從數據到證據：面向循證教學的學情診斷方法*

摘要：在循證教學領域，證據的可靠性是確保教學改進措施科學性和有效性的重要前提。文章針對循證教學中證據的可靠性問題，提出了面向循證教學的學情診斷方法，能提煉可靠證據并應用于循證教學。此方法基于大規模的學生學習數據，運用隨機森林對數據的特征重要性進行評估，增強了數據選取的可信度；同時將隨機森林與AdaBoost融合成隨機森林-AdaBoost算法，用于學生期末綜合評價成績層級的學情診斷，提升了診斷結果的可靠性。為驗證此方法的應用效果，文章通過對比實驗進行了實證研究，結果顯示：該方法不僅具有較高的預測準確度，而且表現出良好的穩定性和魯棒性。文章從繁雜的學習數據中提煉出有效證據，提高了學情診斷的準確性，為實施個性化教學提供了依據，并有助于推動循證教學向數字化和智能化方向發展。

關鍵詞：循證教學；學情診斷；隨機森林；AdaBoost

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）11—0090—10"【DOI】10.3969/j.issn.1009-8097.2024.11.009

近年來，我國高等教育數字化建設成效顯著，有力支撐了教學質量的提升和教學創新^[1]。工程教育理念中持續改進居于核心地位^[2]，但在實際教學中持續改進往往因教學周期的延遲而受限，不利于學生的培養。循證教學為解決此問題提供了新的視角——其以可靠證據為基礎^[3]，強調教師應根據學生的實際需求和學習情況，制定科學、有效的教學策略，以實現教學中持續改進的精準化、高效化和個性化。然而，在循證教學實踐中存在的證據獲取、評估和利用不足問題，導致教學改進缺乏可靠的數據支持。尤其是在數字化教學環境中，雖然學生的學習數據豐富，但這些數據的多維度和多模態特點使得將其應用于教學診斷存在挑戰^[4]。整體來看，證據的不可靠性是當前制約循證教學發展的主要障礙。針對此問題，本研究設計了一種高精度的學情診斷方法，其能從繁雜的學習數據中提煉出可靠的教學證據，進而提升循證教學的質量和效果。此方法通過系統地收集學生的學習數據，并利用機器學習算法進行深度分析和處理，實現精確的學情診斷，幫助教師更深入地了解學生的知識掌握情況，從而實施有針對性的教學調整和干預措施。同時，此方法考慮了教學進程的需求，允許教師根據教學進程選擇相應的數據源和特征參數，以適應不同教學情境下的學情診斷。

一 相關研究

1 循證教學中證據問題的相關研究

循證教學以促進學生發展為目標，融合教學證據與教師的專業技能，指導教學決策與實踐。該教學方法強調教師需根據學生的需求和學習特點，制定科學且高效的個性化教學策略^[5]。在循證教學的實施過程中，證據是決策的基礎，確保這些數據的科學性和有效性至關重要^[6]。例如，田金徽等^[7]強調循證教學的核心在于證據的尋找、分析和應用，以保障教學決策的科學性。

關于循證教學證據的收集和評估，研究者紛紛提出了自己的方法和見解：①在證據的收集方面，李海峰等^[8]利用量表設計調查問卷進行數據收集與統計分析，而童文昭等^[9]提出了基于文獻檢索和設置前測項目的證據收集方法。②在證據的評估方面，宋萑等^[10]提出教師應依據研究方法和具體情境評估證據，并根據客觀反饋進行更新和完善；牟智佳等^[11]建議在循證教學結束后，對證據應用于教學的效果進行檢驗和診斷分析；Abramczyk等^[12]通過統計方法分析了循證教學中教師的知識水平、信念和實踐，并探索了三者之間的相關性。

總的來說，現有研究在循證教學證據的問題上進行了廣泛的理論探討和實證研究。然而，現有的證據收集和評估方法還存在一定的局限性，如樣本選擇存在偏差、評估的主觀性較強等。為了提高證據的可靠性，研究者應探索更多樣化、更有效的證據收集和評估方法。

2 學情診斷方法的相關研究

在學情診斷方法的構建思路方面，張學波等^[13]為教師如何利用數據進行教學診斷提供了具體的行動路徑；閆寒冰等^[14]專注于技術賦能的課堂教學診斷，通過文獻分析提出了相應的理論模型；王亞飛等^[15]構建了一個面向動態教學系統的多模態診斷理論模型。

在學情診斷方法的實現算法方面，晉欣泉等^[16]指出可以通過機器學習算法建立學業預警模型，但目前缺乏明確的主導技術來實現精準預警；楊豐玉等^[17]設計了基于過程數據的學習預警模型，并通過網絡平臺實現了預警功能；晉欣泉等^[18]構建了一個高校學困生智能診斷模型，并通過模型應用驗證了隨機森林算法的可靠性和有效性。

盡管現有研究從不同角度探討了學情診斷方法的構建思路和實現算法，但將學情診斷方法作為證據提煉工具應用于循證教學的實踐仍然較少。此外，從實現算法的角度來看，單一算法在應用過程中可能面臨預測精確度不高和對數據變化敏感的問題^[19]。因此，探索多算法融合策略來提高學情診斷方法的精確度和穩定性，成為當前研究的一個重要方向。

二 理論基礎

1 概念界定

（1）證據的界定

在循證教學中，證據是指能夠支持教育決策和教學實踐的可靠信息。本研究探討的循證教學旨在實施個性化教學策略，即針對不同學習層次的學生，提供個性化的學習指導。因此，本研究提到的證據是指學生對課程知識的掌握程度?？紤]到期末綜合成績涵蓋了學生在整個學習過程中的表現，包含各類形成性評價和終結性評價的結果，因此本研究通過對學生期末綜合評價成績的層級劃分，來界定學生對課程知識的掌握程度。

遵循學界廣泛認可的布魯納認知發展理論^[20]，本研究對課程知識掌握程度進行科學分層，將學生的課程知識掌握程度劃分為深層、中層、淺層、未掌握四個層級，對應優秀、良好、一般、學困四個評價層級，并分別用標簽代碼“A”“B”“C”“D”表示，如表1所示。這一分層與標簽化處理，定義了學情診斷的精細化水平，可用于預測學生的學習成績層級。教師可將預測結果作為實施循證教學活動的依據，從而提高教學的個性化和有效性。

（2）證據的生成

在教育數字化背景下，教師獲取的學生學習數據規模龐大且結構復雜，僅憑直觀經驗，難以精確建立這些數據與教師關心的成績層級這一證據之間的關系。鑒于此，本研究采用機器學習中的分類模型來生成證據。作為一種監督學習算法，分類模型通過分析已標記的歷史數據，自動學習如何識別與成績層級相關的數據特征，并將這些特征用于預測學生期末綜合評價成績的層級，從而為教師提供有力的證據，以支持循證教學的實施。

（3）證據的評估

證據的可靠性依賴于分類模型的有效性。本研究從原始數據集中篩選出與成績層級高度相關的特征，將其作為分類模型的輸入特征參量，用以預測學生的期末綜合評價成績層級。為了全面評估分類模型的有效性，本研究采用混淆矩陣、準確率、精確率、召回率、F1分數等多項指標進行評估。

（4）證據的應用

分類模型經過測試并被證實有效后，便可將其應用于循證教學，利用其分類診斷功能，獲取當前學習周期內學生期末綜合評價成績層級的預測結果。針對不同層級的學生，教師可以制定并實施差異化的教學策略，如對于學困生，可以加強輔導力度并提供有針對性的學習支持；而對于成績優秀的學生，可以提供更高階的學習資源和拓展類項目。同時，教師還可以根據分類模型預測結果估算班級學生對于課程知識掌握的平均水平，據此調整與優化教學策略。

2 分類模型

學情診斷方法的準確度不僅取決于輸入數據與預測結果之間潛在的關聯關系，更受所采用分類模型的影響?；诖耍狙芯繉㈦S機森林作為弱分類器，并使用AdaBoost集成學習機制構成強分類器，形成了一種融合兩種算法的分類模型。

（1）隨機森林

隨機森林是一種機器學習算法，其通過構建多個決策樹來進行分類預測。在隨機森林中，決策樹的集成是通過先獨立構建每棵決策樹再聚合各決策樹的預測結果來實現的。對于分類任務，隨機森林采用一種基于多數投票的決策機制來確定最終的類別標簽。具體來說，每棵決策樹均對輸入樣本進行獨立的類別分配，預測的類別標簽則根據所有決策樹中獲得最高共識的類別來確定。相較于單一決策樹，隨機森林具有更優越的預測性能。

（2）AdaBoost

AdaBoost是一種迭代提升的機器學習算法，在分類任務中取得了較好的成效。在初始階段，AdaBoost算法中所有樣本的權重是相等的。隨后，AdaBoost算法以迭代的方式工作，每次迭代都會訓練一個新的弱分類器，樣本權重便會根據新分類器的性能不斷調整。經過多輪迭代后，算法會生成一系列弱分類器，最終組合成一個強分類器。與單一的弱分類器相比，AdaBoost算法通常展現出更強的泛化能力，能夠顯著提升分類的準確性。

三 方法設計和性能評價

1 方法設計

依托上述理論基礎，本研究提出了一種面向循證教學的學情診斷方法（如圖1所示）：首先，系統化地采集學情數據，以獲取盡可能全面、準確的信息；接著，進行數據提煉，包括數據的整合、清洗、轉換與特征提取，為后續分類模型訓練提供高質量的數據；隨后，進行分類模型構建，采用隨機森林與AdaBoost相結合的機器學習算法，對歷史數據進行學習，旨在訓練出高效、精準的診斷方法；最后，教師采集當前教學階段的學習數據，應用學情診斷分類模型預測學生期末綜合評價成績的層級，并以此為依據開展循證教學。

（1）數據采集層

數據是保障學情診斷方法可靠性的基石，其準確性和完整性在學情診斷方法中尤為關鍵。在教育數字化背景下，數據源已逐步演變為多維度、多模態的數據集合，不僅涵蓋了傳統的考試成績，還包括學生的在線學習行為、課堂學習行為、作業完成情況、實踐操作情況等內容。這些數據從不同角度反映了學生的學習情況，如學習效果、學習投入度、學習風格等。因此，應廣泛收集并充分利用這些數據。

（2）數據提煉層

數據提煉分為數據整合、清洗、轉換、特征提取等操作，能夠提高學情數據的質量。其中，數據整合主要是去除冗余數據、對相關性強的數據進行整合，以形成精簡一致的數據集；數據清洗的目的是識別和糾正數據中的錯誤或不一致的地方，包括填充缺失值、處理異常值等；數據轉換側重于對數據進行歸一化、標準化等處理，以消除不同數據間的量綱差異；而特征提取是從原始數據中提取出對學情診斷有價值的信息，如學生的階段性學習成果、學習行為特征等。

（3）分類模型構建層

分類模型是學情診斷方法的核心，其以隨機森林作為弱分類器，并借助AdaBoost集成學習機制進行性能增強、構成強分類器，可在算法層面上實現對成績層級預測的高準確率。特征參量選取對于分類模型的預測性能有重要影響，本研究利用隨機森林算法評估特征參量的重要性，并據此選取對成績層級預測最為關鍵的特征參量，從而優化面向循證教學的學情診斷方法的準確度和解釋力。接下來是對分類模型進行訓練和測試，本研究將以往課程中積累的學情數據（即歷史數據）劃分為訓練集和測試集，其中訓練集用于訓練模型，使其學會根據輸入的特征參量準確預測成績層級；而測試集在模型訓練完成后，用于評估模型的穩定性和可靠性。

（4）循證教學層

教師采集當前教學階段的學習數據，并選擇合適的特征參數，應用訓練好的學情診斷分類模型預測學生期末綜合評價成績的層級。之后根據預測結果，教師實施循證教學策略，為不同層級的學生制定個性化的學習指導方案，如為優秀學生提供更具挑戰性的任務來進一步提升其能力與素養、為學困生制定補救學習的具體措施等。通過這種有針對性的循證教學，教師能夠更有效地滿足各層級學生的個性化學習需求，從而取得更好的教學成效。

2 方法性能評價

Yossy等^[21]應用機器學習中的分類算法，對學生的學習成效進行了評估；同時，基于學生的實際表現數據，對比分析了K近鄰、樸素貝葉斯、隨機森林等七種分類算法的效果，發現隨機森林在分類準確率上顯著優于其他算法。從這七種分類算法中選取隨機森林、決策樹、K近鄰、支持向量機、樸素貝葉斯五種，與本研究采用的隨機森林-AdaBoost算法在相同數據集上進行測試，得到各分類算法的學情診斷準確率，如表2所示。表2顯示，相較于其他五種分類算法，隨機森林-AdaBoost算法對學生期末綜合評價成績層級的預測準確率最高，為92.50%。

四 實證研究

為檢驗本研究所構建的面向循證教學的學情診斷方法在教學實踐中的應用效果，本研究開展了面向循證教學的學情診斷實證研究。在實證研究中，本研究采用面向循證教學的學情診斷方法收集數據，實施循證教學，并評估該方法的有效性與應用效果。

1 學情數據處理

本研究采集的數據來源于河南省H大學“微機原理及應用”課程的課堂教學和在線學習記錄，涵蓋了2020～2021學年、2021～2022學年、2022～2023學年三個秋季學期的學情數據。數據采集完成后，本研究對數據進行了匯總和分組，主要分為四組數據：①學生基礎學情數據，通過學校教務系統提取，包括先修課程成績、掛科門次等；②學生課堂表現數據，來源于授課教師手動記錄的信息，包括討論參與度、受獎勵次數等；③學生在線學習數據，來自課程所在的線上教學平臺“超星泛雅平臺”，包括線上作業完成情況、視頻學習時長等；④學生學習成效數據，來自學生作業和平時成績的信息存檔，如各章節單元測試成績、期末考試成績、課程綜合成績等。

接下來，本研究對數據進行了整合、量化處理和篩選：①數據整合方面，將學生基礎學情數據中的多門已修課程成績整合為“已修課程平均成績”和“先修課程平均成績”；將線上討論參與度、視頻學習時長、視頻反芻比進行歸一化，整合為“在線學習活躍度”。②量化處理是為了利用質性數據中的證據信息，包括將線上作業提交及時性、完成質量和任務點完成情況進行量化和歸一化，形成特征參量“線上作業完成度”；同時，采用積分制記錄學生的課堂表現（如課堂討論的參與度、思維深度和創新意識等），形成“課堂積分”這一量化指標。③數據篩選方面，運用隨機森林算法對數據重要性進行評估，發現掛科門次、在線時長、課程出勤率等數據與預測結果的相關度較低，決定將其刪除。經過上述數據處理，剔除明顯異常的數據，本研究共得到403名學生的學情數據，構成本研究的實驗數據集。

2 分類模型參量選取

（1）特征參量選取

根據數據重要性進行排序，本研究選取前12個關鍵特征參量構成特征參量集合A。定義集合A=｛‘已修課程平均成績’，"‘先修課程平均成績’，"‘章節測試平均成績’， ‘章節作業平均成績’， ‘小組合作項目平均成績’， ‘開卷小測平均成績’， ‘大作業平均成績’， ‘實驗平均成績’， ‘線上作業完成度’， ‘在線學習活躍度’， ‘課堂積分’， ‘期末考試成績’｝，使用隨機森林算法對這12個關鍵特征參量的重要性進行分析，結果如圖2所示。其中，“期末考試成績”的特征重要性值最高，主要是因為其在綜合成績評定中的權重占比較大；而“在線學習活躍度”雖然反映了學生線上學習的行為特征，但與綜合評價成績的關聯性并不顯著，導致其在特征重要性評估中得分最低。

需要注意的是，學情數據的種類和數量在課程的不同進程中存在較大差異：開課前，與本課程直接相關的學情數據尚未生成，僅能獲取學生以往的基礎學情數據，這些數據可以為教師提供學生的初始學習背景；隨著課程的進行，教師開始獲得部分過程性學情數據，這些數據會隨著教學的推進而不斷豐富和完善；至結課時，教師可以獲得該課程的全部學情數據，這些數據能夠全面反映學生的學習成效。教師可以根據課程進展情況，依據特征重要性選擇分類模型的輸入數據。

（2）特征參量數目對分類模型性能的影響

考慮到教學過程中獲取的學情數據在種類、數量上具有差異性，故本研究評估了特征參量數目對分類模型性能的影響：針對選定的含有12個關鍵特征參量的特征參量集合A，首先將‘期末考試成績’從中移除；之后，按照特征重要性評分從低到高的順序，依次剔除過程性參量‘在線學習活躍度’、‘大作業平均成績’、‘開卷小測平均成績’、‘小組合作項目平均成績’、‘章節測試平均成績’、‘課堂積分’、‘實驗平均成績’、‘線上作業完成度’和‘章節作業平均成績’，直至僅保留基礎學情參量‘已修課程平均成績’和‘先修課程平均成績’。

如前文所述，本研究采用的分類模型性能評價指標是混淆矩陣、準確率、精確率、召回率、F1分數。其中，混淆矩陣以直觀的方式展現預測成績層級與實際成績層級之間的關系，準確率體現模型在正確預測樣本方面的能力，精確率衡量模型預測某一類樣本的準確性，召回率評估模型對特定類別樣本的識別能力，而F1分數是精確率與召回率的調和平均。

本研究采用交叉驗證方法，對不同特征參量數目下的分類模型性能進行了測試，結果如圖3所示。圖3顯示，隨著參量數目的遞增，分類模型的準確率呈逐漸上升的趨勢，這說明增加特征參量有助于分類模型更好地捕捉數據的內在規律，從而提高預測的準確性；當參量數目達到12個時，分類模型的準確率最高（為92.5%），這主要歸因于“期末考試成績”這一關鍵特征參量對綜合成績評定具有顯著影響；而在開課前僅能獲取2個基礎學情參量的情況下，分類模型的準確率雖然相對較低（為76.7%），但仍可說明在信息有限的情況下分類模型依然能在一定程度上有效預測學生的成績層級。此外，精確率、召回率和F1分數隨參量數目的增加而整體上升，但這種上升并非嚴格、單調地遞增，說明分類模型在預測學生的成績層級時存在不平衡，這可能是由于成績層級之間數據分布不均或模型對各層級數據的敏感度存在差異所致。

3 學情診斷結果

本研究提出的面向循證教學的學情診斷方法旨在預測學生的課程知識掌握程度，學情診斷的結果為學生期末綜合評價成績的層級，包括A（優秀）、B（良好）、C（一般）和D（學困）。

（1）診斷結果的混淆矩陣

診斷結果的混淆矩陣如圖4所示，其中混淆矩陣的每一行代表實際成績層級，每一列代表預測成績層級；對角線上的色塊顯示正確預測的樣本數，顏色越深，表示對應類別的預測準確率越高；而非對角線上的色塊顯示錯誤預測的樣本數，顏色越深，表示對應類別的預測誤差越大。由圖4可知，A、B、C、D四個成績層級的預測準確率較為接近，這說明分類模型在區分不同成績層級時具有均衡性。其中，C層級的預測準確率最高，表明C層級的數據特征較為明顯，使得分類模型能夠更容易地將其與其他類別區分開。

（2）診斷結果的穩定性

為了測試診斷結果的穩定性，本研究選擇含有12個關鍵特征參量的特征參量集合A在測試數據集上實施了多輪重復實驗。基于實驗結果，本研究計算了四個性能評價指標的均值、方差和標準差，結果如圖5所示。圖5顯示，準確率、精確率、召回率和F1分數這四個指標的均值都保持在較高水平，而方差和標準差都處于較低水平，這證明了診斷結果在不同實驗條件下呈現出高度的穩定性。

4 開展循證教學

為了探究診斷結果應用于循證教學的效果，本研究于2023～2024學年秋季學期在“微機原理及應用”課程中設計并實施了對照實驗。本研究以H大學2022級電子信息工程專業的109名本科生為研究對象，并采用隨機分組的方式，將學生分為實驗組（55人）和對照組（54人）。其中，實驗組實施循證教學模式，而對照組仍然采用傳統的教學模式。為確保實驗結果的客觀性和準確性，兩組學生的授課教師、教學內容和考核方式均保持完全一致，以排除其他潛在因素對實驗結果的影響。

本研究應用面向循證教學的學情診斷方法，對實驗組學生的綜合評價成績層級進行預測，并將預測結果作為循證教學的依據，具體的循證教學過程如下：開課前，應用面向循證教學的學情診斷方法對學生的基礎學情數據進行分析，預測學生的綜合評價成績層級，并據此制定合理的教學計劃；第1～12周開展循證教學活動，每周進行4個學時的授課——為了及時跟蹤學生的學習進展，分別在第4、8、12周利用累積的學情數據多次預測學生的綜合評價成績層級；最后，根據預測結果，教師為學生推送個性化學習資源，提供有針對性的補救學習建議，并向學生反饋預測結果，以激發他們的自主學習積極性。在本次循證教學中，教師采取的補救性教學措施具體如下：對于A層級學生，鼓勵他們參與課外拓展和實踐活動，以培養他們的創新能力和實踐能力；對于B層級學生，關注他們在案例分析、項目式學習等活動中的表現，鼓勵他們提升批判性思維和問題解決能力；對于C層級學生，重點加強他們的基礎知識和技能學習，如批改作業時針對錯題給予解題思路的點撥，提供能夠促進其理解和應用的視頻資源、習題等；而對于D層級學生，則通過一對一溝通了解其學習困難，并提供個性化的學習指導與幫助。

在課程的第14周結束期末考試后，本研究結合期末考試成績和過程性學習成績，對學生的課程學習情況進行綜合評價，以檢驗循證教學的實際效果。實驗組和對照組的期末綜合評價成績層級占比情況如圖6所示，可以看出：在課程初期，兩組學生的學情基礎大致相當；而課程結束時，兩組學生在成績層級分布上出現了顯著差異——實驗組中A層級的占比達到了14.3%，比對照組高出了6個百分點，說明實驗組學生在取得高階學習成果上優勢明顯；實驗組中D層級的占比僅為5.7%，比對照組降低了5.4個百分點，說明實驗組學生在減少學困生方面取得了積極成效。

上述實證研究驗證了循證教學在提升學生學習效果方面起到了積極作用，表明本研究提出的面向循證教學的學情診斷方法有助于教師更精準地定位學生的成績層級，進而實施更有針對性的補救措施，因此能夠提升補救學習的成效。基于此，本研究認為面向循證教學的的學情診斷方法不僅具有較高的預測準確度，而且表現出了良好的穩定性和魯棒性，將其應用于循證教學，可為教學決策提供精準、可靠的依據。

五 結語

本研究致力于實現高精度的學情診斷，以精準預測與診斷學生的課程知識掌握程度，從而為循證教學的實施提供堅實的決策依據。本研究設計了一種新型的學情診斷方法——面向循證教學的學情診斷方法，此方法通過融合隨機森林和AdaBoost算法，提高了分類模型的預測精度。同時，此方法允許用戶根據教學進程選擇合適的數據和特征參量，增強了模型的靈活性。相關的研究結果表明，此方法能夠較為精確地診斷學生的成績層級，教師應用此方法實施循證教學后，學生的學習成效得到了顯著提升。然而，學情診斷是一個復雜的過程，受學生個體差異性、教師授課風格、數據多樣性等多方面的影響。診斷結果既要科學客觀，還應富有教育洞察力，以全面反映學生的學習情況。此外，進行精準的學習任務推送設計同樣是提升學習效果的關鍵。鑒于此，后續研究將結合客觀診斷與主觀評價的方法，開展更深入的學情診斷研究；同時，探索如何利用診斷結果進行精準的學習任務推送設計，以進一步提升學習效果，推動教育教學質量的全面提升。

參考文獻

[1]吳巖.深入實施教育數字化戰略行動以教育數字化支撐引領中國教育現代化[J].中國高等教育，2023，（2）：5-10.

[2]吳巖.新工科：高等工程教育的未來——對高等教育未來的戰略思考[J].高等工程教育研究，2018，（6）：1-3.

[3]鄒逸，黃曉.美國教學實踐的循證化變革[J].比較教育研究，2022，（9）：76-83、100.

[4]張家華，胡惠芝，黃昌勤.多模態學習分析技術支持的學習評價研究[J].現代教育技術，2022，（9）：38-45.

[5]崔友興.論教師循證教學的證據及其運用[J].北京教育學院學報，2022，（5）：18-23.

[6][10]宋萑，宋姝儀，王嘉銘.循證教學實踐（三）：證據評估[J].湖北教育（教育教學），2023，（5）：37-39.

[7]田金徽，李江，葛龍.構建醫藥學教學證據生態系統推動循證教學發展[J].中國醫藥導刊，2022，（9）：884-888.

[8]李海峰，王煒.群體情境循證探究法——一種基于證據的設計類問題解決的翻轉教學實證研究[J].現代教育技術，2023，（4）：57-64.

[9]童文昭，王后雄.促進知識結構化的循證教學：設計與實施[J].現代遠程教育研究，2024，（1）：54-62、72.

[11]牟智佳，馮西雅，蘇福根.從感知到證據：循證教學評價的結構體系與實踐進路[J].電化教育研究，2024，（1）：68-75.

[12]Abramczyk A， Jurkowski S. Cooperative learning as an evidence-based teaching strategy： What teachers know， believe， and how they use it[J]. Journal of Education for Teaching， 2020，（3）：296-308.

[13]張學波，林書兵，王宏媛.基于數據的教學診斷：數據表征、問題指向與教學處方[J].現代教育技術，2022，（12）：41-48.

[14]閆寒冰，趙佳斌，王巍.技術賦能的課堂教學診斷：特征與發展空間[J].現代遠距離教育，2022，（2）：3-11.

[15]王亞飛，李琳，李艷.大數據精準教學技術框架研究[J].現代教育技術，2018，（7）：5-10.

[16]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.

[17]楊豐玉，陳雨安，聶偉，等.基于過程數據的學習預警模型設計與功能實現[J].現代教育技術，2021，（7）：97-104.

[18]晉欣泉，姜強，馬志強，等.數智時代的高校學困生智能診斷模型研究[J].現代教育技術，2023，（11）：47-56.

[19]柳家奎.軟件工程課程的學生個性化評價系統設計與實現[D].北京：北京大學，2023：33-34.

[20]肖少北.布魯納的認知——發現學習理論與教學改革[J].外國中小學教育，2001，（5）：38-41.

[21]Yossy E H， Heryadi Y， Lukas. Comparison of data mining classification algorithms for student performance[A]. 2019 IEEE International Conference on Engineering， Technology and Education （TALE）[C]. Yogyakarta： IEEE， 2019：1-4.

From Data to Evidence： The Diagnosis Method of Learning Situation Oriented to Evidence-based Teaching

LI Hong-Yan """YANG Yu """QIN Yao """FU Mai-Xia """LV Zong-Wang

（School of Information Science and Engineering， Henan University of Technology， Zhengzhou， Henan， China 450001）

Abstract："In the field of evidence-based teaching， the reliability of evidence"is an important premise to ensure the scientificity and effectiveness of teaching improvement measures. Aiming at the reliability of evidence in evidence-based teaching， this paper put forward a diagnosis method of learning situation oriented to evidence-based teaching， which can extract reliable evidence and apply it to evidence-based teaching. This method was based on large-scale student learning data and used random forest to evaluate the importance of data features， enhancing the credibility of data selection. At the same time， random forest and AdaBoost were integrated into random forest-AdaBOOST algorithm， which was used for the diagnosis of students’ learning situation at the level of final comprehensive evaluation performance， improving the reliability of the diagnostic results. In order to verify the application effect of this method， the paper conducted empirical research through comparative experiments， and the results showed that this method not only had high prediction accuracy but also exhibited good stability and robustness. This paper extracted effective evidence from complex learning data， which improved the accuracy of learning situation diagnosis， provided a basis for implementing personalized teaching， and helped promote the development of evidence-based teaching towards digitalization and intelligence.

Keywords："evidence-based teaching; learning situation diagnosis; random forest; AdaBoost