郭倩 等 | 如何精准预测混合学习成绩？——智能模型构建与可解释性分析

关注“在线学习”

获取更多资讯！

刊载信息

郭倩，赵蔚，姜强，兰国帅，& 徐晓青.(2025).如何精准预测混合学习成绩？——智能模型构建与可解释性分析. 中国远程教育(8),57-74.

如何精准预测混合学习成绩？——智能模型构建与可解释性分析
郭倩, 赵蔚, 姜强, 兰国帅, 徐晓青

【摘要】混合学习的重要性日益凸显，在这一背景下，结合学生的学习行为进行成绩预测成为个性化教学指导的必要条件。然而，由于缺乏对混合学习过程数据的充分量化和利用，加之学习行为与成绩之间的非线性关系难以准确挖掘，当前的学生成绩预测模型在预测精度、实用性和可解释性等方面仍然存在诸多不足。本研究结合学生的线上和线下学习过程数据，融合协作学习模式，基于自动化机器学习（AutoML），构建面向混合学习成绩预测的智能模型。验证结果表明，AutoML预测模型在决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）三项性能指标上均优于对比模型，相对于传统的机器学习模型实现了最佳的预测精度与泛化能力。引入沙普利加和解释（SHAP），探究了不同变量对成绩预测结果的影响，结果表明：影响学生学习成绩的主要变量包括平时作业成绩、平台登录时长、协作发言质量和讨论参与时长等，先前知识水平和性别对成绩的影响不显著。本研究结果为教师及时掌握学生的学习动态、提供个性化反馈和干预提供了有力支持。

【关键词】混合学习; 成绩预测; 自动化机器学习; 预测模型; SHAP

一、

问题提出

混合学习模式结合了线上与线下教学的优势，在高等教育中的重要性愈发凸显。这种学习模式通常具有规模较小、可控性较强以及学习任务明确等特点，但其复杂的过程使教师难以全面了解每个学生的学习情况。为实现更精准的教学，往往需要利用课程中各类学习数据开发有效的成绩预测模型，从而为学习者提供个性化干预和指导，最终增强教学互动的效果和针对性。随着教育数字化改革的深化，混合学习模式通过融合线上自主学习和线下引导性实践，构建了一个多维度的学习证据生态系统。在此背景下，基于学习行为数据预测学生成绩的研究具有重要价值。在技术层面上，通过挖掘行为与成绩的潜在关联，为学习分析模型提供解释性框架；在教育层面上，赋能教师准确识别学习危机学生，提供精准教学服务（舒莹 等, 2019）。因此，学习成绩预测成为当前教育领域的研究热点之一。

近年来，混合学习中学生成绩预测的研究逐渐从传统线性回归方法转向复杂机器学习（Machine Learning，ML）模型。早期研究大多基于线性回归方法，结合学生线上学习过程数据构建预测模型。如徐等（Xu et al., 2020）基于SPOC平台在线学习行为数据，使用多元线性分析方法预测了学生在混合学习中的表现。尽管该方法能在一定程度上预测学习成绩，但仅使用在线数据可能未充分反映混合学习环境的复杂性，存在数据不全面、预测模型精度不足等问题。随着ML模型的迅速发展，其强大的非线性建模能力在成绩预测任务中展现出良好前景。如已有研究基于混合课程中学生在线行为数据，利用增量学习的随机森林算法构建成绩预测模型，实现75.1%的较高预测准确率（罗杨洋 & 韩锡斌, 2021）。然而，ML模型种类繁多，预测模型构建过程中通常需要考虑许多超参数组合，存在人工干预复杂、重复建模、部署困难等诸多问题，限制了其在教学中的实用性。此外，ML模型具有“黑箱”特性，过往研究往往偏重成绩预测而忽略了模型变量可解释性问题，从而限制了对预测过程的深入理解，进一步阻碍了针对性反馈意见和干预措施的有效推进。

在教学实践中，教师往往不具备专业的机器学习的知识背景。自动化机器学习（Automatic Machine Learning，AutoML）的出现则弥补了这一点：AutoML集成了数据预处理、模型选择、超参数调优和模型解释等关键功能，显著简化了传统ML模型优化和部署的复杂性（Truong et al., 2019），使不具备深厚数据挖掘背景的教师也能高效进行实验并构建复杂的预测模型，从而更好地支持教学实践和提升学习效果。研究发现AutoML在预测精度上超过了决策树、随机森林和支持向量机等传统模型（Agrapetidou et al., 2021）。此外，AutoML进一步集成了模型可解释性工具，典型如SHAP（SHapley Additive exPlanations），能够识别对模型预测有关键影响的驱动因素，并提供对影响模型输出的潜在因素的深入见解（Zhao et al., 2023），从而增强模型透明度和可信度。无论是预测精度还是实用性方面，AutoML都能够为教师提供更加具体和可行的数据支撑和参数解释，进行有效的教学干预和策略调整。

面向混合学习成绩预测的实际需求和AutoML的应用前景，本研究主要围绕以下两个问题展开探讨：第一，如何利用自动化机器学习构建有效的混合学习成绩预测智能模型？第二，在混合学习环境中，哪些学习行为变量对学生成绩有显著影响？为回答上述问题，本研究结合AutoML和SHAP，开发了混合学习成绩预测智能模型，以解决学生成绩的准确预测以及模型变量可解释性问题。具体而言，本研究首先收集两门混合课程的相关行为数据和成绩数据，为分析学习成效奠定了数据基础。然后，利用AutoML优化算法选择和超参数调整，构建高效的成绩预测模型。最后，通过引入SHAP，分析不同变量的重要性，揭示混合学习中学生行为变量与最终学习成绩之间的贡献关系。本研究能够为混合教学中的学习诊断和个性化支持实践提供模型支持，有助于准确识别学习不佳的学生，从而帮助教师提供准确的反馈和干预，促进学生自主化学习，优化教育教学过程。

二、

文献综述

（一）混合学习成绩预测相关研究

当前，混合学习成绩预测主要依赖于反映学生学习过程的数据。研究表明，相比传统的人口统计学或成绩数据，过程导向的数据（如在线学习行为数据）能够更有效地预测学习成绩（Bernacki et al., 2020）。陈等（Chen et al., 2023）研究发现，实验科目成绩、在线测验成绩、课堂参与度和在线视频观看时间等是影响学习成绩的关键因素。此外，罗等（Luo et al., 2024）指出，准确预测混合学习成绩的前提是大多数学生积极参与多种在线学习活动，而非仅专注于某一种活动。尽管已有研究采用线性模型分析了学习行为数据与学习成绩间的关系（Xu et al., 2020），但由于混合学习环境中线上和线下活动的多样性及复杂性，单纯的线性模型难以准确预测学习成绩。学习成绩的预测不仅需要考虑多种学习行为和活动类型，还需综合考虑教育资源的合理配置与使用效率，这些因素的交互作用使得学习成绩与学习行为之间呈现出复杂的非线性关系。因此，尽管线性回归算法易于实现且具有较强的解释性，但在捕捉混合学习中影响学习成绩的多维因素方面，其预测准确性往往不佳。

为克服这一问题，机器学习模型已被用于预测学生成绩。如博兰•塞克罗格鲁（Sekeroglu, B.）等采用支持向量机等方法预测学生成绩，分析结果证实了该算法在预测成绩数据方面的有效性（Sekeroglu et al., 2019）。罗杨洋和韩锡斌（2022）对逻辑回归、多层感知器、随机森林、多核支持向量机和朴素贝叶斯算法进行了比较，发现模型内在推理机制会影响学习行为与成绩间的映射关系，从而影响预测效果。例如，随机森林通过组合多个回归决策树（基学习器）进行预测，而朴素贝叶斯则计算学生行为匹配各成绩等级的概率，选择概率最高的作为预测输出。焦等（Jiao et al., 2022）利用遗传编程算法，开发了学生成绩预测模型，且具有较高准确性和有效性。然而，“没有免费的午餐”定理（No Free Lunch Theorem）表明，没有一个算法可以在所有情况下总是产生最准确的模型，由此推动了集成学习的发展。集成方法通过整合多种机器学习算法优势，采用概率平均或投票机制，以减少单一模型的偏差和方差，往往能提供比单一模型更准确的预测结果（Shanthini et al., 2018）。例如，班文静等（2022）通过融合神经网络、决策树等多种算法预测学习者在线学习成绩，结果表明多算法融合预测精准性优于单一算法。此外，有学者（Adejo & Connolly, 2018）通过应用决策树、人工神经网络和支持向量机三种算法的集成方法来预测学生成绩，发现集成技术有效提高了预测准确性。然而，鉴于机器学习模型和架构的多样性，每种模型都需要精确的超参数调整以实现最优性能，这显著增加了模型开发和部署过程的复杂性，并大幅延长了所需时间，降低了模型在教学应用中的实用性。因此，仍需要更加自动化的解决方案，以简化模型的选择和优化过程。

（二）基于自动化机器学习的成绩预测研究

AutoML旨在通过自动化方式处理机器学习任务，通过自适应优化各种算法的超参数，在众多算法中筛选出最优算法组合，以达到最佳性能（Zeineddine et al., 2021）。这一过程显著减少了人工选择方法中的主观性，在精确性和效率上通常优于单一算法（Kotthoff et al., 2017）。已有研究证明了AutoML在预测学生学习表现方面的实用性。例如，玛丽亚•齐阿克马基（Tsiakmaki, M.）等基于学生在线学习平台参与度数据，探讨了AutoML在教育数据挖掘中预测学习结果的有效性，并发现其显著提高了传统机器学习算法的效率（Tsiakmaki et al., 2020）。哈桑•泽内丁（Zeineddine, H.）等利用学生在新课程开设前的多元数据特征，借助AutoML显著提升了对学生未来表现的预测能力（Zeineddine et al., 2021）。尤达•N.姆尼亚瓦米（Mnyawami, Y. N.）等使用AutoML开发了高准确率的学生辍学预测模型，能够及时识别可能导致学生辍学的风险因素，以便进行个性化的早期干预（Mnyawami et al., 2022）。

总的来说，AutoML不仅提升了预测的准确性，也帮助教师在无须深入理解机器学习技术细节的情况下，构建出高性能的预测模型。然而，尽管AutoML在教育领域取得了一定进展，但其在成绩预测方面的研究仍存在不足。目前研究多集中于对学生在线学习成绩的预测，对混合学习成绩的预测研究相对较少。混合场景中线下教学数据的获取难度、多源异构数据的特征融合等问题，对AutoML的特征处理能力提出更高要求。

（三）成绩预测模型的可解释性研究

机器学习方法虽然可以更有效地处理非线性关系，从而提高成绩预测的准确性，但这些方法多具有“黑箱”特性，在模型的可解释性方面存在局限，影响了预测结果的进一步应用和反馈。研究（罗杨洋 & 韩锡斌, 2022）发现，在混合学习中预测学生行为模式与学习成绩间的关系时，模型难以达到理想的预测效果。AutoML可以借助SHAP高级解释工具分析学习行为变量的重要性（Lundberg & Lee, 2017）。SHAP基于合作博弈论的Shapley值来量化各输入变量的相对重要性，进而分析这些变量对预测结果的影响，已在多个研究中验证了其在成绩预测变量分析中的有效性。例如，已有学者（Mingyu et al., 2022）开发了基于Catboost和SHAP的大学生学业预警方法，对学业危机进行可解释性分析。研究发现，既往成绩、所获奖项、就读专业、宿舍氛围、早餐用餐时间和良好的阅读习惯等因素对学习成绩有重要影响。然而，这些因素大多属于基本信息，学生的行为数据尚未被吸纳进入考虑的范畴。

综上所述，在构建预测模型时，虽然线性回归或单一机器学习模型由于实现相对简单，常被用于成绩预测模型的开发，但往往存在模型精度不足问题。相比之下，复杂的集成模型在预测性能上表现出色，具有更高的预测准确性。然而，这些模型的部署过程较为复杂，对使用者的技术水平要求较高，这使得普通教师难以操作应用。此外，这些集成模型通常被视为“黑箱”，不利于其在实际教学中推广和应用。在研究变量的选择上，目前研究多数集中于学生的基本信息和在线行为数据。然而，在混合学习中，课堂参与度也是评估学生学习努力程度的重要方面，学生的参与频次、发言质量和互动情况等不仅反映了其学习态度，还可能显著影响其学习成绩，因此应被纳入预测模型的考量范围。基于此，本研究进一步探索如何综合考虑各种学习行为变量，特别是课堂参与数据，以构建更高效、更具解释性的预测模型。通过引入AutoML和解释性分析方法，本研究旨在开发一种易于部署且易于理解的混合学习成绩预测智能模型，以提高预测准确性，并帮助教师更好地理解哪些学习行为对学生成绩有显著影响，从而提供更具针对性的教学支持和反馈。

三、

研究设计

（一）研究对象与数据采集

本研究以中国东北地区某高校教育技术学专业的“计算机网络”和“教学技术与媒体”两门混合课程为实验对象。其中，“计算机网络”课程数据被用作训练集，“教学技术与媒体”课程数据用作验证集，两门课程分别由不同学生选修，训练集与验证集的学生群体不存在重叠。两门课程均采用相同的混合教学模式，其中教师在课堂上面对面讲解关键知识点，并通过实践项目协作讨论的方式，观察学生的课堂参与表现。同时，通过Moodle在线学习平台进行补充教学，该平台不仅提供教师上传的学习资源，而且支持学生通过发帖和回帖进行异步讨论，从而加深对知识的理解，促进知识的深入交流。平台的日志数据，如登录次数、登录时长和资源学习次数等，被用来分析学生的在线学习行为。

此外，课程中融入了协作学习模式的实践项目，以增强学生的实践能力。例如，“计算机网络”课程中学生被分为10个小组，每组3至4人，任务为“使用思科模拟器设计一个校园网络拓扑结构”。 “教学技术与媒体”课程中学生被分为16个小组，每组4至5人，任务为“基于ASSURE模式，做一个完整的教学设计”和“根据上次ASSURE模式作业选题，制作微课”等。对每个小组在协作完成任务过程中的表现进行了完整录制，以捕捉过程数据并分析学生的协作表现。课程结束后，学生进行自我反思，并填写一份调查问卷，评估他们在该门课程中的知识掌握情况。两门课程的数据收集方式相同。

（二）混合学习成绩影响因素选择

混合学习环境中，学生成绩的预测是一个多因素共同作用的复杂过程，其影响因素主要包括学生的基本信息、线下学习表现和线上学习行为等。已有研究表明，学生成绩与性别有密切关系（王改花 & 傅钢善, 2019）。此外，学生的认知能力和既往学习成绩（如先前知识水平）对当前成绩有影响（Yeo et al., 2022），同时学生对知识的掌握程度也被证实是决定其学习成绩的关键因素（Jiao et al., 2022）。与学习行为相关的因素，如在线平台登录频次和课堂表现，同样对学习成绩具有显著预测作用（许炜 等, 2021）。基于社会建构主义理论，本研究将实践项目中的协作话语作为衡量学生课堂参与度的关键指标，整合话语参与度维度（发言时长、发言频次、发言质量），并结合已有研究中广泛使用的学生在线平台日志数据（Conijn et al., 2018），构建学生成绩预测模型。通过皮尔逊相关分析和方差膨胀因子（VIF<10）检验，有效排除了多重共线性问题，确保了模型的稳健性。模型最终整合12个输入变量（见表1），分为六大类：1）人口统计学变量，如性别；2）先前知识水平，如先前知识成绩；3）平时作业成绩，如章节课后作业成绩；4）实践项目表现，包括讨论参与时长、讨论参与次数、协作发言质量和小组互评成绩；5）平台参与表现，涵盖平台登录次数、平台登录时长、发帖/回帖数和平台资源学习次数；6）知识掌握度，即课程结束后学生对所学知识的自我评价。这些变量的综合分析将有助于深入理解学生学习成绩的形成机制。

表1 预测模型输入变量

（三）数据预处理

本研究基于Moodle平台上的日志数据分析学生在线学习行为。“教学技术与媒体”课程日志记录包含26,235条学习行为，“计算机网络”课程日志记录了14,381条学习行为，通过对原始数据进行预处理，包括数据筛选、清洗与标准化处理，将其转化为可量化的行为指标，如平台登录次数、平台登录时长等，从而得到学生平台参与表现数据。针对部分行为指标（如发帖/回帖数、平台资源学习次数等）存在的缺失值问题，研究采用零值填补法进行处理，将其统一赋值为0，表明学习者没有参与此学习活动。

本研究以课程实践项目为切入点，系统分析学生的课堂学习行为。实践项目采用协作学习模式，小组成员通过讨论、交流理解和共同探究完成协作任务，从而体现其参与度并锻炼其实践能力。将学生在讨论中的话语转录成文本，“计算机网络”课程共记录9,206条话语，“教学技术与媒体”课程共记录9,186条话语，这些话语内容由两名接受过专门培训的编码人员按照预先设定的编码方案进行分析和编码（见表2），编码结果的Kappa值为0.86，表明编码的一致性较高。该编码方案设定三个级别的知识贡献，即初级、中级和高级，分别赋值参数1、2、3（Ouyang & Chang, 2019）。依据此方案，每位学生的协作发言质量通过计算加权分数来评估。此外，小组互评成绩包含合作参与、团队贡献、沟通能力、创造能力和学习态度指标，用于评价学生在协作学习中的表现。同时，学生的知识掌握度通过问卷进行评估。问卷共包含7个问题，每个问题都要求学生就他们在课程中遇到的一个主要主题的知识水平进行自评，采用5分量表进行打分（1分代表不理解主题，5分代表理解主题）。通过这些评估指标，能全面了解学生在课程中的学习表现和知识掌握情况。

表2 协作发言质量编码方案

注：最终加权分数的计算公式为NSK+2NMK+3NDK。其中，N代表数量，即协作学习发言中出现的频率。SK、MK、DK分别赋值参数1、2、3，表示权重逐渐增加。

为了将多源数据统一到相同尺度并消除不同量纲范围带来的偏差，本研究对数据进行归一化处理。该过程涉及将属性值标准化到[0, 1]区间。具体如公式（1）所示，其中xmin和xmax代表某特征值的最小和最大值，x是原始特征值，m是归一化后的新值（锡南•厄兹代米尔 & 迪夫娅•苏萨拉, 2019, p.67）。此外，AutoML通常集成了特征选择和特征生成工具，这些工具能够自动识别和创建对模型性能具有显著影响的特征。这种自动化特征处理过程不仅能够提高模型的预测准确性，还能增强模型在不同应用场景下的泛化能力和效率。

四、

模型构建与解释

（一）预测模型构建

教育数据中变量间普遍存在非线性关系（孙皓 & 宋平平, 2022）。例如，学生的成绩不仅仅与他们的在线学习时间成正比，还与课程内容的难度（刘玲 & 汪琼, 2021）、学生的互动模式（王莹 等, 2017）等因素密切相关。传统的线性回归模型往往无法有效捕捉学生行为、成绩与平台互动之间复杂的非线性依赖关系。因此，选择多变量非线性回归模型能够更好地建模这些非线性关系，并提供更准确的预测结果。本研究将成绩预测视为多变量非线性回归问题，进而基于AutoML构建了多因素驱动的成绩预测模型。具体来说，将学习成绩建模为多种预测因子的非线性映射函数fx，如公式（2）。

其中，p表示对应的预测变量。在本研究中，我们使用AutoML来构造fx。

目前AutoML的实现主要基于超参数优化、元学习和神经架构搜索三种策略（He et al., 2021）。由于元学习和神经架构搜索技术通常在大规模数据集上表现最佳，而本研究的数据集规模有限，因此选择了基于超参数优化，并以进化计算为核心的AutoML框架——树型管道优化工具（Tree-based Pipeline Optimization Tool，TPOT）。混合学习成绩预测涉及多种因素的非线性组合，这与TPOT自动选择非线性回归算法的能力高度契合。

TPOT是一种基于遗传算法的AutoML框架，能够在各种可能的机器学习管道中自动寻优，并实现特征选择、模型选择、超参数优化，最终生成最佳的预测管道。其灵活的管道组合能力，能够支持结构化与非结构化数据的联合建模，在特征复杂且数据规模有限的环境下，更有利于挖掘非线性特征交互并抑制过拟合，从而更适合本研究对混合学习环境数据进行建模的需求。相比之下，其他常见AutoML框架，如Auto-Sklearn和H2O在小样本且包含高维文本特征的场景中，易在搜索或特征扩展阶段出现过拟合或维度过载问题。因此，使用TPOT作为本研究的AutoML框架更能凸显其在混合数据处理、模型可泛化性以及操作灵活性上的综合优势。具体而言，TPOT生成一组随机管道，并根据它们在数据集上的交叉验证准确率进行评估。通过突变和交叉过程选择、复制和修改性能优异的管道。经过多次迭代，逐步提高性能并降低管道复杂性，最终收敛到在数据集上表现最佳的管道。最后，通过多次重复过程，并采用贪心算法集成最优模型，生成TPOT优化过程的最终输出。

本研究中，主要过程如下（见图1）：1）定义搜索空间：选取多种先进的机器学习算法，构建模型候选库，并为每种算法定义超参数；2）构建搜索策略：采用进化算法进行超参数优化，自动调整每种算法的超参数，以获得各个最佳预测性能；3）最优模型集成：运用贪心算法对模型进行集成，通过整合多个模型的预测结果提升整体预测精度；4）可解释性分析：使用SHAP计算每个输入变量对预测结果的平均边际贡献，进行关键变量的重要性分析。基于以上的预测及可解释性分析结果，教师可以根据学习者的具体情况，通过可视化课堂参与度和自主作业完成情况等关键行为变量，提供针对性的反馈和干预策略，促进学生个性化和自主化学习。

图1 基于AutoML的混合学习成绩预测智能模型

（二）预测模型评估

为了验证提出的混合学习成绩预测智能模型的有效性，首先使用“计算机网络”课程数据进行模型训练，然后使用“教学技术与媒体”课程数据进行模型验证，二者完全独立。这种跨课程的验证方式本质上属于二折交叉验证，有效避免了随机交叉验证可能造成的数据泄露，确保了模型泛化性能评估的客观性。研究采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）三个指标来评估预测模型的性能（Chicco et al., 2021）。其中，R2衡量预测结果与实际结果之间的相关性，其值范围从0至1，R2值越高，表明模型预测能力越强。RMSE评估预测值与实际值之间差异的标准差。而MAE则通过计算预测值与实际值之间的平均绝对差来衡量预测的准确性。理论上，RMSE和MAE值越低，表明模型预测效果越好。

为直观展示预测模型的性能，本研究对AutoML与其他传统机器学习模型在预测学习成绩方面的效果进行了对比（如图2），包括极端梯度提升机（eXtreme Gradient Boosting， XGBoost）、决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、遗传编程（Genetic Programming，GP）、支持向量机（Support Vector Machine, SVM）、k-最近邻（k-Nearest Neighbor，KNN）和神经网络（Neural Network，NN）。通过比较这些模型的预测值与实际值之间的一致性，发现AutoML的R2最高，达到0.8，在预测准确性方面优于其他模型。同时，AutoML的RMSE和MAE值均低于其他模型，表明其预测误差较小，其预测与实际结果之间的拟合度最优。而单一的机器学习模型预测性能上表现往往较弱，其预测值相对于实际值分布更为分散。总之，精度评定结果证明，AutoML通过有效的集成策略显著降低了模型的偏差和方差，从而提高了混合学习成绩预测的准确性和可靠性。

图2 AutoML预测模型与其他模型预测效果对比

课程采用过程性和总结性评价相结合的方式得到学生实际成绩，包括学生的出勤情况、课堂表现、实践项目作品得分以及期末考试成绩。图3比较了验证课程中实际真实成绩与AutoML生成的预测结果。结果显示，AutoML能够准确捕捉课程中71名学生的成绩分布模式，证明了该预测模型的准确性和有效性。因此，本研究基于AutoML开发的混合学习成绩预测模型能够有效预测学生的成绩，为教师根据学生的个性化需求进行干预提供了有力依据。

图3 AutoML预测值与真实值对比

（三）可解释性分析

虽然AutoML在自动化优化方面具有强大优势，但由于其“黑箱”性质，最终的预测结果往往缺乏透明度。为增强模型的可解释性，本研究采用SHAP量化每个特征对模型预测结果的贡献。SHAP可以为每个特征生成一个影响分数，以便深入理解模型是如何基于不同特征做出预测。通过分析样本的Shapley值与各变量之间的关系，SHAP可以评估各变量对成绩预测的具体影响。图4（a）展示了SHAP汇总图，其中横轴表示SHAP值，用于量化每个变量对模型输出的贡献大小。点越远离中心线（零点），该变量对模型输出的影响越大。纵轴则按变量重要性从上到下排列，每个点的颜色变化（从浅到深）代表该变量的值从低到高，点的密度则反映了数据集中该特征值的分布情况，揭示了特征值的集中趋势（Colak Oz et al., 2023）。由于每个变量的SHAP值分布范围不同，将所有样本的SHAP值取绝对值后求平均，可以得到每个变量特征的整体重要性。如图4（b）所示，横轴表示重要程度，纵轴表示特征变量。

图4 影响成绩的特征变量SHAP值分布

图4的结果表明，平时作业成绩是预测学生成绩最重要的变量，其通过形成性评价机制有效促进学生的元认知调节与学习策略优化（Nicol & Macfarlane-Dick, 2006）。其次，平台登录时长、协作发言质量、讨论参与时长和次数等也能显著预测学习成绩，这些变量主要反映了学生在在线学习平台的参与程度及实践项目中的表现，表征了学生的参与度和学习投入水平。具体而言，平台登录时长体现了学生在自我调节学习中的计划与执行能力（乔丽方 等, 2022），表明其具备持续的学习动机和良好的时间管理能力，是预测学习成功的重要因素。协作发言质量通过展现学生的认知投入和差异化特征（刘清堂 等, 2024），有效揭示了学习深度。高质量的协作发言，如批判性质疑和概念重构，能有效引发认知冲突并促进高阶思维发展，符合列夫•维果茨基（Vygotsky, L.）提出的社会文化理论所强调的社会互动促成认知发展机制（王光荣, 2014）。同时，讨论参与时长与次数作为学生活跃度的量化指标，不仅展示了其学习过程中的持续参与和社交互动能力，还揭示了知识建构的社会化过程，其预测效应支持了社会建构主义理论，即协作对话驱动认知发展（Mercer, 1996），强调社交参与不仅是学习的外在表现，更是认知发展的动力机制。值得注意的是，这些变量相互作用，高频参与讨论的学生往往能发表高质量言论，显示社交互动可以强化认知加工，促进知识内化，形成“参与—反馈—提升”的良性循环。相较而言，静态个体特征（如性别、先前知识水平）对学生成绩的预测作用相对较弱，这一发现与过程性数据较静态特征更具预测效度的研究结论一致（Tempelaar et al., 2021）。

这些发现凸显了学习过程中主动参与和高质量互动的重要性，表明它们在预测学习成绩方面起着关键作用，而传统被认为重要的变量，如性别和先前知识水平，在此模型中的影响则相对较小。这些结果为教学实践提供了重要启示，教师应结合动态学习行为分析方法，关注学生的参与频次与互动质量等关键维度，实施数据驱动的精准教学干预。尤其是对于参与度不足或互动较少的学生，教师可以采用引导性讨论、同伴互助等方式，提升学生学习投入和参与水平，从而有效改善学习效果。

五、

研究讨论与启示

（一）研究讨论

在混合学习中，分析学生的学习过程、预测其成绩并提供精准的个性化反馈和干预措施，是当前混合教学研究的核心议题。尽管已有多项研究探讨了学生成绩预测方法，但混合学习环境因其独特的数据特性而具有特殊挑战。阿迪蒂亚•谢沙德里（Sheshadri, A.）等指出，混合学习生成的数据面临更多挑战，主要是因为这些数据往往缺乏对学生日常行为细节的全面反映，因此通常难以完整描述学生的综合表现（Sheshadri et al., 2019）。本研究收集了两门混合课程中学生学习过程数据，涵盖了六大类别共12个变量，包括学生的人口统计学变量、先前知识水平、平时作业成绩、实践项目表现、平台参与表现和知识掌握度等。这些变量全面反映了学生线上和线下的参与情况，为构建精准且有效的成绩预测模型提供了多元且丰富的数据基础。

本研究基于AutoML构建了一个高效的混合学习成绩预测智能模型。经过综合比较，AutoML预测模型在多个评估指标上（如R2、RMSE和MAE）均显著优于传统单一模型（如支持向量机、神经网络）以及其他集成学习方法（如XGBoost、随机森林）。此外，在另一门采用相同混合学习教学模式的课程中对模型进行了验证，结果表明该模型具有较高预测精度，能够提供准确的成绩预测结果。通过使用AutoML，本研究不仅实现了成绩预测过程的自动化，而且显著降低了模型构建和应用的技术难度，使教师等非专业用户能够高效使用这一工具。本研究验证了AutoML在提升模型准确性和操作效率方面的显著优势，为精确预测学生学习成绩提供了一个可靠的方法。

本研究应用SHAP深入分析了影响学生混合学习成绩的关键变量及其重要性，揭示了各变量在整体成绩预测中的贡献度和相互关系。相比于传统回归方法，SHAP通过利用Shapley值量化每个变量对成绩预测的具体贡献，有效增强了模型的可解释性和可信度。研究发现，平时作业成绩是影响学生成绩的最关键因素，这与陆等（Lu et al., 2018）的研究结果一致，他们指出常规考试分数和测验分数能有效预测学生最终成绩。从教育心理学视角看，持续性的评估机制能够促使学生定期复习和巩固知识，有助于形成稳定的知识结构，从而提升学习效果。此外，平台登录时长、协作发言质量、讨论参与时长和次数等平台参与表现及实践项目表现，均对学生成绩具有显著影响。这一发现凸显了协作学习在知识建构中的重要性，表明协作与交流是深化理解与培养批判性思维的关键途径，与陈等（Chen et al., 2023）的研究结果一致，即在混合课程中表现优异的学生通常在课堂互动与小组活动中展现出更高参与度。相比之下，学生的先前知识水平和性别对学习成绩影响相对较小。这与焦等（Jiao et al., 2022）的研究结论相符，表明不同背景知识水平的学生通过课程学习后能达到类似的成绩水平。这可能是因为课程的设计和协作学习策略能够在一定程度上弥补先前知识的差异，使学生获得相对均衡的知识和技能。

总之，本研究不仅识别了影响学习成绩的关键变量，还为混合学习环境下的课程设计和教学干预提供了有力的数据支持，使教师能够根据学生在课程学习过程中的表现进行精确干预和指导，优化教学资源配置，从而提高教学效率和质量。特别是在实践性课程中，本研究构建的模型能够有效评估学生的过程表现，为教师提供深入理解学生学习过程的工具，并针对性地进行教学调整。研究结果凸显了数据驱动的教学干预策略的重要性，为科学精准的教育决策提供了实证依据。

（二）研究启示

1. AutoML在混合学习成绩预测中的优越性

混合学习中的成绩受多种因素影响，因此提升其预测准确性和高效性成为一个挑战。本研究所提出的AutoML预测模型，虽未显示展开具体算法组合及其超参数设置过程，但正是其内置的自动化、自适应优化策略，使得无须人工干预即可高效地获得最佳模型配置。这种机制有效避免了手动调参带来的主观性和局限性，充分体现了AutoML在教育实践中应用的易用性与高效性，满足了教育领域快速、精准且易操作的技术需求。AutoML在混合学习成绩预测中展现出显著的潜力，主要表现在以下几个方面：1）提高了预测模型的开发效率。通过自动化的模型选择和超参数调优，AutoML减少了对专业知识的依赖，使教育者能够更容易地部署和使用高效的学习成绩预测模型。2）增强了对学生行为变化的响应能力。AutoML的高效特性使其能够根据输入数据（如学生的互动频率、讨论参与度等动态数据）进行实时分析，快速捕捉学生行为的变化趋势。依据这些变化，教师可以提供关于学生学习进度和参与质量的详尽反馈。3）促进了个性化教学策略的实施。通过准确分析学生的学习行为和成绩表现，教师可以为每位学生定制个性化的学习计划，以适应他们的学习速度和能力，从而优化教学资源的配置和使用，提升教学效果。

2. 在混合学习场景中应用成绩预测模型的建议

本研究构建的成绩预测智能模型为混合教学中的学习诊断和个性化支持提供了数据驱动的决策依据，有效促进教师在混合学习环境下实施精准教学。1）本模型基于AutoML开发，这不仅克服了教育数据小样本条件下的建模挑战，还通过自动化调参实现了高效且准确的成绩预测；2）基于SHAP分析揭示了关键学习行为与学习成绩之间的量化关系，为精准教学干预提供了可解释的数据支持。该模型不仅提升了学业风险识别的时效性，更通过可解释的行为特征分析，使教学干预更具针对性。

本研究发现，在混合学习中，学生的最终成绩与其平时作业成绩、实践项目参与表现和平台参与表现等密切相关。基于此，提出以下几点在混合学习中应用成绩预测模型的建议：1）平时作业成绩作为形成性工具。平时作业成绩是预测学生表现的最关键变量，建议教师将平时作业成绩用作形成性评价工具，而非仅仅作为总结性评价工具，通过阶段性公布成绩激发学生在课程中取得更好成绩的动力。2）提升学生学习过程中的参与度。与前人研究结果（Jiao et al., 2022）一致，本研究表明学生的参与度是其学习表现和成效的关键指标。一般来说，在课堂讨论和在线学习平台中更积极参与的学生，往往在课程中表现更为优异。为了进一步促进学生的积极参与，建议结合人工智能技术，开发相应的群体感知工具来实时监控并反馈学生在学习过程中的表现，包括协作讨论的发言时长和次数、平台登录频率以及资源的使用情况。此外，这些工具还应提供表现优秀的小组和班级成员的活跃度信息，从而进一步激励所有学生的积极性。3）关注发言质量。学习者的发言质量会显著影响其学习成绩。发言质量在一定程度上反映了学习者对知识点的掌握程度以及是否进行了深入思考，从而体现了其高效、高质量完成任务的能力。然而，在协作学习过程中，学习者往往意识不到其发言质量的重要性。基于此，教师可以借助人工智能和深度学习技术实现话语智能化编码，并提供及时反馈。例如，在协作知识建构的会话中（马志强 等, 2022），通过实时反馈系统鼓励学生进行更深入的思考和讨论。这样的技术应用不仅增强了课堂互动的质量，还促进了学生对知识的深层理解和应用。

六、

结语

本研究基于AutoML，开发了一种用于混合学习环境中的学生成绩预测智能模型，显著提高了成绩预测的准确性。利用SHAP进行模型的可解释性分析，揭示了影响学生成绩的关键变量，特别强调了学生动态参与数据的重要性。基于自动化预测模型和数据驱动的教学策略不仅能极大提高教育研究和实践的效率，也突出了技术在促进教育个性化和优化学习成效评估中的关键作用。通过实施这些策略，教育者可以更有效地设计和实施教学策略，从而优化学生学习成效。然而，本研究仍存在一些挑战。首先，在预测模型开发过程中，输入变量的数据清理和分析，尤其是学生话语内容的手动编码，仍然存在工作量大、主观性强等问题。未来的工作应致力于整合自动内容分析技术，以构建具备端到端、实时化等特点的预测模型。其次，尽管本研究通过将一门混合学习课程的数据作为训练数据集，另一门课程的数据作为验证数据集，初步验证了模型在跨课程场景中的迁移能力，但目前所用数据集在学科覆盖度与教学模式多样性上仍存在一定局限。为全面评估模型的可扩展性和适应性，未来研究将纳入更广泛的学习行为数据，利用不同混合学习课程进行多次迭代验证，全面测试模型在不同教育环境的普适性。最后，本研究仅利用学生数据进行成绩预测，未来将进一步强化成绩预测智能模型在教育领域的应用，探索如何利用早期学习行为数据进行有效干预，以提升精准教学的实际效果。

参考文献

班文静, 姜强, & 赵蔚. （2022）. 基于多算法融合的在线学习成绩精准预测研究. 现代远距离教育（3）, 37-45.

刘玲, & 汪琼. （2021）. 混合教学模式下学生学习投入的特点及影响因素研究. 现代教育技术（11）, 80-86.

刘清堂, 苗恩慧, 郑欣欣, 尹兴翰, & 李小娟. （2024）. 教学代理的个性化情感反馈对大学生在线同步讨论学习投入的影响研究. 远程教育杂志（4）, 31-39, 63.

罗杨洋, & 韩锡斌. （2021）. 基于增量学习算法的混合课程学生成绩预测模型研究. 电化教育研究（7）, 83-90.

罗杨洋, & 韩锡斌. （2022）. 混合课程学生成绩预测模型的可解释性探究. 中国远程教育（6）, 46-55.

马志强, 郭文欣, & 王萌. （2022）. 面向协作知识建构会话内容的智能挖掘分析. 现代远距离教育（1）, 3-13.

乔丽方, 赵蔚, 段红, & 徐晓青. （2022）. 基于隐马尔可夫模型的学习者在线自我调节学习过程挖掘——时间动力学视域下的分析. 电化教育研究（10）, 57-64.

舒莹, 姜强, & 赵蔚. （2019）. 在线学习危机精准预警及干预：模型与实证研究. 中国远程教育（8）, 27-34, 58, 93.

孙皓, & 宋平平. （2022）. 大数据环境下在线学习绩效的监测预警模型构建与应用——基于非线性门限回归模型. 现代远距离教育（5）, 20-29.

王改花, & 傅钢善. （2019）. 网络学习行为与成绩的预测及学习干预模型的设计. 中国远程教育（2）, 39-48.

王光荣. （2014）. 发展心理学研究的两种范式——皮亚杰与维果茨基认知发展理论比较研究. 华中师范大学学报（人文社会科学版）（5）, 164-169.

王莹, 肖宏伟, & 徐扬. （2017）. 基于移动互联网的在线学习成绩评价模型研究. 中国电化教育（3）, 132-137.

锡南•厄兹代米尔, & 迪夫娅•苏萨拉. （2019）. 特征工程入门与实践（庄嘉盛 译）. 人民邮电出版社.

许炜, 刘文同, 詹晓庆, 徐学军, & 陈小丽. （2021）. 基于大学课堂学习行为的成绩预测方法研究. 现代教育技术（6）, 104-111.

Adejo, O. W., & Connolly, T. (2018). Predicting student academic performance using multi-model heterogeneous ensemble approach. Journal of Applied Research in Higher Education, 10(1), 61-75.

Agrapetidou, A., Charonyktakis, P., Gogas, P., Papadimitriou, T., & Tsamardinos, I. (2021). An AutoML application to forecasting bank failures. Applied Economics Letters, 28(1), 5-9.

Bernacki, M. L., Chavez, M. M., & Uesbeck, P. M. (2020). Predicting achievement and providing support before STEM majors begin to fail. Computers & Education, 158, 103999.

Chen, R., Lai, F., Li, Y., & Wang, X. (2023). Genetic programming-enabled prediction for students academic performance in blended learning. In M. B. Frutos, F. Paas, & M. Ohland (Eds.), Proceedings of the 15th International Conference on Education Technology and Computers (pp.297-303). ACM Press.

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj Computer Science, 7, e623.

Colak Oz, H., Güven, Ç., & Nápoles, G. (2023). School dropout prediction and feature importance exploration in Malawi using household panel data: Machine learning approach. Journal of Computational Social Science, 6(1), 245-287.

Conijn, R., Van den Beemt, A., & Cuijpers, P. (2018). Predicting student performance in a blended MOOC. Journal of Computer Assisted Learning, 34(5), 615-628.

He, X., Zhao, K., & Chu, X. (2021). AutoML: A survey of the state-of-the-art. Knowledge-Based Systems, 212, 106622.

Jiao, P., Ouyang, F., Zhang, Q., & Alavi, A. H. (2022). Artificial intelligence-enabled prediction model of student academic performance in online engineering education. Artificial Intelligence Review, 55(8), 6321-6344.

Kotthoff, L., Thornton, C., Hoos, H. H., Hutter, F., & Leyton-Brown, K. (2017). Auto-WEKA 2.0: Automatic model selection and hyperparameter optimization in WEKA. Journal of Machine Learning Research, 18(1), 826-830.

Lu, O. H., Huang, A. Y., Huang, J. C., Lin, A. J., Ogata, H., & Yang, S. J. (2018). Applying learning analytics for the early prediction of students’ academic performance in blended learning. Journal of Educational Technology & Society, 21(2), 220-232.

Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. In U. von Luxburg, I. Guyon, S. Bengio, H. Wallach, & R. Fergus (Eds.), Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 4768-4777). Curran Associates, Inc.

Luo, Y., Han, X., & Zhang, C. (2024). Prediction of learning outcomes with a machine learning algorithm based on online learning behavior data in blended courses. Asia Pacific Education Review, 25(2), 267-285.

Mercer, N. (1996). The quality of talk in children’s collaborative activity in the classroom. Learning and Instruction, 6(4), 359-377.

Mingyu, Z., Sutong, W., Yanzhang, W., & Dujuan, W. (2022). An interpretable prediction method for university student academic crisis warning. Complex & Intelligent Systems, 8(1), 323-336.

Mnyawami, Y. N., Maziku, H. H., & Mushi, J. C. (2022). Enhanced model for predicting student dropouts in developing countries using automated machine learning approach: A case of Tanzanian’s secondary schools. Applied Artificial Intelligence, 36(1), 2071406.

Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199-218.

Ouyang, F., & Chang, Y. H. (2019). The relationships between social participatory roles and cognitive engagement levels in online discussions. British Journal of Educational Technology, 50(3), 1396-1414.

Sekeroglu, B., Dimililer, K., & Tuncal, K. (2019). Student performance prediction and classification using machine learning algorithms. In M. D. Ventura (Ed.), Proceedings of the 2019 8th International Conference on Educational and Information Technology (ICEIT 2019) (pp. 7-11). ACM Press.

Shanthini, A., Vinodhini, G., & Chandrasekaran, R. M. (2018). Predicting students’ academic performance in the university using meta decision tree classifiers. Journal of Computer Science, 14(5), 654-662.

Sheshadri, A., Gitinabard, N., Lynch, C. F., Barnes, T., & Heckman, S. (2019). Predicting student performance based on online study habits: A study of blended courses. In K. E. Boyer, & M. Yudelson (Eds.), Proceedings of the 11th International Conference on Educational Data Mining (EDM 2018)(pp.402-407). International Educational Data Mining Society.

Tempelaar, D., Rienties, B., & Nguyen, Q. (2021). The contribution of dispositional learning analytics to precision education. Educational Technology & Society, 24(1), 109-122.

Truong, A., Walters, A., Goodsitt, J., Hines, K., Bruss, C. B., & Farivar, R. (2019). Towards automated machine learning: Evaluation and comparison of AutoML approaches and tools. In L. O’ Conner (Ed.), Proceedings of the 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI)(pp. 1471-1479). IEEE Press.

Tsiakmaki, M., Kostopoulos, G., Kotsiantis, S., & Ragos, O. (2020). Implementing AutoML in educational data mining for prediction tasks. Applied Sciences, 10(1), 90.

Xu, Z., Yuan, H., & Liu, Q. (2020). Student performance prediction based on blended learning. IEEE Transactions on Education, 64(1), 66-73.

Yeo, J. H., Cho, I. H., Hwang, G. H., & Yang, H. H. (2022). Impact of gender and prior knowledge on learning performance and motivation in a digital game-based learning biology course. Educational Technology Research and Development, 70(3), 989-1008.

Zeineddine, H., Braendle, U., & Farah, A. (2021). Enhancing prediction of student success: Automated machine learning approach. Computers & Electrical Engineering, 89, 106903.

Zhao, W., Feng, S., Liu, J., & Sun, B. (2023). An explainable intelligent algorithm for the multiple performance prediction of cement-based grouting materials. Construction and Building Materials, 366, 130146.

How to Predict Blended Learning Performance Accurately: Intelligent Model Construction and Interpretability Analysis

Guo Qian, Zhao Wei, Jiang Qiang, Lan Guoshuai, Xu Xiaoqing

Abstract:The importance of blended learning has become increasingly prominent, highlighting the necessity of predicting students’ academic performance based on their learning behaviors for personalized instructional guidance in this context. However, due to the lack of sufficient quantification and utilization of blended learning process data, as well as the difficulty in accurately capturing the nonlinear relationships between learning behaviors and performance, current student performance prediction models still face numerous challenges in terms of prediction accuracy, practicality, and interpretability. By utilizing students’ online and offline learning process data and integrating collaborative learning approaches, this study employs Automatic Machine Learning (AutoML) to develop an intelligent model for predicting performance in blended learning environments. The results demonstrate that the AutoML prediction model outperforms comparative models in terms of three performance metrics: R-square (R2), root mean square error (RMSE), and mean absolute error (MAE), achieving superior predictive accuracy and generalization capabilities compared to traditional machine learning models. Furthermore, using the SHAP (SHapley Additive exPlanations) method, this study explores the impact of different variables on the prediction outcomes. The results indicate that the main variables influencing students’ academic performance include regular assignment scores, platform login duration, quality of collaborative discussion contributions, and duration of discussion participation. In contrast, prior knowledge level and gender have no significant impact on performance. The findings of this study provide robust support for educators to promptly monitor students’ learning progress and offer personalized feedback and interventions.

Keywords:blended learning; performance prediction; Automatic Machine Learning; prediction model; SHAP

作者简介

郭倩，东北师范大学信息科学与技术学院博士研究生（长春 130117）。

赵蔚，东北师范大学信息科学与技术学院教授（通讯作者：zhaow577@nenu.edu.cn 长春 130117）。

姜强，东北师范大学信息科学与技术学院教授（长春 130117）。

兰国帅，河南大学教育学部副教授（开封 475004）。

徐晓青，东北师范大学信息科学与技术学院博士后（长春 130117）。

基金项目

国家自然科学基金2020年度面上项目“网络学习空间中的学习风险预警模型和干预机制研究”（项目编号：62077012）

责任编辑：单玲

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI） 来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊） 核心期刊、中国科学评价研究中心（RCCSE） 核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区复兴路75号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn

来源丨中国远程教育微刊

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。