張明焱，杜 旭，李 浩

華中師范大學(xué)國(guó)家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心，武漢 430079

在線學(xué)習(xí)已成為當(dāng)今教育系統(tǒng)中必不可少的學(xué)習(xí)方式，通過(guò)分析學(xué)生的在線學(xué)習(xí)行為以支持相關(guān)的教學(xué)決策或觸發(fā)相應(yīng)的教學(xué)干預(yù)[1-2]吸引了大量的研究工作[3]。該研究領(lǐng)域也被稱為學(xué)習(xí)分析（learning analysis）。早期預(yù)警（early warning）是學(xué)習(xí)分析領(lǐng)域中的一個(gè)熱門主題[4]。早期預(yù)警通過(guò)構(gòu)建預(yù)測(cè)模型在學(xué)期較早階段預(yù)測(cè)學(xué)生的最終成績(jī)，以識(shí)別出盡可能多的不及格風(fēng)險(xiǎn)（簡(jiǎn)稱at-risk）學(xué)生，方便教師在學(xué)期結(jié)束前采取干預(yù)措施，最終降低學(xué)生不及格的比例[5]。但僅識(shí)別出at-risk學(xué)生無(wú)法幫助教師采取有針對(duì)性的干預(yù)措施。已有的研究表明，識(shí)別關(guān)鍵預(yù)測(cè)因子，找出造成at-risk的因素對(duì)于教師采取針對(duì)性的教學(xué)干預(yù)措施意義重大[6-7]。因此，早期預(yù)警的核心問(wèn)題是：（1）提高at-risk學(xué)生的識(shí)別率；（2）確定合適的干預(yù)時(shí)間點(diǎn)；（3）提供有效的干預(yù)信息。

國(guó)內(nèi)外學(xué)者都對(duì)早期預(yù)警進(jìn)行了研究。Wang 等人[8]利用改進(jìn)的Apriori算法對(duì)學(xué)生成績(jī)數(shù)據(jù)進(jìn)行分析，找出數(shù)據(jù)中隱藏的課程關(guān)聯(lián)規(guī)則，然后將這些規(guī)則應(yīng)用于學(xué)生成績(jī)預(yù)警，及時(shí)找出可能出現(xiàn)不及格的課程，并對(duì)部分學(xué)生給出警示，加強(qiáng)學(xué)習(xí)監(jiān)督。Ak?ap?nar等人[9]使用學(xué)生閱讀電子書(shū)的數(shù)據(jù)和機(jī)器學(xué)習(xí)模型預(yù)測(cè)學(xué)生最終成績(jī)。為了確定采取干預(yù)措施所需的最佳模型和最佳時(shí)間點(diǎn)，使用13 種算法以及不同周的課程數(shù)據(jù)進(jìn)行預(yù)測(cè)，并對(duì)比了結(jié)果。Howard 等人[10]通過(guò)分析本科生的評(píng)估數(shù)據(jù)和個(gè)人信息數(shù)據(jù)建立早期預(yù)警模型，并重點(diǎn)研究干預(yù)的最佳時(shí)間。其結(jié)論表明，最佳干預(yù)時(shí)間是在課程中期，且學(xué)生需要改變學(xué)習(xí)策略以適應(yīng)新的課程要求。然而，已有的研究多數(shù)基于累積行為頻率作為預(yù)測(cè)變量。Hung 等人[11]指出累積行為頻率存在一些問(wèn)題。如未能考慮到不同學(xué)生學(xué)習(xí)行為模式之間的差異，忽略了多種行為模式可導(dǎo)致課程不及格，未能考慮到課程活動(dòng)的要求會(huì)隨課程進(jìn)展發(fā)生變化等問(wèn)題。因此at-risk學(xué)生的預(yù)測(cè)結(jié)果還有進(jìn)一步提升的空間。

學(xué)生的學(xué)習(xí)模式?jīng)Q定了其學(xué)習(xí)表現(xiàn)。學(xué)習(xí)模式被定義為“學(xué)習(xí)者通常采用的連貫的學(xué)習(xí)活動(dòng)，包括他們對(duì)學(xué)習(xí)的信念和學(xué)習(xí)動(dòng)機(jī)”。通過(guò)分析學(xué)習(xí)模式能夠解釋造成學(xué)習(xí)表現(xiàn)差異的原因，進(jìn)一步區(qū)分不同學(xué)習(xí)表現(xiàn)的群體[12]，因而提高不及格學(xué)生的識(shí)別率。在學(xué)習(xí)管理系統(tǒng)（learning management system，LMS）中，學(xué)生的行為是最易收集的，且已被廣泛應(yīng)用于描述學(xué)生在LMS中學(xué)習(xí)模式的變量，這些變量構(gòu)成了學(xué)生的行為模式。已有的研究采用各種行為的累積次數(shù)描述學(xué)生的行為模式。這種方法雖代表了模式的宏觀特征，卻無(wú)法進(jìn)一步區(qū)分累積頻率相似但頻率分布不同的學(xué)生，而他們具有不同的學(xué)習(xí)表現(xiàn)[11]。學(xué)習(xí)生行為的時(shí)間序列數(shù)據(jù)包含學(xué)習(xí)過(guò)程信息，即學(xué)習(xí)者在不同課程時(shí)期的行為分布，它描述了學(xué)生微觀行為模式，能夠進(jìn)一步區(qū)分不同類型的群體。

為了進(jìn)一步提高at-risk學(xué)生的識(shí)別率，可對(duì)學(xué)生的行為模式數(shù)據(jù)進(jìn)行特征處理。多項(xiàng)研究表明，使用自動(dòng)編碼器（autoencoder）對(duì)原始數(shù)據(jù)進(jìn)行特征壓縮和噪聲消除可以改善模型的性能（例如Zhao 等人[13]的研究）。autoencoder 也已被用于教育領(lǐng)域的研究。例如，Du 等人[14]提出了一個(gè)基于變分自編碼器（LVAE）和深度神經(jīng)網(wǎng)絡(luò)（DNN）的集成框架（LVAEPre），以解決教育數(shù)據(jù)集的高度不平衡問(wèn)題。Li 等人[15]提出了基于autoencoder的復(fù)合特征模型，該模型結(jié)合學(xué)習(xí)數(shù)據(jù)中的多重特征來(lái)推斷學(xué)生未來(lái)兩周的行為。由于學(xué)生的行為模式可以用時(shí)間序列數(shù)據(jù)表示，結(jié)合能夠處理序列數(shù)據(jù)的長(zhǎng)短期記憶（long short-term memory，LSTM）單元構(gòu)建自動(dòng)編碼器（LSTM-autoencoder）可以對(duì)學(xué)生行為模式數(shù)據(jù)進(jìn)行特征提取和去噪，進(jìn)而提高模型預(yù)測(cè)效果。

在線學(xué)習(xí)中，學(xué)生的最終成績(jī)?nèi)Q于課程各個(gè)階段的學(xué)習(xí)活動(dòng)，而不同階段的學(xué)習(xí)活動(dòng)對(duì)最終成績(jī)的影響存在差異。對(duì)學(xué)習(xí)者的時(shí)間序列數(shù)據(jù)進(jìn)行分析，可以回溯學(xué)習(xí)者過(guò)程，發(fā)現(xiàn)影響學(xué)習(xí)成績(jī)的關(guān)鍵因子。注意力機(jī)制能夠計(jì)算出輸入變量相對(duì)輸出結(jié)果的權(quán)重，采用注意力機(jī)制分析學(xué)生行為模式，可以得到不同課程階段中各種行為對(duì)最終成績(jī)的影響程度。教師可根據(jù)這些信息進(jìn)一步分析at-risk學(xué)生在學(xué)習(xí)過(guò)程中存在的得失，進(jìn)而采取個(gè)性化的干預(yù)措施。如針對(duì)性監(jiān)督、輔助或改變后期的教學(xué)策略等。

本文提出一種通過(guò)深度學(xué)習(xí)模型對(duì)微觀行為模式進(jìn)行分析以實(shí)現(xiàn)學(xué)習(xí)成績(jī)?cè)缙陬A(yù)警的方法-結(jié)合LSTMautoencoder 特征處理和注意力權(quán)重計(jì)算的at-risk 學(xué)生早期預(yù)警模型（LSTM-autoencoder and attention based early warning model，LAA）。該方法采用LSTM-autoencoder對(duì)學(xué)生行為的時(shí)間序列數(shù)據(jù)進(jìn)行特征提取和去噪，通過(guò)注意力機(jī)制計(jì)算出不同學(xué)期周次、不同行為對(duì)最終成績(jī)的影響權(quán)重，并識(shí)別出at-risk學(xué)生和最早干預(yù)時(shí)間點(diǎn)。該方法不僅可以提高at-risk學(xué)生的召回率，提前教學(xué)干預(yù)時(shí)間，還可幫助教師進(jìn)行精準(zhǔn)的個(gè)性化教學(xué)干預(yù)。

1 基于微觀行為模式分析的早期預(yù)警

1.1 基于LSTM-autoencoder 的學(xué)生行為時(shí)間序列特征處理

Autoencoder在序列數(shù)據(jù)的特征提取方面獲得了廣泛的應(yīng)用。其編碼器部分能夠?qū)斎胄蛄袛?shù)據(jù)進(jìn)行維度壓縮，解碼器能從壓縮數(shù)據(jù)中恢復(fù)信息。整個(gè)訓(xùn)練過(guò)程要求能夠盡可能多的恢復(fù)原始數(shù)據(jù)中的信息，實(shí)現(xiàn)數(shù)據(jù)特征提取和去噪。

學(xué)生的行為模式具有前后關(guān)聯(lián)性，即前一段時(shí)間的學(xué)習(xí)行為會(huì)對(duì)后一段時(shí)間的學(xué)習(xí)行為產(chǎn)生影響。本文采用能夠記憶序列因果信息的LSTM 神經(jīng)元搭建autoencoder。根據(jù)LSTM網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)LSTM神經(jīng)元都包含輸入門(it)、遺忘門(ft)和輸出門(Ot)。輸入門控制輸入信息，遺忘門控制哪些信息應(yīng)當(dāng)被舍棄，輸出門控制神經(jīng)元的輸出。各個(gè)門的計(jì)算公式如下：

ht表示t時(shí)刻神經(jīng)元的輸出，ht-1表示前一時(shí)刻單元的輸出。LSTM當(dāng)前狀態(tài)Ct計(jì)算如下：

本文通過(guò)LSTM-autoencoder 提取學(xué)習(xí)者時(shí)間序列數(shù)據(jù)中的前后學(xué)習(xí)行為關(guān)聯(lián)信息，并增強(qiáng)數(shù)據(jù)特征，以提高學(xué)習(xí)成績(jī)預(yù)測(cè)的結(jié)果。為了簡(jiǎn)化實(shí)驗(yàn)同時(shí)提高預(yù)測(cè)準(zhǔn)確率，autoencoder的編碼和解碼部分都采用單層的LSTM 神經(jīng)元。LSTM-autoencoder 模型架構(gòu)如圖1 所示。訓(xùn)練過(guò)程可以描述為[16]：

本文中，LSTM-autoencoder的輸入數(shù)據(jù)為學(xué)生行為的時(shí)間序列數(shù)據(jù)。輸入數(shù)據(jù)形狀為S(students)×M（時(shí)間步）×N（行為），經(jīng)過(guò)編碼器處理成S(students)×M（時(shí)間步）×1（編碼）的數(shù)據(jù)，最終解碼器輸出S(students)×M（時(shí)間步）×N（恢復(fù)的行為）數(shù)據(jù)。整個(gè)訓(xùn)練過(guò)程結(jié)束后，學(xué)生的行為模式信息被保存在解碼器恢復(fù)出的序列數(shù)據(jù)中。

1.2 基于注意力機(jī)制的關(guān)鍵預(yù)測(cè)因子計(jì)算

本文采用Raffel 等人[17]的研究中提出的用于解決LSTM問(wèn)題的前饋?zhàn)⒁饬W(wǎng)絡(luò)架構(gòu)進(jìn)行關(guān)鍵預(yù)測(cè)因子分析，計(jì)算各類學(xué)習(xí)行為對(duì)最終成績(jī)的影響權(quán)重和不同學(xué)期周次對(duì)成績(jī)的影響權(quán)重。該注意力模塊如圖2所示。

圖2 注意力計(jì)算模塊Fig.2 Attention calculation module

對(duì)于一般的注意力模塊，其隱層狀態(tài)計(jì)算公式為：

T為輸入序列的時(shí)間步長(zhǎng)，αtj是狀態(tài)hj在每個(gè)時(shí)間步t計(jì)算的權(quán)重。這些上下文向量被用于計(jì)算新的狀態(tài)序列s，其中st取決于st-1，ct和模型在t-1 時(shí)的輸出。權(quán)重αtj計(jì)算公式如下：

其中，a是一個(gè)通過(guò)學(xué)習(xí)得到的函數(shù)，可以考慮為給定hj的值和先前狀態(tài)st-1來(lái)計(jì)算hj的層級(jí)重要性值。這個(gè)公式使得新的狀態(tài)序列s可以更直接地獲取整個(gè)狀態(tài)序列h。

對(duì)上述隱層狀態(tài)計(jì)算方法進(jìn)行簡(jiǎn)化，使其可以用于從整個(gè)序列中產(chǎn)生單維向量c，方法如下：

a仍然是一個(gè)可學(xué)得的函數(shù)，但現(xiàn)在僅取決于ht。在這種表述中，可以將注意力視為通過(guò)計(jì)算狀態(tài)序列h的自適應(yīng)加權(quán)平均值來(lái)生成輸入序列的固定長(zhǎng)度嵌入c。由于計(jì)算可以完全并行化，該方法會(huì)帶來(lái)較大的效率提升。

1.3 基于行為時(shí)間序列特征處理和關(guān)鍵預(yù)測(cè)因子計(jì)算的早期預(yù)警

本文提出的結(jié)合LSTM-autoencoder 特征處理和注意力權(quán)重計(jì)算的at-risk 學(xué)生早期預(yù)警模型（LAA）架構(gòu)如圖3所示。

圖3 LAA早期預(yù)警模型Fig.3 LAA early warning model

原始行為數(shù)據(jù)經(jīng)過(guò)預(yù)處理和編碼，構(gòu)造成N個(gè)行為的時(shí)間序列數(shù)據(jù)；采用LSTM-autoencoder對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)行為模式信息的特征提取和去噪；注意力層對(duì)解碼器的輸出數(shù)據(jù)進(jìn)行權(quán)重計(jì)算。后層神經(jīng)元通過(guò)Dense層和Softmax神經(jīng)元實(shí)現(xiàn)成績(jī)預(yù)測(cè)。本文提出的模型具體思路如下所示。

模型LAA早期預(yù)警模型：

輸入：訓(xùn)練數(shù)據(jù)X；數(shù)據(jù)時(shí)間步T，特征維數(shù)F；自動(dòng)編碼器層數(shù)L，訓(xùn)練周期數(shù)E，批量大小B；注意力模塊層數(shù)L′。

輸出：學(xué)生成績(jī)類別C，特征權(quán)重Wf，時(shí)間步權(quán)重Wt。

步驟：

1.對(duì)數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算編碼層的激活輸出，編碼器將F維特征壓縮成1維；

2.自動(dòng)編碼器中間層將編碼層的輸出復(fù)制到T個(gè)時(shí)間步上；

3.解碼器將中間層的數(shù)據(jù)重構(gòu)成與輸入層相同的維度，得到特征恢復(fù)后的數(shù)據(jù)；

4.注意力層利用公式（9）和（10）計(jì)算重構(gòu)數(shù)據(jù)各個(gè)特征對(duì)目標(biāo)變量的影響權(quán)重Wf（或各時(shí)間步對(duì)目標(biāo)變量的影響權(quán)重Wt）；

5.通過(guò)反向傳播算法計(jì)算整個(gè)序列上的誤差，并更新網(wǎng)絡(luò)參數(shù)。

6.重復(fù)步驟1～5，直到反向傳播算法停止更新參數(shù)，輸出類別C（0或1），訓(xùn)練完成。

本文提出的模型計(jì)算量分析如下。整個(gè)模型的計(jì)算量取決于時(shí)間步T和特征維數(shù)F。編碼器將F維特征壓縮到1維；解碼器的輸出維度與編碼器輸入維度相同，且都由T和F決定。注意力模塊在計(jì)算特征權(quán)重Wf時(shí)，計(jì)算量由F決定，在計(jì)算時(shí)間步權(quán)重Wt時(shí)，計(jì)算量由T決定。學(xué)生的課程周期通常不會(huì)超過(guò)20 周，因此時(shí)間步T≤20，屬于短序列；在線學(xué)習(xí)平臺(tái)中學(xué)生行為類別多數(shù)為個(gè)位數(shù)，即F≤10；為了簡(jiǎn)化模型架構(gòu)同時(shí)保證性能，編碼器和解碼器部分都采用單層的LSTM。因此，本文提出的模型具有低復(fù)雜度、計(jì)算快的特點(diǎn)。

2 實(shí)驗(yàn)及結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)

數(shù)據(jù)收集自美國(guó)一所學(xué)校2015—2016 年完全在線的課程，包含476門課程，4 607名學(xué)生，課程持續(xù)16周，總計(jì)3 625 619條日志。這些數(shù)據(jù)記錄了學(xué)生在線學(xué)習(xí)的所有行為，本文將這些學(xué)習(xí)行為分為以下五類：

（1）訪問(wèn)資源（Content，1 249 738 條記錄）：所有與瀏覽課程資料相關(guān)的行為。

（2）參與評(píng)估（Assessment，1 019 901條記錄）：所有與課程評(píng)估相關(guān)的行為。

（3）查看分?jǐn)?shù)（CheckGrade，277 513 條記錄）：查看課程評(píng)估成績(jī)、作業(yè)成績(jī)等信息的行為（此行為在已有的文獻(xiàn)中被識(shí)別為早期預(yù)警關(guān)鍵因子）。

（4）參與交互（Interaction，1 029 900 條記錄）：所有與線上互動(dòng)有關(guān)的行為，包括同伴互動(dòng)或師生互動(dòng)。

（5）其他行為（Others，48 567 條記錄）：不屬于上述類別的其他次要行為。

本文對(duì)學(xué)生的原始日志數(shù)據(jù)進(jìn)行清洗后，計(jì)算每周各個(gè)行為的頻率，每個(gè)學(xué)生的記錄最終生成16（周）×5（行為）的時(shí)間序列數(shù)據(jù)。同時(shí)，計(jì)算每周所有行為的總頻率，每個(gè)學(xué)生的記錄最終生成16（周）×1（總頻率）的時(shí)間序列數(shù)據(jù)。其中，每周總頻率等于每周5種行為頻率之和。

對(duì)于學(xué)生的成績(jī)數(shù)據(jù)，以60 分為標(biāo)準(zhǔn)將學(xué)生劃分成及格（≥60 分，標(biāo)記為類別0）和不及格（<60 分，標(biāo)記為類別1）兩類。其中，及格（以下簡(jiǎn)稱success）學(xué)生為3 673人（占比79.73%），不及格（at-risk）學(xué)生為934人（占比20.27%）。

為了深入分析LAA 對(duì)不同類型學(xué)生的識(shí)別能力，本文分別對(duì)success 學(xué)生和at-risk 學(xué)生的時(shí)間序列數(shù)據(jù)進(jìn)行聚類，探索這兩類學(xué)生中存在的行為模式。時(shí)間序列聚類可以比較學(xué)生行為模式的相似性，將具有相似模式的學(xué)生分為同一個(gè)群，將具有不同模式的學(xué)生分為不同的群。為了提高時(shí)間序列聚類效果，本文在聚類前對(duì)學(xué)生的時(shí)間序列數(shù)據(jù)進(jìn)行了特征處理。結(jié)果表明，該數(shù)據(jù)集中存在3種success學(xué)習(xí)行為模式和3種at-risk學(xué)習(xí)行為模式。各群人數(shù)分布如表1所示。

表1 success學(xué)生和at-risk學(xué)生的行為模式Table 1 Patterns of success and at-risk students

3 種success 學(xué)生的典型行為模式如圖4（a）、（b）、（c）所示，具體描述如下：

（1）均衡型（success cluster 1）。該群學(xué)生3種主要行為（訪問(wèn)資源、參與評(píng)估和參與交互）比例接近，且保持穩(wěn)定的高行為頻率（例如圖4（a）學(xué)生A 的行為模式）。已有的研究表明，具有穩(wěn)定且持續(xù)參與水平的學(xué)生能夠獲得更高的學(xué)習(xí)表現(xiàn)。

（2）高交互型（success cluster 2）。該群學(xué)生的交互頻率遠(yuǎn)高于其他行為，他們主要通過(guò)論壇討論完成課程學(xué)習(xí)（例如圖4（b）學(xué)生B 的行為模式）。已有的研究表明，高水平的交互行為有助于提高學(xué)習(xí)表現(xiàn)。

（3）勤奮型（success cluster 3）。該群學(xué)生三種主要行為比例接近，在學(xué)期開(kāi)始的行為頻率遠(yuǎn)高于其他群，且整個(gè)學(xué)期維持相對(duì)穩(wěn)定的參與水平（例如圖4（c）學(xué)生C的行為模式）。通常高參與度意味著高的學(xué)習(xí)動(dòng)機(jī)，能夠促進(jìn)學(xué)習(xí)效果。

3種at-risk學(xué)生的典型行為模式如圖4（d）、（e）、（f）所示，具體描述如下：

（1）低參與型（at-risk cluster 1）。該群學(xué)生幾乎不參與學(xué)習(xí)活動(dòng)，屬于因參與度過(guò)低而表現(xiàn)不好的學(xué)生（例如，圖4（d）學(xué)生D的行為模式）。低參與是最常見(jiàn)且最易被識(shí)別的at-risk類型之一[18]，教師無(wú)需通過(guò)模型而直接使用數(shù)據(jù)可視化方法就能識(shí)別該群體。

（2）低交互型（at-risk cluster 2）。該群學(xué)生的交互行為頻率隨著課程的進(jìn)展越來(lái)越低（例如圖4（e）學(xué)生E的行為模式），表明其在學(xué)習(xí)過(guò)程中并不重視與教師或同學(xué)交流。低交互容易導(dǎo)致學(xué)生對(duì)知識(shí)點(diǎn)缺乏理解和掌握[19]，造成低學(xué)習(xí)表現(xiàn)。

（3）非持續(xù)型（at-risk cluster 3）。該類型學(xué)生具有不穩(wěn)定的參與頻率，且各種行為頻率的相對(duì)大小也多次發(fā)生變化（例如，圖4（f）學(xué)生F的行為模式）。該群學(xué)生參與頻率的下降體現(xiàn)了其學(xué)習(xí)動(dòng)機(jī)的減退[20]。

圖4 及格（success）和不及格（at-risk）學(xué)生的行為模式Fig.4 Patterns of success and at-risk students

2.2 實(shí)驗(yàn)結(jié)果

本文設(shè)置兩個(gè)基線模型與LAA進(jìn)行早期預(yù)警預(yù)測(cè)比較，分別是：

（1）基線模型1?？傤l率行為序列（total frequency of behavior series）+RNN 模型（TFB）?？傤l率序列是學(xué)習(xí)者每周行為之和的序列數(shù)據(jù)，表征學(xué)習(xí)者的宏觀行為模式。使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）作為預(yù)測(cè)模型。

（2）基線模型2。原始行為序列（original behavior series）+RNN模型（OB）。原始行為序列是學(xué)習(xí)者每周5種行為頻率序列，包含學(xué)習(xí)者微觀行為模式的原始信息。使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）作為預(yù)測(cè)模型。

（3）LAA 模型。對(duì)學(xué)習(xí)者微觀行為模式原始信息進(jìn)行特征處理和權(quán)重計(jì)算后實(shí)現(xiàn)成績(jī)預(yù)測(cè)。

本文采用準(zhǔn)確率和召回率作為評(píng)價(jià)指標(biāo)，用以比較3個(gè)模型的早期預(yù)警性能。對(duì)于早期預(yù)警，其目的是在學(xué)期較早階段通過(guò)模型識(shí)別盡可能多的at-risk學(xué)生，因而召回率是比準(zhǔn)確率更重要的評(píng)價(jià)指標(biāo)[21-23]。

2.2.1 早期預(yù)警比較

本文使用3種模型在每周進(jìn)行了成績(jī)預(yù)測(cè)。表2僅列出每隔一周預(yù)測(cè)成績(jī)得到的準(zhǔn)確率和召回率。所有結(jié)果都是取五折交叉驗(yàn)證平均值。結(jié)果表明，LAA在各周都取得了與基線模型相似的準(zhǔn)確率和更高的召回率。

表2 早期預(yù)警預(yù)測(cè)結(jié)果比較Table 2 Comparison of early warning prediction results%

在已有的研究中，識(shí)別出較多（如50%以上）的at-risk 學(xué)生的時(shí)間點(diǎn)被確定為最佳干預(yù)時(shí)間。LAA 模型在第5周（5/16周，未在表中列出）可識(shí)別50.54%以上的at-risk 學(xué)生，比基線模型提前一周。因此，教師可在第5周對(duì)LAA模型篩選出的at-risk學(xué)生開(kāi)展教學(xué)干預(yù)。

表3列出了3種模型識(shí)別的at-risk學(xué)生行為模式類型和人數(shù)。LAA識(shí)別出最多的低交互型和非持續(xù)型學(xué)生。

表3 模型對(duì)3種at-risk學(xué)生的識(shí)別結(jié)果Table 3 Identification results of three kinds of at-risk pattern students

本文采用上述學(xué)校的2018年數(shù)據(jù)驗(yàn)證所提方法的泛化能力。該數(shù)據(jù)中的課程持續(xù)20 周，共7 592 977 條行為日志數(shù)據(jù)，參與者為7 701 名學(xué)生。其中，5 743 人及格，1 958人不及格。學(xué)生的行為日志被編碼為7種類別的行為（訪問(wèn)資源、查看通知、完成作業(yè)、參與評(píng)估、參與交互、查看成績(jī)和其他行為）。結(jié)果表明，LAA 在每個(gè)周都取得了最高的準(zhǔn)確率和召回率。LAA 在第6 周（6/20周）可識(shí)別50%以上的at-risk學(xué)生；在第20周取得了最高的召回率（分別是：TFB-61.69%、OB-73.13%、LAA-79.73%）。

2.2.2 早期預(yù)警關(guān)鍵預(yù)測(cè)因子分析

通過(guò)注意力模塊計(jì)算得到success 學(xué)生和at-risk 學(xué)生的各周次對(duì)最終成績(jī)的影響權(quán)重如圖5所示。R為atrisk 學(xué)生，S 為success 學(xué)生。學(xué)生R 權(quán)重最大的周是第10周，學(xué)生S權(quán)重最大的周是第13周。這表明不同學(xué)習(xí)表現(xiàn)的學(xué)生，學(xué)期各周次對(duì)成績(jī)的影響程度有所差異。

圖5 At-risk和success學(xué)生的各周次權(quán)重Fig.5 Week weights of at-risk and success students

學(xué)生R 和學(xué)生S 的各種行為對(duì)最終成績(jī)影響權(quán)重如圖6所示。學(xué)生R的行為權(quán)重大小依次為：參與交互（Interaction）>查看成績(jī)（CheckGrade）>訪問(wèn)資源（Content）>參與評(píng)估（Assessment）>其他行為（Others）。學(xué)生S 的行為權(quán)重大小依次為：訪問(wèn)資源（Content）>參與評(píng)估（Assessment）>其他行為（Others）>參與交互（Interaction）>查看成績(jī)（CheckGrade）?？梢钥闯?，及格學(xué)生和不及格學(xué)生雖然有相同的行為類別，但是各類行為對(duì)學(xué)習(xí)結(jié)果的影響權(quán)重不同。

圖6 At-risk和success學(xué)生的各類行為權(quán)重Fig.6 Behavior weights of at-risk and success students

在實(shí)際的教學(xué)活動(dòng)中，教師按照課程大綱安排學(xué)生在特定階段完成課程任務(wù)，參加指定的學(xué)習(xí)活動(dòng)。LAA模型計(jì)算出關(guān)鍵周次和行為，可幫助教師對(duì)照標(biāo)準(zhǔn)課程設(shè)計(jì)來(lái)發(fā)現(xiàn)學(xué)生在某個(gè)階段學(xué)習(xí)上存在的具體問(wèn)題，進(jìn)而采取干預(yù)措施。

3 結(jié)束語(yǔ)

本文提出的LAA 方法可在學(xué)期較早的階段識(shí)別50%以上的at-risk學(xué)生，相比基線模型取得了相似的準(zhǔn)確率和更高的召回率。該方法對(duì)識(shí)別低交互類型和非持續(xù)類型的at-risk學(xué)生具有明顯優(yōu)勢(shì)，且可以將教學(xué)干預(yù)時(shí)間提前一周。LAA模型通過(guò)計(jì)算各周注意力權(quán)重和各種行為的注意力權(quán)重，挖掘出影響學(xué)習(xí)結(jié)果的最重要周次和行為類別，可以方便教師選回溯學(xué)習(xí)過(guò)程。教師可根據(jù)預(yù)測(cè)結(jié)果精準(zhǔn)定位需要干預(yù)的群體，并根據(jù)影響at-risk 學(xué)生成績(jī)的周次和行為權(quán)重，從課程設(shè)計(jì)、學(xué)習(xí)活動(dòng)評(píng)估和學(xué)習(xí)監(jiān)控等方面對(duì)學(xué)生進(jìn)行個(gè)性化的教學(xué)干預(yù)。盡管LAA模型取得了比基線模型較高的召回率，如何進(jìn)一步提高準(zhǔn)確率是后續(xù)工作需要研究的內(nèi)容。