互联网应用的发展引起教育领域的深刻变革,尤其是“十四五”以来,伴随疫情的催动,在线学习已经成为学校教学不可或缺的重要组成部分。然而,当前在线学习面临着学习过程无法有效监督、学习积极性难以研判、测评考核结果的可信度低等问题,且学业评价方式主要是以考试为主的终结性评价,缺乏多维的形成性评价。为此开展相关设计和评价方法的研究,以期能够理清评价路径、实现对在线学习进行客观准确的评价。在线学习的情感倾向、学习状态和学习效果是在线学习评价的三个重要评价维度,这三个维度的评价是调整学生学习积极性、改善学习状态、增加学习认证结果客观可信度的关键。因此,设计了由数据获取层、智能评价层和结果应用层构成的在线学习评价过程。数据获取层分析从当前在线学习平台能够获取的数据类型和获取方式;智能评价层梳理总结包括在线学习情感分析、学习状态预测在内的智能评价模型构建的基本流程;结果应用层对情感倾向、学习状态和学习效果三个方面的评价结果如何应用于形成性评价和终结性评价进行详细的设计。针对在线学习评价过程中三个评价维度的方法实现,利用现有可采集的数据,开展基于深度学习的方法研究。针对情感分析,通过将注意力机制融入Text CNN以改进模型来判断学习者的情感倾向;针对学习状态,利用学生信息和课程信息对视频学习行为数据进行数据增强,并使用卷积神经网络和门控循环单元进行信息提取、自注意力机制进行特征加权来实现对学生学习状态的及时预测;针对学习效果,将学习状态预测结果作为随堂测评成绩的权重,并综合随堂测试和阶段测评作为最终课程成绩,从而实现对学习效果的评估。通过中国大学MOOC平台中的真实学习评论数据,对基于Text CNN改进的情感分析模型进行有效性验证,结果表明与其他深度学习模型相比,改进的模型在F1上表现更好。在两个公开数据集MOOCCube和Xuetang X上的实验验证了提出的基于数据增强和特征加权的在线学习状态预测模型能更加及时准确地预测学习者的学习状态,且鲁棒性良好。