基于行为识别的课堂深度学习成绩预测模型研究

摘　要： 课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。利用数据技术挖掘学生课堂学习行为对深度学习成绩的影响关系，解决识别与评价课堂高阶认知不足的现实问题。以英语和化学两门学科为例，以课堂学习行为为自变量，以测试试卷深度学习成绩为因变量，通过高斯消元、回代总样本求均方差最优解等算法，分析出课堂“听讲”“阅读”等8种课堂行为对深度学习成绩的权重影响，构建课堂学习行为与深度学习成绩间的预测模型，依据模型可识别和评价学生的高阶认知是否发生，为常态课堂高阶认知规模化评价提供科学依据和技术支撑。

关键词： 行为识别；深度学习；深度学习成绩预测模型；过程性评价

一、引言

　　过程性评价是发生在学习过程中的价值判断，通过对学生学习的量化、预测、诊断、干预等过程，实现对学习行为的引导和修正，渐进培养学习习惯，是推进素质教育实践发展的需要。[1]预测是过程性评价的最重要环节，诸多研究证实，学习行为（即交互行为、学习参与等）是确定学业成就的关键参数，学生学习行为可以作为预测评价学生学习成就的重要依据。[2-4]

　　梳理相关文献，成绩预测评价研究主要集中于在线学习平台，常态课堂（以下简称“课堂”）预测评价研究却较少涉及。分析原因，在线技术平台自动记录学习行为的便利性和规模化，如在线学习系统[5]、慕课[6]、学习管理系统[7]、平板教学[8]等的日志行为数据，是促进学习预测发展的重要力量。而课堂环境数据获取测量仍然依赖人工，如观察法、教师报告法、自我报告等，操作规格高，方式主观低效，很难解决真实情境、过程性评价的问题。新课程标准要求的课堂深度