绘制学生创造性思维参与度的地图：一种可解释的机器学习方法，用于分析行为异质性

《Thinking Skills and Creativity》：Mapping Student Engagement in Creative Thinking: An Explainable Machine Learning Approach to Behavioral Heterogeneity

计算机化评估可捕捉学生在创造性任务中的响应过程数据，帮助探索其参与与分心模式及影响因素。基于加拿大、德国和香港地区PISA 2022数据（n=6794+1692+1661），通过无监督聚类识别出六类参与模式（如创新洞察者、发散探索者）和三类分心行为（快速响应、非响应等），并构建XGBoost预测模型优化后筛选出前十大预测因素，其中认知和学业因素占主导。SHAP分析揭示了模型可解释性，为教育政策制定提供证据支持。

　　

王琴|陈福|韩宇|李晓菲|卢畅

中国陕西省西安市陕西师范大学教育学院

摘要

基于计算机的评估能够捕捉学生在完成创造性思维任务时的反应过程数据，这有助于探究他们参与和退出任务的不同程度。大规模评估收集的大量情境信息也有助于分析与之相关的背景因素。因此，本研究旨在识别学生在多种创造性任务中的不同参与和退出模式，以及预测参与和退出任务的最重要因素。基于2022年PISA数据中加拿大（n=6,794）、德国（n=1,692）和香港（n=1,661）的创造性思维测试的过程数据，我们识别出六种参与模式（即：有洞察力的创新者、发散型探索者、精细策略者、表现不流畅的学生、草率尝试者和被动学习者）和三种退出行为（即：快速退出、相对快速退出和未回应）。这些模式在所有创造性任务中都有体现。研究发现，学生在大多数创造性任务中倾向于在短时间内采取较少的行动来生成解决方案。为了预测参与和退出情况，我们使用了一种经过SMOTE和类别加权优化的XGBoost分类器。该模型在三个经济体中都表现出稳健的预测性能。SHAP分析确定了前十个预测因子，这些因子主要是认知和学术方面的因素。通过将行为日志转化为可解释的概况和透明的预测规则，本研究超越了“黑箱”限制，为促进创造性教育中的学生参与提供了基于证据的见解。

引言

创造性思维是一种高阶思维技能，涉及生成创新想法或有效解决问题的复杂思维过程，并从多个角度进一步评估想法和发展新的见解（Hernandez Sibo等人，2024；Lucchiari等人，2019；Xiong等人，2022）。它有助于学生的学習、问题解决和元认知能力的发展，从而促进他们的全面发展（经合组织，2023a）。通过持续探索和发现复杂思维过程，学生可以为应对未来社会中的各种问题做好充分准备（Lucchiari等人，2019）。作为21世纪所需的关键技能之一，创造性思维长期以来一直受到教育研究和实践者的关注（Chen等人，2025；Yildiz & Yildiz，2021）。为了指导关于青少年创造性思维的研究、教学法和政策，国际学生评估项目（PISA）在2022年周期进行了大规模的创造性思维评估。基于计算机的评估（CBA）可以捕捉学生在完成创造性思维任务时的反应过程数据。这些大量数据使研究人员能够更好地了解考生的行为，例如学生在处理多种创造性思维任务时的参与模式，而不仅仅是关注最终分数。

基于过程数据，以往的研究主要集中在考察考试行为上，例如区分学生在完成任务时的参与和退出行为（例如Sahin & Colvin，2020）、反应时间努力（例如Michaelides等人，2020）和行动序列（例如He等人，2021）。然而，仅通过孤立的任务来识别退出行为不足以全面理解学生在多种任务中的创造性思维，因为项目和个体差异可能会导致参与程度的变化（Wang等人，2023）。从评估的角度探索考生的行为确实可以提供关于学生完成创造性思维任务参与情况的深刻见解。此外，还需要更细致地探索参与模式，而不仅仅是简单的参与与退出二元差异，以帮助我们了解不同学生如何投入精力处理多种任务。尽管一些研究已经探讨了情境因素与教育成果之间的关系，但仍有待探索哪些因素会影响学生在创造性任务中的参与度。

教育数据挖掘（EDM）和机器学习（ML）的快速发展为挖掘ILSA数据提供了新的方法论视角。鉴于ML在数据挖掘中的广泛应用和显著性能，将ML整合到EDM中具有巨大的潜力，能够生成有价值的见解，最终支持基于证据的决策制定，这与EDM的核心使命一致（Alvarez-Garcia等人，2024）。尽管ML非常流行且潜力巨大，但人们越来越希望揭开ML模型的“黑箱”，使其内部运作对利益相关者更加透明和可解释。因此，可解释的人工智能（XAI）这一新兴领域被引入到EDM中，以确保结果的透明性和可解释性（Alvarez-Garcia等人，2024；Guleria & Sood，2023；Livieris等人，2023）。通过利用XAI技术，本研究通过应用监督学习和无监督学习方法来填补已识别的研究空白。具体来说，本研究关注以下研究问题：

1）可以从多种创造性任务中识别出哪些参与模式？

为了解决研究问题1，我们首先区分了退出模式和参与模式。我们还期望根据反映反应时间和行动努力的过程数据发现更多多样的参与模式。

2>学生在完成多种创造性任务时最常见的参与和退出模式是什么？

通过研究问题2，我们调查学生在多种任务中最常见的参与模式，而不是仅识别他们在单一或几个孤立任务中的行为模式。这有助于避免参与模式和行为特征的随机性，这些特征可能取决于特定任务。此外，还可以探索他们在不同任务中的参与模式变化。由于学生的参与程度可能因任务而异，他们可能会表现出多种常见的参与模式。

3>对学生参与和退出创造性任务最重要的个体层面预测因素是什么？

本研究采用监督学习方法，即构建预测模型，来探索区分学生在创造性任务中参与和退出的最重要因素。通过这样做，可以为不同利益相关者提供准确的解释，从而有效决策，培养学生的创造性思维。

章节片段

创造性思维

创造性思维的概念化反映了其多维性质，不同的理论模型强调了其特定方面。总体而言，它指的是个人生成新概念或解决方案的能力（De Bono，1970）。创造性通常被分为两种不同的类型：“大C”创造力和“小c”创造力（Csikszentmihalyi，2013；Simonton，2013）。前者侧重于需要特定领域专长的创造性成果。

方法

从以人为中心和以变量为中心的角度出发，本研究采用了ML方法，包括监督学习和无监督学习算法，以识别不同的学生参与模式以及预测参与和退出学生的潜在影响因素。

参与和退出模式

在三个地区的所有任务中都观察到了快速响应和未回应的行为。在大多数任务中，快速响应行为的比例低于10.00%。在所有任务中，未回应行为的比例也低于10.00%，只有一个任务的未回应比例为20.95%。在加拿大，相对快速响应行为仅在5个任务中出现，而在德国为17个，在香港为15个。这表明对于每个任务来说，

创造性任务中的参与和退出

本研究分析了三种退出行为，即：快速退出、相对快速退出和未回应。在高风险评估和低风险评估中，任务退出的原因有所不同（Wise，2017）。在高风险评估中，考生可能会快速跳过题目或提供快速的、敷衍的答案，作为一种管理时间并完成测试的策略。相比之下，在低风险评估中，由于考生对其表现没有后果，退出行为反映了他们的

局限性和未来研究

本研究存在几个关键局限性需要考虑。首先，本研究分析了ILSA的一般日志数据。未来的研究可以结合其他数据来源，如眼动追踪技术，从认知角度深入探讨学生的参与情况。其次，虽然LOWESS依赖图揭示了一些背景因素与创造性参与之间的复杂关系，但非线性模式和潜在的阈值效应需要进一步研究

结论

本研究探讨了学生在多种创造性任务中的不同参与和退出模式，分析了最常见的模式，并开发了预测模型以识别参与和退出任务的最重要预测因子。使用无监督聚类分析准确识别了各种参与模式。通过参与理论和模型的视角，简单的行为指标被转化为可解释的高层次参与特征

数据和材料可用性

本研究使用的数据是公开可用的，可以在PISA项目的官方网站上访问和下载。

未引用的参考文献

经合组织 2013

CRediT作者贡献声明

王琴：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源，方法论，调查，正式分析，数据整理，概念化。陈福：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源，方法论，调查，正式分析，概念化。韩宇：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源，方法论，

利益冲突声明

无。

致谢

我们感谢中国教育部人文与社会科学青年基金会（项目编号：24YJC880093）和中国教育部人文与社会科学青年基金会（项目编号：25XJC880010）的支持。