1.一种基于在线学习行为和深度神经网络的元认知能力评估模型，其特征在于：所述的基于在线学习行为和深度神经网络的元认知能力评估模型包括按顺序进行的下列步骤：

1)构建深度神经网络模型的S1阶段：以融合自注意力机制的双向门控循环单元构成双通道结构的深度神经网络模型；

2)获取在线学习行为数据并进行预处理的S2阶段：选定一门在线学习课程，首先从在线学习平台中获取学习者的基本行为数据，并按照平台记录的行为发生时间处理成行为序列；然后，设计爬虫程序获取讨论区的交互文本数据，对数据进行了去除特殊字符与停用词的预处理操作；此外，考虑到交互文本中蕴含的学习者认知水平特征会对行为序列产生影响，使用布鲁姆认知分类理论对交互文本进行人工分析，获取学习者的认知水平；最后，将数据集按照4:1的比例划分为训练集X(train)和测试集X(test)；

3)对在线学习行为数据进行标签标注的S3阶段：有监督的深度神经网络需要有标签的数据集，因此要对收集的在线学习行为数据进行标签标注；通过对学习者发放具有信效度的元认知能力调查问卷，基于问卷分数将学习者分为“元认知能力较高者”和“元认知能力较低者”两个层次，并对应学习者的行为数据进行标签标注；

4)词向量训练的S4阶段：深度神经网络的输入是一组或多组多维特征，针对提取的交互讨论文本数据以及分析得出的认知水平特征，采用Word2Vec词向量工具对其进行训练，从而得到对应的交互文本向量和认知水平向量；针对行为序列数据，采用Item2Vec算法对其进行编码，从而得到对应的行为序列向量；

5)深度神经网络模型训练的S5阶段：采用不同的模型参数，将训练集X(train)分小批量多次输入到步骤1)所构建的深度神经网络模型中，对构建的模型进行训练；其中BiGRU中的更新门和重置门使用的是‘sigmoid’激活函数，在模型的输出时，使用的激活函数是‘sigmoid’，模型的优化器选择的是‘Adam’，使用的损失函数为交叉熵损失函数；

6)深度神经网络模型测试的S6阶段：将上述步骤2)得到的测试数据集X(test)输入到步骤5)已经训练好的深度神经网络模型中，获得学习者的学习行为数据的二分类结果；

7)学习者元认知能力的评估S7阶段：将上述步骤6)获得的二分类结果即为元认知能力所属层次的概率p，以中间值0.5为界限将学习者元认知能力层次分为元认知能力较高者和元认知能力较低者。

2.根据权利要求1所述的基于在线学习行为和深度神经网络的元认知能力评估模型，其特征在于：在步骤2)中，根据所述布鲁姆认知分类理论分析得到的认知水平具体表现为：记忆、理解、应用、分析、评价和创造。

3.根据权利要求1所述的基于在线学习行为和深度神经网络的元认知能力评估模型，其特征在于：在步骤4)中，将行为序列向量V与认知水平向量C进行融合得到更复杂特征的融合向量M，其融合方式即为向量的拼接，具体计算如下：M＝contact(V,C)，

其中，contact表示向量的拼接。

4.根据权利要求1所述的基于在线学习行为和深度神经网络的元认知能力评估模型，其特征在于：在步骤7)中，对学习者元认知能力评估的效果衡量指标计算方式为：正确率(Pression)：

召回率(Recall)：

F1值(F1‑Score)：

准确率(Accuracy)：

TP(True Positive,简称TP)为该评估模型正确评估的正样本数；

FP(False Positive，简称FP)为错误分类的正样本数；

TN(True Negative,简称TN)表示正确分类的负样本数；

FN(False Negative,简称FN)表示错误分类的负样本数；

根据概率值p进行元认知能力分层时，具体原则是，当概率值p>0.5时，则属于元认知较高者，当概率值p≤0.5时则属于元认知较低者。