數智時代的高校學困生智能診斷模型研究*

晉欣泉 姜 強 馬志強 趙 蔚

數智時代的高校學困生智能診斷模型研究*

晉欣泉1姜 強2[通訊作者]馬志強1趙 蔚2

（1．江南大學 江蘇“互聯網+教育”研究基地，江蘇無錫 214122；2．東北師范大學 信息科學與技術學院，吉林長春 130117）

高校學困生是制約高等教育人才培養質量提升的客觀存在，精準智能診斷是推進教育高質量發展的重要驅動力。然而，數智時代以學業成績預測、機器決策主導為牽引的高校學困生診斷研究面臨特征指標單維度、數據建模程序化、機器反饋單向度等現實困境。基于此，文章首先從特征要素識別、建模方法應用兩個方面，梳理了高校學困生診斷的相關研究成果。隨后，文章依托全方位特征畫像、可識別學困推理、協同式智能診斷的設計思想，構建了包含特征數據獲取、算法建模分析、診斷決策反饋三個環節的高校學困生智能診斷模型。最后，文章通過案例分析驗證了此模型的可行性與有效性。文章的研究可為學業風險預警與干預研究提供理論參考，并為全面監測與管理高校學困生提供實踐指導，有助于精準學業診斷成果的落地與推廣。

高校學困生；智能診斷；數智技術；人才培養

在高等教育招生規模逐年穩定增長與本科生培養質量日益嚴格把控的疊加效應下，高校人才培養風險（含掛科、延期、肄業、退學等學困問題）愈加凸顯[1]。然而，從實踐層面來看，目前與大規模人才資源總量不相稱的高校學困生人數日益增加，極易造成高質量人才培養進程中的質量危機，因此如何加強對高校學困生的智能診斷引起了廣泛關注[2]。但在由學分績點驅動的大學場域內，功利化評價標準和異質性學習過程為及時、準確地識別高校學困生帶來了挑戰[3]，且當前高校存在的單維成績分析、滯后性結果診斷等問題也亟待解決。隨著教育數字化轉型的進程加速，加上數字孿生、生成式人工智能等數字技術的迭代升級及其在教育實踐中的常態化應用，教育評價研究逐漸進入數智發展新階段，其強調以多源學習數據為關鍵要素、以智能算法建模為主要載體、以轉型發展的融合應用為驅動力[4]，推動著高校學困生診斷研究向核心特征數據監測與透明算法推理規則協同演進的方向發展。基于此，本研究遵循教育教學規律，緊密圍繞阻礙學習者學業進程的關鍵痛點，利用數智技術，積極探索構建高校學困生智能診斷模型，以期為識別教育問題、預控學業風險提供參考，并促進數智時代高等教育的高質量發展。

一 高校學困生診斷的相關研究

高校的“學困生”也稱“學業預警學生”“學習失敗學生”等，是指在普通高等教育學校中智力正常且接受正常教育、但具有難以順利完成學業傾向的本科生[5]。已有研究對高校學困生的診斷主要從特征要素識別、建模方法應用兩個方面展開：

1 診斷高校學困生的特征要素識別

特征要素識別是對高校學困生核心特征或導致學業困難發生關鍵因素的分析鑒定。通常在相關理論的指導下，研究者采用文獻調研、質性數據挖掘、相關性分析等方法對高校學困生進行觀察與分析，從教育學、經濟學、心理學等多學科視角識別其特征要素：①從教育學視角，多以Kennedy等[6]提出的二維輟學理論模型、Tinto[7]提出的學生輟學理論等為指導，通過問卷量表從個體屬性、社交系統、學業環境等方面探究影響學習者輟學的關鍵特征要素[8]；②從經濟學視角，強調以人力資本理論、勞動力市場分割理論等為主導，解釋學生輟學現象的產生，認為輟學行為的選擇取決于個體對學習投入成本、感知價值收益、輟學機會成本等損益關系的權衡[9]；③從心理學視角，依托自我效能理論、認知情感理論等，采用個案訪談、扎根理論等方法，探究人格特質、情感狀態、學習動機等非認知因素對學習者學習成績的影響[10]。雖然以往研究從不同視角探究了高校學困生的特征要素，但多以對前期研究的理論推導或對特定在線學習實踐的經驗歸納為主，而缺乏對影響學業成績的各特征要素的詳細描述，難以實現對診斷高校學困生關鍵要素及其相互關系的定量刻畫和價值判斷。

2 診斷高校學困生的建模方法應用

目前，對高等教育本科生的評價仍然以考試分數與學分績點為主[11]，而此種靜態評判方法并不適用于學困生診斷。對此，研究者傾向于利用數理統計方法和智能算法，并以學習特征數據為基礎，構建學業成績預測模型，以實現對高校學困生的診斷[12]。常用的高校學困生診斷建模方法主要有兩種：①人工驅動的判定方法，是指基于問卷調查、訪談觀察等得到的數據，采用回歸分析方法建立不同特征要素與學業成績的關聯關系，通過計算得到成為高校學困生的預測概率[13]；②機器主導的分析方法，是指以在線學習數據為基礎，采用單一算法或多算法融合的智能技術，構建用于識別學業風險學習者的預警模型，通過學習行為規律的智能推演、特定課程成績的智能預測等結果反饋，達到提早診斷高校學困生的目的[14][15]。而無論是人工判定還是機器分析，診斷模型構建的重點都在于提升預測學業成績的準確度。但是，對全面育人理念的重視程度不夠、依靠分析技術或智能算法的單向結果輸出使決策過程及結果的可解釋性受限、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策略難以形成。

上述診斷高校學困生的特征要素識別與建模方法應用，為高校學困生智能診斷模型的構建提供了有效參考，但目前診斷模型仍然面臨特征數據標簽不全面、分數導向片面判定、脫離主體評價反饋等挑戰。而以數據驅動、技術適配和多元決策為核心理念的數智技術，實現了對教育主體偏好需求與發展前景的精細化研判，可有效解決高校學困生特征數據冗余與診斷決策單向度輸出的問題。基于此，本研究利用數智技術，構建高校學困生智能診斷模型，并通過案例分析來驗證此模型的可行性與有效性。

二 高校學困生智能診斷模型的構建

在當前扎實推進教育數字化轉型的政策語境下，診斷高校學困生面臨由高等教育普及化發展帶來的學習者特征多元異質性新問題、智能技術常態化應用帶來的學困生診斷推理可解釋性新訴求、算法模型同質化輸出帶來的人機協同決策新議題。為實現對學業風險學習者的智能診斷，本研究從數智時代全方位特征畫像、可識別學困推理、協同式智能診斷的視角對診斷高校學困生進行重新審視，構建了高校學困生智能診斷模型。

1 模型的設計思想

（1）從單維度學業成績轉向全方位特征畫像

我國高等教育已跨越到世界公認的普及化發展階段，擴招規模總量激增，但隨之而來的是學習者生源多元化和異質性特征日益凸顯，學習需求也更加模糊多變[16]。以往對不同高校各專業學生的評價多通過學業成績來表征課程知識的獲得量，盡管這種做法對于教學管理與人才甄別發揮了一定作用，但過于注重單維度學科知識掌握程度的碎片化評分規則忽視了學生在問題解決過程中的思維特質表現[17]。考慮到學習者學業困難的產生是在長期學習過程中多重要素協同作用、逐漸演化導致，而量化式的總結性評判方式易使高校學困生的診斷片面化。因此，為精準識別學生是否處于學業困難狀態，數智時代的高校學困生智能診斷模型需要對學生學習過程與結果進行全方位特征畫像，通過提供完整、全面的數據應用支撐，實現從單維度學業成績預測轉向多維度數據綜合表征，以多源數據驅動的方式助力精準診斷高校學困生。

（2）從程序化數據建模轉向可識別學困推理

在數智技術的支持下，海量教學數據可以被實時采集與記錄。借助結構化算法模型，將學習者標注描述為量化數據的集合體，可使教育質量評價更加精準。然而，評價的目的是促進學習者全面發展，偏離為服務于育人教學活動而開展的程序化數據建模易為學習者提供遵循特定規則的偏向性、單一化學習路徑，這無疑窄化了學習者的自由發展道路[18]。因此，數智時代高校學困生智能診斷模型的構建應以人類可解釋的方式提高算法自動化決策的透明度。相較于傳統以專家知識為基礎的黑箱決策系統，探索結合預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據輸入特征與公開算法決策依據，可在建模階段根據特征重要性值排序進行指標篩選，在訓練建模后進行特征決策貢獻分析，向師生解釋自動化診斷決策所依據的學困特征要素與計算推理規則。這一可識別的學困推理過程不僅增強了師生的技術信任，也促使教育主體在理解智能機器決策的基礎上，對機器提供的學習支持服務進行理性判斷與合理選擇，為及時優化高校學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向協同式智能診斷

傳統以提升模型評價指標性能為目的、以單向度決策被動接受為應用路徑的學業預警研究已不再適應數智時代下人機協同教育決策的發展趨向，且忽視了教師、學生、管理者等多元主體對機器智能決策的主觀體驗[19]；而數智賦能的教育評價研究，實現了學業診斷系統的多特征要素整合、多算法技術集成與多主體協同參與。基于理解媒介視角，唯有在與人的相互作用中，孤立狀態、無意義的診斷模型方能實現自身意義和存在[20]。因此，無論是以人工智能為代表的技術革新時代的倒逼還是教育全面數字化轉型發展的訴求，具有超強運算推理速度的智能機器技術與具有自主教學和教學智慧的多元人類主體的協同式智能診斷是大勢所趨。機器提供多元算法模型與強大數據計算能力輔助確定每位主體的潛在學困概率，教師則依靠直覺經驗與情境感知對機器決策進行精準評判，通過人機交互協商為學生提供更加準確、獨特的學習支持服務，且在與學習者協商的過程中進一步提供實時學情診斷與適切路徑匹配建議，有助于實現規模化培養與個性化指導的均衡發展。

2 模型構建

模型輸入數據的質量與建模方法的選擇，是精準診斷的重要保障。依托全方位特征畫像、可識別學困推理、協同式智能診斷的設計思想，本研究采用質性和量化相結合的方法獲取高校學困生特征指標，并利用隨機森林進行數據化建模分析與評價，對學習者是否為學困生進行識別與分類，同時通過特征重要性可視化方法來提升診斷反饋結果的可解釋性，為精準診斷高校學困生提供支撐。在此基礎上，本研究構建了包含特征數據獲取、算法建模分析、診斷決策反饋三個環節的高校學困生智能診斷模型，如圖1所示。

圖1 高校學困生智能診斷模型

（1）高校學困生特征數據獲取

作為診斷模型的支撐脈絡，特征數據貫穿于高校學困生研判決策的全過程，是數智時代教育研究的核心要素。高校學困生特征指標是指處于掛科、預警、肄業等學困狀態的學習者不同于其他類型學習者所可能表征出的一系列可測量學習特點，既是識別高校學困生的重要依據，也是驅動多元主體在各診斷環節協同反饋的紐帶。由于主體學習數據具有高度復雜性、生成性等特點[21]，故構建高校學困生智能診斷模型的邏輯起點在于針對預先確定的研究對象，從其生成的大數據中提取出能夠有效闡釋、證明教育意義的特征數據集[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、認知、情感構成的三維學習投入度，作為解釋學業表現差異的重要預測變量[23]，已被廣泛應用于構建學習者畫像[24][25]，以概括性表征學習者在學習過程中的主動參與、智力努力和情感反應。基于已有的學習投入量化分析研究成果[26][27]，結合專家、學者的意見和預警學生的特征挖掘，本研究以學習投入為切入點，從行為投入邊緣、認知投入困惑、情感投入消極三個維度設計了高校學困生特征指標，如表1所示。②明確可操作性定義，量化標簽體系。學習主體的能動差異性和教育數據的多源異構性決定了過程性學習數據難以完整記錄，為確保特征標簽量化的質量，本研究采用多元主體協商達成共識的方法，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據的映射關系；采用定量與定性相結合的方法，設置各特征的量化標簽體系。③提取有用特征，形成特征數據集。考慮到教育現象多表現出難以觀測、內隱性強等特點，故在實際教學情境中，本研究依托上述初步構建的高校學困生特征指標，常采用靜態人工標記、自我報告描述、動態程序記錄等方式，從現有平臺系統、問卷訪談數據中提取有用特征；同時，采用權重計算法、智能算法模型等量化處理方法，提取數據與特征標簽之間的相互關系，以綜合比較、重組、抽取關鍵特征數據標簽，形成全面且合理的高校學困生特征數據集。

表1 高校學困生特征指標

（2）高校學困生算法建模分析

算法建模是高校學困生智能診斷模型的關鍵內核。數智時代催生了更多以數字和智能為核心的前沿技術，為構建可解釋性診斷模型提供了技術支持。以高校學困生特征指標為輸入，以機器學習算法模型為支撐，通過合理、規范的訓練測試過程，可有效識別出具有學業困難的學習者，流程主要如下：①基于隨機森林的高校學困生優選特征選擇。多維度特征變量作為算法模型的數據輸入，其合理性影響著模型診斷高校學困生的效率和精度。作為集成多個決策樹的組合學習分類器算法，隨機森林具備的可識別多余或無關變量特征、可視化特征變量的重要性值等特性有效契合了高校學困生診斷模型的構建需求[28]。基于此，可通過計算輸出特征指標的相對重要性進行特征選擇，篩選出優選特征數據集。②基于機器學習的高校學困生智能診斷模型構建。診斷建模實質上是一個學習者是否為學困生的二分類判斷問題。將優選特征樣本數據隨機劃分為測試集和訓練集，利用不同機器學習分類算法對其進行訓練建模與調優分析，在評價各模型重要參數的基礎上，選擇最佳分類器構建具有良好精準度的高校學困生智能診斷模型。

（3）高校學習者診斷決策反饋

診斷決策反饋是高校學困生智能診斷模型的后控環節，是多元參與主體對特征數據、算法建模等環節的協同評價與決策反饋。在驗證模型輸出結果有效性的基礎上，本研究以高校學困生的特征向量貢獻值為解釋變量，深度解析智能診斷模型的決策依據和邏輯，通過糾正偏差對模型進行更新，優化高校學困生診斷模型的輸出結果，并為干預策略的制定提供有效支撐，流程主要如下：①基于算法模型的學習者實際類別檢驗。基于算法模型，輸入學習者的高校學困生特征數據，即可得到該學習者是否處于學業困難學習狀態的輸出結果。依據模型決策，學習者可劃分為學困生和非學困生兩種類型。②基于可視化表征的特征向量貢獻值。通過對已識別的高校學困生內部決策過程的進一步可視化輸出，在重點評估與對比分析不同特征要素貢獻值的基礎上，全面衡量各個特征的重要程度對導致學業困難形成的作用或影響，來為協同決策提供支撐。③基于多元主體參與的協同優化診斷決策。立足學生、教師、管理者等多元學習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，從技術端完善數據收集與分析規范，從應用端優化教育干預設計，實現價值理論與技術理論的嵌套共融，協同推進以學習者為中心、可解釋高校學困生診斷模型的智能進化。

三 高校學困生智能診斷模型的應用

為驗證高校學困生智能診斷模型的可行性和有效性，本研究以東北地區D大學的79名大三學生為研究對象，于2022年3～6月采用有目的抽樣、滾雪球抽樣等方法訪談調查學困情況，從中抽取高校學困生特征，建立診斷模型。征得每位學生知情同意后，本研究參照學術界對學困生的概念界定和高校發布的本科生學業預警工作通知中的相關判定標準，基于D大學教務系統中導出的學籍信息和補考前課程成績，將經歷過課程掛科、學業預警、緩退試讀或退學警告的24名學生標記為學困生，其余55名學生標記為非學困生，以作為診斷模型的訓練輸出依據。

1 特征數據獲取

鑒于學習情境的不確定性和各專業課程設置的多元性，為準確了解不同專業學習者在大學學習中的特征表現，本研究采用問卷量表、深度訪談、系統日志等方式，獲取D大學學困生的特征指標數據；同時采用李克特5點量表，根據學習者訪談文本進行特征量化定義，并輔以在線學習痕跡數據和教務系統平時分予以驗證，獲取各特征維度的表征數據值，以此作為診斷模型的輸入數據源。

2 算法建模分析

本研究隨機等比例劃分70%的樣本數據用于建模訓練、30%的樣本數據用于測試評價，之后以是否為學困生的二項分類作為標簽，以D大學的學困生特征指標作為解釋變量，輸入隨機森林模型進行訓練。利用R語言隨機森林程序中的Importance函數，經參數調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：此次研究對象中學習志趣消退度、學習意志匱乏性、人際關系疏離度、認知決策迷茫感、先驗知識薄弱性、平時表現放縱度的特征重要性值均高于1，是重要性相對較強的高校學困生診斷指標；而其他指標的特征重要性值均低于1，可視為不重要特征指標。剔除這些不重要特征指標后，本研究進行了建模訓練。

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、隨機森林、梯度提升樹、支持向量機五種較為常用的分類算法，分別以提取出的6個優選特征數據集和12個全集特征數據集作為數據輸入進行建模分析，評估并比較不同算法模型的準確率、召回率、精確率、F1值等診斷性能，結果如表2所示。表2顯示，相較于12個全集特征數據集，采用6個優選特征數據集的分類算法具有更高的預測準確率，可作為診斷的重要依據——其中，隨機森林在高校學困生診斷任務上取得了良好的效果（準確率為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果

圖3 診斷模型的優選特征重要性值及診斷偏差學生特征值分布

3 診斷決策反饋

為深入理解算法數據的教育意義，本研究通過隨機森林可視化輸出6個優選特征數據集對高校學困生智能診斷模型的決策貢獻值，并以5名被診斷為學困生但從未有過掛科經歷的診斷偏差學生為研究對象，對比分析各特征維度值，得到診斷模型的優選特征重要性值及診斷偏差學生的特征值分布（如圖3所示），可以看出：①在高校學困生智能診斷模型中，重要性排前三的依次是學習志趣消退度、認知決策迷茫感和學習意志匱乏性，說明高校學困生對專業內容的學習興趣度普遍較低，且個體意志對認知的控制比較有限，經歷學習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對課程考核、通過求助同學獲取考試重點、使用網絡檢索完成學業任務等淺層次學習策略。②5名學生都表現出比較匱乏的學習意志，其中學生A和學生B具有明顯的學習志趣消退情況，學生B、學生C、學生D、學生E的認知決策迷茫感較強，故均被判定為具有一定程度的潛在學困傾向。但通過訪談得知，受合作學習任務的影響，學生A和學生B更多地扮演主導者角色，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同式課程學習模式表現出無興趣特征，并非真正的學困生；而學生C、學生D、學生E具有很強的外部學習驅動力，多表現出被動參與特征，且在知識遷移、創新應用方面存在障礙，可被診斷為高校學困生。由此可見，高校的本科生并非同質性群體，在進行高校學困生精準識別的同時需要重視對學習者給予人文關懷，并結合識別的關鍵診斷特征，探析診斷運行邏輯與教育支持服務之間的價值關聯，有機統籌不同研究者甄別高校學困生研判結果的有效性，進而建立以目標需求為導向的干預機制，協同推動干預過程中診斷反饋的迭代更新。

四 結語

面對高等教育人才培養由追求“大規模”向“高質量”躍進的需求，積極探索并破解與高校內涵式發展不相匹配的高校學困生問題成為建設我國現代化進程中所需人才培養質量提升的核心落腳點。精準診斷高校學困生，既是多維數據與智能數據的建模、重構過程，也是各模型結構優化、組合的融合再建設過程。本研究從數智時代學困診斷研究的發展視角，提出包含特征數據獲取、算法建模分析、診斷決策反饋三個環節的高校學困生智能診斷模型，并通過案例分析，采用量化與質性相結合的方法驗證了診斷模型的有效性。由于高校學困生智能診斷模型的實踐既是對現有學生學困狀況的判定反饋，又是對后續設計學業干預策略的方向引領，故為實現從學業診斷、干預改進到再診斷、再干預的“以診促改”，本研究從三個方面提出提升人才培養質量的引導性策略：

①基于意義闡釋的興趣覺察。興趣是具有意志性的內在驅動力量，驅使主體產生指向確定目標的行動；而闡釋是指對某種既定目標和達成路徑的贊同理解。通過對學習價值的全面說明，如客觀描述獲得知識技能的市場優勢、闡釋完善認知體系實現的自我提升，可幫助高校學困生發現專業獨特價值、覺察個體需求興趣、喚醒學習持久動力。

②基于多元規則的雙向調適。策略是為促進學習而主動采取的學習方法、規則等。相較于確定性評價，引入師生協同制定的彈性考核規則可被視為保障學習效率與自由的一種方式。因此在遵從教育管理規則的前提下，要建立多主體協商溝通機制，綜合考慮不同高校學困生的專業屬性、預期效果等多元訴求，達成協商性評價共識，促進學習策略的自主應用。

③基于動態平衡的柔性干預。干預是為學困生提供有計劃的教育服務，以使預先設計的干預策略與靈活變化的動態需求之間產生現實共振。為此，需以系統思維統攝實施效果與柔性干預之間的平衡，通過應用全面、有效的觀測指標，及時進行精準評估，以適時調整干預方案，提升學習專注度，實現干預效益的最大化。

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視角進行，尚缺乏多維度數據自動持續采集的方法和手段等。對此，后續研究將豐富樣本來源，以不同區域、不同類型、不同年級的高校學困生為研究對象，并逐步將研究范圍推廣至基礎研究，在檢驗研究結果有效性與可遷移性的同時，加強對不同類型學困生的畫像分析，從而為自適應教育干預的實施提供保障。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備，多通道智能采集不同學習情境中學習者的生理、行為、情感等多模態學習過程數據，并結合展現強大類人性表達能力的生成式人工智能，根據多輪有記憶的持續對話反饋，實現對高校學困生的動態診斷。

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

[2]晉欣泉,姜強,趙蔚.網絡學習空間中學業預警及干預研究:態勢、關鍵問題及創新應用[J].現代教育技術,2021,(6):79-87.

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

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

[5]李剛生,高鐵剛,劉旭,等.基于極限學習機算法的學困生預測研究[J].現代教育技術,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學習者輟學行為的影響因素研究[J].現代教育技術,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.大學生學習內驅力影響因素及其作用機制——基于扎根理論的分析[J].現代大學教育,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.以學習分析技術理解學習失敗——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:基于學習成果的判別與特征[J].教育研究,2021,(8):116-131.

[14]胡瓊,姜強,趙蔚.基于數據挖掘的在線學業拖延精準識別及干預實證研究[J].現代遠距離教育,2022,(3):46-54.

[15]馬志強,岳蕓竹,王文秋.基于多模態交互信息的協作學習投入分析[J].現代教育技術,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.智能時代個性化學習的現實困境、意蘊重構與模型構建[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,閆領楠.智能時代學生主體性的異化風險及其規避[J].中國電化教育,2023,(2):90-97.

[20]夏翠娟.構建數智時代社會記憶的多重證據參照體系:理論與實踐探索[J].中國圖書館學報,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.情緒體驗與互動模式對合作學習情感投入的作用機理[J].現代外語,2023,(3):371-383.

[24]朱玉成,石連海.“寒門學子”抗逆力的構建與提升——實現更高質量教育公平的文化研究路徑[J].教育發展研究,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展研究[J].遠程教育雜志,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,王利思,等.學習分析視域下大學生課堂參與邊緣化診斷及策略干預研究——面向深度學習的課堂教學結構化變革研究之二[J].現代遠距離教育,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年度國家自然科學基金青年項目“基于多源數據的高校學困生診斷及干預關鍵技術”（項目編號：62307021）、2023年度江蘇高校哲學社會科學研究一般項目“數智融合驅動的高校學困生診斷模型構建及實踐研究”（項目編號：2023SJYB0887）的階段性研究成果。

晉欣泉，講師，博士，研究方向為學業預警與干預、學習分析與評價，郵箱為jinxq805@nenu.edu.cn。

2023年5月24日

編輯：小米