)聯(lián)，有機(jī)統(tǒng)籌不同研究者甄別高校學(xué)困生研判結(jié)果的有效性，進(jìn)而建立以目標(biāo)需求為導(dǎo)向的干預(yù)機(jī)制，協(xié)同推動干預(yù)過程中診斷反饋的迭代更新。

四 結(jié)語

面對高等教育人才培養(yǎng)由追求“大規(guī)模”向“高質(zhì)量”躍進(jìn)的需求，積極探索并破解與高校內(nèi)涵式發(fā)展不相匹配的高校學(xué)困生問題成為建設(shè)我國現(xiàn)代化進(jìn)程中所需人才培養(yǎng)質(zhì)量提升的核心落腳點(diǎn)。精準(zhǔn)診斷高校學(xué)困生，既是多維數(shù)據(jù)與智能數(shù)據(jù)的建模、重構(gòu)過程，也是各模型結(jié)構(gòu)優(yōu)化、組合的融合再建設(shè)過程。本研究從數(shù)智時代學(xué)困診斷研究的發(fā)展視角，提出包含特征數(shù)據(jù)獲取、算法建模分析、診斷決策反饋三個環(huán)節(jié)的高校學(xué)困生智能診斷模型，并通過案例分析，采用量化與質(zhì)性相結(jié)合的方法驗(yàn)證了診斷模型的有效性。由于高校學(xué)困生智能診斷模型的實(shí)踐既是對現(xiàn)有學(xué)生學(xué)困狀況的判定反饋，又是對后續(xù)設(shè)計(jì)學(xué)業(yè)干預(yù)策略的方向引領(lǐng)，故為實(shí)現(xiàn)從學(xué)業(yè)診斷、干預(yù)改進(jìn)到再診斷、再干預(yù)的“以診促改”，本研究從三個方面提出提升人才培養(yǎng)質(zhì)量的引導(dǎo)性策略：

①基于意義闡釋的興趣覺察。興趣是具有意志性的內(nèi)在驅(qū)動力量，驅(qū)使主體產(chǎn)生指向確定目標(biāo)的行動；而闡釋是指對某種既定目標(biāo)和達(dá)成路徑的贊同理解。通過對學(xué)習(xí)價值的全面說明，如客觀描述獲得知識技能的市場優(yōu)勢、闡釋完善認(rèn)知體系實(shí)現(xiàn)的自我提升，可幫助高校學(xué)困生發(fā)現(xiàn)專業(yè)獨(dú)特價值、覺察個體需求興趣、喚醒學(xué)習(xí)持久動力。

②基于多元規(guī)則的雙向調(diào)適。策略是為促進(jìn)學(xué)習(xí)而主動采取的學(xué)習(xí)方法、規(guī)則等。相較于確定性評價，引入師生協(xié)同制定的彈性考核規(guī)則可被視為保障學(xué)習(xí)效率與自由的一種方式。因此在遵從教育管理規(guī)則的前提下，要建立多主體協(xié)商溝通機(jī)制，綜合考慮不同高校學(xué)困生的專業(yè)屬性、預(yù)期效果等多元訴求，達(dá)成協(xié)商性評價共識，促進(jìn)學(xué)習(xí)策略的自主應(yīng)用。

③基于動態(tài)平衡的柔性干預(yù)。干預(yù)是為學(xué)困生提供有計(jì)劃的教育服務(wù)，以使預(yù)先設(shè)計(jì)的干預(yù)策略與靈活變化的動態(tài)需求之間產(chǎn)生現(xiàn)實(shí)共振。為此，需以系統(tǒng)思維統(tǒng)攝實(shí)施效果與柔性干預(yù)之間的平衡，通過應(yīng)用全面、有效的觀測指標(biāo)，及時進(jìn)行精準(zhǔn)評估，以適時調(diào)整干預(yù)方案，提升學(xué)習(xí)專注度，實(shí)現(xiàn)干預(yù)效益的最大化。

需要說明的是，本研究也存在一些局限，如所選研究對象的來源高校、年級較為單一，樣本量也不大；案例分析主要從靜態(tài)視角進(jìn)行，尚缺乏多維度數(shù)據(jù)自動持續(xù)采集的方法和手段等。對此，后續(xù)研究將豐富樣本來源，以不同區(qū)域、不同類型、不同年級的高校學(xué)困生為研究對象，并逐步將研究范圍推廣至基礎(chǔ)研究，在檢驗(yàn)研究結(jié)果有效性與可遷移性的同時，加強(qiáng)對不同類型學(xué)困生的畫像分析，從而為自適應(yīng)教育干預(yù)的實(shí)施提供保障。另外，鑒于本科生教育的方式多元化且場所非固定化，未來可依托可穿戴傳感設(shè)備，多通道智能采集不同學(xué)習(xí)情境中學(xué)習(xí)者的生理、行為、情感等多模態(tài)學(xué)習(xí)過程數(shù)據(jù)，并結(jié)合展現(xiàn)強(qiáng)大類人性表達(dá)能力的生成式人工智能，根據(jù)多輪有記憶的持續(xù)對話反饋，實(shí)現(xiàn)對高校學(xué)困生的動態(tài)診斷。

[1]車淼潔.本科生延期畢業(yè)現(xiàn)象的透視與解析[J].中國青年研究,2023,(4):97-103.

[2]晉欣泉,姜強(qiáng),趙蔚.網(wǎng)絡(luò)學(xué)習(xí)空間中學(xué)業(yè)預(yù)警及干預(yù)研究:態(tài)勢、關(guān)鍵問題及創(chuàng)新應(yīng)用[J].現(xiàn)代教育技術(shù),2021,(6):79-87.

[3]徐彬,劉志軍.作為德性實(shí)踐的學(xué)生評價[J].教育研究,2023,(2):45-54.

[4]蔡韓燕,楊成.數(shù)智融合驅(qū)動高校教師評價改革研究[J].現(xiàn)代教育技術(shù),2023,(1):91-98.

[5]李剛生,高鐵剛,劉旭,等.基于極限學(xué)習(xí)機(jī)算法的學(xué)困生預(yù)測研究[J].現(xiàn)代教育技術(shù),2018,(4):34-40.

[6]Kennedy D, Powell R. Student progress and withdrawal in the open university[J]. Teaching at a Distance, 1976,7:61-75.

[7]Tinto V. Dropout from higher education: A theoretical synthesis of recent research[J]. Review of Educational Research, 1975,(1):89-125.

[8]徐振國,張冠文,石林,等.MOOC學(xué)習(xí)者輟學(xué)行為的影響因素研究[J].現(xiàn)代教育技術(shù),2017,(9):100-106.

[9]Batool S, Rashid J, Nisar M W, et al. Educational data mining to predict students’ academic performance: A survey study[J]. Education and Information Technologies, 2023,(1):905-971.

[10]彭靜雯.大學(xué)生學(xué)習(xí)內(nèi)驅(qū)力影響因素及其作用機(jī)制——基于扎根理論的分析[J].現(xiàn)代大學(xué)教育,2023,(2):93-102.

[11]Huntington-Klein N, Gill A. Semester course load and student performance[J]. Research in Higher Education, 2021,62:623-650.

[12]劉桐,顧小清.以學(xué)習(xí)分析技術(shù)理解學(xué)習(xí)失敗——基于在線課程退課行為的視角[J].開放教育研究,2022,(3):93-101.

[13]胡仲勛,沈紅.本科生群體類型:基于學(xué)習(xí)成果的判別與特征[J].教育研究,2021,(8):116-131.

[14]胡瓊,姜強(qiáng),趙蔚.基于數(shù)據(jù)挖掘的在線學(xué)業(yè)拖延精準(zhǔn)識別及干預(yù)實(shí)證研究[J].現(xiàn)代遠(yuǎn)距離教育,2022,(3):46-54.

[15]馬志強(qiáng),岳蕓竹,王文秋.基于多模態(tài)交互信息的協(xié)作學(xué)習(xí)投入分析[J].現(xiàn)代教育技術(shù),2021,(1):47-53.

[16]Jin X, Jiang Q, Xiong W, et al. Effects of student engagement in peer feedback on writing performance in higher education [OL].

[17]王一巖,鄭永和.智能時代個性化學(xué)習(xí)的現(xiàn)實(shí)困境、意蘊(yùn)重構(gòu)與模型構(gòu)建[J].電化教育研究,2023,(3):28-35.

[18]Ouyang F, Zheng L, Jiao P. Artificial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020[J]. Education and Information Technologies, 2022,(6):7893-7925.

[19]岳偉,閆領(lǐng)楠.智能時代學(xué)生主體性的異化風(fēng)險及其規(guī)避[J].中國電化教育,2023,(2):90-97.

[20]夏翠娟.構(gòu)建數(shù)智時代社會記憶的多重證據(jù)參照體系:理論與實(shí)踐探索[J].中國圖書館學(xué)報,2022,(5):86-102.

[21]Chipchase L, Davidson M, Blackstock F, et al. Conceptualising and measuring student disengagement in higher education: A synthesis of the literature[J]. International Journal of Higher Education, 2017,(6):31-42.

[22]Yun H, Park S. Building a structural model of motivational regulation and learning engagement for undergraduate and graduate students in higher education[J]. Studies in Higher Education, 2020,(2):271-285.

[23]張凱,李玉,陳凱泉.情緒體驗(yàn)與互動模式對合作學(xué)習(xí)情感投入的作用機(jī)理[J].現(xiàn)代外語,2023,(3):371-383.

[24]朱玉成,石連海.“寒門學(xué)子”抗逆力的構(gòu)建與提升——實(shí)現(xiàn)更高質(zhì)量教育公平的文化研究路徑[J].教育發(fā)展研究,2022,(12):16-22.

[25]盧國慶,劉清堂,謝魁.情境投入縱向研究的理論、測量及分析方法的發(fā)展研究[J].遠(yuǎn)程教育雜志,2023,(2):82-94.

[26]Polat E, Hopcan S, Arslanta? T K. The association between flipped learning readiness, engagement, social anxiety, and achievement in online flipped classrooms: A structural equational modeling[J]. Education and Information Technologies, 2022,(8):11781-11806.

[27]藥文靜,姜強(qiáng),王利思,等.學(xué)習(xí)分析視域下大學(xué)生課堂參與邊緣化診斷及策略干預(yù)研究——面向深度學(xué)習(xí)的課堂教學(xué)結(jié)構(gòu)化變革研究之二[J].現(xiàn)代遠(yuǎn)距離教育,2019,(6):11-19.

[28]Nachouki M, Abou Naaj M. Predicting student performance to improve academic advising using the random forest algorithm[J]. International Journal of Distance Education Technologies, 2022,(1):1-17.

Research on the Intelligent Diagnosis Model of University Students with Learning Difficulties in the Era of Digital Intelligence

JIN Xin-quan1JIANG Qiang2[Corresponding Author]MA Zhi-qiang1ZHAO Wei2

University students with learning difficulties are the objective existence that restricted the improvement of the quality of talent training in higher education, and accurate intelligent diagnosis is an important driving force to promotethe high-quality development of education. However, in the era of digital intelligence, research on the diagnosis of university students with learning difficulties that was led by academic achievement prediction and machine decision making was faced with such realistic difficulties as single dimension of feature index, procedural data modeling and one-way machine feedback. Based on this, the paper firstly reviewed the related research results of the diagnosis of university students with learning difficulties from the perspectives of feature elements indentification and modeling methods application.Secondly, relying on the design ideas of omnidimensional feature portrait, discernable learning difficulties reasoning and cooperative intelligent diagnosis, the intelligent diagnosis model of university students with learning difficulties was constructed, which was composed of three dimensions of feature data collection, algorithm modeling analysis, and diagnosis decision making feedback. Finally, the feasibility and effectiveness of this model were verified throughcase studies. The research of this paper not only provided theoretical reference for academic risk early warning and intervention research, but also offered practical guidance for comprehensive monitoring and management of university students with learning difficulties, and was conductive to the implementation and promotion of accurate academic diagnosis results.

university students with learning difficulties; intelligent diagnosis; digital intelligence technology; talent training

G40-057

A

1009—8097（2023）11—0047—10

10.3969/j.issn.1009-8097.2023.11.005

本文為2023年度國家自然科學(xué)基金青年項(xiàng)目“基于多源數(shù)據(jù)的高校學(xué)困生診斷及干預(yù)關(guān)鍵技術(shù)”（項(xiàng)目編號：62307021）、2023年度江蘇高校哲學(xué)社會科學(xué)研究一般項(xiàng)目“數(shù)智融合驅(qū)動的高校學(xué)困生診斷模型構(gòu)建及實(shí)踐研究”（項(xiàng)目編號：2023SJYB0887）的階段性研究成果。

晉欣泉，講師，博士，研究方向?yàn)閷W(xué)業(yè)預(yù)警與干預(yù)、學(xué)習(xí)分析與評價，郵箱為jinxq805@nenu.edu.cn。

2023年5月24日

編輯：小米