胡航 李雅馨

【摘 要】? ?? 學習行為診斷、監(jiān)控與評價一直是教育數(shù)據(jù)挖掘的研究重點。學習績效預測研究已將數(shù)據(jù)模型的理論轉化為教學的應用實踐，而融合多種行為數(shù)據(jù)對學習績效進行預警與評價的研究較少。采集1，053名大學生12周的運動日志和課堂視頻，構建運動與課堂行為預測指標，利用決策樹和規(guī)則集方法構建預警閾值區(qū)間和行為預警策略，并利用機器深度神經(jīng)網(wǎng)絡分類模型，結合主成分法和熵值法，得到兩種行為的權重和得分區(qū)間，構建行為組合評價策略。研究表明：學習績效模型能有效預測運動與課堂行為對學習績效的影響，學習行為預警策略也能有效發(fā)現(xiàn)學生行為變化規(guī)律，學習行為組合評價策略可量化行為特征值與學習績效的關系，提升教學管理能力與教育治理水平。

【關鍵詞】? 學習績效;預測模型;決策樹;深度學習;運動行為;課堂行為;策略研究;關系研究

【中圖分類號】? ?G40-057? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）10-0019-10

學習行為診斷、學習過程智能化監(jiān)控和學習績效自動化分類等問題一直是學習分析和數(shù)據(jù)挖掘的研究方向之一?，F(xiàn)有的學習系統(tǒng)一直努力創(chuàng)設一種動態(tài)、精準的自適應學習路徑，解析學習的發(fā)生過程（胡航， 等， 2020）。學習分析已從理論研究轉向學習行為可視化、預測評估等綜合研究，將數(shù)據(jù)模型的理論研判轉化為教學實踐的應用價值，同時學習預測從關注教育大數(shù)據(jù)本身轉為探索有意義的教學行為評價和學習結果預測，呈現(xiàn)出研究方法多樣性、樣本數(shù)據(jù)多元性等特點（武法提， 等， 2019）。隨著大數(shù)據(jù)技術的不斷發(fā)展，學習分析數(shù)據(jù)不再限于某一單項具體情境開展，研究手段在多元回歸、結構方程模型為主的統(tǒng)計學分析方法基礎上，逐漸采用決策樹、神經(jīng)網(wǎng)絡等機器學習方法進行學習分析與預測（牟智佳， 等， 2017）。基于多場景數(shù)據(jù)和多種預測模型的融合分析方法能更全面地反映學習績效與不同學習行為之間的重要性，提升預測模型的泛化能力（胡航， 等， 2021）。但學習者和教育管理者如何利用預測結果進行學習效果評價，充分發(fā)揮大數(shù)據(jù)關聯(lián)性的優(yōu)勢和價值，提高教育管理能力和科學決策能力（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)，應用機器學習方法建立學習行為預警與評價策略，以期對學習行為監(jiān)控與評測提供指導和參考。

一、研究基礎與研究問題

（一）體育運動對學習績效影響研究

20世紀90年代，已有學者發(fā)現(xiàn)體育鍛煉與學生的學業(yè)成績具有相關性。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學業(yè)成績有更大的促進作用;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生的學業(yè)成績，但對不同地區(qū)學生的影響存在差異。近期研究發(fā)現(xiàn)，有氧能力與數(shù)學成績和閱讀成績成正相關（Castelli， Hillman， Buck， & Erwin， 2007），增加體育鍛煉的時間和強度有益于學生認知能力和學習成績提升（Ardoy， et al.， 2014）。Tajik（2017）等從腦科學角度解釋了體育鍛煉對學業(yè)成績影響的內在機理，發(fā)現(xiàn)體育鍛煉可以激活前額葉等主要腦區(qū)，增強腦區(qū)之間的連接以及改善相關腦區(qū)內灰質與白質體積，進而提升認知靈活性，培養(yǎng)專注能力的習得，而且適當?shù)挠醒跤柧毧梢詢?yōu)化大腦結構，改善大腦功能，增強學生的專注力和執(zhí)行能力，促進大腦學習能力的發(fā)展（Guo， 2018）。同時，一些學者還探究了運動對學業(yè)成績之間的量化關系。傅建等（2016）發(fā)現(xiàn)每天進行45分鐘中等運動強度體育鍛煉的學生語文、數(shù)學和英語的學業(yè)成績均有提高;董艷梅等（2020）研究中國教育追蹤調查數(shù)據(jù)發(fā)現(xiàn)，每天運動1個小時的學生成績最好，超過1個小時對成績的促進開始減弱，超過2個小時對成績產(chǎn)生副作用。已有研究較好地驗證了體育運動與學習績效之間的正向關系，但研究方法多采用問卷調查或自我報告數(shù)據(jù)進行后期分析，研究內容主要探究體育鍛煉在運動時間、運動強度等方面對學業(yè)成績的影響，對學生學業(yè)成績的影響研究因素較為單一（李凌姝， 等， 2016）。

（二）課堂行為對學習績效影響研究

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

（三）研究問題

通過相關文獻分析可以發(fā)現(xiàn)，學者關于運動與課堂行為對學習績效的影響因素做了大量研究，但同時也發(fā)現(xiàn)，研究通?；趩我粚W習場景進行學習效果預測，研究維度和數(shù)據(jù)量不夠豐富，其應用推廣受到限制;采用多種行為數(shù)據(jù)融合方法進行預警與組合評價的研究較少?？梢詰枚囝愋?、高維度數(shù)據(jù)的融合、降維和優(yōu)化方法提高預測模型性能。

研究團隊前期對大學生“早起”與“借閱”行為與學習績效的關系進行了探究（杜爽， 等， 2020），并通過五種機器學習預測模型和兩種神經(jīng)網(wǎng)絡模型分析了生活和學習場景中學習行為對學習績效的影響，構建了包括三個知識引擎的學習行為診斷模型（胡航， 等， 2021）。本文基于學習行為診斷模型建立學習績效預測組合模型應用框架，實現(xiàn)基于行為數(shù)據(jù)的應用策略。主要聚焦三個問題：一是應用決策樹與規(guī)則方法構建運動與課堂行為預警策略;二是應用深度神經(jīng)網(wǎng)絡方法構建運動與課堂行為特征融合的組合評價策略;三是探究應用策略對提升教學管理能力和教育治理水平的現(xiàn)實意義。

二、研究設計

（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級大一學生2019年9月至2020年1月期間三個來源的數(shù)據(jù)：一是學習績效數(shù)據(jù)，來自于教務系統(tǒng)中該門必修課程23個班級的期末成績;二是通過智慧教室監(jiān)控系統(tǒng)采集大學生上課過程中錄制一學期（12周）一門人文社科類必修課程的課堂視頻，共有23個班級，每周錄制兩節(jié)課90分鐘視頻，共采集到約420小時的課堂視頻;三是S高校體育部開展的課后跑步活動數(shù)據(jù)，為了保證大學生的鍛煉效果，采用校園跑步趣味打卡模式，鼓勵學生清晨和傍晚在校園各運動場進行跑步訓練，學生每次運動使用移動端應用程序記錄跑步的時段、時長、里程信息。運動數(shù)據(jù)來源于程序后臺導出的10月開始連續(xù)12周37，626條運動日志記錄，作為構建運動行為預測指標的基礎數(shù)據(jù)。

2. 數(shù)據(jù)處理

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

①數(shù)據(jù)預處理階段。一是提取視頻中學生行為特征，對視頻進行圖像切割、輪廓提取、特征識別處理，形成結構化的課堂行為數(shù)據(jù);二是處理不完整的行為數(shù)據(jù)，如學生缺課、無效跑步時間等情況，需對缺失數(shù)據(jù)采用期望最大化法進行替補。

②數(shù)據(jù)對齊階段。一是進行數(shù)據(jù)關聯(lián)，將行為結構化數(shù)據(jù)與學生基本信息進行聯(lián)結，構建行為特征矩陣空間;二是對數(shù)據(jù)進行多種抽樣方式，解決數(shù)據(jù)不均衡問題。由于一些男女性別比例、學習績效等數(shù)據(jù)分布是有偏的，如在學習績效的分布中有85.6%的學生大于80;為了緩解非平衡數(shù)據(jù)問題，對學習績效大于80的學生進行隨機樣本抽取以減少樣本量，對小于等于80的學生采用了SMOTE方法進行抽樣以增加樣本量。SMOTE方法中選取學習績效小于80的學生樣本點與其他的距離其最近的少數(shù)樣本點結合產(chǎn)生新樣本，從而避免隨機采樣簡單復制少數(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)樣本學習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)預處理和對齊后，有1，053名學生處理后的數(shù)據(jù)作為本次研究的樣本，用于績效預測指標的構建和運動與課堂行為特征指標數(shù)據(jù)。

（二）研究方法與研究工具

1. 研究方法

預測模型的目標是依據(jù)學習績效是否大于、等于或小于80分的二分類預測問題，因此按照學習成績將學生分為A類（大于等于80）和B類（小于80），通過兩個策略在這個二分類問題中的應用來綜合分析運動與課堂行為和學習績效之間的關系，主要從兩條路徑構建學習績效模型的應用策略。在行為預警策略構建中，首先通過機器學習建立決策樹（C & R）和規(guī)則（JRip）模型，分別用于行為指標分類的可視化和學習行為規(guī)則集的生成;其次將行為規(guī)則集中的關鍵分類閾值進行合并和轉換，確定用于行為預警判斷的閾值區(qū)間;最后生成運動與課堂行為預警策略。在行為組合評價策略構建中，通過對機器深度神經(jīng)網(wǎng)絡分類模型與決策樹和規(guī)則預測模型進行預測效果的比較，確定最優(yōu)預測模型的預測結果，得到預測指標的重要性先導經(jīng)驗λ;然后使用主成分法計算運動與課堂行為類型的權重系數(shù)，同時使用熵值法，結合λ計算兩個行為類型中行為指標的權重系數(shù);最終得到調整后的運動與課堂行為權重系數(shù)，同時計算行為特征、行為類型和組合評價的得分區(qū)間，為分析和量化運動與課堂行為對學習績效之間的關系提供評價支撐（如圖2所示）。

2. 研究工具

研究使用Weka和SPSS Modeler18工具，結合Python語言中數(shù)據(jù)分析工具包作為主要研究工具。Weka提供多種機器學習分類器和深度神經(jīng)網(wǎng)絡模型組件（Lang， Bravo-Marquez， Beckham， Hall， & Frank， 2019），可用于進行各種分類預測模型的構建;SPSS Modeler18用于構建決策樹和規(guī)則模型;Python開發(fā)平臺實現(xiàn)主成分分析、熵值計算和圖形可視化操作。

（三）運動與課堂行為預測指標的構建

1. 運動行為預測指標的構建

運動行為預測指標參照梁德清（1994）體育活動等級量表（PAR-3）中關鍵指標進行構建，該量表的信度和效度得到一致認可。量表中將運動分為強度、時間和頻率三個維度，每個維度5分，按照“頻率*時間*強度=運動量”計算調查個體的運動量。依據(jù)體育活動等級量表評測項構建本研究基于跑步日志數(shù)據(jù)的運動指標，采用X表示，指標包括運動次數(shù)（VX）、平均跑步用時（TX）、平均跑步里程數(shù)（DX）、運動規(guī)律（HX）。其中，運動次數(shù)（VX）體現(xiàn)運動頻率，指在一學期12周學生參與跑步的次數(shù)累加的平均值;平均跑步用時（TX）體現(xiàn)運動時間，指學生每次跑步用時（秒）累加的平均值;平均跑步里程數(shù)（DX）體現(xiàn)運動強度，指學生每次跑步距離（米）累加的平均值。

為了反映學生的運動規(guī)律（HX），根據(jù)運動次數(shù)分布的熵值，可以判斷運動行為的隨機性與無序程度，運動規(guī)律值反映每周學生參加運動的連續(xù)規(guī)律。其中，[fmj]為第m個學生第j周運動次數(shù)在n個周內運動總次數(shù)中的比重（如公式1所示）：

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

運動規(guī)律指標的取值范圍為0～1之間，取值越高說明學生每周的運動越有規(guī)律，如一學生n個周內都沒有運動，運動規(guī)律值為0。

2. 課堂行為預測指標的構建

行為檢測是智能教育界面中響應學生學習狀態(tài)的關鍵組成部分。在課堂環(huán)境中，采集課堂中連續(xù)的視頻序列，對動態(tài)視頻進行圖像分割、面部輪廓提取和面部特征識別。在課堂行為指標建立中，韓麗（2017）構建了課堂環(huán)境中基于面部表情特征與心理狀態(tài)的關系;Ashwin等（2018）通過面部、手勢和身體姿勢特征將學生劃分為非常投入至非常不投入4個層級;唐康等（2019）根據(jù)學習個體和課堂整體抬頭率來計算課堂整體關注度。本研究以韓麗（2017）與唐康等（2019）兩者的研究為基礎，通過識別學生上課中的面部特征判斷學生對課堂的整體專注情況。利用人臉識別系統(tǒng)實時測量學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?。榭咕芑虿恍紶顟B(tài)。將前兩種頭部角度均在0～60度之間對應為專注狀態(tài)，用于構建課堂行為預測指標的判斷依據(jù)。三個課堂行為預測指標用Y表示，包括專注次數(shù)（VY）、專注度（PY）和專注時間（TY）。

①專注次數(shù)（VY）指標依據(jù)陳子健等（2019）提出的主動外觀模型（AAM）對學生面部進行識別，通過頭部角度的變化程度，統(tǒng)計在一個完整課堂教學時間內，學生處于傾聽狀態(tài)的次數(shù)統(tǒng)計。首先將視頻以45分鐘為一個周期每隔2.5秒進行關鍵幀提取，一節(jié)課中共有1，080次識別;然后識別每個關鍵幀中學生頭部的變化角度，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，說明學生是在直視或仰頭，可統(tǒng)計為有1次專注數(shù)。

②專注度（PY）指標在統(tǒng)計專注次數(shù)（VY）基礎上，統(tǒng)計在單位時間總識別次數(shù)（Sn）中，如果頭部角度在垂直或水平區(qū)間大于60度，說明學生是在低頭或扭頭，識別出學生處于非傾聽狀態(tài)次數(shù)（Sf），同時統(tǒng)計教學時間內無法識別的次數(shù)（Se），運用公式2得到學生的課堂參與度指標。

PY=1-[（Sf+Se）Sn] ? （公式2）

③專注時間（TY）是學生頭部角度的變化時間統(tǒng)計。以分鐘為單位，主要反映學生在課堂中將面部識別為專注狀態(tài)的持續(xù)時間，同樣以學生的頭部角度區(qū)間作為識別依據(jù)。若在關鍵幀識別整個班級的專注率高于75%，則關鍵幀之間的時間間隔統(tǒng)計為專注時間段。專注時間主要反映大學生在課堂中的參與情況，對評價課堂學習的整體效果具有重要的參考價值。

三、數(shù)據(jù)分析

（一）依據(jù)決策樹與規(guī)則模型關聯(lián)研判，構建行為預警策略

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）對兩種行為特征值生成樹節(jié)點，使用遞歸分區(qū)將預測變量分割為具有相似輸出字段值來查找最佳分割值進行分組。相較于決策樹常用的C4.5算法，C & R既能處理學習績效連續(xù)變量（回歸），也能處理成績等級分類變量（分類），且在數(shù)據(jù)缺失、指標較多等情況下有較好的穩(wěn)健性。決策樹生成器生成運動與課堂兩種行為的預測分類結構圖如圖3和圖4所示。

根據(jù)運動行為生成的決策樹分類結構圖，可以直觀地分析出運動行為指標與學習績效之間的關系。例如，經(jīng)過節(jié)點0、1、3、11到達節(jié)點14，可以得出如果一個學生平均跑步里程（DX）小于2，928米、運動次數(shù)（VX）小于15次、平均跑步時間（TX）小于1，093秒，但運動規(guī)律（HX）大于0.819，則模型能預測該生的學習成績屬于A類。同時，決策樹能反映出預測指標重要程度，在圖中從左到右依次遞減，預測指標重要性值分別為：平均跑步里程（DX）0.523，運動次數(shù)（VX）0.471，平均跑步時間（TX）0.438，運動規(guī)律（HX）0.380。這說明學生每次跑步里程和時間越長、運動次數(shù)越多，對學習績效的提升作用越積極，運動規(guī)律的影響要弱于前三個指標。

同樣，在課堂行為分類中發(fā)現(xiàn)三個預測變量的重要性依次是專注時間（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中，學生在教室專心聽課的時間長短對學生的學習績效關系最為密切，對學習績效的影響最大;從節(jié)點0、2、6和節(jié)點0、2、5、11中可以發(fā)現(xiàn)，專注次數(shù)（VY）更多的學生更有可能成為A類學生。

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上，利用規(guī)則模型生成運動與課堂行為規(guī)則集，用于構建學習行為判斷的閾值區(qū)間。RIPPER采用貪婪算法構造規(guī)則集，能進一步簡化規(guī)則集規(guī)模，生成的規(guī)則集按照分類比例進行排序，比例越高說明代表的規(guī)則信度越高（如運動行為規(guī)則集中規(guī)則1中表示該規(guī)則可對354名學生中70.4%也就是249人進行分類），選取兩類規(guī)則集中的第1條（如表1所示）。

3. 依據(jù)上述關聯(lián)結果生成預警閾值

根據(jù)規(guī)則集中所有規(guī)則的分類閾值進行排序和整理，結合決策樹對兩種行為得到用于運動與課堂行為預警的閾值。每種行為類型分別有兩個閾值點，分為三個閾值區(qū)間。同時可將三個區(qū)間對應于三種行為等級，如運動次數(shù)小于9.1次對應“未達標”、9.2～15.5次對應“良好”、大于15.5次對應“優(yōu)秀”。通過確定行為閾值等級，使得對行為判斷的依據(jù)更加明確和易于操作，為構建行為預警策略提供了依據(jù)（如表2所示）。

4. 基于預警閾值構建行為預警策略

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

從圖5和圖6可以看出，A類學生無論是運動還是課堂行為特征值均有較高的等級，說明成績好的學生在課堂中更加專注聽課，而且運動越好的學生可能會有更好的學習績效。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，專注次數(shù)（VY）較高的集中在第4～5周中期階段，專注時間（TY）較高的主要集中在第9周以后;B類學生專注度（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，專注時間（TY）最高的在第8和第11周。這可能與學生中期考試和期末考試的重視程度有關，學生為了能在一學期中的考試中獲得比較好的分數(shù)，在考試前的課堂學習中更加愿意傾聽教師講課。

②在運動行為中，A類學生在跑步時間（TX）、運動次數(shù)（VX）和跑步里程（DX）上基本處于“良好”和“優(yōu)秀”的等級，運動規(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;B類學生的運動規(guī)律（HX）出現(xiàn)4周一次的周期性變化，跑步次數(shù)（VX）、運動時間（TX）和跑步里程（DX）基本“未達標”，在第10周以后出現(xiàn)上升的趨勢，這可能是因為第10周后由于體育課程考試的逼近，學生需要進行體能準備，或學校開始了冬季長跑運動。

（二）依據(jù)深度神經(jīng)網(wǎng)絡分類模型權重研判，構建行為組合評價策略

1. 深度神經(jīng)網(wǎng)絡分類模型生成先導經(jīng)驗權重

決策樹與規(guī)則分類模型能直觀解釋各預測指標與學習績效之間的關系，但深度神經(jīng)網(wǎng)絡的預測準確率一般情況下優(yōu)于機器學習模型，且在Kappa值、召回率等指標上均較好，深度神經(jīng)網(wǎng)絡模型可用于對學生學習行為的精準預測，相較于其他機器學習模型，其優(yōu)異的預測性能可用于學習行為診斷和學習干預方式的界定（胡航， 等， 2021）。因此，為獲得更優(yōu)的預測結果，在構建行為預警策略后采用深度神經(jīng)網(wǎng)絡預測模型對運動與課堂預測指標進行建模。使用Weka中的Dl4jMlpClassifer深度神經(jīng)網(wǎng)絡分類器，設置網(wǎng)絡類型、監(jiān)聽器為Epoch Listener類型、Epoch個數(shù)為10，采用十折交叉驗證法對分類模型進行訓練和測試。同時，此分類器與建立行為預測策略中使用的決策樹和規(guī)則預測模型進行預測結果比較，預測結果如表3所示。

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

同時，將分類模型建立過程中預測指標的重要性值（貢獻程度）作為后期組合評價機制中計算權重的影響因素，選用準確率較高的深度神經(jīng)網(wǎng)絡分類模型作為組合評價機制的基礎，將模型中預測指標的重要性值進行歸一化操作，生成指標權重值λj，作為建立行為組合評價策略的先導經(jīng)驗（如表4所示）。

2. 利用主成分融合法、熵值法生成行為特征權重

為了構建分層組合的行為評價機制，運動與課堂兩種行為類型量化得分的計算，需要將行為特征指標中的信息通過降維進行濃縮，運用降維、因子提取等操作將多維組合特征值投射成機器學習能夠處理的低維向量空間（張琪， 等， 2020）。在Python3.7環(huán)境中調用主成分法（PCA）分析工具進行因子分析。KMO=0.6372，巴特利特值=0.00<0.05，說明當前數(shù)據(jù)可以進行主成分法融合。因子方差得分矩陣解釋程度為88.69%，權重系數(shù)wk如表4所示。

行為類型和行為特征的權重，熵值法確定的權重反映各個因素或指標在綜合評價過程中的重要程度。通過計算運動與課堂的行為特征的信息熵值，得到每個行為特征指標的權重系數(shù)wj（如表4所示）。從結果可以發(fā)現(xiàn)，運動行為特征中權重系數(shù)最高的是跑步時間TX（20.3%），運動規(guī)律HX最低（8.8%）;課堂行為特征中權重系數(shù)最高的是專注時間TY（24.4%），專注次數(shù)VY最低（9.3%）。

為了充分發(fā)揮預測模型和融合策略的優(yōu)勢，在預測模型的基礎上建立加權平均組合評價模型，可以提高評價效果的一致性（權軼，等，2006）。將熵值權重系數(shù)與深度神經(jīng)網(wǎng)絡分類模型中的學習經(jīng)驗（重要性）進行分級權重組合評價，對行為特征的權重值進行調整，計算方法如公式3所示：

[W0j]=[λjwjj=1nλjwj] ? （公式3）

其中，λj為深度神經(jīng)網(wǎng)絡分類模型根據(jù)七個行為特征預測重要性計算的預測貢獻率，作為組合預測模型的先導經(jīng)驗與行為特征的熵值權重wj共同計算的平均權值，最終得到修正后的加權平均組合權重[w0j]，經(jīng)過調整后的權重值如圖7所示，專注時間（TY）權重比例提高幅度最大，系數(shù)值達到34.6%，運動規(guī)律（HX）、運動次數(shù)（VX）和跑步里程（DX）權重值降低，其他行為特征權重值介于熵值權重wj與先導經(jīng)驗λj值之間，權重系數(shù)得到平衡和優(yōu)化。

3. 基于行為得分判斷，構建行為組合評價策略

組合評價策略采用兩級指標分級計算的方式，二級指標為行為特征的熵值組合權重和得分，一級指標為運動與課堂行為類型的主成分權重和得分，最后可依據(jù)兩級各自的權重系數(shù)得到兩個行為類型的組合評價得分（如圖7所示）。

從圖7可以發(fā)現(xiàn)，組合評價得分區(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組合評價策略計算出運動與課堂行為的評價范圍，分值越高說明行為特征對學習績效的綜合影響越大。如果分值呈現(xiàn)負值，說明行為特征對學習績效產(chǎn)生相反的作用。

圖8反映了A、B類學生群體的組合評價得分情況。從運動行為得分分布看，A類學生有39%集中在-1.7附近（平均分-1.741，中位數(shù)-1.397），B類學生有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類學生有25%集中在零值附近（平均分0.118，中位數(shù)0.069），B類學生有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類學生在運動行為得分相差不大的情況下，課堂行為得分對組合評價得分的影響較大。

四、研究討論與結論

（一）學習績效模型能有效預測運動與課堂行為對學習績效的影響

學習績效模型充分發(fā)揮兩個行為策略各自的優(yōu)勢，從不同的需求進行運動與課堂行為的判別，通過預警與評價策略發(fā)現(xiàn)運動、課堂行為與學習績效的關系。

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

二是在深度神經(jīng)網(wǎng)絡方法運算前，為了提升預測性能，需要將預測指標進行無量綱化，便于不同單位或量級的指標能夠進行比較和加權。行為評價策略雖然采用深度神經(jīng)網(wǎng)絡模型可以提供較為準確的預測結果，但在行為的判別、行為與學習績效之間量化關系上解釋和評估的程度不夠。因此，利用深度神經(jīng)網(wǎng)絡分類模型，對行為特征重要性作為先導經(jīng)驗來調整權重，結合主成分法和熵值法的融合和權值計算結果，可以得到較為準確的評價依據(jù)，得分結果可作為行為量化的依據(jù)。如在運動行為組合評價中，如果學生跑步時間（TX）得分多1分，則對運動行為多貢獻0.143分（跑步時間TX特征權重為14.3%），那么有79.8%的準確性（預測模型準確率）預測該生學習績效為A類的可能性提高1.77個百分點（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)行為得分與學習績效之間變化的映射關系，量化運動和課堂行為中具體操作和實施細節(jié)，實現(xiàn)對學生的綜合研判和評價。

（二）學習行為預警策略能提高教學管理能力

學習預警的主要工作是預測某一課程最終的分數(shù)和等級，或者根據(jù)某一課程是否及格或優(yōu)異對學生進行分類（肖巍， 等， 2018）。研究發(fā)現(xiàn)，無論是從運動的頻率、時間、強度、規(guī)律，還是課堂行為中專注次數(shù)、比例、時間，都會對學生的學習績效產(chǎn)生影響。預警策略結合多類運動與課堂行為指標共同預警，結果可應用于對學生具體行為的指導和干預，增強學校整體教學管理能力。

行為預警策略應用于課堂行為既能及時發(fā)現(xiàn)學生學習行為的共同問題，也能針對不同類型的學生發(fā)現(xiàn)個性化的問題。如A、B類學生在行為預警模型中第6周均出現(xiàn)了等級下降的趨勢，或B類學生專注度和專注時間前3周均處于“未達標”等情況，教師均可通過及時提醒進行干預。預警策略在一學期開始兩周后就可對運動行為進行預判。如B類學生的運動規(guī)律呈現(xiàn)4周一次的周期性變化，教師可以以1個月為期限進行檢測，從熱力圖中發(fā)現(xiàn)隱藏的運動行為變化規(guī)律，不斷優(yōu)化和更新不同層次的運動預警閥值，幫助學生養(yǎng)成長期運動習慣，也為教學管理和教師基于證據(jù)的個性化教學決策者與分析者轉變（趙磊磊， 等， 2021），促進傳統(tǒng)教學管理到數(shù)據(jù)驅動教學決策的發(fā)展變革，提供可靠的技術支撐（劉妍， 等， 2021）。

（三）學習行為組合評價策略提升教育治理水平

建立學習行為組合評價策略多層次、多維度數(shù)據(jù)的有效集成和評價機制，以客觀數(shù)據(jù)為依據(jù)，充分利用已知信息，按照指標信息的多少和質量決定各評價指標的權重，使評價結果更加科學、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警策略中的熱力圖分布進行綜合行為判斷和分析，讓細微的行為過程在平時的教學活動中發(fā)現(xiàn)和量化（許正興， 等， 2020），揭示行為特征值與學習績效預測之間的內在關系。A類學生課堂行為得分整體上顯著大于B類學生（相差1.347），運動行為得分整體上約大于B類學生，分值差距較?。?.028），反映出學生的課堂表現(xiàn)對學習績效的影響更大。教師在課堂教學過程中通過對學生課堂關注的各個維度進行評價，教師行為因素、教學準備、對推理和問題解決的重視、電腦的使用等都有可能進一步影響學生表現(xiàn)（黃慧靜， 等， 2007），進而影響學生自身心理對教師的情感態(tài)度，改變自我意識，調節(jié)努力程度，最終影響學習成績（楊心德， 1990）。

組合評價策略在行為預警策略的基礎上，計算運動與課堂行為在不同行為特征的得分，實現(xiàn)行為數(shù)據(jù)的有效集成和融合。A、B類學生群體的分值呈現(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類學生的組合評價得分區(qū)間更加集中，平均分值大于B類學生。教師和教學管理人員可依據(jù)運動行為、課堂行為的綜合得分分布，發(fā)現(xiàn)不同類型學生的行為特征，促進集成性智慧學習組織與文化實踐場域的創(chuàng)設（鄧磊， 等， 2020），增強教育決策、調控、執(zhí)行、創(chuàng)新發(fā)展的活力，促進教育治理模式由“靜態(tài)化”治理向“動態(tài)化”治理轉變（宋宇， 等， 2020），為數(shù)據(jù)驅動下教育治理沿著“技術—治理”的創(chuàng)新方式變革（張培， 等， 2021），提供可行的實踐方案。

（四）學習績效預測模型的應用前景

學習行為與學習績效關系的揭示是一個涉及腦科學、認知科學、教育學等的交叉研究，需要更多實證和理論探索，從生理、認知和心理三個層面達到相互印證的統(tǒng)合關系，才能說明學習的發(fā)生有深度、有意義（胡航， 等， 2019）。通過學生行為數(shù)據(jù)的分析，構建行為預警與組合評價策略能較好地對課堂行為進行分析和評測，學習績效預測模型也能較準確地預測運動與課堂行為特征對學習績效的影響。但基于現(xiàn)有的數(shù)據(jù)與方法僅能呈現(xiàn)行為與學習績效的關系，還未能得出運動和課堂行為之間的聯(lián)系，特別是運動對課堂行為或是運動對學習績效產(chǎn)生影響的其他中介效應未能從模型中反映出來。因此，需要更多模態(tài)和場景的學習數(shù)據(jù)來檢測模型對數(shù)據(jù)變化的容忍度，減小模型對不同應用場景、學習行為類型中數(shù)據(jù)噪聲的干擾（Herrmann， et al.， 2016），通過不斷調優(yōu)預測算法與應用策略來提高整體學習績效預測模型的魯棒性，實現(xiàn)高效課堂管理與視頻分析技術的融合，構建學生的綜合數(shù)字畫像，研判學生的學習與認知水平。

五、結語

本文采用運動與課堂行為數(shù)據(jù)，基于學習績效預測模型中決策樹、規(guī)則算法、深度神經(jīng)網(wǎng)絡方法構建了學習行為預警和組合評價策略，采用數(shù)據(jù)融合、分層計算權重方法提高了應用策略的可用性和推廣性，分析了兩種應用策略在教學管理和教育治理上的作用，為學習活動的組織與實施和闡釋學習行為對學習績效預測與評價奠定了堅實的實踐基礎。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，將進一步優(yōu)化預測模型，探究行為數(shù)據(jù)表征問題所反映出的內隱原因，并與學習理念與要素進行融合，從學習行為與心理認知、學與教的評價等多個維度出發(fā)，構建多模態(tài)行為數(shù)據(jù)關系的學與教評價改革路徑。

[參考文獻]

陳子健，朱曉亮. 2019. 基于面部表情的學習者情緒自動識別研究——適切性、現(xiàn)狀、現(xiàn)存問題和提升路徑[J]. 遠程教育雜志，37（4）：64-72.

鄧磊，鐘穎. 2020. 智能化時代教師教育生態(tài)的反思與重構[J]. 教師教育學報，7（5）：1-10.

董艷梅，朱傳. 2020. 青少年課外體育運動對學業(yè)成績的影響研究——兼論非認知能力的中介效應[J]. 體育學研究，34（06）：52-62.

杜爽，飛云倩，何牧，胡航. 2020. 大學生“早起”和“借閱”行為與學習績效的關系研究[J]. 中國遠程教育（11）：47-58，77.

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

傅建，范亞榮. 2016. 不同時間中等強度體育鍛煉對初中生執(zhí)行功能和學業(yè)成績影響的實驗研究[J]. 體育與科學（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效果分析[J]. 現(xiàn)代遠程教育研究（4）：97-103，112.

胡航，李雅馨，曹一凡，趙秋華，郎啟娥. 2019. 腦機交互促進學習有效發(fā)生的路徑及實驗研究——基于在線學習系統(tǒng)中的注意力干預分析[J]. 遠程教育雜志（4）：54-63.

胡航，李雅馨，郎啟娥，楊海茹，趙秋華，曹一凡. 2020. 深度學習的發(fā)生過程、設計模型與機理闡釋[J]. 中國遠程教育（1）：54-61，77.

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

李凌姝，季瀏. 2016. 體育鍛煉對于學生學業(yè)成績影響的研究進展[J]. 北京體育大學學報（9）：82-90.

梁德清. 1994. 高校學生應激水平及其與體育鍛煉的關系[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行為分析方法及其應用[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習未來——基于國際教育核心期刊和發(fā)展報告的質性元分析研究[J]. 中國遠程教育（6）：25-34，59.

牟智佳，武法提. 2017. 教育大數(shù)據(jù)背景下學習結果預測研究的內容解析與設計取向[J]. 中國電化教育（7）：26-32.

權軼，張勇傳. 2006. 組合預測方法中的權重算法及應用[J]. 科技創(chuàng)業(yè)月刊（5）：171-172.

宋宇，盧曉中. 2020. 大數(shù)據(jù)驅動下區(qū)域教育治理探析[J]. 教育研究與實驗（1）：36-39.

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

唐康，先強，李明勇. 2019. 基于人臉檢測的大學課堂關注度研究[J]. 重慶師范大學學報（自然科學版）（5）：123-129.

武法提，田浩. 2019. 挖掘有意義學習行為特征：學習結果預測框架[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)挖掘的學習預警研究：回顧與展望[J]. 中國遠程教育（2）：70-78.

許正興，高海燕，王慧. 2020. 創(chuàng)新教育導向下的智慧學習模式建構與實踐路徑[J]. 教師教育學報（3）：23-28.

楊心德. 1990. 學生對教師課堂行為的認知及其對學習的影響[J]. 心理科學通訊（4）：20-23.

張培，夏海鷹. 2021. 數(shù)據(jù)賦能教育治理創(chuàng)新：內涵、機制與實踐[J]. 中國遠程教育（7）：10-17，76.

張琪，李福華，孫基男. 2020. 多模態(tài)學習分析：走向計算教育時代的學習分析學[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取向[J]. 中國遠程教育（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)境科學學報：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，碩士生導師，西南大學教師教育學院卓越教學中心主任，學習教學與智能化研究中心副主任（400715）。

李雅馨，碩士研究生，西南大學教育學部（4000715）。

責任編輯 韓世梅