随着新一代信息技术和教育信息化的快速发展,特别是疫情的冲击,教育方式发生了较大的变化,单一的离线教育向线上转变,出现线上线下相互融合的发展趋势。在线教育是以网络为媒介的教育方式,它通过远程的线上授课和学习资源的实时推送,实现了学习社区成员的互动以及以学习者为主体的探索式学习。在防控新型冠状病毒感染肺炎的特殊时期,超过100个国家和地区实行了全面停课,在线教育则打破了时空的限制,提供了尊重学生个性和激发学生学习兴趣的学习环境。在线教育平台生成了海量的教与学的数据,使得教育数据挖掘成为一个热门的研究领域。教育数据挖掘的关键任务之一是学生建模,即对学生的努力程度、学习能力、认知水平等进行建模,有助于理解学生的学习行为,也是成绩预测和教育资源推荐的基础。然而,在上述建模的过程中,还存在着诸多挑战,主要体现在如何理解学生作答行为以及是否有可能量化学习能力和认知水平。为解决上述问题,本文综合运用教育学、心理学、计算机科学的相关理论与技术,研究了学生学习能力和认知水平的建模方法,以实现对学生未来表现的预测。本文的主要贡献总结如下:(1)提出了努力和学习能力模型,用于捕获学生的努力和学习能力的动态变化。大多数现存的工作都是在静态场景中处理这个问题,但忽略了现实世界中努力和学习能力的动态特性。针对这个问题,本文从生成的角度建立学生模型,即认为学生的成绩是学生的努力和学习能力共同作用的结果。首先,根据学生的历史学习活动对学生的努力进行建模。其次,基于学生当前时刻的学习能力仅受上一时刻学习能力的影响这一假设,捕获了学习能力随时间的变化。最后根据模型学得的努力和学习能力,对学生的成绩进行预测。本文在两个真实的MOOC数据集上进行了广泛的实验,结果表明提出的模型的性能优于其他对比方法。该模型在保证结果具有解释性的基础上,提高了预测学生未来表现的能力。(2)设计了深度认知诊断框架,用于建模学生的技能掌握程度和问题掌握程度。现有的认知建模工作大多采用认知诊断的方法,然而这种方法往往只从学生的角度进行建模,却忽略了问题与该问题所需技能之间的关系。针对以上问题,本文结合认知诊断与深度学习方法模拟了学生的作答过程。首先,根据学生对于主观题和客观题的答题情况,建模学生的技能掌握程度。其次,综合考虑技能对于问题的重要程度和问题需要的技能之间交互,建模学生的问题掌握情况。基于注意力机制得到问题需要的技能对于问题的重要程度,同时利用神经网络获取技能之间的交互,以修正技能交互对于问题掌握程度的影响。最后,考虑粗心和猜测因素的影响,预测学生的成绩。为了评估提出框架的性能,本文在两个真实数据集上进行了广泛的扩展实验。实验结果表明,与其他认知建模方法相比,该框架能够提高预测的效果。