1. 导语
当人工智能进入教育研究，我们不应只关心模型“预测得准不准”，更要追问：预测结果能否真正帮助学生学习？Ouyang 等人发表于 International Journal of Educational Technology in Higher Education 的研究，将 AI 学习表现预测模型与学习分析反馈结合起来，构建了一种面向在线协作学习的“预测—反馈—干预—改进”闭环方法。该研究不仅关注算法预测结果，还进一步考察这种方法是否能够提升学生参与度、协作表现和学习满意度，体现了量化研究方法从“解释现象”走向“支持教学决策”的前沿趋势。该研究采用在线工程课程中的准实验设计，比较有无整合式 AI 学习分析支持下的学生学习效果差异。
2. 方法的基本信息
本文所关注的方法可以概括为：AI绩效预测模型与学习分析反馈的整合方法。其核心思想是，先利用学生在线学习过程中产生的数据建立 AI 预测模型，对学生学习表现或风险状态进行预测；随后将预测结果转化为可视化、可理解、可行动的学习分析反馈，帮助学生和教师及时调整学习策略与教学支持。与传统机器学习研究单纯追求预测准确率不同，这一方法强调预测结果的教育转化价值，即让模型结果真正进入教学过程，服务于学生学习改进。Ouyang 等人指出，许多已有 AI 预测模型更重视算法准确性，而较少关注如何将预测结果用于持续反馈和学习质量提升；因此，他们尝试把 AI 预测与学习分析反馈结合起来，用于在线协作学习情境。
该方法的独特价值主要体现在三个方面：第一，它将学生学习行为数据转化为学习风险或学习表现预测结果，使教师能够更早识别需要支持的学生；第二，它通过学习分析可视化和反馈机制，让学生了解自己的学习状态，而不是只把预测结果留在研究者或系统后台；第三，它形成了一个闭环过程，即“数据采集—模型预测—反馈干预—学习改进—继续优化”，使 AI 不只是评价工具，而成为教学支持工具。研究结果显示，这种整合方法能够促进学生参与、提升协作学习表现，并增强学习满意度。
3. 方法的操作过程
该方法的操作过程可以分为六个环节：
第一，确定学习场景与研究目标。
研究者首先需要明确该方法应用于什么学习情境，例如在线课程、混合式课程、协作学习任务或学习预警系统。本研究选择的是在线工程课程中的协作学习情境，目标不是单纯预测成绩，而是通过预测与反馈改善学生学习效果。
第二，采集学生学习过程数据。
数据可以包括学生在线学习行为、课程活动参与情况、作业或测试表现、协作互动记录等。这些数据构成 AI 预测模型和学习分析反馈的基础。与传统问卷或期末成绩不同，学习过程数据能够更及时地反映学生在课程中的学习状态。
第三，建立 AI 学习表现预测模型。
研究者利用学生学习数据训练预测模型，用于识别学生可能的学习表现或风险状态。该环节体现了量化研究中机器学习方法的应用：模型不是只进行事后解释，而是尝试对学生未来学习状态进行预测，为后续干预提供依据。
第四，将预测结果转化为学习分析反馈。
这是本文方法创新的关键。预测模型输出的结果不能只是冷冰冰的分数或标签，而要通过可视化仪表盘、学习状态提醒、过程性反馈等方式呈现给学生或教师，使其能够理解“我现在处于什么状态”“哪里需要改进”“接下来可以怎么做”。
第五，开展教学干预或学习支持。
基于预测和反馈结果，教师可以及时给予提醒、资源推荐、分组调整、协作支持或个别指导；学生也可以根据反馈调整学习投入、协作策略和时间安排。
第六，评价学习效果并形成闭环优化。
研究者通过准实验设计比较实验组和对照组在学习参与度、协作表现、学习满意度等方面的差异，从而判断该方法是否有效。Ouyang 等人的研究显示，整合 AI 预测与学习分析反馈的方法对学生参与、协作学习表现和满意度具有积极作用。
4. 方法的应用启示
我认为这篇文章最大的启示是：教育领域使用 AI 方法时，不能只停留在“模型准确率”层面，而要进一步思考模型结果如何被教师和学生理解、接受并使用。对于教育研究来说，一个预测模型即使准确率很高，如果不能转化为教学反馈，也很难真正改善学习过程。因此，未来的教育量化研究可以更多采用“预测模型 + 学习分析 + 教学干预 + 效果评估”的综合设计。
这一方法尤其适用于在线学习、混合式学习、协作学习和学习预警等情境。例如，在大学在线课程中，可以通过学生登录频率、视频观看、讨论参与、作业提交等数据预测学习风险，再通过学习分析面板向学生提供个性化反馈；在中小学智慧课堂中，也可以利用课堂互动、测验结果和作业数据识别学习困难学生，为教师提供更及时的教学依据。
不过，这种方法也提出了一些值得继续讨论的问题。第一，AI 预测结果是否会对学生造成标签化影响？如果系统提示某学生“高风险”，是否会影响教师和学生自己的判断？第二，学习分析反馈应该呈现到什么程度才合适？过于复杂的可视化可能反而增加学生认知负担。第三，模型预测结果如何保证公平性？不同性别、地区、基础水平的学生是否会受到模型偏差影响？这些问题说明，AI 学习分析方法虽然前沿，但仍需要与教育伦理、学习心理和教学设计结合起来研究。
5. 论文基本信息
APA 格式：
Ouyang, F., Wu, M., Zheng, L., Zhang, L., & Jiao, P. (2023). Integration of artificial intelligence performance prediction and learning analytics to improve student learning in online engineering course. International Journal of Educational Technology in Higher Education, 20, Article 4. https://doi.org/10.1186/s41239-022-00372-4
附件
论文源文档：
Ouyang, F., Wu, M., Zheng, L., Zhang, L., & Jiao, P. (2023). Integration of artificial intelligence performance prediction and learning analytics to improve student learning in online engineering course.
思婷对Ouyang等人将预测结果可视化为可行动反馈的闭环设计概括得很清晰。不过，我质疑这种反馈机制在真实课堂中的可迁移性：工程课程中采集的日志数据（如登录频率、视频观看时长）是否能直接推广到人文社科或小组项目式学习中？不同学科的学习行为表征差异可能很大，同一个预测模型在不同情境下是否需要重新定义“学习风险”的指标？此外，当反馈面板呈现“高风险”标签时，学生是否可能因焦虑而采取表面应付行为，反而抑制了深层学习？这些边界条件若未明确，方法的适用性会受到很大限制。
首先感谢老师的点评！我认为这种反馈机制在真实课堂的可迁移性很高，您提到采集日志数据只是采集数据范围内的一种，对于不同的学科、侧重点不同的考察采集的数据可以不一样，例如当评估对象是物理实验操作的准确性，可以采用录像对每个操作步骤进行评估，对于人文社科类等无明显评分机制的学科，需要将评估机制量化，让模型与教师的平均评估标准对齐。对于学习行为数据如何进行规范使用，涉及到很多方面，首先对于学生个人来说要建立正确的数据认识观，不能盲目的以提升模型评价为目标，对于模型评价应尽可能避免对学生产生心理负担，模型初期目标可设立为服务教师，是否能直接作用于学生需要进行适用性评估，同时需要提出学习数据应用规范，在规范下使用数据促进学习。
这个帖子告诉我们：教育领域的AI应用不能停在“模型跑完就结束了”——预测只是起点，怎么把结果变成学生和老师能用起来的东西才是真正的难点。帖子中提的“AI预测结果会不会对学生造成标签化影响”这个问题我也很有触动，感觉一旦系统给学生贴上“高风险”的标签，这个标签本身就可能改变学生的自我预期和教师的行为，变成一个自我实现的预言😟。而且公平性问题也很棘手，模型从历史数据里学到的偏差，会不会反过来加剧不平等？这些问题确实超出了纯技术层面，需要和教育心理、教学设计放在一起想。谢谢分享，很受启发👻。
从这篇研究看到了学习分析领域更多的可能性，在去年《学习分析》的课程上还是去使用机器学习或者深度学习算法去分析学生的学习投入度，到了现在已经有利用人工智能去进行学习分析了，感觉效率还是极大地提高了。但是还有一个疑惑，我记得学习分析的来源数据有很多，比如基于日志数据、基于计算机视觉或者基于生理数据，看文章中用到的数据主要还是基于日志数据，是否能够仅凭日志数据就能很好地预测学生的学习表现，对于它的预测精度感觉有待考量～
从这篇研究看到了学习分析领域更多的可能性，在去年《学习分析》的课程上还是去使用机器学习或者深度学习算法去分析学生的学习投入度，到了现在已经有利用人工智能去进行学习分析了，感觉效率还是极大地提高了。但是还有一个疑惑，我记得学习分析的来源数据有很多，比如基于日志数据、基于计算机视觉或者基于生理数据，看文章中用到的数据主要还是基于日志数据，是否能够仅凭日志数据就能很好地预测学生的学习表现，对于它的预测精度感觉有待考量～