基于學習者畫像的混合式教學精準服務系統研究

陳紅玲?段班祥?胡建華?陳桂冬

摘? 要：隨著互聯網+教育的發展，基于線上+線下的混合式教學已經成為一種常見的教學方式。由于混合式教學環節多，傳統教學手段很難實現個性化、精準化教學。設計了一種基于學習者畫像技術的混合式教學精準服務框架，利用大數據畫像技術挖掘學習者的學習規律、學習效果和群體特征，并利用Django+Python技術開發了混合式教學精準服務系統，為教師精準地開展教學、提升學生的學習效果提供輔助服務。

關鍵詞：大數據技術;學習者畫像;混合式教學;精準教學;教學服務系統

中圖分類號：TP311;G434? ? ? ? ? ? ? ? 文獻標識碼：A文章編號：2096-4706（2022）02-0017-05

Abstract： With the development of Internet + education， blended teaching based on Online + offline has become a common teaching method. Due to the many links of blended teaching， it is difficult for traditional teaching methods to realize personalized and accurate teaching. This paper designs a blended teaching precision service framework based on learner portrait technology， uses big data portrait technology to mine learners’ learning rules， learning effects and group characteristics， and uses Django+Python technology to develop a blended teaching precision service system， so as to provide auxiliary services for teachers to accurately carry out teaching and improve students’ learning effects..

Keywords： big data technology; learner portrait; blended teaching; accurate teaching; teaching service system

0? 引? 言

學習者畫像是指利用大數據技術對學習主體的歷史數據進行提取、分析和挖掘，采用數據化、語義化的標簽對學習者的行為特征進行刻畫，從而全面概括學習者的特征信息[1]。通過對學習者畫像模型的建立，可以有效挖掘學習者的學習規律、學習效果、群體特征等，為教師實現因材施教、個性化培養提供了技術支撐。

在國內外，已有不少學者將學習者畫像技術運用于開放式MOOC教學的個性化精準學習服務方面的研究。如Kaye[2]根據成年人學習者特征模型建立學習者畫像，實現了開放式學習環境下符合個體終身學習需求的學習推薦路徑;Brusilovsky[3]采用覆蓋和基于模糊的建模技術，構建了一個動態的學習者畫像模型，實現了基于web的自適應學習系統。在國內，有學者提出了利用學習者畫像技術解決大規模開放式慕課環境下學習迷航、學習者流失等問題，如基于學習者畫像建模的個性化學習路徑設計[4，5]和個性化學習路徑推薦[6];基于學習者群體畫像的個性化學習環境構建[7]、個性化學習精準服務[8]、個性化學習輔導[9]等;以及利用學習者畫像技術開發智慧學伴微測診斷工具用于開展精準教學[10]。

近年來一種新型的SPOC（Small Private Online Course， 小規模限制性在線課程）教學模式[11]，它以小規模和限制性受到諸多高校青睞， 眾多高校紛紛開始嘗試“傳統課堂+SPOC”的混合式教學改革實踐[12-14]。然而大多數混合式課程在教學實施中缺乏對學情數據的分析和監控，難以做到精準的因材施教。在這種背景下，本研究利用學習者畫像技術為混合式課程的精準化、個性化、情景化教學提供服務支持，對推廣混合式教學模式的應用以及實現人才精準培養等方面具有積極的意義。

1? 系統框架設計

本研究設計了基于學習者畫像的混合式教學精準服務框架，目的在于通過大數據畫像技術深度挖掘學習者個體特征和群體聚類特征，為教師預警高風險學生、實施分層分類教學、確定教學薄弱點、優化資源投放等方面提供精準化的教學服務支撐。本框架共包括數據獲取、數據預處理、畫像標簽提取、畫像可視化以及精準教學服務五個部分，如圖1所示。

2? 畫像可視化功能實現

2.1? 數據獲取

精準教學服務建立在精準的畫像分析基礎上，數據獲取和數據預處理是建立畫像模型的必要保障。在混合式教學過程中，原始的學情數據來源于對教師線下教學日志數據的收集和線上平臺學情數據的導出和爬取。系統利用Python讀取教師Excel教學日志文件獲得線下學情數據;對于線上學情數據，本系統選取的超星平臺提供了部分統計數據集，可以直接將其導出為Excel文件，再用Python對其進行解析，對于超星平臺沒有直接給出來的數據，系統利用Python爬蟲程序進行采集。系統共采集了24項原始的學情數據，如表1所示。

2.2? 數據預處理

對采集到的24項原始學情數據項中的缺失值、異常值、重復值及干擾值進行清洗，去重補缺、刪除異常值和干擾值。在清洗好的數據基礎上，對線上線下數據進行整合操作，利用學生的學號信息將同一學生的線上和線下數據關聯起來。由于數據中各項指標量綱不一，因此為了消除量綱不同對數據分析的影響，對整合后的數據進行標準化處理。同時對在不同周期采集到的相同數據項，通過統計聚合的方式進行合并規約處理。為了能夠動態跟蹤學生的學習變化情況，研究將每個周期內采集到的數據預處理好后存入MySQL數據庫。

2.3? 畫像標簽提取

在數據預處理階段清洗整理后共得到24項學情數據項，研究對線上和線下學情數據項中代表同一維度的數據項采用求和或求均值等方式將其合并，最終得到16個主因子標簽用于構成學習偏好、學習活躍度和學習效果三個維度的畫像標簽體系，如圖2所示。其中學習活躍度維度用于刻畫學生的學習態度和學習行為特征，可輔助教師精準預警高風險學生;學習效果維度用于刻畫學生的學習水平和認知能力特征，可輔助教師精準實施分層分類教學和提煉教學難點;學習偏好維度用于挖掘不同學生對學習資源的偏好差異，可輔助教師優化線上資源類型，精準投放資源。

2.4? 畫像建模與可視化

研究利用定量分析和定性分析兩種方法，對混合式教學過程中的學生個體特征、班級群體特征以及課程教學情境特征三個層次進行畫像建模。定量分析采用描述性統計方法，根據標簽成分數據的特點，采用頻數分析、均值分析、離散程度分析等方法，對標簽數據進行概括性計算，利用統計圖表可視化呈現畫像的多維標簽特征。定性分析采用推斷性統計方法，對畫像不同維度的標簽因子進行因子權重分析，推斷畫像在多因子作用下的總體特征，采用聚類分析的方法推斷不同畫像群體之間的特征差異。系統框架采用Django web框架，通過Python編程技術調用pyecharts庫實現各層次畫像的可視化呈現，如圖3所示。

3? 混合式教學精準服務功能實現

3.1? 高風險學情預警功能實現

高風險學生往往是學習參與度較低、學習效果偏差的學生。系統利用SPSS軟件對每位學生在學習活躍度和學習效果兩個維度共12項指標進行因子權重分析，然后在程序中對每位學生在這12項指標上的數值按權重進行加權求和得出學生在學習活躍度和學習效果維度的定量分析結果，將兩項結果中有低于60分的學生設定為高風險預警人群。通過對每個學生在學習活躍度和學習效果兩個維度的畫像挖掘，輔助教師提前預判邊緣學生，并進行有針對性的提醒和干預。該功能實現效果如圖4所示。

3.2? 分層分類教學功能實現

要想實現課堂教學中的因材施教，就必須挖掘出學生的個體差異。學生在學習過程中體現出來的個體差異，包括學習偏好、學習能力和學習態度上的多種差異。系統基于學習者畫像特征研究，實現了智能化分層教學輔助功能。在每個知識點學習完畢之后，系統會根據每一位學生的學習效果為其自動匹配難易程度相當的課后拓展作業。實現技術是通過ajax傳遞作業文件的難度等級參數，使用Python在數據庫中為每位學生尋找難度相匹配的分層作業，最后調用Python自帶的smtplib庫和email庫實現將匹配好的作業以郵件附件的形式自動發送至學生郵箱，完成分層作業推送功能。同時系統會根據學生對線上學習資源的偏好畫像分類推薦其更感興趣的學習資料。分層分類個性化教學服務框架如圖5所示。

3.3? 教學難點提取功能實現

所謂教學難點是指學生在學習過程中不容易理解的知識，或不易掌握的技能技巧。確定并解決教學重難點，是教師優化課堂教學，提高教學質量，實現有效教學的前提[15]。一位有經驗的教師往往在課前根據教學內容本身可以確定教學難點，但學情的不確定性，有時在教師眼里認為容易的知識點有可能因為特定班級學生的先修知識學得不夠好而導致這種原本容易的知識變成難點知識。因此教學難點的精準確定有賴于對學情動態的把握和深入的分析，本系統實時采集每個教學周的全過程學情數據，動態監測班級學生在每個知識點、每個章節上面的掌握情況，部分得分率偏低的知識點或單元測驗，系統會給出預警，提醒教師重視。該功能實現效果如圖6所示。

4? 結? 論

基于學習者畫像的混合式教學精準服務系統是以線上線下全教學過程數據采集為支撐，運用數據統計方法和畫像建模技術從多維度分析、解釋學情數據，通過對學習行為、學習效果、教學盲點的診斷與分析，挖掘特定教學情境下的高風險學習者、分層分類群體特征、教學難點盲點信息。本研究所涉及的系統開發技術，可為教師開展精準化教學提供信息化應用方法參考。具體實踐表明，基于學習者畫像的精準化教學服務系統的應用能輔助教師提前關注和預警學困生、有效開展分層次教學以及挖掘自己意識不到的教學難點，從而為其優化教學策略、提高教學效果提供有力的決策服務支持。

參考文獻：

[1] SUN Y， CHAI R. An Early-Warning Model for Online Learners Based on User Portrait [J]. Ingénierie des Systèmes D Information，2020，25（4）：535-541.

[2] KAYE A，RUMBLE G . Distance teaching for higher and adult education [M]. [S.L]：CroomHelm in association with the Open University Press，2015，1：56-65.

[3] BRUSILOVSKY P， KOBSA A， NEJDL W. The Adaptive Web [M]//BRUSILOVSKY P， KOBSA A， NEJDL W. Lecture Notes in Computer Science， Berlin：Springer，2014（5）：377-408.

[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]牟智佳， 李雨婷， 商俊超. 教育大數據環境下基于學習畫像的個性化學習路徑設計研究[J]. 中國教育信息化， 2019（11）： 55-59+65.

[6]師亞飛， 彭紅超， 童名文. 基于學習畫像的精準個性化學習路徑生成性推薦策略研究[J]. 中國電化教育， 2019（5）： 84-91.

[7]康琦， 岳鹍. 基于大數據群體畫像的個性化學習環境構建的研究[J]. 高教學刊， 2020（13）： 52-55.

[8]劉海鷗， 劉旭， 姚蘇梅， 等. 基于大數據深度畫像的個性化學習精準服務研究[J]. 圖書館學研究， 2019（15）： 68-74.

[9]夏雪瑩， 馬玉慧. 基于學生畫像的個性化學習輔導策略研究[J]. 黑龍江生態工程職業學院學報， 2020， 33（3）： 125-128.

[10]劉寧， 王琦， 徐劉杰， 等. 教育大數據促進精準教學與實踐研究——以“智慧學伴”為例[J]. 現代教育技術， 2020， 30（4）： 12-17.

[11] AN J， XU YF . Exploration And Practice Of SPOC Hybrid Teaching Based On Vocational Education Cloud Platform [J]. International Journal of Higher Education Teaching Theory，2021，2（3）：233-239.

[12]沙沙， 張平， 張靜. “互聯網+”時代，基于SPOC的混合式教學模式的探索與研究[J]. 高教學刊， 2021， 7（21）： 115-117+121.

[13]周繼香， 周育人. 基于微信的混合式教學支撐系統研究[J]. 計算機技術與發展， 2017， 27（5）： 59-63.

[14] TAN J. Research on Dynamic Evaluation System of College English Blended Teaching Based on SPOC [J/OL].Journal of Physics： Conference Series， 2021， 1744：[2021-12-03]. https：//iopscience.iop.org/article/10.1088/1742-6596/1744/3/032113/pdf.

[15]陳麗英. 高職院校教學重難點的科學確定研究[J]. 成才之路， 2018（13）： 44-45.

作者簡介：陳紅玲（1980—），女，漢族，湖南郴州人，副教授，碩士研究生，研究方向：大數據技術應用、機器學習算法應用。