如何通过测验来对学生个人能力进行可靠且有效的评估一直是教育界所关注的热点,目前主要根据项目反应理论或认知诊断理论来测量学生个人的能力,这种方法较难准确预测学生在真实情境中解决具体问题的能力。随着信息技术的发展,人们发现交互式的场景动态任务更能切合问题解决能力的测验需要,同时,基于计算机测评意味着可以收集场景任务解决过程中的过程数据,在这种情况下,学生识别问题、计划和执行解决方案以及根据实时进度重新调整策略的步骤与最终结果同样重要,因此,过程数据可以用作预测器,从而更精准地预测学生能否成功解决问题。本文选择采用PISA2012中CPS项目气候控制问题作为研究背景,基于该题目中学生作答过程中动作序列、时间序列等日志数据,预测学生最终能否成功解决该问题。具体工作如下:（1）首先从题目的作答响应结果出发,重点对过程数据特征提取及预测等算法做了整理,主要包括多维标度法、自编码法等,然后对这几种算法进行原理论述及实验仿真,并将基于这几种算法提取的动作序列特征集的预测结果进行对比和分析。（2）其次,针对前人研究中预测部分使用模型单一的不足之处,提出在提取的动作序列特征的基础上使用梯度提升决策树、卷积神经网络等算法进行预测;针对过往研究中只考虑基于动作序列提取特征的不足之处,提出使用关键节点时间戳,重新提取、转化时间特征,发现了学生识别问题、计划和执行解决方案所消耗时间的相对关系,并同样用以上算法进行预测和对比。实验结果表明,基于动作特征的预测算法准确率和F分均达到85%,准确率较前人研究中使用的广义线性预测模型提高了2.2%;而基于时间特征的预测模型在取得81.3%的准确率的基础上,运行时间却比动作特征预测模型缩短了将近一半,算法效率大幅提高,证实了基于时间特征集的模型也能在相对短的时间内取得不错的预测效果。（3）最后,本文在前人采用自编码算法进行研究的基础上,提出将基于注意力机制的Transformer模型应用于过程数据挖掘,并从动作和时间两个维度进行预测和分析。实验结果表明,采用Transformer模型进行分类预测的准确率高达88.9%,较自编码算法提高了5.2%;且由于Transformer模型具备并行计算的特点,只需前者四分之一的运行时间却能达到更高的预测准确率,算法效率进一步提升,验证了Transformer模型在过程数据挖掘领域的可行性。