基于在線學習者特征的個性化學習路徑研究

游琪 陳紅玲

DOI：10.19850/j.cnki.2096-4706.2021.09.033

摘? 要：隨著移動互聯網的發展，人們紛紛轉向在線課程等線上學習，然而海量學習資源的出現引發了諸如“學習迷航”和“信息過載”等問題，給學習者帶來巨大挑戰，亟待解決。文章運用lxml、RE等爬蟲手段獲取慕課網用戶和用戶學習課程相關信息，并利用Python軟件對慕課網在線學習者的特征進行可視化數據分析，基于學習者特征構建個性化學習路徑，有效解決了網絡迷航問題。

關鍵詞：在線學習者;特征;個性化;學習路徑

中圖分類號：TP391? ? ? 文獻標識碼：A 文章編號：2096-4706（2021）09-0127-04

Research on Personalized Learning Path Based on the Characteristics of?Online Learners

YOU Qi，CHEN Hongling

（Guangdong Polytechnic of Science and Technology，Zhuhai? 519090，China）

Abstract：With the development of mobile internet，people have turned to online courses and other online learning. However，the emergence of a large number of learning resources has caused problems such as “learning trek” and “information overload”，which has brought great challenges to learners and need to be solved urgently. In this paper，crawling means such as lxml and RE are used to obtain the relevant information of IMOOC users and user learning courses，and Python software is used to make visual data analysis to the characteristics of IMOOC online learners，and builds a personalized learning path based on learnerscharacteristics，which effectively solves the problem of network getting lost.

Keywords：online learner;characteristic;personalized;learning path

0? 引? 言

中共中央、國務院印發的《中國教育現代化2035》提出，推進教育現代化要“更加注重因材施教的教育理念”，并將“加快信息化時代教育變革，利用現代技術加快推動人才培養模式改革，實現規模化教育與個性化培養的有機結合”作為重要的戰略任務^[1]。新時代以“學習者為中”的人才培養模式為學習者提供個性化學習環境，學習者可以根據自己的需求進行學習，激發學習的自主學習意識。隨著移動互聯網的蓬勃發展，在線學習已成為學生的一種常態，各類在線教育平臺拔地而起，網絡學習資源層出不窮，人們在汲取知識的同時也面臨著新的問題，如“信息過載”、“網絡迷航”等，都會阻止學習者的個性化學習路徑的發展。因此，迫切需要解決制約個性化學習路徑中的諸多因素，如學習者特征、學習者需求等。

1? 學習路徑

1.1? 國外相關研究

國外對于學習路徑方面的研究側重于學習路徑的算法實現。例如：提出一種基于圖論的學習設計推薦系統的構建模型，挖掘教育數據相關新特性，使用小團體概念幫助學習者在學習過程中找到合適的學習對象，建立有效的學習路徑^[2];基于學生學習方式的需求，應用群體智能模型和蟻群優化方法，在靜態和動態學習單元中尋找合適的學習路徑^[3]。

1.2? 國內相關研究

國內則側重于通過大數據對學習者的行為習慣進行分析，主要集中在學習行為、知識結構、學習模式和情境推薦學習路徑。例如：單佩佩基于知識圖譜的個性化推薦研究，從知識圖譜的定義出發，綜述了知識圖譜的知識提取、表達、存儲和檢索以及教育資源個性化推薦方向的應用研究進展^[4];段玉聰等基于知識圖譜的云端個性化測試推薦，將知識圖譜引入到非結構化語義信息中來改進搜索效率和目標有效性，語義知識豐富了基于內容的搜索，增強了所推薦內容的正確性，降低了計算復雜度^[5];姜強等基于AprioriAll算法，整合知識水平相當、學習偏好接近的學習群體行為軌跡，根據學習者特征、學習的難度等級、學習的媒體類型等要素，繪制學習路徑，用以支持個性化學習^[6]。

基于上述情況，個性化學習路徑已成為在線學習平臺中不可或缺的部分，研究也有很多，但是針對在線學習者特征分析的個性化學習路徑很少。

2? 在線學習者特征

據中國互聯網信息中心（CNNIC）發布的第47次《中國互聯網絡發展狀況統計報告》^[7]顯示，截至2020年12月，我國在線教育用戶規模達3.42億，較2020年3月減少8 125萬，占網民整體的34.6%;手機在線教育用戶規模達3.41億，較2020年3月減少7 950萬，占手機網民的34.6%，如圖1所示。

隨著教育信息技術的發展，在線學習逐漸成為人們的關注點。特別是2020年，受新冠肺炎疫情影響，教育信息化進一步深化落實，各類在線學習平臺也推出了五花八門的在線學習類型，一定程度上滿足了廣大用戶的個性化教育的需求。在線學習平臺的優勢在于可以隨時隨地學習、資源重復利用、投入資金較少、每個人都可享受高質量課程資源等，這是傳統教學模式無法比擬的。但是，學習者們在享受這些在線學習平臺便捷服務的同時，也面臨著信息過載等問題，如何在眾多的在線教育平臺中為學習者推薦滿意的、符合需求的課程，節省學習者時間成本、提高學習者滿意度、增加學習者黏性是在線教育平臺的關注重點和亟須解決的問題。為此，個性化推薦系統應運而生，該系統能有效地解決信息過載的問題。

在線學習平臺積累了大量的用戶學習數據，包括學習者的基本信息、在線學習行為、習慣統計數據、在線學習效果評估等，圖2是慕課網某課程學習的用戶數量可視化統計。

3? 在線學習者數據分析

3.1? 在線學習的數據獲取

在線學習者在學習過程中產生的一些歷史數據，如學習時間、發帖討論、在線測試和練習等。運用lxml、RE等爬蟲手段，將慕課網上學習者相關在線學習信息爬取并存儲到CSV文件中。主要步驟為：

（1）請求解析課程信息，關鍵代碼為：

html = requests.get（url， headers=head）

selector = etree.HTML（html.text）

content = selector.xpath（"http://html"）

（2）通過XPath或RE匹配獲取課程名稱、課程URL、課程類型等信息。關鍵代碼為：

course_id = int（url.replace（'http：//www.imooc.com/learn/'， ''））

course_name = each.xpath（'//h2[@class="l"]/text（）'）

course_type_other = each.xpath（'//div[@class="path"]/a[3]/text（）'）

if course_type_other：

course_type = each.xpath（'//div[@class="path"]/a[2]/text（）'）[0] + '-' + each.xpath（'//div[@class="path"]/a[3]/text（）'）[0]

else：

course_type = 'other-' + each.xpath（'//div[@class="path"]/a[2]/span/text（）'）[0]

print（'course_type： ' + course_type）

（3）解析學習難度關鍵代碼為：

course_difficulty = each.xpath（'//div[@class="static-item l"]/span[@class="meta-value"]/text（）'）[0]

（4）解析學習時長關鍵代碼為：

course_time_1 = each.xpath（'//div[@class="static-item l"]/span[@class="meta-value"]/text（）'）[1]

print（'course_time_1： ' + course_time_1）

course_time_2 = course_time_1.strip（）.replace（u'小時'， 'h'）.replace（u'分'， 'm'）

（5）打開并創建csv文件，將爬取到的內容寫入到csv文件中。創建線程池，構建爬取課URL，一般慕課網的課程URL，執行爬蟲。將爬取的數據進行整理，得到慕課網用戶的在線學習信息。該信息包括靜態特征的學習者個人基本信息和具有動態特征的相關信息。

3.2? 靜態特征數據

在線學習者的個人基本信息、歷史學習成績和學習背景，這些特征記載著學習者的基本信息，是分析學習者特征的基礎，這類數據一般情況是沒有變化的。

3.3? 動態特征數據

該數據包含學習者的在線學習行為、學習實效等，這個數據是時刻有變化的。通過Python軟件對爬取的用戶學習課程情況數據進行分析，如圖3所示;該圖顯示的用戶在過去一年內的學習集中在Web前端技術的學習。

用戶數排名前10不同地區的不同性別的用戶的學習情況統計，如圖4、圖5、圖6、圖7所示。

圖4、圖5、圖6、圖7是從用戶學習課程數、用戶學習積分、用戶學習經驗和用戶學習分鐘數四個方面進行了統計。根據這些數據，在線平臺可以重點推薦一些資源給用戶活躍度高的地區。

根據上述特征，慕課網隨機給出了視頻、作業、章節測試、討論和過關游戲等基本模塊應用滿意度的在線問卷調查，共有254 562人填寫了問卷，調查結果顯示如圖8所示。

從圖8中可以看出，學習者對于課程模塊中的討論和過關游戲滿意程度均達到80%以上，根據該調查問卷，課程建設者可以修改相應的學習模塊資源，既可以提高用戶的學習興趣，又能推廣課程的應用。

4? 基于學習者特征構建個性化學習路徑

從圖8中，可以看出在線學習者對課程模塊中的討論和過關游戲類的學習模塊滿意度較高，對于常規的視頻和作業滿意度較低。綜合學習者的靜態、動態特征和課程問卷調查結果，構建出符合學習者特性的認知和行為習慣的個性化學習路徑，如圖9所示。

該學習路徑的進行模式：根據學習者的學習狀態采用不同的匹配策略向學習者推薦個性化學習列表，學習者依據自己的需求選擇一個最合適的學習列表進行學習，然后測試學習效果，這個效果可以生成學習者的動態特征。為了能向學習者精準推薦個性化學習列表，因此，需要保證學習動態特征的產生過程是不斷迭代的;個性化學習列表推薦可以讓學習者根據每個人自己的情況自主選擇學習方式，避免了向學習者強制推薦學習內容而導致的學習者厭煩情緒。

5? 結? 論

通過分析在線學習者特征類型，運用lxml、RE等爬蟲手段獲取了慕課網用戶和用戶學習課程相關信息，并利用Python軟件對慕課網在線學習者的特征進行了可視化數據分析，構建了基于學習者特征構建的個性化學習路徑，有效解決了在線學習中的“信息過載”“網絡迷航”問題。但同時是也存在一些問題，如：對于新用戶的特征，需要積累一段時間的迭代數據才能夠構建出對應的模型及相關學習路徑，考慮動態時間序列對所有在線學習者特征進行建模分析，是下一步解決個性化學習路徑的關鍵。

參考文獻：

[1] 中共中央國務院印發《中國教育現代化2035》 [J].人民教育，2019（5）：7-10.

[2] 鐘紹春.構建信息時代教育新模式 [J].電化教育研究，2019，40（4）：23-29.

[3] 中國互聯網絡信息中心.CNNIC發布第47次《中國互聯網絡發展狀況統計報告》 [R/OL].（2021-02-03）.http：//cnnic.cn/gywm/xwzx/rdxw/20172017_7084/202102/t20210203_713 64.htm.

[4] 唐燁偉，茹麗娜，范佳榮，等.基于學習者畫像建模的個性化學習路徑規劃研究 [J].電化教育研究，2019，40（10）：53-60.

[5] 單佩佩.基于知識圖譜的個性化推薦研究 [J].電腦知識與技術，2020，16（36）：177-178+184.

[6] 段玉聰，邵禮旭，崔立真，等.基于知識圖譜的云端個性化測試推薦 [J].小型微型計算機系統，2018，39（12）：2743-2747.

[7] 黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述 [J].計算機學報，2018，41（7）：1619-1647.

作者簡介：游琪（1981—），女，漢族，江西九江人，講師，碩士研究生，研究方向：教育大數據;陳紅玲（1980—），女，漢族，湖南邵陽人，講師，碩士研究生，研究方向：大數據挖掘。

收稿日期：2021-03-08

基金項目：廣東省教育科學“十三五”規劃項目（2018GXJK320，2019GXJK272）