基于學習者畫像的遠程在線學習預警機制研究

楊世鑒

（國家開放大學 經管管理教學部， 北京 100039）

一、問題提出

遠程在線教育日益成為成人學習者一種重要的學習方式，我國在線教育經歷了20 年左右的發展，教學規模不斷擴大，教學模式、學習支持服務等都在不斷改進。李克強總理在2017 年政府工作報告中首次提出要大力發展網絡教育，習近平總書記2018 年在黨的十九大報告中也提出辦好網絡教育。此外，信息技術的發展，終身學習理念的深入人心，這些都預示著一場以教育技術為推動力的教育深刻變革的來臨。

過去十年間，網絡教育的學習者人數一直處于快速增長階段，網絡教育的市場潛力巨大，吸引著社會各種辦學力量的積極參與。網絡教育在一片繁榮背后，教育的質量問題一直是社會各界關注的焦點，甚至成為其進一步發展的瓶頸。高輟課率、低參與度、作業完成拖延、學習深度不足、學習體驗感較差等這些與教學質量有關的問題始終沒有很好地得以破解。

網絡教育的從業者以及教育研究者一直都在探尋如何提升網絡教育質量。從過去若干年的研究和實踐來看，豐富的學習資源、有力的學習支持服務、科學的教學模式設計都對教育教學質量起到了一定的推動作用，但是教學質量的提升并沒有實質性突破。其中，一個重要的問題就是有效的、有針對性且差異化的學習支持服務不夠，即大規模的教學資源的投入沒有完全轉化到學習者個體身上。特別是由于缺乏對于學習者個體特征的分析和研究，使得所有的教學資源投入還停留在無差別化的規模教育階段。教育的投入加大，但學習者的學習積極性并沒有得到顯著提升，這無疑是阻礙教育質量進一步提高的重要因素。

對于教學實施過程而言，讓學習者獲取知識的過程是一個復雜的過程。教育者不僅要關注學習者顯性的認知能力，還要關注學習者的心理、學習情緒等因素，這些都是影響學習者學習積極性的重要因素。長期以來，對于學習者的支持服務，主要針對顯性的服務，即通過提供教學資源和提出學習任務來實現教學目標。但是由于忽視了學習者的心理狀態，導致學習者的積極性不高，學習者的消極情緒影響了學習過程中學習任務的完成。

本文主要關注和解決以下幾個問題：第一，基于學習者畫像對學習者學習行為進行分析，建立起學習者背景特征與學習者學習行為之間的關系；第二，在學習行為分析的基礎上，重點探索遠程在線學習的學習預警機制，使遠程在線學習中的教師和學習者能夠及時、有效地發現并解決在線學習中的問題，減少學習失敗的風險。

二、文獻回顧

1.關于學習分析

（1）什么是學習分析。學習行為分析越來越受到教育工作者的關注，因為通過學習行為分析，可以開展精準化教學。學習行為分析是教學過程的開端，如果沒有學習行為分析，后續的教學服務都是盲目的、低效的。信息技術發展和大數據時代，為教師進行學習分析提供了機會，同時也吸引了大量研究者對學習分析的關注。

什么是學習分析？不同學者的闡述雖有不同，但本質上差異不大。Siemens 認為學習分析是收集學習者生成的數據和系統智能數據，通過數據分析模型來發現學習規律及其影響因素，對學習進行預測和反饋[1]。隨著教育技術和大數據的應用，基于大樣本的學習行為數據分析成為可能。例如網絡在線學習環境下，雖然教師不能直接觀察學習者學習狀態，但是學習者在網絡上留下的學習痕跡為研究和分析學習行為提供了大量的數據。大多數的研究都是通過對這些數據進行分析，確定數據與研究問題的關系，深度探索數據所揭示的現象，最后得出的分析結論，這些基于數據挖掘的學習分析為精準化教學提供了重要依據。

（2）學習分析的分類。根據“學習分析的目標層次”，可以將學習分析分為描述性分析、診斷性分析、預測性分析和指示性分析（如圖1 所示）。描述性分析、診斷性分析、預測性分析和指示性分析，不論是從研究價值還是從研究難度來說，都是不斷遞增的趨勢。可以說，學習分析最終的目標就是要通過構建學習分析模型，實行預測性分析和指示性分析。但從現在已有的研究來看，主要是描述性分析和診斷性分析，這兩種學習分析是一種“事后”分析，缺乏一定的前瞻性。事實上，預測性分析是一種更為有效的學習分析，可以“預測”將要發生什么，據此可以提前對學生的學習行為進行干預，從而大大降低了學習失敗的風險。

圖1 學習分析的分類

雖然教學組織的規模大小不一，但是最終的學習行為均表現為學習者個體的學習活動，學習者自身的特征對學習行為是有直接影響的。因此，幾乎所有的研究者都無一例外地將學習者的特征作為分析學習行為的重要內容，并根據這些特征在學習過程的影響程度不同，分別提出了不同的學習特征模型。例如，Cross（1981）在CAL 模型（Characteristics of Adults as Learners Model）中將學習者特征分為個體特征和環境特征；Kaye和Rumble（1981）將學習者的個體特征分類為生活方式、基礎設施、人口統計、教育培訓等四個方面。從國外的研究來看，不僅對學習者特征有了明確的分類，而且結合學習者的在線學習行為，對學習者的學習過程有了進一步的分析。

國內學者中，丁興富（1998）較早地提出了遠程教育學生的理論分析體系。在該體系中，學習分析的資料更加多樣化，涵蓋了一般資料、人口學資料、社會學資料、地理學資料、情境狀態資料、動機動力資料、評價資料等不同的分析角度；劉儒德等分析了學習者先驗經驗、學習動機與元認知能力、學習風格以及個性特征四個方面與網絡學習環境和過程的緊密關系。[2]此后，國內的學者都曾試圖建立關于學習者特征的分析體系或者分析模型，例如吳戰杰（2004）將學習者特征分為智力、學習風格、學習準備、網絡化學習特征、一般信息、其他類，共包括52 個要素；王迎等（2006）提出的DSMS 模型，將學習者特征分為人口學特征、支持性特征、動力性特征、策略性特征；陳仕品等（2010）、郭富強（2011）、孫月亞（2015）都基于自己的研究提出了學習者特征的構成要素。

為了對學習者進行更精準的分析，有研究者開始將商業領域的用戶畫像理論應用到教育領域，提出了學習者畫像。學習者畫像不同于簡單的學習者特征，二者根本區別是：學習者畫像以群體特征為核心，將學習者進行群體分類描述，為不同學習者提供精準的支持服務（肖君等，2019）。不僅如此，很多學者還將風險因素引入學習者畫像的構建中，以此識別不同風險等級的學習者（Holley 和 Oliver，2010）。

國內研究者將學習者畫像與教育大數據相結合，通過對學習者學習行為的大數據分析，將學習者特征標簽化，不僅能更精準地表述學習者需求，還能對學習者行為進行有效預測（肖君，2019）。學習者畫像雖然是教育領域的一種新技術，但其本質仍然是對學習者特征的描述、分析和呈現。學習者畫像理論的提出，不僅是對學習者特征模型的進一步優化，更為重要的是加大了學習分析的應用空間，尤其是為識別高風險的學習者、為學習預警機制的建立奠定了基礎。

通過對相關研究文獻的回顧，我們發現，基于學習者特征的分析正在受到研究者的重視，這對于深入研究學習者的學習行為、探尋個性化的教學策略提出了依據。學習分析的關鍵是如何構建學習分析模型，這也是國內外學者目前主要的研究方向。已有的研究主要存在以下不足：第一，較少關注學習者的心理特征。實際上，學習過程也是學習心理活動過程，相對于其他活動，學習者的心理狀態更能影響到學習行為。第二，較少考慮學習團隊的特征和行為。學習過程不僅是學習者個體化的學習行為，同時也是學習團隊的學習行為。一個團隊的學習氛圍、學習文化等都會對學習者產生重要影響，如果忽視學習團隊的分析，會使研究結論出現偏差。第三，缺少從動態視角對學習行為進行分析。在整個學習過程中，學習者學習行為不是一直保持不變的，已有的研究沒有學習周期中學習行為發生的變化。

本文在前文的基礎上，試圖打開學習者學習過程的“黑匣子”，對已有的學習分析模型進行優化。此外，如何將學習分析的成果應用，也日益受到研究者的關注，本文也試圖從這些方面進行探索。

2.關于學習預警機制研究

學習行為是一項復雜的系統工程，會受到各種因素的影響，并最終影響學習的結果。遠程在線學習，考慮到學習環境的特殊性，學習中的不確定性會更大，學習風險會更高。遠程開放教育要求的一個基本理念就是“有教無類”，既要公平地給予學習者學習機會，同時還要保證每一名學習者最大化地實現學習目標。由于遠程開放教育入學門檻較低，導致學習者的學習基礎差異較大，基礎薄弱的學習者在遠程開放教育學習環境中會出現諸多不適應。與傳統面授教育相比，遠程開放教育中學習者具有高流失率和高輟學率的特點，進一步說明遠程開放教育學習失敗的風險較高。因此，學習分析的一個重要作用，就是要識別和分析高風險的學習者，一方面對學習者發出預警報告，督促其改正學習行為，另一方面作為教學支持服務提供者進行學習危機預警干預的依據。實際經驗表明，對于高風險的學習者，學習危機預警越早，教師干預越及時，就會越容易降低出現學習失敗的概率。

從本質上說，學習預警和學習分析緊密相連，學習預警是建立在預測性學習分析基礎上的一種學習支持服務活動。相對于傳統的學習支持服務，學習預警可以對學習者遇到的學習困難進行提前幫助，促進其學習成功的概率，降低學習輟學的風險。[3]因為目前的教學支持服務常常是根據學習者的狀態而采取的事后干預，這種干預具有一定的滯后性，對學習者服務的及時性不強。要想增強學習者針對性指導，需要由事后干預轉變為事前干預，即較早識別出學習者的學習風險，進行提前干預。從目前已有的研究來看，學習危機預警機制研究得較少，說明還沒有引起充足的重視。

一般來說，從學習預警內容來劃分，學習預警機制包括情緒、行為、知識等三方面的預警；從學習預警的對象來劃分，學習預警包括對學習者的預警、對教師的預警和對學習者與教師的雙向預警。楊現民等（2016）從預警的實現形式、算法與工具、內容與方法等方面比較分析了國外五個典型學習預警系統，提出了學習預警系統的通用設計框架，并構建了學習預警系統的功能模型和過程模型。王均霞（2019）以測評大數據為基礎,以學生知識點綜合掌握情況為研究內容,以貝葉斯網絡為分析方法,通過節點權重分析及因果關系分析形成預警模型網絡結構，在參數學習和條件概率分析的基礎上形成面向知識點的學習預警模型。張婧鑫等（2019）基于社會臨場感角度，采用二元相關分析、多元回歸分析構建在線學習預警模型,得出同伴交流、課程進度安排合理性、自我調節學習、與教師交互及學習動機最能解釋學業成績的結論。[4]

三、學習危機預警機制的基本原則

目前，在遠程在線教學中建立學習危機預警機制尚處于探索階段，尚未有一套完善和成熟的方案。下文提出了一些關于學習危機預警機制建立的基本原則。

1.風險導向原則

在遠程在線學習過程中，不論是產生學習危機還是最終導致學習失敗，都可以被稱之為“學習風險”。從風險角度，本文提出的學習預警實質上也是一種學習風險的管理。

目前，在生產管理、社會管理、行政管理等各個方面，都十分強調風險管理的概念，對于風險的管控是一個組織或個體是否取得成功的關鍵。在教學領域，學習風險的概念還沒有得到人們的充分認識。事實上，學習過程也是一種管理過程，包括教學管理、資源管理和個體管理等諸多方面。要想達到教學目標，在整個管理系統的每一個參與者都要有風險意識和風險管理的策略，要將風險可能造成的不良影響降至最低。[5]相對于傳統的面授教學，遠程在線學習過程受到的影響因素多樣，學習風險更大，因此更應該得到關注和研究。

2.系統性原則

學習危機預警機制實際上是關于揭示學習者學習風險的一套管理系統（如圖2 所示）。首先，根據學習者的學習行為表現，發現學習者的學習問題，即學習風險的識別；其次，對學習風險進行測量，以此反映學習風險的嚴重程度，可以使學習者和教師有一個直觀了解；再次，對學習風險產生的原因、影響因素進行分析；最后，要提出針對性的解決措施，尤其是對于教師而言，要根據分析的內容，進行必要的學習干預，幫助學習者走出學習困境，擺脫學習危機，避免后續出現類同的危機，這個過程是學習風險的控制。可以說，學習預警機制的建立，學習預警體系是基礎，大數據挖掘和分析是手段，突出預警的預見性和干預的有效性是關鍵。

要想保證學習預警機制的科學有效，還要考慮影響學習危機管理系統的各個因素，即不同類型的學習風險，包括學習環境風險、學習情緒風險和學習認知風險，它們之間相互關聯又分別存在，均對最后的學習成敗產生重要影響。因此，在對學習危機進行預警和分析的時候，要全面考慮這幾種學習風險。

圖2 學習危機管理系統

3.實時性原則

學習危機預警通過對學習者學習行為的觀察，利用實時的行為數據，將學習者面臨的學習危機預先告知學習者和教師，采取相關的學習干預措施。由于學習行為是一個動態發展的過程，因此需要隨時對學習者學習過程進行監測，如果出現學習危機要能進行預警，預警越及時，對學習者的幫助越大，越有利于學習者和教師進行調整。

四、學習者畫像下的學習危機預警機制：一個實證分析

通過以上分析，我們知道學習危機預警機制的建立，首先需要能夠對遠程在線學習風險進行識別，尤其是識別高風險的學習者，從而勾勒出遠程在線學習者的畫像。我們借鑒學習者畫像理論，試圖構建一個遠程在線學習風險的識別機制。以下通過一個實證分析，初步驗證學習者的背景特征和學習行為及其學習風險之間的內在關系，為后續研究提供依據。

1.理論分析與假設提出

網絡學習和傳統的面授教學最大的不同就是學習者和教師處于相對分離的狀態，教師是通過提供學習資源和必要的學習支持服務來進行輔助教學。在更多情況下，網絡學習過程也就是學習者與網絡學習資源進行直接交互的過程。“因材施教”是廣為人知的教育理念，在傳統教育中，教師和學生處于相對封閉的環境中，教師可以通過觀察學生的課堂表現，近距離地了解學生學習困難，同時還可以觀察學生的面部表情以及肢體語言來洞察學生的心理活動，這些都方便教師開展有針對性的教學。

在網絡學習環境下，為了減少時空分離帶來的信息不對稱，教師希望通過學習者網絡學習行為留下的日志，來分析學習者的學習狀態并評價學習效果。在已有的研究和實踐中，常常將學習者視為同質的，即沒有考慮學習者特征對學習行為的影響。如圖3 所示，學習者的背景特征包括生理特征、社會特征、經驗特征（具體描述見表1），這些特征決定了學習者在與學習資源和教師的交互中，會出現不同的隱性學習行為，包括學習持續力、學習情緒、溝通意愿等，這些隱性的學習行為即我們所說的學習者的心理狀態。學習者心理狀態不同，學習的積極性就有很大差異，體現為學習者顯性學習行為（作業完成時間、教學活動的參與度、學習資源的訪問次數、登錄行為等）的差異，最終影響學習者的學習效果。在以往的研究和分析中，并沒有考慮學習者的背景特征和隱性學習行為對顯性學習行為的影響，這也是分析結論存在不一致的原因。由于傳統的研究是通過觀察學習者的顯性學習行為來分析學習者的學習效果，導致分析的結論不具有預測性，不能使教師在學習者學習之初就提供針對性的服務。

圖3 學習者學習過程要素投入傳導模型

表1 學習者背景特征描述

本文借鑒人口學中的高階梯隊理論，試圖構建遠程在線學習者的“學習畫像”，據此作為開展學習預警的基礎。高階梯隊理論是心理學、組織行為學、管理學相結合的一種理論，已經廣泛應用于各種學科領域。高階梯隊理論認為，行為人的一切行為，包括管理決策行為，不僅受外在環境的影響和制約，同時還和管理者個人以及團隊成員的背景特征有關。由于現有的研究通常關注外在因素的影響，忽視了制約決策行為形成的“黑匣子”，即個體和團隊成員個體特征的影響，從而會使研究結果存在一定的局限性（Finkelstein 和Hambrick,1990；March 和Simon,1958）。

基于高階梯隊理論，本文認為，在同樣的學習環境下，學習者個體的差異會在很大程度上影響學習行為，包括表現出來的學習情緒等方面也會有所差異。具體表現在以下幾個方面：

（1）年齡。Taylor（1975）認為，年輕的管理者在認知能力、創新能力和應變能力方面要強于年齡大的管理者。一般來說，年輕的管理者傾向實施戰略變革（Wiersema，1992），對新鮮事物接受比較快。對于遠程教育學習者而言，年輕的學習者更能適應學習方式的變化并作出積極反應，同時年輕的學習者溝通能力也比較強，在學習中更能獲得來自同伴的支持。由此可以分析出，年輕的學習者會表現出較為積極的學習情緒。

（2）性別。幾乎所有的研究都表明，男性在工作中容易表現出過度自信（Lundeber 等，1994；Bengtsson 等，2005）。Peng 和Wei（2007）研究發現，男性的自信心要高于女性。在遠程教育學習中，自信心是影響學習情緒的重要因素，因此，相對女性學習者而言，男性學習者會表現出較為積極的學習情緒。

（3）前期專業背景。如果學習者前期有和目前所學專業相同的知識背景，那么，學習者在學習過程中會更加從容，容易激發學習熱情。

（4）學習年限。學習者學習年限越長，對網絡學習會更加熟悉，這樣會消除其學習過程中的陌生感，從而產生更加積極的學習態度。

基于以上分析，我們提出如下假設：學習者的背景特征影響學習者學習過程的積極性。

2.研究設計

（1）數據來源和樣本選擇。本文選擇國家開放大學學習網中《財務報表分析》《基礎會計》《高級財務會計》等三門課程，以2016 年秋季—2019年春季45 家分部學生提交作業的數據為分析對象。大部分數據通過學習平臺生成，少部分數據通過手工整理獲得。

（2）研究設計。

1）模型構建。為了檢驗學習者背景特征與學習積極性之間的關系，我們建立如下模型：

Pr（Delay）=β0+β1BC +β2CONTROLS+ε（1.1）

2）變量選擇。以上模型的變量選擇如下（如表2 所示）：

①由于本文選擇的學習者均為會計學專業，因此專業背景定位為是否具有財務背景。被解釋變量。在教學的各種問題中，作業完成拖延是一個極為常見的現象。通過表2 作業完成時間的統計分析可以看出，遠程教育中作業完成拖延現象還是很嚴重的。一般認為，學習者作業完成拖延是一種學習不積極的表現，教師通常采用督促的方式來解決。但事實上對遠程教育的學習者來說，這種方式的效果并不明顯，而且隨著督促數量的增多，效果越來越差。這在一定程度上說明，影響學習者作業完成時間的，除了學習態度和學習積極性等問題，還有很多深層次問題等待解決。

本文選擇學習者作業完成拖延作為探究學習者學習狀態的切入點，是因為相對其他的學習表現來說，完成作業、獲取作業成績，是學習者重要且必須完成的學習任務，這也是全體學習者都必須參加的學習活動，以此可以較為準確地分析出影響學習者學習狀態的深層次原因。

在模型1.1 中，按照作業拖延的程度分別取值，具體取值為：拖延1 次取值1，拖延2 次取值2，拖延3 次取值3，拖延4 次取值4。

②解釋變量。解釋變量是學習者的人口背景特征，主要包括年齡、性別、教育水平、專業背景和學習年限。其中年齡的度量分為自然年齡和分段年齡。

③控制變量。本文選擇的控制變量包括學習支持服務的內容，具體包括教學活動安排的次數，是否有面授輔導，網上直播課堂的次數等。教學支持服務越豐富，越有利于學習者提高學習的積極性。

3.描述性統計分析

表3 是主要變量的描述性統計。通過表3 可以發現，按時完成作業的比率是逐漸下降的，第一次提交作業的比率最高，第二、三、四次作業的完成率顯著降低。

表3 變量的描述性統計

對比教師教學支持力度，包括安排的教學討論、網上資源的數量等內容，每次任務是較為平均的，但是學習者完成任務的積極性在下降，說明除了一般意義的學習支持服務外，還有其他的支持活動。通過上述初步的研究結果發現，學習者的個人特征與學習行為有著緊密的聯系，后續研究應該進一步挖掘彼此之間的相互關系。

五、結語

近十年來，隨著國家政策、社會投入以及學習者自身學習方式的轉變，網絡在線教育得以迅猛發展。同時，網絡教育教學質量問題也引發社會各界的關注。如何能夠使學習者獲得更好的學習體驗，關注學習者個體的學習感受，開展有針對性的個性化學習支持服務，是提升教學質量重點考慮的內容。由于學習者個體的差異，在面對相同的學習環境和學習支持服務的情況下，學習者的反應并不一致。通過研究學習者背景特征，進一步分析出學習者的個體差異在網絡學習中的具體表現，為開展有針對性的教學支持服務提供依據。