随着社会的快速发展与科学技术的不断进步,K-12阶段的STEM教育(Science,Technology,Engineering,andMath)越来越受到社会各界的重视。数学是STEM教育的基础,重视科学和数学教学,对培养学生的科学素养和数学素养至关重要。认识到数学的重要性并相信自己能够学好数学是数学认同的两大成分;然而,学生不接受数学、恐惧数学以及数学的性别刻板印象等问题阻碍着STEM教育的开展。因此,在利用智能导学系统进行数学教学的同时,对那些数学认同水平较低的学生进行自动识别与干预显得尤为必要。Reasoning Mind正是基于以上考虑而开发的一款在线数学学习平台,它已被广泛地应用于美国德克萨斯州的多所学校,每年有超过10万中小学生和2,500名教师应用Reasoning Mind进行课堂学习和教学。本研究结合了754名美国五年级学生近6个月在Reasoning Mind系统中的数百万条日志记录,人口统计学变量及其数学认同问卷调查结果,从机器学习的角度构建了小学生数学认同的预测模型。在特征工程(Feature Engineering)的过程中,提取了学生学习投入,元认知行为以及题目特征等复杂变量,如脱离任务行为、求助回避行为(学生没有掌握某种技能,却不向系统求助)和题目难度(依据项目反应理论)等。算法选择主要依据前人研究,运用了线性回归,Lasso,M5回归树以及Rep TREE回归树来拟合模型,再结合Baggging重抽样法和10重交互验证,发现模型的预测效果良好,Lasso模型显著好于其他模型。该模型为后续研究提供了支持,以便智能导学系统能够依据学生的数学认同水平自动推送教学代理的干预邮件,在进行数学辅导的同时,也能够帮助学生提高数学认同水平。