理论驱动与数据驱动相结合的学习者绩效预测研究

对学生的学习成绩进行精准预测,可以尽早识别风险学生并采取有针对性的干预措施。文章以某高校修读计算机网络与云计算课程的160名本科生为研究对象,结合理论驱动和数据驱动的方法,运用聚类分析及交叉分析法,研究了学生主观自评和在线学习行为数据对预测学生成绩的作用。研究发现,理论驱动方法识别出了“深度学习”和“浅层学习”2种在线学习模式,且这2种学习模式下的学生在各项学习成绩上存在显著差异;数据驱动方法识别出了4种(积极主动型、任务型、被动型、消极被动型)在线学习模式,且这4类学习模式下的学生在学习行为及各项成绩上均存在显著差异。本研究进一步采用交叉分析法细分出7种学习模式,并发现这7类学生在学习投入、学习策略、学习行为及各项学习成绩上均存在显著差异。