得益于技术的进步,在线学习在过去的十年中取得了飞速的发展,已然成为当前多元化多层次教育体系中非常重要的一环。尽管在线学习具有资源利用最大化、学习行为自主化、交互形式多样化、教学时空自由化等诸多优点,但在其发展过程中也遭遇了比传统教育更为普遍的学习效率低下、低保持率和高辍学率问题,而学生具备较高的学习投入水平是获得理想学习效果的必要条件。传统学习情境下,教师通过对学习者的学习投入进行测评及时发现问题学生再对其进行干预以确保其学习效果。由于传统学习和在线学习在本质上具有一致性,因此,在线学习情境下,不少研究者和教育工作者也希望通过测评学生的在线学习投入来解决学习效果低下、辍学率高等相关问题。但是,受技术和学生规模等因素的影响,传统学习情境下颇为有效的学习投入测评方法,如观察法、问卷调查法等,在应用到在线学习情境中时也面临着诸多限制而难以取得理想效果。针对这个问题,本研究聚焦于利用在线学习过程中产生的客观数据对学生的在线学习投入进行智能化测评。当前,现有的研究多以行为日志系统所产生的日志数据为基础进行测评分析,但考虑到日志数据在在线学习投入的多维度信息表征方面存在局限,本研究提出了融合日志交互数据、摄像头数据和鼠标轨迹数据的多源数据测评方法,以实现对在线学习投入进行多维度的分析和测评。本研究的主要工作体现在以下四个方面:第一,构建在线学习投入模型。由于传统学习情境下的行为、情感和认知三维度模型对于社交维度的关注较少,本研究通过梳理有关社会交互对在线学习投入影响的实证研究,用行为、社交、情感和认知投入四个维度来构建在线学习投入模型,为融合多源数据的在线学习投入分析测评提供理论支持。第二,针对日志和交互数据的测评方法。本研究在参考在线学习投入分析模型的基础上,结合学生在线活动和日志记录的普遍特点构建了在线学习投入的分析框架并确定了在线学习投入的测评指标集。然后,论文提出改进层次分析法用以确定各个指标的权重大小,并在此基础上构建BP神经网络模型进行测评。最终,本研究将学生填写的NSSE-China学习投入量表的测量结果作为效标,用BP神经网络计算出的学生在线学习投入水平值与之对比。实验结果表明两者结果具有显著的相关性。第三,针对表情数据和鼠标轨迹数据的测评方法。日志和交互数据对情感和认知维度的在线学习投入缺乏有效的表征。针对这个问题,本研究提出了融合多源数据的情感和认知投入测评分析方法,利用摄像头数据和鼠标轨迹数据完成情感和认知投入的测评与分析。在模型训练方面,研究采用训练数据集对模型进行训练,并在数据标注阶段参考多源数据以提高标注的准确性。在测评分析方面,通过将表情识别子模块和鼠标数据识别子模块进行融合处理,以进行情感认知投入的综合测评分析。第四,融合多源数据的测评方法。以在线学习投入模型为基础,将情感认知投入测评分析结果和基于日志数据的BP神经网络的测评分析结果进行融合处理。融合过程中,通过将不同测评粒度的模态数据进行二维化处理以实现不同数据的融合分析。