基于xAPI的在線平臺學習者精準畫像構建研究

李春秋

(安徽商貿職業技術學院 信息與人工智能學院，安徽 蕪湖 241002)

隨著人工智能、物聯網和云計算等技術的成熟，大規模開放網絡課程(MOOC)的興起和發展，網絡在線課程數量不斷增加，在線平臺注冊用戶群越來越龐大，但根據《中國互聯網教育發展趨勢報告》可知在線平臺用戶使用率不到20%.這充分說明用戶對在線教育學習效果、平臺課程質量和平臺使用體驗不夠滿意.在商業領域，采集用戶的需求、特征信息構建畫像模型，可以對用戶進行精準服務.目前畫像工具已經應用于京東商場、淘寶及今日頭條等多家企業的產品設計.在線學習中學生的行為表現可以預測學生的學習效果和課程完成率.因此，在線學習領域中可以收集學生在線學習行為數據用于構建在線學習者畫像，為教師了解在線學習群體提供一個工具，有利于解決在線學習中相關問題.如何采集在線學習者行為數據，存儲和管理這些數據是構建學習者畫像的重要工作.2013年ADL項目組提出了基于SCORM標準建立的接口規范xAPI,基于該技術規范下，通過LRS(學習記錄系統)可以實現在線學習者在任何平臺的行為信息和學習經歷的存儲與檢索.本文設計了基于xAPI規范的在線學習者畫像框架，構建了在線學習者個體和群體畫像模型.為在線學習者提供個性化服務，為教師合理組織課程提供依據.

1 相關研究

1.1 用戶畫像

用戶畫像用來描述用戶群體的特征，進而了解用戶群體的分布和需求等.用戶畫像目前已經廣泛用于各領域，如單曉紅等將通過用戶評論構建用戶畫像判斷用戶需求進而實施精準營銷[1]；許鵬程等通過從自然維度、興趣維度、社交維度，構建多維度、立體化的用戶畫像模型應用于數字圖書館，實現了圖書館的精準推薦、個性化檢索等功能[2]；王威娜采用模糊聚類和RFM模型對商場會員進行畫像，以達到精細化管理會員，合理安排商場策劃促銷活動，從而促進實體零售行業更好地發展[3].在教育領域中，部分學者也開始了對學習者學習行為及用戶畫像模型進行研究和實踐.白雪利用聚類分析法對網絡學習行為分類，從而挖掘不同類型學習者在學習行為和學習效果間的關系，從而為提升學習效果提供了更加合理化的對策[4]；張濤等通過網絡瀏覽行為研究小眾領域用戶畫像模型構建并實現了該領域的個性化推薦[5]；操菊華通過構建用戶畫像助力思政教育，提高了思政教育的針對性和實效性[6]；陳海健等從學習者屬性、類型、學習風格、興趣等維度構建用戶畫像，實現了對學習者的個性化推薦[7]；唐燁偉等通過教育大數據中的學習者基本情況，學習過程和學習結果大數據構建了學習者畫像模型，為學習者規劃個性化學習路徑，從而促進了學習者個性化學習[8].由此可見，學習者畫像是用戶畫像在教育領域的應用.但是已有的研究主要針對應用研究或者模型構建，對學習者畫像的構建流程尚未明確.

1.2 xAPI

xAPI是一種采集和存儲數據的標準，可以實時跟蹤、記錄學習者的在線行為數據，并對數據進行分析處理，且不依附于平臺，具有擴展性.基于xAPI的交互技術，可以實現學習方法、教學內容的定制以及個性化推薦學習資源.Yee-King MJ,Grierson M等采用xAPI數據標準采集程序員非正式學習行為記錄，對其學習行為分析[9].張斯亮采用xAPI行為數據化標準采集行為數據，建立行為分析模型對網絡學習行為進行分析并反饋給學習者，從而提高學習者的學習效果[10].因此，xAPI標準可以在不同學習平臺中應用，可以實時地、詳細地記錄和管理學習者的學習行為.對構建精準的在線學習者畫像具有重要的意義.

2 在線學習者特征分析

學習者在網絡平臺中進行學習，他們的各種學習行為活動產生了一條學習經歷(Experience),學習經歷被學習記錄提供者(LRP)跟蹤并記錄，然后LRP創建該學習者的學習記錄并發送存儲于學習記錄系統(LRS)中，LRS授權學習記錄消費者(LRC)查看和使用學習記錄.基于xAPI的學習者在線學習經歷追蹤過程如圖1所示.

圖1 基于xAPI的學習者在線學習經歷追蹤過程

確認需要追蹤基本屬性和行為屬性是實現整個追蹤的必要條件，是構建畫像的基礎.這些屬性必須能夠全面地描述學習者的學習狀態，才能對學習者需求進行深度挖掘，從而為學習者提供個性化服務，提高學習效率.

在xAPI技術規范中，Statement記錄每一位學習者的學習經歷，其結構主要為“Actor(操作者)+Verb(動作)+Object(對象)”，Statement除了這3個主要屬性，還包含其他可選屬性，見圖2.針對教育領域xAPI標準沒有設計具體的內容，本研究通過對在線學習者的基本屬性和行為屬性的追蹤和總結，提出了基于xAPI的在線學習者特征模型，如圖3所示.其中，Knowledge(知識特征)是學習者對某個專業領域的認知水平，通常是指對概念、步驟和事實等的掌握程度；Behavior(行為特征)是學習者學習過程中表現出來的，通常是指學習者學習過程中測試、留言、收藏、分享、下載等活動；Attitude(態度特征)是學習者于在線平臺學習中對知識表現出的主動或被動的行為傾向.

圖2 xAPI的學習行為數據Statement結構

圖3 基于xAPI的在線學習者特征分析

3 構建基于xAPI的在線學習者精準畫像

3.1 基于xAPI在線學習者畫像的架構設計

從數據基礎層(數據保存，數據采集)、數據處理層(數據分析，生成畫像)、數據挖掘層(推薦應用)等3個層次5個方面構建用戶畫像，如圖4所示.數據保存是學習者在不同的在線平臺中學習時，遵循xAPI規范的在線平臺采集模塊就會形成一條統一格式的學習經歷數據，并把數據存儲于學習經歷數據庫中；數據采集是收集學習者相關數據，包括學習者基本信息、知識特征數據、行為特征數據、態度特征數據等各類信息.并把這些數據信息轉換為xAPI語句格式，存儲為“Statement活動流”的格式.采集到的數據通過LRS進行分析，分析引擎對xAPI格式的數據進行組合分類，從而形成畫像標簽,借助相關算法對畫像標簽進行深入分析，輸出知識掌握程度、行為偏好、學習態度等3個維度的子模型的畫像.最后基于協同過濾的推薦算法對在線學習者進行個性化學習資源推薦、差異化教學推薦等.從而有效地提高在線學習者的學習效率.

圖4 基于xAPI規范的在線學習者畫像的總體架構

3.2 基于xAPI的在線學習者精準畫像的構建

3.2.1 基于xAPI的數據收集和分析

數據采集包含兩方面內容，一是采集數據的類型，二是采集數據的方式，數據的采集直接影響最終結果的準確性和有效性，是下一步分析的基礎，也是“Statement”作為描述跟蹤學習體驗的數據結構語句必須要明確的內容.學習者在線學習時，可以使用各種設備(如手機、iPad、PC等)獲取線上學習資源，滿足了碎片化、異地學習的需求，學習者能更多地有針對性地選擇學習內容，個人學習需求得到了最大限度地滿足.在xAPI規范下，Actor(主體)、Object(對象)以及Verb(動詞)這3個屬性必不可少，Object(對象)是與主體進行交互的對象，在線學習中主要是指學習者學習時需要操作的資源，如表1所示.基于xAPI規范的Object(對象)是本研究中的數字資源對象.Verb(動詞)是記錄和描述學習者的學習活動，幫助研究人員了解二者之間的交互情況.如“學生A完成了(Complete)一單元測驗，學生B觀看了(Watch)視頻20 min，學生C分享了(Share)一篇技術文檔等”.通過規范化的定義，可以追蹤并量化學習者的學習行為，從而建立xAPI格式的學習記錄數據.

表1 基于xAPI規范的Object(對象)

學習者在線平臺的所有學習經歷會被LRS(學習記錄系統)以Statement的形式存儲，并且可以根據Context(前后情景)加入相關的信息，以元數據、描述性信息以及補充數據的形式分解這些學習信息.如表2所示,設計了在線學習者基于xAPI的部分活動流.利用分析引擎對采集的學習經歷數據進行分析，形成可視化數據.再通過統計分析、聚類分析等方法確定影響學習者學習的因素，從而對學習者進行提前干預，提高學習者學習效率.

表2 基于xAPI的部分活動流設計

3.2.2 精準畫像模型構建

(1) 畫像類型

A.個體畫像

用戶畫像是描述用戶的數據，是符合特定需求的對用戶的形式化描述.因此，在本文中在線學習者個體畫像是從知識、行為、態度3個維度對學習者個體形式化的描述.構建用戶畫像的核心就是給用戶打標簽，學習者標簽從多個維度對學習者個體特征標識進行提煉，然后對標簽進行分類.如學習者的姓名、性別、年齡、專業、學歷等信息屬于基本屬性標簽.還有一些需要通過對學習者標簽進行分析、計算，通過一定的規則生成的新標簽，如對學習者在線觀看視頻的時長、頻率、測驗結果、課后討論和評價等信息進行綜合分析，然后形成一個可視化的個體畫像.從而為個體學習者在知識需求、學習效果、學習習慣等方面提供個性化的服務.

B.群體畫像

通過關聯規則、聚類分析、神經網絡算法等對學習者的行為數據進行分析，可以構建不同的在線學習者群體.從知識、行為、態度3個維度構建學習者群體畫像，并計算上述3個維度的特征或者相似度，把最相似的兩個個體合并為一個群體，然后繼續計算，直到把所有的學習者個體都分類到具體的群體中.需要主要的是，這個分類會隨著學習者基數的增加及學習者行為數據的變化不斷發生變化.群體畫像把相同或者相似的個體在線學習者劃為一個群體，可以幫助在線學習者之間相互交流、共享資源.同時，教師可以根據畫像群體中成員學習情況推薦個性化學習路徑和資源給新加入的成員，幫助平臺管理者優化平臺，提供決策依據.

(2)基于人工智能的在線學習者畫像建模

構建畫像的核心就是給在線學習者打標簽，利用深度神經網絡對在線學習者的線上學習行為和前后情景相關特征進行提取，并通過相關分析進行建模，抽取在線學習者標簽.首先，通過抓取用戶注冊信息，提取學習者年齡、性別、學歷、專業等事實標簽.這些標簽方便平臺資源管理者和在線學習者與畫像比照，進而推薦最適合學習者學習發展的資源.其次，利用人工智能技術和推薦算法，采集在線學習者知識特征、行為特征、態度特征數據，并提取基于上述3個維度的模型標簽.然后，根據設計的xAPI活動流數據和標簽庫，對標簽進行分類，最后形成在線學習者畫像.在這里需要強調的是，數據收集是隨時隨地的，是不斷增加的，并不只是針對某一個時間段和地點.數據的增加表示學習者的維度也逐漸增加，通過神經網絡分布式的存儲分析數據之間的關聯規則.通過基本數據信息組合形成新的表示特征，更好地對學習者進行形式化描述，建模是逐層逐步進行的.新的標簽可以對學習者的隱性學習需求及學習滿意度進行預測.進一步更新和完善了標簽庫，從而讓模型進行迭代，生成更加精準的在線學習者畫像，如圖5所示.

圖5 精準在線學習者畫像模型

4 在線學習者精準畫像應用情景及評價

4.1 基于在線學習者精準畫像提供個性化服務

傳統的在線學習平臺中，由于對學習者的需求分析不夠充分，導致在線學習者流失率高、課程完成率低、學習效果不明顯等現象.網絡學習環境不同于傳統校園學習環境，網絡資源豐富、各種誘惑較多，是在線學習者學習遇到的最大問題，因此針對不同的在線學習者群體提供的資源要能滿足該群體中大多數學習者的需求，同時可以為個體學習者提供精準的學習服務，精準在線學習者畫像的構建能夠滿足上述需求.通過豐富的學習資源和先進技術可以實時地了解學生的學習進程和知識掌握程度，進而實時地評價學習者學習效果.通過機器學習了解學習者對某一類資源的使用頻率(如觀看頻率、下載、轉發、分享等)及對該類資源的評價，可以判斷學習者對該類資源的情感取向，結合其他學習者對該類資源的情感取向，檢索正向情感取向的學習者學習的資源對該學習者進行個性化推薦.通過推薦算法計算學習者的相似度，根據相似度推薦大多數學習者選擇的學習資源給其他有共同需要的學習者.最終促進學習者之間共享學習經歷，相互吸取優秀的學習經驗.

4.2 在線學習者群體畫像為教育管理者提供決策支持

通過大量的學習者樣本構建群體畫像，然后對輸出結果進行比對、分析進而整合成學習者群體發展報告，可以分別為教師、學校或者教育管理者實時呈現教學活動實施的具體情況，教師可以根據學習者畫像，及時調整授課資源和授課內容；同時，可以根據學習者畫像發現各類群體學生，進而對不同群體的學生進行差異化教學.學習者畫像能夠全面客觀地對學習者學習過程進行伴隨性評價，因此，學校或教育管理者，可以根據畫像提取潛在流失類及高風險流失類學生的發展軌跡，及時對該部分學生進行預警和針對性干預.

4.3 在線學習者畫像應用效果評價

本研究通過訪談法和調查問卷的形式對輸出的學習者畫像進行評價.首先訪談的為我校智慧課堂相關教師，大部分教師認為基于xAPI的在線學習者畫像作為一種新的學習分析工具，能夠清晰地呈現出學習者的群體特征，很好地反映學生的學習狀態(如學習意愿，學習成績等)，方便教師更加清晰地了解學生，進而關注易流失學生群體，節約了時間和精力.其次隨機選取50位參與智慧課堂在線學習的學習者進行調查問卷，通過調查發現，基于xAPI的在線學習者畫像能夠讓學習者實時掌握自己的學習狀態和學習行為，并及時調整個人學習習慣從而達到了更好的學習效果.

5 結 論

研究了基于xAPI的在線學習者畫像構建可行性和流程，利用xAPI規范對學習者學習經歷進行追蹤，通過知識特征、行為特征、態度特征3個維度構建了基于xAPI的在線學習者畫像，并研究了通過建立標簽進行精準畫像建模的方法.以期在教育信息化2.0時代，為學習者提供個性化服務，為教師改進教學內容和教學方法提供依據.也希望更多的學者研究xAPI和用戶畫像在教育領域中的應用，以應對教育信息化帶來的挑戰.