基于場(chǎng)景多模態(tài)數(shù)據(jù)的學(xué)生堅(jiān)毅力智能化測(cè)評(píng)研究

一、問(wèn)題提出

堅(jiān)毅力是指?jìng)€(gè)體在學(xué)習(xí)、生活的一定過(guò)程中制定并追求目標(biāo)實(shí)現(xiàn)，策略性地保持持續(xù)努力、情感積極度以及心理努力的一種能力，具有行為、情感以及認(rèn)知3個(gè)屬性特征[1]。研究表明，堅(jiān)毅力來(lái)源于積極心理學(xué)，對(duì)人們的生產(chǎn)、生活、學(xué)習(xí)等產(chǎn)生了重要作用[23]。目前，堅(jiān)毅力作為學(xué)生綜合素質(zhì)的重要組成部分，重要性日益明顯，其已然成為我國(guó)未來(lái)人才培養(yǎng)的核心目標(biāo)之一[4。因此，對(duì)學(xué)生堅(jiān)毅力的測(cè)評(píng)分析研究十分有意義。研究者們?cè)谶@一領(lǐng)域開(kāi)展了諸多探索，比如探究測(cè)評(píng)要素、開(kāi)發(fā)測(cè)評(píng)工具、開(kāi)展面向基礎(chǔ)教育至高等教育領(lǐng)域的測(cè)評(píng)應(yīng)用等。然而，可以看到的是，測(cè)評(píng)主要通過(guò)自陳式量表實(shí)現(xiàn)，學(xué)生在測(cè)評(píng)過(guò)程中難免會(huì)受社會(huì)稱許性影響[5，不能得到較為客觀與真實(shí)的測(cè)評(píng)結(jié)果。盡管已有研究借助智能技術(shù)以及腦科學(xué)研究成果開(kāi)始對(duì)學(xué)生堅(jiān)毅力測(cè)評(píng)的客觀量化與內(nèi)隱機(jī)制進(jìn)行探索，但大部分是基于單一模態(tài)數(shù)據(jù)[，鮮有研究基于場(chǎng)景融合真實(shí)表現(xiàn)的多模態(tài)數(shù)據(jù)開(kāi)展對(duì)學(xué)生堅(jiān)毅力的智能化測(cè)評(píng)。

為了解決這一問(wèn)題，本研究團(tuán)隊(duì)前期以多模態(tài)學(xué)習(xí)分析技術(shù)的支持和面向場(chǎng)景真實(shí)表現(xiàn)的測(cè)評(píng)思想為切入點(diǎn)，構(gòu)建了學(xué)生堅(jiān)毅力測(cè)評(píng)的理論模型，開(kāi)發(fā)了基于科學(xué)探究活動(dòng)場(chǎng)景的學(xué)生堅(jiān)毅力測(cè)評(píng)工具（即數(shù)據(jù)采集工具），并設(shè)計(jì)了學(xué)生堅(jiān)毅力測(cè)評(píng)的多模態(tài)數(shù)據(jù)表征。前期研究解決了學(xué)生堅(jiān)毅力測(cè)評(píng)的理論模型、測(cè)評(píng)工具、多模態(tài)數(shù)據(jù)表征是什么的問(wèn)題，但尚未解決多模態(tài)數(shù)據(jù)如何計(jì)算的問(wèn)題。

本研究是前期研究的深入實(shí)踐應(yīng)用，核心研究問(wèn)題為“如何對(duì)學(xué)生堅(jiān)毅力測(cè)評(píng)的多模態(tài)數(shù)據(jù)進(jìn)行計(jì)算？”。具體細(xì)分為以下四個(gè)子研究問(wèn)題：（1）學(xué)生堅(jiān)毅力測(cè)評(píng)的多模態(tài)數(shù)據(jù)特征如何提取？ （2）學(xué)生堅(jiān)毅力測(cè)評(píng)的多模態(tài)數(shù)據(jù)如何融合并計(jì)算？ （3）如何構(gòu)建基于多模態(tài)數(shù)據(jù)的學(xué)生堅(jiān)毅力測(cè)評(píng)可計(jì)算模型，并計(jì)算結(jié)果？ （4）可計(jì)算模型的實(shí)踐有效性如何？本研究以前期的理論體系、工具體系以及數(shù)據(jù)體系為基礎(chǔ)，采用自上而下的研究范式展開(kāi)對(duì)上述研究問(wèn)題的探究，以期為學(xué)生堅(jiān)毅力測(cè)評(píng)提供一種智能化測(cè)評(píng)方法體系，突破傳統(tǒng)學(xué)習(xí)評(píng)價(jià)技術(shù)所帶來(lái)的學(xué)生堅(jiān)毅力測(cè)評(píng)現(xiàn)實(shí)問(wèn)題，同時(shí)也期望能為未來(lái)學(xué)生高階能力集的測(cè)評(píng)提供借鑒與參考。

二、研究設(shè)計(jì)

（一）理論模型

研究采用NVivo11軟件對(duì)國(guó)內(nèi)外堅(jiān)毅力研究的權(quán)威期刊文獻(xiàn)與報(bào)告進(jìn)行分析，批判性構(gòu)建學(xué)生堅(jiān)毅力測(cè)評(píng)的初始理論模型。在初始理論模型之上，研究采用德?tīng)柗品ǎO(shè)計(jì)專家函詢問(wèn)卷，邀請(qǐng)15位專家（心理測(cè)量領(lǐng)域、教育技術(shù)領(lǐng)域以及一線教學(xué)實(shí)踐領(lǐng)域各5位）進(jìn)行三輪論證。最終，通過(guò)三輪專家論證的數(shù)據(jù)結(jié)果分析，研究構(gòu)建包含堅(jiān)毅的行為性、堅(jiān)毅的情感性、堅(jiān)毅的認(rèn)知性等3個(gè)一級(jí)指標(biāo)，專注性、堅(jiān)持性、積極情感、消極情感、目標(biāo)意識(shí)、自我監(jiān)控等6個(gè)二級(jí)指標(biāo)的學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型①。

（二）采集工具

借鑒基于在線的能力測(cè)評(píng)思路，本著學(xué)評(píng)融合的新理念，以科學(xué)探究活動(dòng)為場(chǎng)景，以理論模型為指導(dǎo)，研究對(duì)學(xué)生堅(jiān)毅力測(cè)評(píng)工具（即數(shù)據(jù)采集工具）進(jìn)行設(shè)計(jì)（線上線下相結(jié)合形式）。為了評(píng)估工具內(nèi)容設(shè)計(jì)的科學(xué)性與工具表現(xiàn)性任務(wù)質(zhì)量的可靠性，研究采用自上而下的專家咨詢方式進(jìn)行工具的第一輪修訂；為了用數(shù)據(jù)驗(yàn)證工具可靠性的論證結(jié)果，研究采用自下而上的方式采集試測(cè)學(xué)生在科學(xué)探究活動(dòng)場(chǎng)景下的堅(jiān)毅力多模態(tài)數(shù)據(jù)進(jìn)行分析，并結(jié)合學(xué)生、家長(zhǎng)、教師與專家咨詢結(jié)果對(duì)工具進(jìn)行第二輪的修改。最后，研究開(kāi)發(fā)形成了由“目標(biāo)信息 + 學(xué)習(xí)視頻 + 學(xué)習(xí)任務(wù)單”三部分組成的數(shù)據(jù)采集工具，由12道題構(gòu)成（觀看學(xué)習(xí)視頻、任務(wù)的情境性信息除外），在線呈現(xiàn)共10頁(yè)②。

（三）研究對(duì)象

研究選擇四年級(jí)學(xué)生作為數(shù)據(jù)采集的對(duì)象。主要有如下緣由：第一，中小學(xué)階段是堅(jiān)毅力形成和發(fā)展的關(guān)鍵時(shí)期。第二，研究借鑒了國(guó)內(nèi)義務(wù)教育質(zhì)量監(jiān)測(cè)與OECD（Organization for Economic Co-operation andDevelopment）社會(huì)與情感能力測(cè)評(píng)的對(duì)象選擇經(jīng)驗(yàn)，并考慮了數(shù)據(jù)采集工具的情境適應(yīng)性、內(nèi)容匹配度和任務(wù)難易度。在綜合考慮經(jīng)濟(jì)發(fā)展水平、地域分布、參與積極性等因素后，研究最后采用方便抽樣方法進(jìn)一步選擇B大學(xué)附屬學(xué)校參與測(cè)評(píng)的四年級(jí)學(xué)生作為數(shù)據(jù)采集對(duì)象。

（四）特征設(shè)計(jì)

基于學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型與數(shù)據(jù)采集工具，研究設(shè)計(jì)了理論模型每個(gè)二級(jí)指標(biāo)的初始數(shù)據(jù)表征，并邀請(qǐng)8位領(lǐng)域?qū)＜遥ㄐ睦頊y(cè)量領(lǐng)域、教育技術(shù)領(lǐng)域）進(jìn)行論證，得到修訂后的數(shù)據(jù)特征共22個(gè)（如表1所示），以指導(dǎo)多模態(tài)數(shù)據(jù)采集。需要說(shuō)明的是，結(jié)合對(duì)工具試測(cè)的前期實(shí)踐總結(jié)與測(cè)評(píng)工具、測(cè)評(píng)場(chǎng)景（科學(xué)探究活動(dòng)場(chǎng)景）的分析，研究中所有數(shù)據(jù)特征均與場(chǎng)景密切相關(guān)。

（五）數(shù)據(jù)采集

科學(xué)探究活動(dòng)是本研究多模態(tài)數(shù)據(jù)采集的場(chǎng)景，具體數(shù)據(jù)采集技術(shù)路線如下頁(yè)圖1所示。

研究將數(shù)據(jù)采集工具部署在自主研發(fā)的學(xué)生綜合評(píng)價(jià)與發(fā)展平臺(tái)（StudentEvaluation Enhancing Development，SEED）上，然后學(xué)生在家里使用手機(jī)或者電腦登錄平臺(tái)在規(guī)定的時(shí)間內(nèi)完成測(cè)評(píng)任務(wù)。單次連續(xù)性完成測(cè)評(píng)任務(wù)的平均時(shí)間為40分鐘。需要說(shuō)明的是，學(xué)生在完成測(cè)評(píng)任務(wù)的過(guò)程中，可以隨時(shí)退出與進(jìn)入。在這一過(guò)程中，研究通過(guò)學(xué)生端的攝像頭通道采集學(xué)生完成測(cè)評(píng)任務(wù)的相關(guān)視頻數(shù)據(jù)（頭部姿態(tài)、行為動(dòng)作序列、面部表情）、圖像數(shù)據(jù)（自我反思報(bào)告），通過(guò)在線平臺(tái)通道采集學(xué)生完成測(cè)評(píng)任務(wù)的相關(guān)文本數(shù)據(jù)（自我反思報(bào)告、目標(biāo)信息題項(xiàng)答案）、平臺(tái)日志數(shù)據(jù)（系統(tǒng)行為日志）。

數(shù)據(jù)采集時(shí)間從2022年12月1日8：00開(kāi)始至2023年8月4日18：00結(jié)束。經(jīng)統(tǒng)計(jì)，共有B大學(xué)附屬學(xué)校的31所學(xué)校、3534名四年級(jí)學(xué)生完整完成了（不含自愿放棄）測(cè)評(píng)，涵蓋我國(guó)東部、中部、西部以及東北地區(qū)17個(gè)省（自治區(qū)、直轄市）。整體而言，研究共采集到3534名四年級(jí)學(xué)生有關(guān)堅(jiān)毅力表現(xiàn)的作答數(shù)據(jù)，包括目標(biāo)信息題項(xiàng)答案、實(shí)驗(yàn)操作視頻、自我反思報(bào)告，以及514029條行為日志數(shù)據(jù)，包括發(fā)生時(shí)間（點(diǎn)擊事件時(shí)的時(shí)間）、事件持續(xù)時(shí)間（毫秒）等。

高質(zhì)量的數(shù)據(jù)是構(gòu)建可計(jì)算模型的基礎(chǔ)。因此，研究通過(guò)學(xué)生上傳視頻與圖片質(zhì)量的雙保證來(lái)進(jìn)行數(shù)據(jù)篩選。實(shí)驗(yàn)操作視頻篩選的原則為：（1）畫(huà)質(zhì)清晰、無(wú)遮擋、采光好；（2）視頻時(shí)長(zhǎng)至少1分鐘；（3）視頻中最多2人（2人時(shí)，人物須為家長(zhǎng)和學(xué)生）；（4）視頻中學(xué)生畫(huà)面完整，基本處于畫(huà)面中間，但不過(guò)多充滿整個(gè)畫(huà)面；（5）視頻中主要是學(xué)生進(jìn)行動(dòng)手實(shí)驗(yàn)（家長(zhǎng)過(guò)多輔助不要）;（6）視頻不進(jìn)行倍速處理。圖片篩選的原則為： （1）圖片清晰、不模糊，可以看清字體、字形、字跡；（2）圖片內(nèi)容與要求的自我反思內(nèi)容有關(guān)，而非語(yǔ)文作文、風(fēng)景畫(huà)等。基于以上原則，研究對(duì)上述3534名四年級(jí)學(xué)生的實(shí)驗(yàn)操作視頻和自我反思報(bào)告圖片進(jìn)行了逐一審核，最終篩選出511名學(xué)生的原始作答數(shù)據(jù)（目標(biāo)信息題項(xiàng)答案、實(shí)驗(yàn)操作視頻、自我反思報(bào)告）。每名學(xué)生每類數(shù)據(jù)均以一條記錄存儲(chǔ)在數(shù)據(jù)表中。進(jìn)一步地，研究篩選出80421條行為日志數(shù)據(jù)。

三、學(xué)生堅(jiān)毅力測(cè)評(píng)數(shù)據(jù)特征提取

從表1中可以看出，22個(gè)數(shù)據(jù)特征歸屬于日志數(shù)據(jù)、文本數(shù)據(jù)以及視頻數(shù)據(jù)等三類數(shù)據(jù)中。為了從原始數(shù)據(jù)中提取到相應(yīng)的數(shù)據(jù)特征，研究針對(duì)不同數(shù)據(jù)類型選擇不同的特征提取方法，但是同類型數(shù)據(jù)的不同特征提取方法有類似之處，具體如表2所示。

（-） 日志數(shù)據(jù)特征提取

研究中日志數(shù)據(jù)特征提取采用統(tǒng)計(jì)計(jì)算方法即可得到。具體而言：應(yīng)對(duì)不同的特征提取需求，有些可以直接統(tǒng)計(jì)得到，有些需要經(jīng)過(guò)一定的計(jì)算方式轉(zhuǎn)換才能得到。基于此，研究得到日志數(shù)據(jù)6個(gè)特征的具體計(jì)算公式或方法，具體如表3所示。

基于以上方式，研究計(jì)算得到了511名學(xué)生的日志數(shù)據(jù)特征，示例如下頁(yè)圖2所示。

文本數(shù)據(jù)特征提取

當(dāng)前，成熟的自然語(yǔ)言處理技術(shù)能夠解決絕大部分教育場(chǎng)景下的文本數(shù)據(jù)特征提取問(wèn)題，包括關(guān)鍵詞提取、文本分類、情感分析等[][]。這為本研究文本數(shù)據(jù)特征提取提供了解決方案。結(jié)合實(shí)際，研究中文本數(shù)據(jù)特征提取分為三類：基于答案的直接賦分、基于模型分類的評(píng)分以及基于明確關(guān)鍵詞的評(píng)分。

1.基于答案的直接賦分

UGS的特征值通過(guò)基于答案的直接賦分得到，依據(jù)學(xué)生選擇的不同目標(biāo)信息答案賦予不同的分值。以10分為該題的滿分，每個(gè)選項(xiàng)以2.5分為等差進(jìn)行累加。結(jié)合4個(gè)目標(biāo)選項(xiàng)實(shí)現(xiàn)周期的長(zhǎng)短，研究分別賦予2.5分、5分、7.5分、10分。

2.基于模型分類的評(píng)分

PTS、NTS、RSCS的特征值通過(guò)基于模型分類的評(píng)分得到。基本思路是先設(shè)計(jì)評(píng)分框架，然后依據(jù)評(píng)分框架人工標(biāo)注樣本，最后是訓(xùn)練與應(yīng)用分類模型，自動(dòng)輸出類別或者類別概率，進(jìn)而轉(zhuǎn)換成相應(yīng)分值。一般而言，訓(xùn)練樣本是總樣本的約2/3一4/5。但是，為了使分類模型對(duì)511名學(xué)生文本數(shù)據(jù)中的自我監(jiān)控水平、情感傾向類型具有更好地識(shí)別力，研究先以采集的所有學(xué)生數(shù)據(jù)為基礎(chǔ)構(gòu)建預(yù)訓(xùn)練模型，再將訓(xùn)練好的模型應(yīng)用于511條數(shù)據(jù)中。

經(jīng)過(guò)人工標(biāo)注數(shù)據(jù)后（自我監(jiān)控水平標(biāo)注一致性的QWK系數(shù)為0.9175，情感傾向標(biāo)注一致性的QWK系數(shù)為0.9238），研究采用支持向量機(jī)（SupportVectorMachines，SVM）、決策樹(shù)（DecisionTree，DT）、隨機(jī)森林（RandomForest，RF）、梯度提升決策樹(shù)（GradientBoostingDecisionTree，GBDT）、BERT等經(jīng)典算法進(jìn)行模型訓(xùn)練，并使用5折交叉驗(yàn)證法進(jìn)行模型評(píng)估，最后發(fā)現(xiàn)BERT算法的表現(xiàn)性能更優(yōu)，即自我監(jiān)控水平分類的準(zhǔn)確率達(dá)到 76.9% ，精確率達(dá)到 73.8% ，召回率達(dá)到 77.2% ，AUC面積為0.793，情感傾向分類的準(zhǔn)確率達(dá)到 81.4% ，精確率達(dá)到 77.1% ，召回率達(dá)到 74.3% ，AUC面積為0.808，均達(dá)到性能評(píng)估要求。因此，研究采用BERT模型對(duì)PTS、NTS、RSCS進(jìn)行自動(dòng)分類，并將類別轉(zhuǎn)換為分值（即特征值）。

3.基于明確關(guān)鍵詞的評(píng)分

SRPS、SRGS的特征值通過(guò)基于明確關(guān)鍵詞的評(píng)分得到。基于明確關(guān)鍵詞的評(píng)分基本思路是先制定人工評(píng)分規(guī)則進(jìn)行評(píng)分，再將人工評(píng)分規(guī)則轉(zhuǎn)換為機(jī)器評(píng)分規(guī)則，利用關(guān)鍵詞進(jìn)行自動(dòng)評(píng)分。

具體而言：第一，制定人工評(píng)分規(guī)則進(jìn)行評(píng)分。針對(duì)SRPS、SRGS的含義，先分別制定了特征計(jì)算的人工評(píng)分規(guī)則，再邀請(qǐng)2位領(lǐng)域?qū)＜遥ń逃夹g(shù)領(lǐng)域、心理與教育測(cè)評(píng)領(lǐng)域）進(jìn)行了科學(xué)性與可行性評(píng)估，最后開(kāi)展了基于典型真實(shí)數(shù)據(jù)（SRPS代表性數(shù)據(jù)65條、SRGS代表性數(shù)據(jù)50條）的人工評(píng)分一致性檢驗(yàn)（SRPS的QWK系數(shù)為0.9175，SRGS的QWK系數(shù)為0.9856）；其中SRPS的人工評(píng)分規(guī)則分為4條，對(duì)應(yīng)評(píng)分分值為0分、1分、2分、3分，SRGS的人工評(píng)分規(guī)則分為3條，對(duì)應(yīng)評(píng)分分值為0分、1分、2分。第二，利用關(guān)鍵詞對(duì)文本進(jìn)行自動(dòng)評(píng)分，包括輸入文本、全樣本關(guān)鍵詞提取、典型樣本機(jī)器自動(dòng)評(píng)分、人機(jī)評(píng)分一致性檢驗(yàn) （QWKgt;0.70） 、全樣本機(jī)器自動(dòng)評(píng)分等五個(gè)階段。首先，研究采用Python軟件中的結(jié)巴（jieba）庫(kù)，通過(guò)加入停用詞、專家詞的方式對(duì)511條數(shù)據(jù)進(jìn)行分詞，并結(jié)合使用TF-IDF、TextRank、Word2vec（以0.6為閾值進(jìn)行相似度擴(kuò)充）算法輸出用于計(jì)算SRPS、SRGS的關(guān)鍵詞與關(guān)鍵短語(yǔ)集（各3組）；然后，研究將前述人工評(píng)分規(guī)則轉(zhuǎn)換為機(jī)器可理解的規(guī)則，并綜合采用TextRank、Sentence2vec算法依據(jù)規(guī)則對(duì)代表SRPS、SRGS的典型樣本數(shù)據(jù)進(jìn)行自動(dòng)評(píng)分。最后，經(jīng)過(guò)兩輪的關(guān)鍵詞與評(píng)分規(guī)則修訂，SRPS人機(jī)評(píng)分的QWK系數(shù)達(dá)到0.7660，SRGS人機(jī)評(píng)分的QWK系數(shù)達(dá)到0.8532，均大于0.70，說(shuō)明修訂后的關(guān)鍵詞、關(guān)鍵短語(yǔ)集與機(jī)器評(píng)分規(guī)則可靠（各4組）。因此，研究采用修訂后的關(guān)鍵詞、關(guān)鍵短語(yǔ)集與機(jī)器評(píng)分規(guī)則進(jìn)行全樣本數(shù)據(jù)的自動(dòng)評(píng)分。

總體而言，基于以上三種方式，研究計(jì)算得到了511名學(xué)生的文本數(shù)據(jù)特征，示例如下頁(yè)圖3所示。

（三）視頻數(shù)據(jù)特征提取

視頻數(shù)據(jù)的特征提取問(wèn)題依賴于先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)，比如Yolov7、VGG（Visual Geometry Group Network）等神經(jīng)網(wǎng)絡(luò)算法，可以比較準(zhǔn)確地自動(dòng)實(shí)現(xiàn)目標(biāo)檢測(cè)、行為識(shí)別與分類等[12][13]，為本研究視頻數(shù)據(jù)的人物識(shí)別、頭部姿態(tài)估計(jì)、行為特征提取、情感特征提取等提供了有益的借鑒。結(jié)合實(shí)際，本研究中的視頻數(shù)據(jù)特征提取分為三個(gè)階段：模型構(gòu)建階段、模型融合階段以及特征輸出階段，具體的技術(shù)路線如圖4所示。

習(xí)，本研究以3534個(gè)視頻為基礎(chǔ)，結(jié)合視頻篩選原則，共挑選出785個(gè)視頻作為預(yù)訓(xùn)練模型的樣本。研究采用Yolov7算法對(duì)抽取的視頻幀進(jìn)行人物自動(dòng)檢測(cè)，并進(jìn)行模型訓(xùn)練。結(jié)果表明，識(shí)別出學(xué)生的精確率達(dá)到 92.4% ，召回率達(dá)到 91.6% ，平均精度均值為0.95，識(shí)別出家長(zhǎng)的精確率達(dá)到 87.8% ，召回率達(dá)到89.6% ，平均精度均值為0.939，整體的精確率達(dá)到 90.1% ，召回率達(dá)到 90.6% ，平均精度均值為0.945。這說(shuō)明研究所構(gòu)建的人物識(shí)別模型具有較好的識(shí)別力。

第二，頭部姿態(tài)模型構(gòu)建。

研究采用成熟的SynergyNet模型進(jìn)行學(xué)生頭部姿態(tài)自動(dòng)識(shí)別，因?yàn)樵撃Ｐ驮诠_(kāi)數(shù)據(jù)集上識(shí)別Pitch（俯仰角，指上下點(diǎn)頭）、Yaw（偏航角，指左右搖頭）、Roll（翻滾角，指歪頭）三個(gè)頭部姿態(tài)的平均絕對(duì)誤差值較小，遠(yuǎn)低于SADRNet、img2pose等頭部姿態(tài)識(shí)別模型[14]。基于此，研究通過(guò)自編Python程序?qū)⑷宋锷矸葑R(shí)別模型與SynergyNet模型進(jìn)行融合，統(tǒng)計(jì)Pitch值、Yaw值、Roll值范圍，制定學(xué)生高專注、低專注的判斷規(guī)則。通過(guò)修

訂，研究按照“1幀/秒抽取圖片；每個(gè)視頻每5s統(tǒng)計(jì)一次Pitch值、Yaw值、Roll值，每個(gè)視頻均統(tǒng)計(jì)前18次（即每個(gè)視頻統(tǒng)計(jì)前1分30秒內(nèi)容的頭部姿態(tài)變化），每個(gè)視頻均從第0秒（初始值）開(kāi)始計(jì)數(shù)”的規(guī)則進(jìn)行統(tǒng)計(jì)。最終，研究在專家的指導(dǎo)下定義 且 且 -30^° ≤Roll ?70^° 為

第一，人物識(shí)別模型構(gòu)建。為了讓模型能夠充分學(xué)

依據(jù)需要提取的特征，結(jié)合研究場(chǎng)景及實(shí)際數(shù)據(jù)，人物識(shí)別模型、頭部姿態(tài)識(shí)別模型、行為動(dòng)作識(shí)別模型均需要基于場(chǎng)景實(shí)際數(shù)據(jù)構(gòu)建預(yù)訓(xùn)練模型，進(jìn)而提高模型的泛化能力。

1.模型構(gòu)建階段

高專注，否則為低專注。

第三，行為動(dòng)作識(shí)別模型構(gòu)建。該模型的構(gòu)建旨在提取HCT、LCT的特征值。HCT、LCT的特征值依賴于學(xué)生實(shí)驗(yàn)操作的行為序列。在本研究場(chǎng)景下，實(shí)驗(yàn)操作具有5個(gè)關(guān)鍵行為：稱重、測(cè)高度、放球、測(cè)大小、記錄。為了比較精確地獲取行為，研究通過(guò)設(shè)計(jì)行為標(biāo)注框架（人工標(biāo)注行為一致性的Kappa系數(shù)達(dá)到0.9135），并采用Yolov7算法的方式進(jìn)行模型訓(xùn)練（研究從785個(gè)視頻中選擇417個(gè)視頻進(jìn)行人工標(biāo)注，得到18308幀有效圖片，總標(biāo)簽數(shù)量為20331個(gè)，其中稱重行為標(biāo)簽數(shù)1479個(gè)，測(cè)高度行為標(biāo)簽數(shù)4157個(gè)，放球行為標(biāo)簽數(shù)4850個(gè)，測(cè)大小行為標(biāo)簽數(shù)3887個(gè)，記錄行為標(biāo)簽數(shù)5958個(gè)），進(jìn)而自動(dòng)識(shí)別樣本視頻行為動(dòng)作。結(jié)果表明模型在測(cè)試集上的表現(xiàn)較好，具體性能參數(shù)如表4所示。

2.模型融合階段

針對(duì)同一視頻的諸如人物、頭部姿態(tài)、行為動(dòng)作、面部表情等多類別識(shí)別，需要將多個(gè)不同的模型進(jìn)行融合。由上述內(nèi)容可知，研究已構(gòu)建人物識(shí)別模型、頭部姿態(tài)識(shí)別模型、行為動(dòng)作識(shí)別模型。由于目前面部表情識(shí)別模型已經(jīng)比較成熟，并且通用，因此研究采用PyTorch框架下的面部表情識(shí)別模型（FacialExpressionRecognition，F(xiàn)ER）對(duì)學(xué)生的面部表情進(jìn)行識(shí)別與分類，包括生氣、厭倦、害怕、開(kāi)心、悲傷、驚訝、中性等七種基本情感。已有研究表明，F(xiàn)ER利用VGG神經(jīng)網(wǎng)絡(luò)算法在公開(kāi)數(shù)據(jù)（視頻）集FER2013、 CK+ 上的表情識(shí)別準(zhǔn)確率分別能夠達(dá)到 、 94.649%^[16] ，這說(shuō)明該模型是可靠的，可以進(jìn)行遷移應(yīng)用。最終，研究通過(guò)自編Python程序?qū)⑷宋锷矸葑R(shí)別模型與頭部姿態(tài)識(shí)別模型、行為動(dòng)作識(shí)別模型、面部表情識(shí)別模型進(jìn)行融合，進(jìn)而區(qū)分出學(xué)生、家長(zhǎng)的頭部姿態(tài)、行為動(dòng)作以及面部表情，為后續(xù)特征輸出奠定基礎(chǔ)。

3.特征輸出階段

研究中視頻數(shù)據(jù)特征輸出包括三類：一是基于頭部姿態(tài)判斷學(xué)生高、低專注性，進(jìn)而輸出高、低專注出現(xiàn)的次數(shù)（HCC、LCC）；二是基于行為動(dòng)作序列判斷學(xué)生高、低專注性，進(jìn)而輸出高、低專注的行為動(dòng)作序列時(shí)長(zhǎng)（秒）（HCT、LCT）；三是基于學(xué)生面部表情識(shí)別，輸出相應(yīng)情感類型，進(jìn)而統(tǒng)計(jì)相應(yīng)情感出現(xiàn)持續(xù)的時(shí)長(zhǎng)（秒）（ST、HT、FT、SaT、AT、DT）。具體地，研究先按照1幀/秒的方式對(duì)511個(gè)樣本視頻進(jìn)行圖片抽取，然后應(yīng)用融合后的模型對(duì)視頻中的人物、頭部姿態(tài)、行為動(dòng)作、面部表情進(jìn)行識(shí)別，最后再進(jìn)行相應(yīng)特征的統(tǒng)計(jì)分析。

針對(duì) HCC 、LCC，研究先應(yīng)用模型自動(dòng)識(shí)別每幀圖片中學(xué)生的Pitch值、Yaw值、Roll值范圍，再用判斷規(guī)則‘ 且 且 為高專注，否則為低專注”去判定學(xué)生的高低專注類別，最后利用簡(jiǎn)單統(tǒng)計(jì)分析自動(dòng)計(jì)算出高專注出現(xiàn)的次數(shù)、低專注出現(xiàn)的次數(shù)。

針對(duì)HCT、LCT，研究先應(yīng)用模型自動(dòng)識(shí)別每幀圖片中學(xué)生的行為動(dòng)作，然后分別輸出學(xué)生行為動(dòng)作原始序列、行為動(dòng)作合并序列，最后以專家定義的行為動(dòng)作序列庫(kù)及每條序列代表的專注水平為基礎(chǔ)，將學(xué)生行為動(dòng)作合并序列與專家序列庫(kù)進(jìn)行匹配，得到學(xué)生行為最佳匹配序列。學(xué)生行為最佳匹配序列采用Python軟件自帶庫(kù)difflib中的SequenceMatcher計(jì)算相似度得到。之所以這樣做是因?yàn)閷W(xué)生實(shí)驗(yàn)操作視頻中環(huán)境的復(fù)雜性、實(shí)驗(yàn)器材的多樣性以及家長(zhǎng)適當(dāng)?shù)膶?shí)驗(yàn)操作輔助等因素的存在，導(dǎo)致學(xué)生行為動(dòng)作合并序列很難與專家序列庫(kù)進(jìn)行完全匹配，只能找到相似度比較高的最佳匹配序列。基于此，研究以學(xué)生行為動(dòng)作合并序列、行為最佳匹配序列的公共子序列（公共子行為除外，必須是行為序列）為橋梁，計(jì)算高專注與低專注的行為序列持續(xù)時(shí)長(zhǎng)。具體而言：首先找出學(xué)生行為最佳匹配序列與學(xué)生行為動(dòng)作合并序列的公共子序列。假如存在這樣一個(gè)公共子序列，那么在學(xué)生行為動(dòng)作原始序列中，公共子序列的持續(xù)時(shí)長(zhǎng)為高專注的行為序列持續(xù)時(shí)長(zhǎng)（HCT），非公共子序列的持續(xù)時(shí)長(zhǎng)為低專注的行為序列持續(xù)時(shí)長(zhǎng)（LCT）；假如不存在這樣一個(gè)公共子序列，那么低專注的行為序列持續(xù)時(shí)長(zhǎng)用學(xué)生行為動(dòng)作原始序列時(shí)長(zhǎng)表示，高專注的行為序列持續(xù)時(shí)長(zhǎng)就為0秒。

針對(duì)ST、HT、FT、SaT、AT、DT，研究先應(yīng)用模型自動(dòng)識(shí)別每幀圖片中學(xué)生的面部表情，然后輸出情感類型，最后再利用簡(jiǎn)單統(tǒng)計(jì)分析自動(dòng)計(jì)算出每種面部表情出現(xiàn)持續(xù)的時(shí)長(zhǎng)（秒）。

基于以上三個(gè)階段，研究計(jì)算得到了511名學(xué)生的視頻數(shù)據(jù)特征，示例如下頁(yè)圖5所示。

四、多模態(tài)數(shù)據(jù)融合與指標(biāo)計(jì)算

（-） 多模態(tài)數(shù)據(jù)融合

一般而言，多模態(tài)數(shù)據(jù)融合的方法有特征融合、決策融合以及混合融合[]，三種融合方法各有優(yōu)缺點(diǎn)。由于本研究中各模態(tài)時(shí)序不同步的問(wèn)題，綜合考慮上述三種融合方式的優(yōu)缺點(diǎn)和時(shí)間尺度，研究決定采用決策融合的方法進(jìn)行多模態(tài)數(shù)據(jù)的融合。本研究中表征學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型二級(jí)指標(biāo)的數(shù)據(jù)特征具有多源多維特征屬性，每一個(gè)指標(biāo)的融合因素均可以分為2層。

基于以上研究，對(duì)學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型二級(jí)指標(biāo)的多模態(tài)數(shù)據(jù)融合作以下定義：假設(shè)表征每個(gè)堅(jiān)毅力測(cè)評(píng)理論模型二級(jí)指標(biāo)的數(shù)據(jù)集由多個(gè)特征構(gòu)成，特征總個(gè)數(shù)用m表示，那么表征每個(gè)二級(jí)指標(biāo)數(shù)據(jù)集的特征值集合可以表示為 ，相對(duì)應(yīng)特征的權(quán)重值集合可以表示為 ，其中 ，研究可以得到每一個(gè)二級(jí)指標(biāo)的數(shù)據(jù)計(jì)算形式化表達(dá)可以定義為：

那么每一個(gè)二級(jí)指標(biāo)多模態(tài)數(shù)據(jù)融合的結(jié)果由公式轉(zhuǎn)換可得到：

S_k=Σ_i=1^mE_ki^'W_ki

式（2）中，E∈[0，1]，為線性歸一化后的值，W =1

由上可知，要計(jì)算學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型的二級(jí)指標(biāo)，表征每個(gè)指標(biāo)各數(shù)據(jù)模態(tài)下的特征值權(quán)重尤其重要，直接影響了多模態(tài)數(shù)據(jù)融合后的指標(biāo)計(jì)算結(jié)果。通常來(lái)講，權(quán)重既可以由人為主觀賦權(quán)，也可以由實(shí)際數(shù)據(jù)客觀賦權(quán)。為了排除人為經(jīng)驗(yàn)的主觀干擾，研究采用熵權(quán)法對(duì)表征每個(gè)指標(biāo)各數(shù)據(jù)模態(tài)下的特征值進(jìn)行客觀賦權(quán)。

（二）二級(jí)指標(biāo)值計(jì)算

由表1可知，表征“專注性”指標(biāo)的多模態(tài)數(shù)據(jù)集由6個(gè)特征構(gòu)成，表征“堅(jiān)持性”指標(biāo)的多模態(tài)數(shù)據(jù)集由3個(gè)特征構(gòu)成，表征“積極情感”指標(biāo)的多模態(tài)數(shù)據(jù)集由3個(gè)特征構(gòu)成，表征“消極情感”指標(biāo)的多模態(tài)數(shù)據(jù)集由5個(gè)特征構(gòu)成，表征“目標(biāo)意識(shí)”指標(biāo)的多模態(tài)數(shù)據(jù)集由2個(gè)特征構(gòu)成，表征“自我監(jiān)控”指標(biāo)的多模態(tài)數(shù)據(jù)集由3個(gè)特征構(gòu)成。進(jìn)一步地，基于上述多模態(tài)數(shù)據(jù)融合思路，研究對(duì)表征每一個(gè)二級(jí)指標(biāo)的多模態(tài)數(shù)據(jù)進(jìn)行加權(quán)融合，進(jìn)而計(jì)算其具體值，具體如下所述。

1.特征權(quán)重計(jì)算

結(jié)合上述數(shù)據(jù)采集、特征提取，研究根據(jù)特征表征的指標(biāo)指向，先將22個(gè)特征分成6組，其中每一組的每一個(gè)特征均具有511條數(shù)據(jù)，每一個(gè)特征數(shù)據(jù)分布較為均勻；然后采用熵權(quán)法計(jì)算得到了每一個(gè)特征的權(quán)重，具體如表5所示。

2.指標(biāo)值計(jì)算

專注性、堅(jiān)持性、積極情感、消極情感、目標(biāo)意識(shí)以及自我監(jiān)控分別為學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型的二級(jí)指標(biāo)1、指標(biāo)2、指標(biāo)3、指標(biāo)4、指標(biāo)5以及指標(biāo)6。結(jié)合每個(gè)二級(jí)指標(biāo)的特征值集合以及對(duì)應(yīng)特征的權(quán)重，依據(jù)公式（2），研究分別計(jì)算得到其具體值： S₁ 、S₂ 、 S₃ 、 S₄ 、 s_s 、 s₆ 。因此，研究計(jì)算得到了每位學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型二級(jí)指標(biāo)的值，具體示例如下頁(yè)表6所示。

五、可計(jì)算模型生成與結(jié)果計(jì)算

基于以上基礎(chǔ)，研究通過(guò)加權(quán)求和的方式逐級(jí)往上聚合，自動(dòng)計(jì)算出每一個(gè)學(xué)生堅(jiān)毅的行為性得分、堅(jiān)毅的情感性得分、堅(jiān)毅的認(rèn)知性得分，乃至最后的學(xué)生堅(jiān)毅力指數(shù) （S_grit） ，具體模型生成思路如下頁(yè)圖6所示。

從圖6中可以看出，模型生成與結(jié)果計(jì)算的一個(gè)關(guān)鍵數(shù)據(jù)就是學(xué)生堅(jiān)毅力測(cè)評(píng)理論模型的每一級(jí)指標(biāo)的理論權(quán)重。在前期研究過(guò)程中，本研究團(tuán)隊(duì)綜合采用德?tīng)柗品ê蛯哟畏治龇▽?duì)每一級(jí)指標(biāo)都進(jìn)行了賦權(quán)，其中堅(jiān)毅的行為性、堅(jiān)毅的情感性、堅(jiān)毅的認(rèn)知性指標(biāo)的同級(jí)權(quán)重分別為：0.616、0.193、0.191；專注性、堅(jiān)持性、積極情感、消極情感、目標(biāo)意識(shí)、自我監(jiān)控指標(biāo)的同級(jí)權(quán)重分別為：0.4796、0.5204、0.792、0.208、0.4368、0.5632，其組合權(quán)重分別為：0.2955、0.3205、0.1529、0.0401、0.0834、0.1076。因此，可得：

a=（a₁，a₂，a₃，a₄，a₅，a₆）=（0.2955，0.3205，0.1529，0.0401， 0.0834，0.1076），結(jié)合公式（3），那么基于多模態(tài)數(shù)據(jù)的學(xué)生堅(jiān)毅力測(cè)評(píng)可計(jì)算模型為：

其中， k=1，2，3，4，5，6°

最后，研究將各級(jí)指標(biāo)計(jì)算結(jié)果等比例映射至[1，5]

區(qū)間內(nèi)，以便于表征、比較與分析。

基于模型生成思路，研究通過(guò)向上逐級(jí)加權(quán)聚合的方式計(jì)算得到每一位學(xué)生的堅(jiān)毅力指數(shù)，具體示例如表7所示。

六、可計(jì)算模型實(shí)踐有效性檢驗(yàn)

研究所構(gòu)建模型計(jì)算得出來(lái)的學(xué)生堅(jiān)毅力指數(shù)與客觀真值（具體為學(xué)生堅(jiān)毅力自評(píng)結(jié)果、他評(píng)結(jié)果）是否接近，是驗(yàn)證模型實(shí)踐有效性的適切方式，一般采用相關(guān)分析、回歸分析進(jìn)行分析。

（一）客觀真值的確定

研究者們目前常用原始堅(jiān)毅力測(cè)評(píng)量表（OriginalGritScale，Grit-O）、簡(jiǎn)版堅(jiān)毅力測(cè)評(píng)量表（ShortGritScale，Grit-S）讓學(xué)生通過(guò)自我報(bào)告的方式來(lái)獲得其堅(jiān)毅力自評(píng)結(jié)果。理論上本研究應(yīng)該以這種客觀真值作為比較，但是Grit-O、Grit-S所構(gòu)建的努力持續(xù)性、興趣穩(wěn)定性兩個(gè)測(cè)評(píng)維度與本研究構(gòu)建的測(cè)評(píng)維度存在差別，并且脫離科學(xué)探究活動(dòng)場(chǎng)景，整體偏差較大，因而這種客觀真值無(wú)法在本研究場(chǎng)景下被采納。因此，考慮將他評(píng)結(jié)果作為客觀真值。以往的研究中有研究者采用他評(píng)法來(lái)測(cè)評(píng)個(gè)體的堅(jiān)毅力結(jié)果。比如，由被評(píng)價(jià)者推薦其朋友以及家人填寫Grit-S（量表中所有第一人稱都改成第三人稱），事實(shí)證明堅(jiān)毅力結(jié)果能夠由他評(píng)比較可靠地獲得，家人、朋友對(duì)Grit-S評(píng)分的內(nèi)部一致性系數(shù)分別達(dá)到 |0.84 /0.83，并且自評(píng)與家人、朋友評(píng)分之間具有顯著的中等相關(guān)性[8]。此外，有研究者通過(guò)2名專業(yè)的評(píng)價(jià)者對(duì)教師提供的簡(jiǎn)歷信息（如參加過(guò)的活動(dòng)并取得顯著的進(jìn)步與成就、工作經(jīng)歷等）進(jìn)行打分的方式獲得其堅(jiān)毅力結(jié)果，結(jié)果表明這種方法也比較可靠[19]

結(jié)合數(shù)據(jù)采集對(duì)象規(guī)模與數(shù)據(jù)采集組織的實(shí)際情況，第一種他評(píng)法所涉及的不同主體多，調(diào)動(dòng)難度極大，不適宜大樣本；相反，第二種他評(píng)法面對(duì)大樣本時(shí)依舊具有可操作性。因而研究選擇第二種他評(píng)法獲得客觀真值。具體而言，研究結(jié)合每個(gè)學(xué)生的目標(biāo)信息、實(shí)驗(yàn)操作題目時(shí)長(zhǎng)、實(shí)驗(yàn)操作視頻以及學(xué)生日志數(shù)據(jù)來(lái)綜合判斷其在科學(xué)探究活動(dòng)場(chǎng)景下的堅(jiān)毅力結(jié)果，由2名教育測(cè)量方向的博士研究生基于這些信息的第一印象進(jìn)行背靠背打分（評(píng)分范圍在1一5分內(nèi)，可允許小數(shù)分存在），并由第三人在旁監(jiān)督。打分的總體原則為：所選目標(biāo)程度越長(zhǎng)期，實(shí)驗(yàn)操作題目時(shí)長(zhǎng)越長(zhǎng)，實(shí)驗(yàn)行為越符合次數(shù)（3次）與序列要求（專家定義序列），分?jǐn)?shù)越高；反之分?jǐn)?shù)越低。最后，研究取2名博士研究生對(duì)每一個(gè)學(xué)生打分的平均分作為其堅(jiān)毅力結(jié)果，以此作為客觀真值，為后續(xù)的分析奠定基礎(chǔ)。

（二）實(shí)踐有效性檢驗(yàn)

1.相關(guān)分析

通過(guò)分析模型計(jì)算得到的511名學(xué)生堅(jiān)毅力指數(shù)（S_grit） 和他評(píng)客觀真值（human_average_grit_score）兩組數(shù)據(jù)發(fā)現(xiàn)，整體呈正態(tài)分布，因而研究采用皮爾遜相關(guān)分析進(jìn)行相關(guān)性分析。基于此，研究通過(guò)Python計(jì)算得到 r=0.965 ， p=0.000lt;0.01 ，變量 ?S_grit 和變量humanaverage_grit_score兩者之間呈顯著正相關(guān)關(guān)系，說(shuō)明研究所構(gòu)建的可計(jì)算模型具有實(shí)踐有效性。

2.回歸分析

為進(jìn)一步提供深層次的實(shí)踐有效性證據(jù)，研究在相關(guān)性分析的基礎(chǔ)之上進(jìn)行回歸分析，驗(yàn)證自變量 ?S_grit 能否預(yù)測(cè)因變量human_average_grit_score。通過(guò)Python計(jì)算，研究首先得到變量間的線性關(guān)系（滿足顯著正相關(guān)的線性關(guān)系）、標(biāo)準(zhǔn)化殘差分布情況（整體呈正態(tài)分布）、殘差方差齊性滿足情況（均勻分布在 y=0 兩側(cè)，滿足方差齊性）以及DW（Durbin-Watson）值為1.937（接近2，殘差具有獨(dú)立性，模型不存在自相關(guān)性2；然后得到 F=6876.831 ，p=0.000lt;0.01 ， R²=0.931 ，調(diào)整后的 R²=0.931 ，這說(shuō)明模型擬合很好。換言之，自變量 ?S_grit 能夠預(yù)測(cè)因變量human_average_grit_score，這為研究可計(jì)算模型的實(shí)踐有效性提供了更深層次的證據(jù)。

綜上所述，通過(guò)將模型計(jì)算的堅(jiān)毅力指數(shù)與他評(píng)客觀真值進(jìn)行相關(guān)性分析與回歸分析，驗(yàn)證了研究所構(gòu)建的基于場(chǎng)景多模態(tài)數(shù)據(jù)的學(xué)生堅(jiān)毅力智能化測(cè)評(píng)模型的實(shí)踐有效性。

七、結(jié)語(yǔ)

結(jié)合前期研究的理論、工具以及數(shù)據(jù)表征基礎(chǔ)，通過(guò)“多模態(tài)數(shù)據(jù)采集、多模態(tài)數(shù)據(jù)特征提取、模態(tài)融合與指標(biāo)計(jì)算、模型生成與結(jié)果計(jì)算、模型有效性驗(yàn)證”的思路，研究實(shí)現(xiàn)了基于場(chǎng)景多模態(tài)數(shù)據(jù)的學(xué)生堅(jiān)毅力的客觀化與智能化測(cè)評(píng)，一定程度上解決了當(dāng)前學(xué)生堅(jiān)毅力測(cè)評(píng)客觀性不足、真實(shí)性不夠的現(xiàn)實(shí)問(wèn)題。

當(dāng)然，研究是一項(xiàng)探索性研究，還存在一些不足。第一，學(xué)生堅(jiān)毅力測(cè)評(píng)的次數(shù)還有待增加。對(duì)于中小學(xué)生而言，學(xué)生堅(jiān)毅力發(fā)展具有動(dòng)態(tài)變化性。研究對(duì)四年級(jí)學(xué)生堅(jiān)毅力近乎一年的發(fā)展只進(jìn)行了單次且跨長(zhǎng)時(shí)間的測(cè)評(píng)，有可能會(huì)影響學(xué)生堅(jiān)毅力指數(shù)的真正挖掘。第二，研究場(chǎng)景還存有一定的限制。考慮到研究對(duì)象的大樣本、規(guī)模化數(shù)據(jù)采集帶來(lái)的成本問(wèn)題、測(cè)評(píng)的組織實(shí)施以及城鄉(xiāng)差異性等，研究采用的是線上線下相結(jié)合的科學(xué)探究活動(dòng)場(chǎng)景，其中線下是學(xué)生家庭環(huán)境場(chǎng)景。這與常規(guī)面向課堂、面向場(chǎng)館的科學(xué)探究活動(dòng)場(chǎng)景會(huì)有所不同，有可能會(huì)影響對(duì)學(xué)生堅(jiān)毅力指數(shù)的測(cè)評(píng)。因此，后續(xù)研究將彌補(bǔ)上述不足，持續(xù)優(yōu)化測(cè)評(píng)模型，并在此基礎(chǔ)上分析影響學(xué)生堅(jiān)毅力發(fā)展的因素，為未來(lái)學(xué)生個(gè)性化堅(jiān)毅力的培養(yǎng)與發(fā)展提供解決方案。

參考文獻(xiàn)：

[1]

[8]郭利明，鄭勤華等.學(xué)生堅(jiān)毅力測(cè)評(píng)：理論模型、表現(xiàn)性評(píng)價(jià)工具與數(shù) 據(jù)指標(biāo)[J].中國(guó)電化教育，2023.（7）：109-117.

[2]VonCulinKR，TsukayamaE，DuckworthAL.Unpackinggrit：Motivational correlates of perseverance and passion for long-term goals [J].The Journal of Positive Psychology，2014，9（4）：306-312.

[3] Wolters CA，Hussain M.Investigating grit and its relationswith college students’self-regulated learning and academic achievement [J]. Metacognition and Learning，2015，10（3）：293-311.

[4]教育部.教育部關(guān)于印發(fā)義務(wù)教育課程方案和課程標(biāo)準(zhǔn)（2022年 版）的通知[EB/OL].http：//www.moe.gov.cn/srcsite/A26/s8001/202204/ W020220420582343217634.pdf，2024-10-09.

[5] Credé M.What shall we do about grit？A critical review of what we know and what we don't know [J].Educational Researcher，2018，47（9）：606-611.

[6]MyersCA，WangC，etal.Thematterof motivation：Striatal resting-state connectivity is dissociable between grit and growth mindset [J].Social cognitive and affective neuroscience，2016，11（10）：1521-1527.

[7]周文葉.促進(jìn)深度學(xué)習(xí)的表現(xiàn)性評(píng)價(jià)研究與實(shí)踐[J].全球教育展望，2019， 48（10）：85-95.

[9]鄭勤華，郭利明.人機(jī)協(xié)同的敏捷教育建模及實(shí)踐應(yīng)用[J].現(xiàn)代遠(yuǎn)程教 育研究，2021，33（4）：43-50.

[10]Lauriola I，Lavelli A，Aiolli F.An introduction to deeplearningin natural language processing：Models，techniques，and tools [J].Neurocomputi ng，2022，470：443-456.

[11] Chaturvedi I，Cambria E，et al.Distinguishing between facts and opinions for sentiment analysis：Survey and challenges[J].Information Fusion，2018，44：65-77.

[12]WangCY，BochkovskiyA，LiaoHYM.YOLOv7：Trainablebag-offreebies sets new state-of-the-art for real-time object detectors [C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver：IEEE，2023：7464-7475.

[13]Shri SJ，Jothilakshmi S.Crowd video event classificationusingconvolutional neural network [J].Computer Communications，2019，147：35-39.

[14] Wu C Y，Xu Q，Neumann U.Synergy between 3dmm and 3d landmarks foraccurate 3d facial geometry [C].Proceedings of the 2O21 International Conference on 3D Vision （3DV）.London：IEEE，2021.453-463.

[15] Pramerdorfer C，Kampel M.Facial expression recognition using convolutional neural networks：state of the art [J].arXiv preprint arXiv，2016：1-6.

[16] Sun Y，Wu C，Zheng K，etal.Adv-emotion：The facial expressionadversarial attack[J].International Journal of Pattern Recognition and Artificial Intelligence，2021，35（11）：1-25.

[17]任澤裕，王振超等.多模態(tài)數(shù)據(jù)融合綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57 （18）：49-64.

[18]DuckworthAL，QuinnPD.DevelopmentandvalidationoftheShort Grit Scale （GRIT-S）[J].Journal of personality assessment，20o9，91（2）：166-174.

[19]Robertson-KraftC，DuckworthAL.True grit：Trait-level perseverance and passion for long-term goals predicts effectiveness and retention among novice teachers[J].Teachers College Record，2014，116（3）：1-27.

[20]Durbin J，Watson G S.Testing for serial correlation in least squares regression.II[J].Biometrika，1951，38（1/2）：159-177.

作者簡(jiǎn)介：

鄭勤華：教授，博士，博士生導(dǎo)師，研究方向?yàn)樵诰€教育、人工智能教育、教育大數(shù)據(jù)、學(xué)習(xí)分析。郭利明：講師，博士，研究方向?yàn)閷W(xué)習(xí)分析、教育大數(shù)據(jù)、教育測(cè)量與評(píng)價(jià)。齊欣：研究員，碩士，副館長(zhǎng)，研究方向?yàn)榭茖W(xué)教育。