数智时代的高校学困生智能诊断模型研究*

2023-11-28晋欣泉马志强

现代教育技术 2023年11期

晋欣泉姜强马志强赵蔚

数智时代的高校学困生智能诊断模型研究*

晋欣泉1姜强2[通讯作者]马志强1赵蔚2

（1．江南大学江苏“互联网+教育”研究基地，江苏无锡 214122；2．东北师范大学信息科学与技术学院，吉林长春 130117）

高校学困生是制约高等教育人才培养质量提升的客观存在，精准智能诊断是推进教育高质量发展的重要驱动力。然而，数智时代以学业成绩预测、机器决策主导为牵引的高校学困生诊断研究面临特征指标单维度、数据建模程序化、机器反馈单向度等现实困境。基于此，文章首先从特征要素识别、建模方法应用两个方面，梳理了高校学困生诊断的相关研究成果。随后，文章依托全方位特征画像、可识别学困推理、协同式智能诊断的设计思想，构建了包含特征数据获取、算法建模分析、诊断决策反馈三个环节的高校学困生智能诊断模型。最后，文章通过案例分析验证了此模型的可行性与有效性。文章的研究可为学业风险预警与干预研究提供理论参考，并为全面监测与管理高校学困生提供实践指导，有助于精准学业诊断成果的落地与推广。

高校学困生；智能诊断；数智技术；人才培养

在高等教育招生规模逐年稳定增长与本科生培养质量日益严格把控的叠加效应下，高校人才培养风险（含挂科、延期、肄业、退学等学困问题）愈加凸显[1]。然而，从实践层面来看，目前与大规模人才资源总量不相称的高校学困生人数日益增加，极易造成高质量人才培养进程中的质量危机，因此如何加强对高校学困生的智能诊断引起了广泛关注[2]。但在由学分绩点驱动的大学场域内，功利化评价标准和异质性学习过程为及时、准确地识别高校学困生带来了挑战[3]，且当前高校存在的单维成绩分析、滞后性结果诊断等问题也亟待解决。随着教育数字化转型的进程加速，加上数字孪生、生成式人工智能等数字技术的迭代升级及其在教育实践中的常态化应用，教育评价研究逐渐进入数智发展新阶段，其强调以多源学习数据为关键要素、以智能算法建模为主要载体、以转型发展的融合应用为驱动力[4]，推动着高校学困生诊断研究向核心特征数据监测与透明算法推理规则协同演进的方向发展。基于此，本研究遵循教育教学规律，紧密围绕阻碍学习者学业进程的关键痛点，利用数智技术，积极探索构建高校学困生智能诊断模型，以期为识别教育问题、预控学业风险提供参考，并促进数智时代高等教育的高质量发展。

一高校学困生诊断的相关研究

高校的“学困生”也称“学业预警学生”“学习失败学生”等，是指在普通高等教育学校中智力正常且接受正常教育、但具有难以顺利完成学业倾向的本科生[5]。已有研究对高校学困生的诊断主要从特征要素识别、建模方法应用两个方面展开：

1 诊断高校学困生的特征要素识别

特征要素识别是对高校学困生核心特征或导致学业困难发生关键因素的分析鉴定。通常在相关理论的指导下，研究者采用文献调研、质性数据挖掘、相关性分析等方法对高校学困生进行观察与分析，从教育学、经济学、心理学等多学科视角识别其特征要素：①从教育学视角，多以Kennedy等[6]提出的二维辍学理论模型、Tinto[7]提出的学生辍学理论等为指导，通过问卷量表从个体属性、社交系统、学业环境等方面探究影响学习者辍学的关键特征要素[8]；②从经济学视角，强调以人力资本理论、劳动力市场分割理论等为主导，解释学生辍学现象的产生，认为辍学行为的选择取决于个体对学习投入成本、感知价值收益、辍学机会成本等损益关系的权衡[9]；③从心理学视角，依托自我效能理论、认知情感理论等，采用个案访谈、扎根理论等方法，探究人格特质、情感状态、学习动机等非认知因素对学习者学习成绩的影响[10]。虽然以往研究从不同视角探究了高校学困生的特征要素，但多以对前期研究的理论推导或对特定在线学习实践的经验归纳为主，而缺乏对影响学业成绩的各特征要素的详细描述，难以实现对诊断高校学困生关键要素及其相互关系的定量刻画和价值判断。

2 诊断高校学困生的建模方法应用

目前，对高等教育本科生的评价仍然以考试分数与学分绩点为主[11]，而此种静态评判方法并不适用于学困生诊断。对此，研究者倾向于利用数理统计方法和智能算法，并以学习特征数据为基础，构建学业成绩预测模型，以实现对高校学困生的诊断[12]。常用的高校学困生诊断建模方法主要有两种：①人工驱动的判定方法，是指基于问卷调查、访谈观察等得到的数据，采用回归分析方法建立不同特征要素与学业成绩的关联关系，通过计算得到成为高校学困生的预测概率[13]；②机器主导的分析方法，是指以在线学习数据为基础，采用单一算法或多算法融合的智能技术，构建用于识别学业风险学习者的预警模型，通过学习行为规律的智能推演、特定课程成绩的智能预测等结果反馈，达到提早诊断高校学困生的目的[14][15]。而无论是人工判定还是机器分析，诊断模型构建的重点都在于提升预测学业成绩的准确度。但是，对全面育人理念的重视程度不够、依靠分析技术或智能算法的单向结果输出使决策过程及结果的可解释性受限、忽略教育主体的自主评判与反馈等问题，使得有效的教育干预策略难以形成。

上述诊断高校学困生的特征要素识别与建模方法应用，为高校学困生智能诊断模型的构建提供了有效参考，但目前诊断模型仍然面临特征数据标签不全面、分数导向片面判定、脱离主体评价反馈等挑战。而以数据驱动、技术适配和多元决策为核心理念的数智技术，实现了对教育主体偏好需求与发展前景的精细化研判，可有效解决高校学困生特征数据冗余与诊断决策单向度输出的问题。基于此，本研究利用数智技术，构建高校学困生智能诊断模型，并通过案例分析来验证此模型的可行性与有效性。

二高校学困生智能诊断模型的构建

在当前扎实推进教育数字化转型的政策语境下，诊断高校学困生面临由高等教育普及化发展带来的学习者特征多元异质性新问题、智能技术常态化应用带来的学困生诊断推理可解释性新诉求、算法模型同质化输出带来的人机协同决策新议题。为实现对学业风险学习者的智能诊断，本研究从数智时代全方位特征画像、可识别学困推理、协同式智能诊断的视角对诊断高校学困生进行重新审视，构建了高校学困生智能诊断模型。

1 模型的设计思想

（1）从单维度学业成绩转向全方位特征画像

我国高等教育已跨越到世界公认的普及化发展阶段，扩招规模总量激增，但随之而来的是学习者生源多元化和异质性特征日益凸显，学习需求也更加模糊多变[16]。以往对不同高校各专业学生的评价多通过学业成绩来表征课程知识的获得量，尽管这种做法对于教学管理与人才甄别发挥了一定作用，但过于注重单维度学科知识掌握程度的碎片化评分规则忽视了学生在问题解决过程中的思维特质表现[17]。考虑到学习者学业困难的产生是在长期学习过程中多重要素协同作用、逐渐演化导致，而量化式的总结性评判方式易使高校学困生的诊断片面化。因此，为精准识别学生是否处于学业困难状态，数智时代的高校学困生智能诊断模型需要对学生学习过程与结果进行全方位特征画像，通过提供完整、全面的数据应用支撑，实现从单维度学业成绩预测转向多维度数据综合表征，以多源数据驱动的方式助力精准诊断高校学困生。

（2）从程序化数据建模转向可识别学困推理

在数智技术的支持下，海量教学数据可以被实时采集与记录。借助结构化算法模型，将学习者标注描述为量化数据的集合体，可使教育质量评价更加精准。然而，评价的目的是促进学习者全面发展，偏离为服务于育人教学活动而开展的程序化数据建模易为学习者提供遵循特定规则的偏向性、单一化学习路径，这无疑窄化了学习者的自由发展道路[18]。因此，数智时代高校学困生智能诊断模型的构建应以人类可解释的方式提高算法自动化决策的透明度。相较于传统以专家知识为基础的黑箱决策系统，探索结合预建模解释和建模后解释方法的诊断模型能更清晰地识别数据输入特征与公开算法决策依据，可在建模阶段根据特征重要性值排序进行指标筛选，在训练建模后进行特征决策贡献分析，向师生解释自动化诊断决策所依据的学困特征要素与计算推理规则。这一可识别的学困推理过程不仅增强了师生的技术信任，也促使教育主体在理解智能机器决策的基础上，对机器提供的学习支持服务进行理性判断与合理选择，为及时优化高校学困生智能诊断模型决策提供有力支撑。

（3）从单向度被动接受转向协同式智能诊断

传统以提升模型评价指标性能为目的、以单向度决策被动接受为应用路径的学业预警研究已不再适应数智时代下人机协同教育决策的发展趋向，且忽视了教师、学生、管理者等多元主体对机器智能决策的主观体验[19]；而数智赋能的教育评价研究，实现了学业诊断系统的多特征要素整合、多算法技术集成与多主体协同参与。基于理解媒介视角，唯有在与人的相互作用中，孤立状态、无意义的诊断模型方能实现自身意义和存在[20]。因此，无论是以人工智能为代表的技术革新时代的倒逼还是教育全面数字化转型发展的诉求，具有超强运算推理速度的智能机器技术与具有自主教学和教学智慧的多元人类主体的协同式智能诊断是大势所趋。机器提供多元算法模型与强大数据计算能力辅助确定每位主体的潜在学困概率，教师则依靠直觉经验与情境感知对机器决策进行精准评判，通过人机交互协商为学生提供更加准确、独特的学习支持服务，且在与学习者协商的过程中进一步提供实时学情诊断与适切路径匹配建议，有助于实现规模化培养与个性化指导的均衡发展。

2 模型构建

模型输入数据的质量与建模方法的选择，是精准诊断的重要保障。依托全方位特征画像、可识别学困推理、协同式智能诊断的设计思想，本研究采用质性和量化相结合的方法获取高校学困生特征指标，并利用随机森林进行数据化建模分析与评价，对学习者是否为学困生进行识别与分类，同时通过特征重要性可视化方法来提升诊断反馈结果的可解释性，为精准诊断高校学困生提供支撑。在此基础上，本研究构建了包含特征数据获取、算法建模分析、诊断决策反馈三个环节的高校学困生智能诊断模型，如图1所示。

图1 高校学困生智能诊断模型

（1）高校学困生特征数据获取

作为诊断模型的支撑脉络，特征数据贯穿于高校学困生研判决策的全过程，是数智时代教育研究的核心要素。高校学困生特征指标是指处于挂科、预警、肄业等学困状态的学习者不同于其他类型学习者所可能表征出的一系列可测量学习特点，既是识别高校学困生的重要依据，也是驱动多元主体在各诊断环节协同反馈的纽带。由于主体学习数据具有高度复杂性、生成性等特点[21]，故构建高校学困生智能诊断模型的逻辑起点在于针对预先确定的研究对象，从其生成的大数据中提取出能够有效阐释、证明教育意义的特征数据集[22]，流程主要如下：①确定研究对象范围，梳理多元特征。由行为、认知、情感构成的三维学习投入度，作为解释学业表现差异的重要预测变量[23]，已被广泛应用于构建学习者画像[24][25]，以概括性表征学习者在学习过程中的主动参与、智力努力和情感反应。基于已有的学习投入量化分析研究成果[26][27]，结合专家、学者的意见和预警学生的特征挖掘，本研究以学习投入为切入点，从行为投入边缘、认知投入困惑、情感投入消极三个维度设计了高校学困生特征指标，如表1所示。②明确可操作性定义，量化标签体系。学习主体的能动差异性和教育数据的多源异构性决定了过程性学习数据难以完整记录，为确保特征标签量化的质量，本研究采用多元主体协商达成共识的方法，明确特征可操作性定义；采用专家咨询法和行为事件访谈法，建立不同特征维度与多源数据的映射关系；采用定量与定性相结合的方法，设置各特征的量化标签体系。③提取有用特征，形成特征数据集。考虑到教育现象多表现出难以观测、内隐性强等特点，故在实际教学情境中，本研究依托上述初步构建的高校学困生特征指标，常采用静态人工标记、自我报告描述、动态程序记录等方式，从现有平台系统、问卷访谈数据中提取有用特征；同时，采用权重计算法、智能算法模型等量化处理方法，提取数据与特征标签之间的相互关系，以综合比较、重组、抽取关键特征数据标签，形成全面且合理的高校学困生特征数据集。

表1 高校学困生特征指标

（2）高校学困生算法建模分析

算法建模是高校学困生智能诊断模型的关键内核。数智时代催生了更多以数字和智能为核心的前沿技术，为构建可解释性诊断模型提供了技术支持。以高校学困生特征指标为输入，以机器学习算法模型为支撑，通过合理、规范的训练测试过程，可有效识别出具有学业困难的学习者，流程主要如下：①基于随机森林的高校学困生优选特征选择。多维度特征变量作为算法模型的数据输入，其合理性影响着模型诊断高校学困生的效率和精度。作为集成多个决策树的组合学习分类器算法，随机森林具备的可识别多余或无关变量特征、可视化特征变量的重要性值等特性有效契合了高校学困生诊断模型的构建需求[28]。基于此，可通过计算输出特征指标的相对重要性进行特征选择，筛选出优选特征数据集。②基于机器学习的高校学困生智能诊断模型构建。诊断建模实质上是一个学习者是否为学困生的二分类判断问题。将优选特征样本数据随机划分为测试集和训练集，利用不同机器学习分类算法对其进行训练建模与调优分析，在评价各模型重要参数的基础上，选择最佳分类器构建具有良好精准度的高校学困生智能诊断模型。

（3）高校学习者诊断决策反馈

诊断决策反馈是高校学困生智能诊断模型的后控环节，是多元参与主体对特征数据、算法建模等环节的协同评价与决策反馈。在验证模型输出结果有效性的基础上，本研究以高校学困生的特征向量贡献值为解释变量，深度解析智能诊断模型的决策依据和逻辑，通过纠正偏差对模型进行更新，优化高校学困生诊断模型的输出结果，并为干预策略的制定提供有效支撑，流程主要如下：①基于算法模型的学习者实际类别检验。基于算法模型，输入学习者的高校学困生特征数据，即可得到该学习者是否处于学业困难学习状态的输出结果。依据模型决策，学习者可划分为学困生和非学困生两种类型。②基于可视化表征的特征向量贡献值。通过对已识别的高校学困生内部决策过程的进一步可视化输出，在重点评估与对比分析不同特征要素贡献值的基础上，全面衡量各个特征的重要程度对导致学业困难形成的作用或影响，来为协同决策提供支撑。③基于多元主体参与的协同优化诊断决策。立足学生、教师、管理者等多元学习主体对诊断决策合理性与可信度的评价反馈，以可理解的诊断决策输出过程为支点，从技术端完善数据收集与分析规范，从应用端优化教育干预设计，实现价值理论与技术理论的嵌套共融，协同推进以学习者为中心、可解释高校学困生诊断模型的智能进化。

三高校学困生智能诊断模型的应用

为验证高校学困生智能诊断模型的可行性和有效性，本研究以东北地区D大学的79名大三学生为研究对象，于2022年3～6月采用有目的抽样、滚雪球抽样等方法访谈调查学困情况，从中抽取高校学困生特征，建立诊断模型。征得每位学生知情同意后，本研究参照学术界对学困生的概念界定和高校发布的本科生学业预警工作通知中的相关判定标准，基于D大学教务系统中导出的学籍信息和补考前课程成绩，将经历过课程挂科、学业预警、缓退试读或退学警告的24名学生标记为学困生，其余55名学生标记为非学困生，以作为诊断模型的训练输出依据。

1 特征数据获取

鉴于学习情境的不确定性和各专业课程设置的多元性，为准确了解不同专业学习者在大学学习中的特征表现，本研究采用问卷量表、深度访谈、系统日志等方式，获取D大学学困生的特征指标数据；同时采用李克特5点量表，根据学习者访谈文本进行特征量化定义，并辅以在线学习痕迹数据和教务系统平时分予以验证，获取各特征维度的表征数据值，以此作为诊断模型的输入数据源。

2 算法建模分析

本研究随机等比例划分70%的样本数据用于建模训练、30%的样本数据用于测试评价，之后以是否为学困生的二项分类作为标签，以D大学的学困生特征指标作为解释变量，输入随机森林模型进行训练。利用R语言随机森林程序中的Importance函数，经参数调整后本研究得到各特征的重要性评价（如图2所示），可以看出：此次研究对象中学习志趣消退度、学习意志匮乏性、人际关系疏离度、认知决策迷茫感、先验知识薄弱性、平时表现放纵度的特征重要性值均高于1，是重要性相对较强的高校学困生诊断指标；而其他指标的特征重要性值均低于1，可视为不重要特征指标。剔除这些不重要特征指标后，本研究进行了建模训练。

图2 各特征的重要性评价

本研究选择K最近邻、朴素贝叶斯、随机森林、梯度提升树、支持向量机五种较为常用的分类算法，分别以提取出的6个优选特征数据集和12个全集特征数据集作为数据输入进行建模分析，评估并比较不同算法模型的准确率、召回率、精确率、F1值等诊断性能，结果如表2所示。表2显示，相较于12个全集特征数据集，采用6个优选特征数据集的分类算法具有更高的预测准确率，可作为诊断的重要依据——其中，随机森林在高校学困生诊断任务上取得了良好的效果（准确率为79.2%、召回率为100%、精确率为68.8%、F1值为81.5%）。

表2 基于不同特征集的分类算法输出结果

图3 诊断模型的优选特征重要性值及诊断偏差学生特征值分布

3 诊断决策反馈

为深入理解算法数据的教育意义，本研究通过随机森林可视化输出6个优选特征数据集对高校学困生智能诊断模型的决策贡献值，并以5名被诊断为学困生但从未有过挂科经历的诊断偏差学生为研究对象，对比分析各特征维度值，得到诊断模型的优选特征重要性值及诊断偏差学生的特征值分布（如图3所示），可以看出：①在高校学困生智能诊断模型中，重要性排前三的依次是学习志趣消退度、认知决策迷茫感和学习意志匮乏性，说明高校学困生对专业内容的学习兴趣度普遍较低，且个体意志对认知的控制比较有限，经历学习障碍和困难时易引起主观心理惰性，多采用考前突击策略应对课程考核、通过求助同学获取考试重点、使用网络检索完成学业任务等浅层次学习策略。②5名学生都表现出比较匮乏的学习意志，其中学生A和学生B具有明显的学习志趣消退情况，学生B、学生C、学生D、学生E的认知决策迷茫感较强，故均被判定为具有一定程度的潜在学困倾向。但通过访谈得知，受合作学习任务的影响，学生A和学生B更多地扮演主导者角色，他们由于成员不积极参与讨论、集体评分有失公允等而对协同式课程学习模式表现出无兴趣特征，并非真正的学困生；而学生C、学生D、学生E具有很强的外部学习驱动力，多表现出被动参与特征，且在知识迁移、创新应用方面存在障碍，可被诊断为高校学困生。由此可见，高校的本科生并非同质性群体，在进行高校学困生精准识别的同时需要重视对学习者给予人文关怀，并结合识别的关键诊断特征，探析诊断运行逻辑与教育支持服务之间的价值关联，有机统筹不同研究者甄别高校学困生研判结果的有效性，进而建立以目标需求为导向的干预机制，协同推动干预过程中诊断反馈的迭代更新。

四结语

面对高等教育人才培养由追求“大规模”向“高质量”跃进的需求，积极探索并破解与高校内涵式发展不相匹配的高校学困生问题成为建设我国现代化进程中所需人才培养质量提升的核心落脚点。精准诊断高校学困生，既是多维数据与智能数据的建模、重构过程，也是各模型结构优化、组合的融合再建设过程。本研究从数智时代学困诊断研究的发展视角，提出包含特征数据获取、算法建模分析、诊断决策反馈三个环节的高校学困生智能诊断模型，并通过案例分析，采用量化与质性相结合的方法验证了诊断模型的有效性。由于高校学困生智能诊断模型的实践既是对现有学生学困状况的判定反馈，又是对后续设计学业干预策略的方向引领，故为实现从学业诊断、干预改进到再诊断、再干预的“以诊促改”，本研究从三个方面提出提升人才培养质量的引导性策略：

①基于意义阐释的兴趣觉察。兴趣是具有意志性的内在驱动力量，驱使主体产生指向确定目标的行动；而阐释是指对某种既定目标和达成路径的赞同理解。通过对学习价值的全面说明，如客观描述获得知识技能的市场优势、阐释完善认知体系实现的自我提升，可帮助高校学困生发现专业独特价值、觉察个体需求兴趣、唤醒学习持久动力。

②基于多元规则的双向调适。策略是为促进学习而主动采取的学习方法、规则等。相较于确定性评价，引入师生协同制定的弹性考核规则可被视为保障学习效率与自由的一种方式。因此在遵从教育管理规则的前提下，要建立多主体协商沟通机制，综合考虑不同高校学困生的专业属性、预期效果等多元诉求，达成协商性评价共识，促进学习策略的自主应用。

③基于动态平衡的柔性干预。干预是为学困生提供有计划的教育服务，以使预先设计的干预策略与灵活变化的动态需求之间产生现实共振。为此，需以系统思维统摄实施效果与柔性干预之间的平衡，通过应用全面、有效的观测指标，及时进行精准评估，以适时调整干预方案，提升学习专注度，实现干预效益的最大化。

需要说明的是，本研究也存在一些局限，如所选研究对象的来源高校、年级较为单一，样本量也不大；案例分析主要从静态视角进行，尚缺乏多维度数据自动持续采集的方法和手段等。对此，后续研究将丰富样本来源，以不同区域、不同类型、不同年级的高校学困生为研究对象，并逐步将研究范围推广至基础研究，在检验研究结果有效性与可迁移性的同时，加强对不同类型学困生的画像分析，从而为自适应教育干预的实施提供保障。另外，鉴于本科生教育的方式多元化且场所非固定化，未来可依托可穿戴传感设备，多通道智能采集不同学习情境中学习者的生理、行为、情感等多模态学习过程数据，并结合展现强大类人性表达能力的生成式人工智能，根据多轮有记忆的持续对话反馈，实现对高校学困生的动态诊断。

[1]车淼洁.本科生延期毕业现象的透视与解析[J].中国青年研究,2023,(4):97-103.

[2]晋欣泉,姜强,赵蔚.网络学习空间中学业预警及干预研究:态势、关键问题及创新应用[J].现代教育技术,2021,(6):79-87.

[3]徐彬,刘志军.作为德性实践的学生评价[J].教育研究,2023,(2):45-54.

[4]蔡韩燕,杨成.数智融合驱动高校教师评价改革研究[J].现代教育技术,2023,(1):91-98.

[5]李刚生,高铁刚,刘旭,等.基于极限学习机算法的学困生预测研究[J].现代教育技术,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]徐振国,张冠文,石林,等.MOOC学习者辍学行为的影响因素研究[J].现代教育技术,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]彭静雯.大学生学习内驱力影响因素及其作用机制——基于扎根理论的分析[J].现代大学教育,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]刘桐,顾小清.以学习分析技术理解学习失败——基于在线课程退课行为的视角[J].开放教育研究,2022,(3):93-101.

[13]胡仲勋,沈红.本科生群体类型:基于学习成果的判别与特征[J].教育研究,2021,(8):116-131.

[14]胡琼,姜强,赵蔚.基于数据挖掘的在线学业拖延精准识别及干预实证研究[J].现代远距离教育,2022,(3):46-54.

[15]马志强,岳芸竹,王文秋.基于多模态交互信息的协作学习投入分析[J].现代教育技术,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]王一岩,郑永和.智能时代个性化学习的现实困境、意蕴重构与模型构建[J].电化教育研究,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]岳伟,闫领楠.智能时代学生主体性的异化风险及其规避[J].中国电化教育,2023,(2):90-97.

[20]夏翠娟.构建数智时代社会记忆的多重证据参照体系:理论与实践探索[J].中国图书馆学报,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]张凯,李玉,陈凯泉.情绪体验与互动模式对合作学习情感投入的作用机理[J].现代外语,2023,(3):371-383.

[24]朱玉成,石连海.“寒门学子”抗逆力的构建与提升——实现更高质量教育公平的文化研究路径[J].教育发展研究,2022,(12):16-22.

[25]卢国庆,刘清堂,谢魁.情境投入纵向研究的理论、测量及分析方法的发展研究[J].远程教育杂志,2023,(2):82-94.

[26]Polat E, Hopcan S, Arslantaş 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]药文静,姜强,王利思,等.学习分析视域下大学生课堂参与边缘化诊断及策略干预研究——面向深度学习的课堂教学结构化变革研究之二[J].现代远距离教育,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