来源：期刊VIP网 时间：
作者：郭倩;赵蔚;姜强;兰国帅;徐晓青;
单位：东北师范大学信息科学与技术学院;河南大学教育学部;
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（R~2）、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
基金资助：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)
