國內學習者模型研究熱點與趨勢分析

曲怡 孫如卿 劉丹

摘? 要： 在智能教育背景下，如何為學習者提供精準化、個性化學習服務成為研究熱點，而學習者模型作為實現個性化學習的核心部分，受到學者廣泛關注。本文以中國知網（CNKI）數據庫中學習者模型相關文獻為研究對象，采用Bicomb 2.0、SPSS 22.0、Ucinet 6.0工具對其進行聚類分析和網絡分析。結果表明，學習者模型主要應用于自適應學習系統中，學習者模型、學習資源推薦、學習路徑推薦等是構建自適應學習系統的研究熱點。最后，文章從完善學習者模型和搭建自適應學習系統兩方面對未來研究趨勢進行預測。

關鍵詞： 學習者模型;自適應學習系統;研究熱點分析;趨勢分析

中圖分類號： TP274? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.041

本文著錄格式：曲怡，孫如卿，劉丹. 國內學習者模型研究熱點與趨勢分析[J]. 軟件，2020，41（10）：161164+174

【Abstract】： In the context of intelligent education， how to provide learners with precise and personalized learning services has become a research hotspot， and learner models， as the core part of achieving personalized learning， have attracted widespread attention from scholars. In this paper， the literature of the learner model in CNKI database is taken as the research object， and the tools of Bicomb 2.0， SPSS 22.0， Ucinet 6.0 are used for cluster analysis and network analysis. The results show that the learner model is mainly used in the adaptive learning system， and the learner model， learning resource recommendation， learning path recommendation， etc. are the research hotspots for building an adaptive learning system. Finally， the article predicts future research trends in terms of improving the learner model and building an adaptive learning system.

【Key words】： Learner model; Adaptive learning system; Research hotspot analysis; Trend analysis

0? 引言

在大數據、物聯網、人工智能等現代技術迅速發展的時代背景下，各種學習資源、教學模式層出不窮，為學習者提供個性化學習服務成為教育領域新議題。我國在《教育信息化十年發展規劃（2011-2020年）》中明確指出，學校教育教學方式要在學生學習多樣化、個性化方面取得突破性變革。而學習者模型作為個性化學習的核心內容，其質量直接影響個性化學習的效果。當今，學習者模型的研究廣泛集中在個性化學習系統中。在智能系統中，學習者模型相當人類大腦，通過追蹤學習者在學習過程中的實時狀態而提供個性化交互。學習者模型是智能時代下的研究熱點，然而關于學習者模型的關注點和未來走向尚不明確。為了更好指明學習者模型未來發展方向，有必要對學習者模型研究熱點和趨勢進行分析。

1? 研究方法與過程

1.1? 數據來源及研究方法

本研究文獻來源于中國知網（CNKI）數據庫，主題詞為“學習者模型”或“學習者建模”或“學習者畫像”且來源于期刊全部中文文獻。經統計，本研究共檢索到文獻453篇，剔除重復及無關文獻，獲得有效文獻262篇。本研究將262篇文獻以NoteFirst格式導出，以Ucinet和Bicomb為研究工具，采用知識圖譜及共詞分析法進行分析。

1.2? 研究過程

本研究先是通過文獻檢索獲取有效文獻262篇，然后利用Bicomb 2.0、SPSS 22.0、Ucinet 6.0研究工具進行聚類分析和網絡分析，具體研究過程如圖1所示。

1.3? 研究結果與分析

（1）高頻關鍵詞詞頻統計

將262篇有效文獻導入Bicomb2.0中，提取出594個關鍵詞。根據普賴斯（Priced）定律M=0.749[1]，確定高頻關鍵詞閾值為5，取得39個關鍵詞作為研究對象如表1所示。由表所示，我國文獻中出現的高頻關鍵詞有“學習者模型”、“個性化學習”、“在線學習”、“教育大數據”等，其中最高頻次關鍵詞為“學習者模型”，由此可見，“學習者模型”在該研究領域的重要性和基礎性。不同學習者之間存在差異性，在學習過程中如何滿足不同層次學習者的學習需求，為學習者提供個性化學習服務成為研究的熱點問題。與此同時，在智慧教育環境下，如何借助大數據技術精準識別學習者個性特征，借助何種技術手段為在線學習者制定個性化學習方案變得尤為重要。

擁有一個能夠全面描述學習者真實狀態的特征模型，才能深層挖掘學習者潛在學習需求，因此無論在傳統教學中還是在智慧教學環境下對“學習者模型”的研究都是關鍵內容。網絡學習中學習者通常采用兩種方式實現個性化學習，一是通過自身信息數據建立自己的學習空間，二是根據網絡學習平臺記錄學習者在學習過程中產生的大量行為數據，為學習者提供個性化學習服務[2]。二者都是利用平臺獲取學習者認知、情感、行為等方面數據，通過數據挖掘、學習分析等技術判定學習者的學習風格、行為習慣等特征，進而為學習者制定個性化學習內容、策略，推薦滿足不同層次學習者需求的學習資源。因此，在學習者模型研究中，“個性化學習”、“個性化推薦”、“教育大數據”等關鍵詞出現頻次較高。

（2）相似矩陣分析

為進一步探究高頻關鍵詞中所隱含的關聯信息，本研究利用Bicomb2.0對39個高頻關鍵詞生成共詞矩陣，利用SPSS22將該矩陣轉化為相似矩陣，部分相似矩陣如表2所示。

在相似矩陣中，數值越接近1，兩個關鍵詞之間關系越近。根據矩陣分析結果可以看出：相比其它關鍵詞學習者模型與各關鍵詞之間關系較為密切，由此說明學習者模型是 研究的中心。學習者模型用于描述學習者內部與外部學習特征，是該領域的研究基礎。此外，在線學習分析涉及多個技術與領域，如數據挖掘等，因此教育數據挖掘與在線學習、學習分析的相關度較高，相似值分別為0.662和0.647。

利用Ucinet 6得出共現網絡圖，該圖反應高頻關鍵詞之間緊密聯系性如圖2所示。通過節點反映其中心度高低，節點越大說明該關鍵詞的中心度越高，同時也是其他關鍵詞研究的中心概念，相反節點越小則中心度越低。從圖中可以看出，“學習者模型”和“個性化學習”是中心度較高的兩個關鍵詞，同時二者均是對應頻次表中頻次高于20的高頻關鍵詞，充分說明“學習者模型”和“個性化學習”在該領域中影響力較大，學習者模型是實現個性化學習的關鍵，二者具有緊密關聯性;同時其他研究都圍繞這兩個關鍵詞展開，形成以“在線學習”、“學習分析”、“個性化推薦”、“數據挖掘”、“自適應學習”等研究熱點的結構主體。他們大多側重于理論模型的研究，是連接中心位置關鍵詞和邊緣位置關鍵詞的橋梁。最后位于邊緣關鍵詞如“協同過濾”、“多Agent”、“教育數據挖掘”等都是比較具體的技術或所發的設計，同樣也是學者研究立足點，雖然目前研究相對較少，但卻為未來研究指明方向。

2? 研究熱點分析

2.1? 構建適應性學習者模型

針對學習者模型的研究，國內外權威機構相繼提出學習者模型規范，其中較為典型的有：IMS-LIPS規范、PAPI規范、CELTS-11學習者模型規范。從理論角度來看，這些學習者模型規范較為全面的涵蓋了學習者基本信息、學習信息等各方面特征性信息，但是缺少對學習者知識、情感等方面的描述[3]。為了滿足在線學習環境下個性化學習的需求，研究者提出不同的學習者模型。Peter教授認為，學習者模型應包括學習者背景、知識、個性化特征、興趣以及目標等[4]。陳仕品等人基于學習風格和認知態度提出了CS-LS學習者模型，將其細化為學生描述、認知狀態、學習風格和學習歷史幾個維度 [5]。Chrysafidi等人在學習者模型中提出了情感態度維度，為學習者模型的研究提供了新方向[6]。黃煥認為學習者模型既要考慮學習者本身的特征，又要考慮計算機是否便于實現的問題，因此提出了一個以學習者的個人信息、學習歷史、知識狀態、學習風格和情感狀態為特征因素的學習者模型[7]。

由于研究視角不同，研究者對學習者模型的建模方法也具有差異性。Tadlaoui等人以自適應超媒體系統為背景，以能夠動態修改系統和學習者之間的交互作用為目標，提出包含背景與經驗、認知能力、知識水平、動機狀態以及偏好信息五個維度的學習者模型[8]。武法提等人從場景感知視角出發，將學習者劃分為基本信息、認知水平、學習風格、興趣偏好、社會網絡及情感態度六個維度[9]。馬相春等人基于大數據視角，認為在自適應學習系統中的學習者模型應從基本信息、知識結構、情感態度以及學習歷史四個方面考慮[10]。

2.2? 設計自適應學習系統

網絡學習環境下，通過自適應學習系統分析學習者個性特征和行為傾向，采用相應教學策略，推薦合適學習資源和學習路徑，幫助學習者獲取精準化學習支持，完成知識構建，提高學習效率。系統自適應性越好，對學習者分析越透徹，提供給學習者的資源和服務就越能滿足學習者需求，學習效率則越高[11]。自適應學習系統主要由三個部分構成：學習者模型、領域知識模型、自適應引擎。

從學習分析視域出發，學習者模型可分為知識、認知、行為和情感四類重要模型。學習者知識模型是自適應學習系統實現個性化學習的重要支持，具有代表性的知識模型包括覆蓋模型、鉛版模型、偏差模型和貝葉斯網絡模型等。學習者知識建模的本質都是將學習者知識和專家知識相比較，判定學習者知識掌握情況，進而了解學習者知識結構，便于根據學習者實時知識狀態推薦合適推薦適合的學習路徑和學習資源。學習者認知模型是用來記錄學習者認知變化和學習能力，主要從認知能力、認知策略、元認知能力等維度構建學習者認知模型[12]。三者關系是學習者在學習時需要調用認知能力進行學習，使用認知策略對已獲取的知識進行深度加工，利用元認知能力調控認知能力和認知策略，最終完成學習任務[13]。目前關于學習者行為研究采用最多的方法就是數據挖掘。例如Kinnebrew等人提出一種識別、評價和比較學習者學習行為的數據挖掘方法，研究表明學習行為與學習成功存在相關[14]。Somayeh等人提出一種序列模式挖掘方法來提取學習者頻繁的序列行為模式，用以區分不同類別學習風格的學習者，結果表明該方法能夠準確預測學習者學習風格[15]。學習者的情感因素會極大影響學習效果，當學習者處于不同情感態度進行同一內容學習時，會產生截然相反的學習結果。如果不考慮情感因素，則無法客觀了解學習者學習狀況，從而影響學習進程[16]。情感態度的測量通常采用自我報告、手動編碼或是借助外部設備識別，但目前還處于探索階段。

領域知識模型有利于知識資源的展示、查找、評價、管理、共享和交互，是開展個性化學習的前提[17]。學習資源除一些傳統教材、ppt、音頻、視頻、微課等，還有VR體驗等不同方式的學習資源，以便減輕學生認知負荷。在學習資源多樣化的基礎上， 還要實現知識內容的多維關聯性。每個知識點聚合前項、后項以及相關知識，形成知識地圖，新舊知識形成關聯，并以可視化方式呈現給學習者，便于學習者認知建構。最后， 系統能根據學習者相關信息實現學習內容和學習路徑的自適應匹配，向不同認知能力學習者提供不同組合的學習內容和學習路徑[18]。

自適應引擎根據學習者模型，對學習者知識水平和認知能力進行分析，適應性為學習者呈現高切合度的學習資源，并對整個教學過程進行監測，同時不斷調整學習者模型[19]。自適應引擎管理整個自適應學習系統，不僅要診斷學習者學情，還要推薦學習路徑與學習資源。學習者學情診斷主要從認知水平、學習情感兩方面診斷。學習路徑推薦分為知識點學習路徑和資源呈現路徑兩個層次。學習資源的推薦主要基于學習者模型和領域模型，再利用推薦算法為學習者提供合適的學習資源。算法是學習資源推薦的核心部分，常用的有協同過濾、基于內容的推薦、基于知識的推薦、混合推薦算法等，其中協同過濾算法應用最為廣泛。申晉祥等人針對大數據環境下協同過濾算法存在的數據稀疏性這一問題，利用聚類設計優化協同過濾算法，該算法改善了數據稀疏性的可擴展性[20]。

3? 研究趨勢分析

3.1? 完善學習者模型

構建學習者模型是實現個性化學習的關鍵。當今學習者模型的研究主要集中在先驗個性特征和學習行為分析，缺乏情感因素及環境因素對學習者影響的研究。學習者情感因素在影響學習效果中起不可忽略的作用。就學習情感而言，可以簡單的分為積極和消極兩種情感。積極情感能夠促進學習，相反消極情感會對學習產生不良影響。DMello等人通過實驗發現投入、沮喪、困惑以及厭倦這四種情緒是出現在學習過程中最為頻繁的四種[21]。雖然有眾多學者從教育學角度或是計算機情感計算角度考慮學習情緒對學習者的影響，但少有學者將學習者情緒考慮至學習者模型構建中。學習環境也是影響學習者的重要因素，可分為外在硬件設備、氛圍等及內在學習資源、軟件設備等兩大類。

目前，學習者模型的構建主要集中在個性特征和行為分析，模型較為局限，不夠完整代表學習者。因此在后面的研究中，應考慮影響學習者的全部要素，并將他們融入到學習者模型行的構建中。

3.2? 搭建自適應學習系統

自適應學習系統由學習者模型、領域知識模型和適應性引擎三大模塊組成。多位專家學者基于各自領域做了深入研究。通過文獻分析，在自適應學習系統中關于學習者模型、整體建模、系統要素研究較多，關于自適應引擎、領域模型研究較少。例如劉忠寶等人在學習者行為數據的基礎上，對學習者進行建模，并設計學習資源推薦系統結構[22]。楊淼等人以學習者模型為基礎，在大數據背景下結合協同過濾等技術設計個性化學習路徑[23]。自適應技術最早應用于航天航空工業，逐漸在汽車制造和工具機械制造等行業廣泛使用應用，而在教育領域中多為教育技術專業的學者關注自適應學習系統，缺乏計算機知識等原因限制，領域模型或自適應引擎的研究較難進行。未來教育領域教育技術專業將與計算機等專業通力合作，構建自適應學習系統。

自適應學習平臺中學習者模型大多被應用，但基于學習者模型的自適應學習不夠完善。多數適應性學習系統機械的呈現給學習者學習材料，不能提供個性化服務。自適應學習系統應該能夠根據學習者學習風格和背景知識呈現學習資源，還能根據學習者知識狀態提供適應性導航。

4? 總結

學習者模型為個性化學習提供理論依據，完善學習者模型能夠促進個性化學習的發展。本文通過對中國知網檢索的國內學習者模型相關文獻進行可視化分析，清晰明了的將學習者模型的研究現狀與熱點進行了分析，同時結合已有研究對未來研究趨勢進行思考與分析，為后續研究提供參考。

參考文獻

[1]鐘文娟. 基于普賴斯定律與綜合指數法的核心作者測評——以《圖書館建設》為例[J]. 科技管理研究， 2012， 32（2）： 57-60.

[2]鄭勤華， 陳耀華， 孫洪濤， 等. 基于學習分析的在線學習測評建模與應用——學習者綜合評價參考模型研究[J]. 電化教育研究， 2016， 37（9）： 33-40.

[3]武法提， 黃石華， 殷寶媛. 基于場景感知的學習者建模研究[J]. 電化教育研究， 2019， 40（03）： 68-74.

[4]Brusilovsky P， Millan E. User models for adaptive hypermedia and adaptive educational systems[M]. The Adaptive Web， Lecture Notes in Computer Science， 2007， 4321： 3-53

[5]陳仕品， 張劍平. 適應性學習支持系統的學生模型研究[J]. 中國電化教育， 2010（5）： 112-117.

[6]Konstantina Chrysafiadi， Maria Virvou. Student modeling approaches： A literature review for the last decade[J]. Expert Systems with Applications[J]. 2013， （40）： 4715-4729

[7]黃煥. 面向e-Learning的學習者情感建模及應用研究[D]. 武漢： 華中師范大學教育信息技術學院， 2014.

[8]Tadlaoui M A， Aamou S， Khaldi M， Carvalho R N. Learner modeling in adaptive educational systems： a comparative study[J]. Modern education and computer science， 2016， 8（3）： 1-10.