基于BPNN的在線學習者元認知能力評估*

摘要：元認知能力被認為是提升學習者在線學習效果的關鍵因素，其有效評估對于教育教學具有重要意義。但是，當前基于在線學習行為的元認知能力評估方法存在指標選取有差異、不全面且權重模糊等問題。對此，文章首先設計了基于BPNN的學習者元認知能力評估研究框架，通過數據采集和標準化處理，得到19個在線學習行為指標。接著，文章進行了教學實驗，通過相關性分析得到11個與元認知能力顯著正相關的行為指標，并構建了基于BPNN的元認知能力評估模型。隨后，文章進行了模型的性能驗證，發現BPNN模型的整體性能和分類性能均最優；同時，文章從行為指標的重要性、影響情況和個體貢獻度三個角度進行了模型的可解釋性分析，以利于教師做出更科學、合理的教育決策。最后，文章從學習空間、學習資源、教師角色三個方面對BPNN模型的教學應用進行了展望。文章構建的BPNN模型能夠準確評估和可視化解釋元認知能力，有助于個性化教育教學的開展，從而為教育評估研究提供發展方向。

關鍵詞：元認知能力；BPNN；行為指標；算法模型；可解釋性

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）11—0132—11 【DOI】10.3969/j.issn.1009-8097.2024.11.013

在線學習的興起，使學習者能夠根據自身需求選擇合適的時間、地點和學習內容進行學習^[1]。然而，異步網絡學習環境使學習者和教師的互動相對有限，降低了教師對學習者學習過程的有效監督，影響了學習者的在線學習意愿和學習效果^[2]。元認知是一種高階思維，能夠幫助學習者思考、理解和調節其學習過程^[3]，而元認知能力被認為是提升在線學習興趣和效果的關鍵因素^[4]。因此，如何有效評估在線學習者的元認知能力成為當前在線學習的研究熱點之一。元認知能力評估方法主要有離線測量法和學習分析測量法，其中離線測量法依賴個體記憶，且數據是異步采集而來，容易丟失信息，導致結果不準確；而學習分析測量法受限于研究者本身的主觀意識，導致預測結果不全面。有研究發現，在線學習平臺記錄的行為數據可以反映學習者的真實思維活動與學習過程，具有客觀性、可大規模實時采集等優點，是評價學習者在線學習效果的重要指標之一^[5]。而BP神經網絡（Back Propagation Neural Network，BPNN）可以模仿人腦神經處理問題的過程，具有出色的預測能力，已被廣泛用于評估模型的建立^[6]。因此，本研究嘗試設計基于BPNN的在線學習者元認知能力評估研究框架，依托此研究框架分析學習者的行為數據，并構建基于BPNN的元認知能力評估模型，進行模型的性能驗證和可解釋性分析，以探究模型在教育評估中的實際應用價值。

一 研究現狀

1 基于在線學習行為的元認知能力評估方法

人工智能技術的普及應用，使大規模行為數據的處理和分析變得更為高效，這也為基于在線學習行為的元認知能力評估帶來了新的發展契機。已有研究嘗試從在線日志文件中提取學習行為指標，并用于評估元認知能力。例如，Yeh等^[7]通過量化學習者的詞匯表使用率和四種類型的瀏覽時間轉移比率，結合多層前饋神經網絡來自動評估學習者的元認知知識水平；Li等^[8]從平臺訪問日志中提取測驗完成數量、測驗分數、總訪問時間、復習時間、學習間隔等量化行為，利用聚類分析來識別學習者的自我調節模式，之后進一步通過分層回歸分析獲取重要的行為指標。然而，這類研究的指標選取缺乏理論依據，因此多數研究傾向于將行為指標映射到元認知能力維度或認知過程中，通過加強行為指標與元認知能力之間的關聯來提升評估效果。例如，Kim等^[9]從時間投入、學習規律、尋求幫助三個維度采集學習者的學習時長、學習頻率、訪問時間間隔、討論區發言次數、持續時間等行為數據，利用隨機森林算法預測學習者的元認知能力層次，得出的預測準確率為80.634%；紀陽等^[10]以參與、學習、方式、互動、任務五個學習環節為基礎，構建了學習行為指標集，并結合神經網絡模型來評估元認知能力，準確率達80%；Zheng等^[11]將3D虛擬環境中的行為數據（如旋轉視圖、做筆記、編輯物體等）映射到五個認知過程（即觀察、制定、重新制定、分析、評估）中，采用主成分分析和聚類分析方法，識別不同自我調節學習類型的學習者。此外，也有少數研究基于行為序列識別元認知能力。例如，Cheng等^[12]結合在線學習行為序列和在線討論文本數據中包含的學習者認知信息，應用深度學習技術構建元認知能力評估模型，其準確率為81.2%；Cai等^[13]將自我注意力機制融入循環神經網絡模型，以行為序列和交互文本數據作為模型輸入來識別學習者的元認知能力，準確率高達85.21%。但是，這類研究未能單獨對每個學習行為進行量化表示。總的來說，已有大量研究證實了在線學習行為能夠有效預測學習者的元認知能力，而多數研究在指標選取上存在差異性和不全面性，在一定程度上影響了元認知能力的評估效果。盡管王洪江等^[14]構建了較為完整的元認知能力過程性表征框架，并系統梳理了相關的在線學習行為及其量化方法，但由于這些行為的權重模糊，可能會降低預測的準確率。因此，本研究參考已有的元認知能力評估方法，采集和量化學習者的在線學習行為數據并篩選指標、計算權重，以提升元認知能力評估的有效性與準確性。

2 BPNN在教育領域的應用

在教育領域中，已有較多的研究者應用BPNN進行學習分析和教育數據挖掘。例如，王佑鎂等^[15]將BPNN引入數字閱讀素養評測，生成一種專家評價模型；陳興德等^[16]構建了泛化性能好、預測精度高的BPNN模型，用于對學生高考選科的影響因素進行分析和預測；侯雪林等^[17]借助BPNN，構建了大學生數據可視化素養評價模型。同時，BPNN在認知診斷評估領域的應用也表現出色。例如，黃宏濤等^[18]提出了基于BPNN的認知診斷方法并應用于教學實踐，能夠準確呈現學生的知識掌握狀態，為個性化補救教學提供了依據；聶暢等^[19]分析了基于BPNN的認知診斷評估分類準確率的關鍵影響因素——這兩項研究均得出基于BPNN的認知診斷分類方法不依賴測試樣本量、小樣本的預測分類性能較好的結論。整體而言，BPNN在認知診斷評估、高階思維能力測評等方面的良好表現和不依賴測試樣本量的特點，展現了其在元認知能力評估方面的應用潛力。

二 研究框架設計

從元認知能力評估的相關研究中吸納研究設計、數據分析等方面的經驗^[20][21]，本研究設計了基于BPNN的在線學習者元認知能力評估研究框架，如圖1所示。該研究框架包含數據采集、特征提取、模型構建與分析三個部分，其中數據采集主要是對行為數據和問卷數據的采集，特征提取包含行為指標和元認知能力的量化、相關性分析和行為指標篩選，而模型構建與分析主要包括數據集劃分、BPNN模型訓練、模型性能驗證和模型可解釋性分析。

1 數據采集

本研究通過在線學習平臺的日志數據清洗，采集學習者的行為數據。當學習者完成課程任務后，本研究使用“在線學習者的元認知能力調查問卷”獲取學習者的元認知能力。參考Schraw等^[22]的元認知能力問卷，設有組織和轉化、目標設定和規劃、環境構建、任務策略、時間管理、努力監控、需求幫助、自我評價、學習回顧、情緒調節十個維度，共52個題項。問卷各題項采用李克特7點量表評分，用1～7分表示從“非常不同意”到“非常同意”。為了驗證問卷能否有效獲取在線學習者的元認知能力，本研究對問卷進行了信效度檢驗，結果顯示：Cronbach’s α值=0.89＞0.7，說明問卷有較好的信度；KMO值=0.82＞0.8，驗證了問卷數據適合進行因子分析；經計算，χ²/df=1.512＜3，RMSEA值=0.064＜0.08，CFI值=0.878＞0.85，說明問卷具有良好的結構效度；問卷各維度的平均方差提取AVE值在0.512～0.745之間（均大于0.5），組合信度CR值在0.728～0.897之間（均大于0.7），說明問卷具有良好的聚合效度。

2"特征提取

（1）行為指標的界定與量化

本研究參考王洪江等^[23]表征元認知能力的在線學習行為指標及其量化方法，對采集的行為數據進行了整理，得到19個在線學習行為指標，其界定與量化如表1所示。

（2）標準化處理

為了更好地評價元認知能力，本研究對學習時間、學習地點、按時學習、提前學習、間隔學習、時間變化、情緒調節七個行為指標進行量化，其他指標則在日志數據中按照相應的量化類型進行統計。

①學習時間、學習地點的編碼規則量化：學習時間是從“一天中的學習時間”（早上5：00～11：59為“1”，下午12：00～17：59為“2”，晚上18：00～23：59為“3”，凌晨24：00～4：59為“4”）和“一周中的學習時間”（周一為“1”，周二至周五為“2”，周末為“3”）兩個維度進行編碼；而學習地點是依據學習者的訪問IP地址進行編碼，校內標記為“1”，校外標記為“2”。

②按時學習、提前學習、間隔學習的計算公式量化：“按時學習”這一指標是先統計模塊i的任務總數N和任務完成數C_i，然后按照公式（1）計算各模塊的平均按時完成率R；“提前學習”這一指標是先統計模塊i中學習任務j的完成時間T_ij和截止時間D_ij，然后按照公式（2）計算各模塊的平均時間間隔T；而“間隔學習”這一指標是先統計模塊i中學習任務j的截止時間D_ij、訪問次數F和每次訪問的時間V_ik，然后按照公式（3）計算各模塊的標準差S。

公式（1）

公式（2）

公式（3）

③情緒調節與時間變化的方程斜率計算：本研究使用Python爬蟲抓取學習者的討論區發言，通過百度開源的Senta系統分析發言的情感極性，進而構建回歸方程，用斜率來反映學習者的情緒調節過程；同時，根據學習者各模塊的學習時長構建回歸方程，以斜率表示其時間變化趨勢。

④元認知能力分數的計算：對問卷各題項得分求和，取平均值，并進行歸一化處理，可得到三類元認知能力范圍：低級（0～0.33）、中級（0.34～0.66）、高級（0.67～1），將其分別設置為元認知能力標簽“0”“1”“2”。

（3）相關性分析

為了提取有效的特征，本研究將元認知能力分數與量化行為指標進行相關性分析，以篩選出與元認知能力顯著相關的行為指標。考慮到行為指標涉及離散變量和連續變量，故本研究使用Cramer’s V相關系數表示離散變量（即學習時間、學習地點）與元認知能力的相關性——此系數專門用來衡量不同分類數據之間的相關程度，取值范圍為0～1，0表示兩個變量無關，1表示完全相關；同時，使用Spearman相關系數表示連續變量（如撰寫大綱、制定計劃等）與元認知能力的相關性——此系數是用來衡量兩個變量依賴性的非參數指標，可用于非正態分布的數據分析，取值范圍為-1～1，數值越趨近于1表示正相關程度越高，越趨近于0表示線性相關度低，而越趨近于-1表示負相關程度越高。

3"模型構建與分析

為了精準評估在線學習者的元認知能力，本研究構建了基于BPNN的元認知能力評估模型（下文簡稱“BPNN模型”）。BPNN模型包含輸入層、隱藏層和輸出層，各層之間的激活函數為Sigmoid函數。其中，輸入層的節點數由輸入向量的特征數量決定，輸出層節點數的確定取決于具體的分類要求；而隱藏層節點數的參考范圍通過經驗公式n₂=sqrt（n₁+n₃）+a確定，其中n₁表示輸入層節點數，n₃表示輸出層節點數，a一般取1～100之間的整數。最優的隱藏層節點數在參考范圍中選取，并根據模型的實際訓練結果來確定。同時，利用不同的性能指標和機器學習模型進行對比，以驗證BPNN模型的性能。

由于BPNN模型是一個“黑盒”模型，在算法應用過程中缺乏透明度，難以直觀解釋評估結果。這種不透明性不僅限制了BPNN模型在實際教育場景中的應用，還會阻礙教師根據評估結果做出準確判斷，進而影響教學決策的科學性和有效性^[24]。而沙普利可加性解釋（SHapley Additive exPlanations，SHAP）方法可以對涉及多個特征的模型進行可解釋性分析，通過計算每個特征的SHAP值，確定特征對模型的影響程度^[25]。基于此，本研究采用SHAP方法提供實驗結果的可視化解釋，以利于教師做出更科學、合理的教學決策。

三 實驗設計

1 實驗對象與數據采集

本研究以華南地區H大學的142名本科生為研究對象，依托該校的在線學習平臺，在“移動互聯網創業模式與實踐”選修課中進行了為期11周的教學實驗。每個學習周開始前，教師都會將學習資源（如視頻、文件等）上傳在線學習平臺，設置兩個討論主題和一套測試題，截止時間均為周日的23時59分。每個學習周結束后，教師都會及時獲取平臺日志數據。課程結束后，教師發放問卷獲取學習者的元認知能力。最終，本研究共收集了142名學習者的行為數據和問卷數據，通過標準化處理得到量化行為指標與元認知能力分數，用于下一步分析。

2 相關性分析

本研究將得到的量化行為指標與元認知能力分數進行相關性分析，結果如表2、表3所示。表2顯示，學習時間（包含一天中的學習時間、一周中的學習時間）、學習地點這兩個離散變量與元認知能力分數的相關性較弱（Sig.＞0.05），因此不納入考慮范圍。表3顯示，間隔學習、測試時長、討論數量、情緒調節、回看視頻、回看測試這6個連續變量與元認知能力分數的相關性較弱（Sig.＞0.05）；而撰寫大綱、制定計劃、按時學習、提前學習、時間變化、時間投入、測試頻次、訪問平臺、訪問資源、討論時長、回看時長這11個連續變量與元認知能力分數顯著正相關。基于此，本研究將這11個行為指標作為BPNN模型的輸入數據。

3 模型構建與分析

本研究應用BPNN模型對在線學習者的元認知能力進行評估，具體過程如下：首先，將經過相關性分析篩選出來的、與元認知能力分數顯著正相關的11個連續變量作為輸入數據上傳至BPNN模型；同時，將元認知能力標簽作為模型的輸出。接著，按照7：3的比例將數據集劃分為訓練集與驗證集，通過多次參數調整和反復訓練，本研究發現當隱藏層節點數為75時，BPNN模型的評估效果最佳。然后，使用邏輯回歸（LR）、貝葉斯網絡（Bayes）、隨機森林（RF）、支持向量機（SVM）、K近鄰（KNN）五種機器學習算法模型在同一數據集上進行訓練和評估，以與BPNN模型進行對比驗證。最后，使用SHAP方法從各行為指標的重要性、各行為指標的影響情況、各行為指標對個體元認知能力的貢獻度三個方面對BPNN模型進行可解釋分析。

四 研究分析

1 模型的性能驗證

本研究應用準確率、精確率、召回率、F1值等性能指標，將五種機器學習算法模型與本研究構建的BPNN模型進行性能數據對比，結果如表4所示。可以看出，BPNN模型的整體準確率達88.78%，其他3項性能指標上的數值也都高于其他模型，可見BPNN模型的整體性能最優。由于教師在真實的在線教學中需要重點關注低元認知能力的學習者群體，因此評估模型必須具有較好的分類性能，以避免出現將低元認知能力錯誤地預測為高元認知能力的情況。表4顯示，BPNN模型對低元認知能力的評估準確率高達95.00%，說明BPNN模型的分類性能最優。

2 模型的可解釋性分析

（1）各行為指標的重要性排序

本研究通過計算11個行為指標特征的平均SHAP值，對各行為指標的重要性進行了排序，結果如圖2所示。其中，各行為指標的橫坐標值越大，說明該行為指標對元認知能力的影響越大。圖2顯示，制定計劃、時間變化、按時學習、訪問資源這四個行為指標對元認知能力的影響最大。同時，本研究應用雷達圖來展示不同元認知能力水平學習者的各行為指標均值對比情況，結果如圖3所示，可以看出：低、中、高三類元認知能力水平學習者在制定計劃、提前學習、測試頻次、時間變化這四個行為指標上存在較大差異，而在撰寫大綱、討論時長、回看時長等行為指標上差異較小，這與圖2的重要性排序情況呈現出高度的一致性。

（2）各行為指標的影響情況分析

本研究采用SHAP值概要圖來分析11個行為指標對元認知能力的影響程度，結果如圖4所示。其中，每個點代表一個實例樣本在相應指標上的SHAP值，SHAP值＞0表示實例樣本中該指標對元認知能力有正向影響，反之則表示有負向影響；同時，SHAP值越大，點的顏色就越紅，表示對評估結果的影響越大。圖4顯示，“時間變化”的SHAP值多集中在正值區域，且點的顏色多數偏紅，說明學習者在課程中的學習時間變化與元認知能力呈正相關關系，這與Li等^[26]的結論一致；“訪問資源”的SHAP值也多集中在正值區域，說明學習者查看資源、討論區、測試的頻率對其元認知能力的提升有積極作用，這與Lara等^[27]的研究結果基本相同。但是，“訪問平臺”的SHAP值多集中在負值區域，說明學習者訪問平臺的頻次對其元認知能力產生了負向影響，這與You^[28]的觀點不一致，其原因可能在于面對平臺提供的豐富的學習資源，學習者對于選擇學習內容和確定學習起點感到困難，因而出現反復訪問平臺的行為^[29]。

（3）各行為指標對個體元認知能力的貢獻度

本研究以學習者A（元認知能力水平為中級）為例，利用單樣本特征影響圖來探討各行為指標對個體元認知能力的貢獻度，結果如圖5所示。其中，正向貢獻的行為指標用紅色右向箭頭標示，負向貢獻的行為指標則用藍色左向箭頭標示，標示的數值大小表示各行為指標貢獻度的大小。圖5顯示，討論時長、時間變化、訪問資源這三個行為指標對學習者A的元認知能力有正向貢獻且貢獻度相對較大，說明學習者A應繼續保持這些學習行為；測試頻次、提前學習、制定計劃、撰寫大綱這四個行為指標也有正向貢獻，但貢獻度相對較小，需要教師對學習者A的這些行為給予積極引導；而時間投入、按時學習這兩個行為指標有較大的負向貢獻，訪問平臺也有一定的負向貢獻，需要教師高度重視學習者A的這些行為并進行個性化干預。

五 教學應用展望

本研究依托基于BPNN的在線學習者元認知能力評估研究框架，構建了基于BPNN的元認知能力評估模型并驗證了其性能，發現與五種機器學習算法模型相比，BPNN模型的整體性能和分類性能均最優，其整體準確率達88.78%，對低元認知能力的評估準確率更是高達95.00%。同時，本研究采用SHAP方法對BPNN模型進行可解釋性分析，發現制定計劃、時間變化、按時學習、訪問資源這四個行為指標對元認知能力的影響最大；討論時長、時間變化、訪問資源這三個行為指標對學習者的元認知能力有較大的正向貢獻，而時間投入、按時學習這兩個行為指標有較大的負向貢獻，這為教師進行個性化干預提供了依據，有助于教師做出更科學、合理的教育決策。結合上述結論，本研究參考曹培杰等^[30]的人機協同共生教育新生態，從學習空間、學習資源、教師角色三個方面對BPNN模型的教學應用進行展望，以實現元認知能力的精準評估與優化，提升教師的教學效果和學生的學習體驗，推動個性化學習環境的打造。

1 學習空間融合升級

在基于BPNN的在線學習元認知能力評估研究框架的指導下，以在線學習平臺為代表的學習空間將實現與BPNN模型的融合升級，從而更精準地評估學習者的元認知能力水平，進而優化在線學習效果。一方面，融合BPNN模型的學習空間可以為實時評估學習者的元認知能力提供支持。學習空間中的日志詳細記錄了學習者的行為數據，將此類數據輸入BPNN模型，可以實現數據的自動化處理并生成即時評估結果，從而有效提升在線學習中元認知能力的實時評估效果。另一方面，BPNN模型的可解釋性可以為學習者提供優化元認知策略的依據。在BPNN模型的支持下，學習空間將呈現元認知能力的行為指標及其對應策略，進一步分析學習者在策略運用上的不足，并據此提供相應的優化路徑，實現數據驅動的智能化評估^[31]。

2 學習資源優化呈現

當前的在線課程多以資源為中心，對學習者的元認知能力提出了較高要求，導致部分學習者難以適應此類學習方式^[32]。借助BPNN模型，在線學習資源與學習者的元認知能力將實現“對齊”，有助于資源供應的個性化。一方面，基于BPNN模型的元認知能力評估結果，在線學習平臺系統可以有針對性地向高、中、低元認知能力的學習者推送適切的學習資源，如向低元認知能力的學習者推送基礎性、支持性的學習資源，使其建立基本的內容理解；而高元認知能力的學習者則需要推送拓展類資源，使其拓展思維、提升創造力。另一方面，文字比音視頻綜合呈現帶來的認知負荷更高^[33]，而認知負荷對學習者的元認知能力影響顯著^[34]。因此，利用BPNN模型呈現學習者元認知能力水平的高低，有助于在線學習平臺系統實現不同認知負荷資源的定向推送，進而降低不同元認知能力學習者的認知負荷，促進其元認知能力的提升。

3 教師角色智能轉型

BPNN模型對學習者在線學習行為的深度挖掘與分析，將幫助教師準確把握學習者個體的認知特征與群體的共性問題^[35]，支持教師角色智能轉型。一方面，基于BPNN模型生成的可視化個體或群體診斷報告，可以節省教師查看與分析學習者日志的時間，推動教師工作方式的智能化發展，使教師角色逐步轉為智能教育決策者。另一方面，教師與BPNN模型的人機協同，有望讓教師深層次地了解學習者的元認知策略應用情況，并據此進一步優化整體的教學設計與實施方案，從而加速教師角色向智能教學設計者的轉變。

參考文獻

[1]武法提，賴松，高姝睿，等.聯合面部線索與眼動特征的在線學習專注度識別[J].中國電化教育，2022，（11）：37-44.

[2]Das U. Online learning： Challenges and solutions for learners and teachers[J]. Management and Labour Studies， 2022，（2）：210-213.

[3]Flavell J H. Metacognition and cognitive monitoring： A new area of cognitive-developmental inquiry[J]. American Psychologist， 1979，（10）：906.

[4]Tsai Y， Lin C， Hong J， et al. The effects of metacognition on online learning interest and continuance to learn with MOOCs[J]. Computers amp; Education， 2018，121：18-29.

[5]菅保霞，姜強，趙蔚.基于全腦模型的在線學習者學習行為序列分析[J].現代教育技術，2020，（1）：107-113.

[6]許春艷，許鵬飛，衣龍燕，等.基于BP神經網絡的18～30歲人群功率自行車能量消耗模型構建[J].北京體育大學學報，2022，（10）：75-85.

[7]Yeh S W， Lo J J. Assessing metacognitive knowledge in web-based CALL： A neural network approach[J]. Computers amp; Education， 2005，（2）：97-113.

[8]Li H， Flanagan B， Konomi S， et al. Measuring behaviors and identifying indicators of self-regulation in computer- assisted language learning courses[J]. Research and Practice in Technology Enhanced Learning， 2018，13：1-12.

[9]Kim D， Yoon M， Jo I H， et al. Learning analytics to support self-regulated learning in asynchronous online courses： A case study at a women’s university in South Korea[J]. Computers amp; Education， 2018，127：233-251.

[10][20]紀陽，李思琪，張默雨.元認知評估能力發展預測的可行性研究[J].北京郵電大學學報（社會科學版），2020，（5）：117-124.

[11]Zheng J， Xing W， Zhu G， et al. Profiling self-regulation behaviors in STEM learning of engineering design[J]. Computers amp; Education， 2020，143：103669.

[12]Cheng Y， Cai Y， Chen H， et al. Metacognitive ability evaluation based on behavior sequence of online learning process[A]. 2021 16th International Conference on Computer Science amp; Education （ICCSE）[C]. Lancaster： IEEE， 2021：490-494.

[13]Cai Y， Guo J， Yao H， et al. Evaluation model of metacognitive ability based on multi-channel self-attention and BiGRU[A]. International Conference on Electronic Information Engineering and Data Processing （EIEDP 2023）[C]. Nanchang： SPIE， 2023：716-721.

[14][23]王洪江，李作錕，廖曉玲，等.在線自主學習行為何以表征元認知能力——基于系統性文獻綜述及元分析方法[J].電化教育研究，2022，（6）：94-103.

[15]王佑鎂，李寧宇，尹以晴，等.從再現到預測：基于BP神經網絡的中小學生數字閱讀素養評測體系研究[J].電化教育研究，2022，（8）：68-76.

[16]陳興德，周建華，張衷平.不同高考模式下學生選科的影響因素研究——基于BP神經網絡模型的實證分析[J].教育發展研究，2023，（12）：10-17.

[17]侯雪林，應峻，宋士杰.信息生態視域下大學生數據可視化素養評價研究[J].現代情報，2023，（7）：109-121.

[18]黃宏濤，李世珍，李世玉，等.基于BP神經網絡的認知診斷方法在個性化教學中的應用[J].中國遠程教育，2019，（1）：86-91.

[19]聶暢，孫小堅，辛濤.基于BP神經網絡的認知診斷評估分類準確率影響因素分析[J].中國考試，2021，（3）：28-35.

[21][29]李士平，趙蔚，劉紅霞，等.數據表征元認知：基于學習分析的網絡自主學習行為研究[J].電化教育研究，2017，（3）：41-47.

[22]Schraw G， Dennison R S. Assessing metacognitive awareness[J]. Contemporary Educational Psychology， 1994，（4）：460-475.

[24]劉桐，顧小清.走向可解釋性：打開教育中人工智能的“黑盒”[J].中國電化教育，2022，（5）：82-90.

[25]楊文陽，楊益慧.聚焦可解釋性：知識追蹤模型綜述與展望[J].現代教育技術，2024，（5）：53-63.

[26]Li Q， Baker R， Warschauer M. Using clickstream data to measure， understand， and support self-regulated learning in online courses[J]. The Internet and Higher Education， 2020，45：100727.

[27]Lara J A， Lizcano D， Martínez M A， et al. A system for knowledge discovery in e-learning environments within the European higher education area-application to student data from Open University of Madrid， UDIMA[J]. Computers amp; Education， 2014，72：23-36.

[28]You J W. Identifying significant indicators using LMS data to predict course achievement in online learning[J]. The Internet and Higher Education， 2016，29：23-30.

[30]曹培杰，謝陽斌，武卉紫，等.教育大模型的發展現狀、創新架構及應用展望[J].現代教育技術，2024，（2）：5-12.

[31]鄭永和，王一巖，鄭寧，等.教學數字化轉型：表征樣態與實踐路徑[J].電化教育研究，2023，（8）：5-11.

[32]張文蘭，俞顯，劉斌.引領式在線學習活動的設計、實施及成效分析[J].電化教育研究，2016，（10）：42-48.

[33]Mutlu-Bayraktar D， Cosgun V， Altan T. Cognitive load in multimedia learning environments： A systematic review[J]. Computers amp; Education， 2019，141：103618.

[34]李梅，葛文雙.基于項目的在線協作學習支架策略探究[J].現代遠距離教育，2021，（1）：40-47.

[35]曹培杰.人工智能教育變革的三重境界[J].教育研究，2020，（2）：143-150.

Assessment of Online Learners’ Metacognitive Ability Based on BPNN

WANG Hong-Jiang¹""""CHEN"Pei-Yu¹""""LI"Zuo-Kun²""""ZHANG"Yi-Fu¹""""LI"Nan-Xi¹

（1. School"of Information Technology in Education， South China Normal University， Guangzhou， Guangdong， China 510631;

2. Faculty of Education， University of Macau， Macau， China 999078）

Abstract："Metacognitive ability is considered to be the crucial factor to improve learners’ online learning effect， and its effective assessment is of great significance to education and teaching."However，"the current metacognitive ability assessment methods based on online learning behaviors have some problems， such as discrepant index selection， incomplete and fuzzy weight. Accordingly， this paper firstly designed a research framework of learners’"metacognitive ability assessment based on back propagation neural network （BPNN）， and 19 online learning behavioral indicators were obtained through data collection and standardized processing. After that， a teaching experiment was conducted and 11 behavioral indicators that significantly positively correlated with metacognitive ability were obtained through correlation analysis， and the assessment model of metacognitive ability based on BPNN was conducted. Subsequently， the performance of this model was verified. It was found that the overall performance and classification performance of BPNN model were the best. At the same time， the interpretability of the model was analyzed in this paper from three perspectives of the importance， influence situation and individual contribution of behavioral indicators， so as to help teachers make more scientific and reasonable educational decisions. Finally， the pedagogical application of the BPNN model was looked forward from three aspects of learning spaces， learning resources， and teachers’"role. The BPNN model constructed in this paper can accurately evaluate and visually interpret metacognitive ability， which was helpful to the development of personalized education and teaching， and thus provides the development direction for educational evaluation research.

Keywords："metacognitive ability; BPNN; behavioral indicator; algorithmic model; interpretability