基于線上教育新模態的學生數據畫像理論與實證研究

奇格奇?黃愛玲?王海星?李寶文

摘要：線上教育新模態在高等院校教育教學活動開展中受到廣泛的青睞，并收集到了大量線下教學難以獲取的學習活動數據。基于交通運輸專業課程“交通安全工程”的線上學習數據，以課程線上參與度與階段性知識檢驗指標為基礎特征，采用聚類算法進行數據畫像分析與實證研究。依托高質量線上教學數據，數據畫像能夠幫助教學者更好地了解學生的學習情況、興趣和學習風格，促進定制化督導與教學，并動態驅動教學設計改良與優化的良性循環。

關鍵詞：線上教育；數據畫像；聚類分析；教學評估；定制化

一、前言

相較于傳統線下聚集性教學模態，教育數字化轉型[1]衍生出了線上分散性教學新模態。然而，將線下教學的原有思路與方式照搬到線上教學中將帶來諸多難以解決的問題，如在線教育常態化背景下學生注意力不集中、理解內容不充分、學習反饋不及時等所導致的在線學習動力缺失[2]，且有可能由于缺少與人交往而影響學生健全人格的形成[3]。慶幸的是，這也促使線上教育新模態的自我革新和進化，其中以數據驅動的教學新樣態[4]的構建最為顯著。這主要是由于線上教育能夠充分采集更多的電子化記錄與相關數據，從而足以支撐對被教育對象學習情況的具象化和定制化，同時實現線上教育數據資源的整合利用，達成“以人為本”的教育目標。

《中國教育現代化 2035》中指出應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[5]。現有研究大多結合調研問卷從宏觀層面討論線上教育的利弊，或通過對比線上教育前后的變化說明其效果。也有部分研究基于學習者畫像驅動的精準教學[6-7]，如基于作業行為、食堂消費、上網瀏覽、自習室使用情況等進行學生行為畫像及分析應用[8-9]。但如何充分利用特定課程線上學習過程中的整體性數據，刻畫學生的學習狀態及特點，進而有針對性地完善該課程教育中所存在的不足，以學生為中心因材施教，促進高質量課程建設，仍有待探索和實踐。

本文針對交通運輸專業課程“交通安全工程”的線上學習數據，充分發揮在線教育的數字化優勢，基于數據畫像理論及方法，嘗試從線上課程參與度與階段性知識檢驗等方面入手，構建學生數據畫像，并進一步分析不同類別畫像的差異化特點，實施精準化、定制化教育方案。

二、線上學習數據

大數據平臺能夠為用戶畫像提供充分的數據資源。本文基于“中國大學MOOC平臺”，獲取了交通運輸專業課程“交通安全工程”的線上學習數據，包括同一學期進行在線學習的195名學生的課程學習情況。為確保數據的安全性和隱私保護，所有個體敏感信息均進行了脫敏及重編號處理，保留了學生在該課程學習中的相關數據，如觀看在線視頻時長、在線評論數量、章節測試得分、開卷測試得分等。

數據畫像理論作為描述群體特征的理論框架，可基于所采集的數據，分析挖掘人們的行為、興趣、偏好等方面的信息，從而發現模式化的知識。數據畫像的本質是特征提取，而其形式是標簽化。目前，數據畫像分析已被廣泛應用于醫療、金融、人力資源管理等領域。基于線上教育平臺獲得的更為全面的課程學習過程性數據，能夠較好地支撐在教育領域實現數據精準畫像及其分析應用。

三、課程線上參與度

在課程學習過程中，學生不僅可以通過線上平臺在線觀看視頻，還可以在平臺留言、提問及主題討論，使學生相互交流和分享觀點。因此，在課程線上參與度方面，本文并未采集線上授課過程中的賬號在線情況，以避免由于“逃課”導致的“假在線”數據，而是提取了老師布置作業時要求在線觀看視頻的時長。此外，本文還同時采集了學生在課堂學習結束后積極參與平臺討論的數量，這也集中體現了學生對所學習內容的理解、鞏固、反思、應用等多個維度。

如圖1所示為學生的課程線上參與度情況。大部分學生觀看視頻時長在20小時左右，但仍有一部分同學線上參與度較低，并未按要求觀看視頻。本文將觀看視頻時長作為線上學習參與度的指標刻畫，一定程度上反映了學生在學習過程中積極參與和投入的程度。而線上評論數統計情況主要呈現長尾特性，大部分同學示意性地參與了1-2次討論，但也有部分學生有較高的課后活躍度，最高討論次數達到45次。將每個同學的評論數指標化，獲得課后線上活躍度，能夠較好地表征學生學習的積極性、創造性和主動性。

四、階段性知識檢驗

階段性知識檢驗是教育教學過程中最為常用的一種評估方法，用于評估學生在某個學習階段所掌握的知識和技能，其主要目的是幫助教師和學生了解學習進展情況，發現學生在不同學習環節中的強、弱項，以便進行有針對性的教學和學習調整。階段性知識檢驗可通過設置測試、作業、提問等方式開展，而學生的反饋一方面能夠幫助教師快速了解學生學習情況，同時也是學生學習狀態的過程性指標。

為此，本文采集了課程組195名學生在16個教學階段性測試章節中的測試結果（如圖2所示）。每個章節的測試總分為35分，學生有兩次作答機會，取其高者作為該學生測試得分，限在該章節學習后兩周內完成。章節測試成績如圖2所示，顏色越深代表得分越低，顏色越淺代表得分越高。觀察發現，部分學生完整地完成了各章節的測試環節，但部分同學得分較低，0分情況也不少見。其中大部分0分情況并非為學生答錯所有測試題，而是由于學生未能在指定時間內作答所導致的。因此，在線階段性知識檢驗結果不僅是表征學生學習效果的指標，同時也是刻畫學生學習態度的重要特征。

在課程學習結束前，設置了開卷測試環節，以幫助學生復習和評估學習效果。開卷測試題型包括判斷題、單選題、多選題，允許學生在規定時間內查閱任意資料，主要目的為鞏固課程知識點，因此也可將開卷測試視為總體性的知識檢驗手段。由于本文涉及的課程教學及考核均在線上開展，因此可較為精準地獲得每位學生的作答時間。作答分數除以作答時間，獲得開卷測試單位時間得分，以表示學生的總體復習成效。

五、學生畫像聚類分析

本文以學生的課程線上參與度與階段性知識檢驗指標為依據，構建學生在線學習基礎特征數據集，并采用加權模糊C均值聚類算法進行數據畫像。依據課程評估體系，四類基礎特征的權重設置為0.2（觀看視頻時長）、0.1（線上評論數）、0.4（章節測試成績）、0.3（開卷測試單位時間得分）。根據模糊C均值聚類算法通過循環迭代計算，可獲得不同畫像類別中心。

如圖3所示為聚類畫像結果在二維平面的映射圖。195名學生被劃分為5個畫像類別，畫像類別1有97人，畫像類別2有7人，畫像類別3有22人，畫像類別4有22人，畫像類別5有47人。各畫像類別在不同基礎特征維度上的數值如表1所示。畫像類別1觀看視頻時長最長，章節測試成績也最好，而開卷測試單位時間得分最低，是學習過程最為認真的學生類別；畫像類別2在過程性學習中表現尚可，開卷測試單位時間得分最高，是應試能力較強的學生類別；畫像類別3的線上評論數最低，在觀看視頻時長與開卷測試單位時間得分也較低，但章節測試成績指標較好，說明該類學生能夠把握好過程性學習，但不夠積極；畫像類別4的觀看視頻時長最短，章節測試成績指標最差，線上評論活躍度表現也較差，是忽視過程性學習，以應付考試為主的學生類別；畫像類別5具有最高的線上評論活躍度，且其觀看視頻時長也較長，是在課上、課后均能保持積極學習態度的學生類別。

六、學生畫像驅動教育教學變革

（一）線上教育提供高質量數據

隨著在線教育平臺快速更新迭代，功能越發齊全完善，使得教育者與學習者的全部細節暴露在平臺的“顯微鏡”下。線上教育平臺能夠清晰、精確地記錄學習者的訪問、瀏覽、聽課、練習等學習痕跡，從而存儲了大量的高質量學習過程性數據，使得數據畫像成為可能。在線下教育中，教育者的一大苦惱就是除了零散的測驗評估，無法跟蹤獲取學習者的學習狀態。線上教育則能夠收集到更多學習行為信息，包含學習者的登錄時間、學習時長、訪問次數、學習進度、互動情況等，為基于機器學習方法分析學生畫像提供了數據上的保障。

（二）定制化督導與教學

學生畫像的作用之一是使得傳統的大眾化教育趨向于定制化。定制化督導與教學是一種個性化的教育方法，旨在通過深入了解學生的學習情況、興趣和學習風格，生成精準教學模式或學習路徑，采用個性化資源推送、風險監督與預警、同伴對話反饋、反思性評價等精準教學干預，提供個性化的指導和幫助，以最大限度提高學生的學習效果。以“交通安全工程”課程為例，針對忽視過程性學習的畫像類別4，教育者應及時干預督導，通過私信提醒、課堂回答問題、定期交流等方式對該類別學生給予充分的關注，使學生重回課程學習軌道。而應試能力較強的畫像類別2，通常知識掌握能力及效率較高，正常教學節奏對于該類學生略顯枯燥，因此教育者可考慮為該類學生提供更多的延展性學習資源，并鼓勵其將知識應用于實踐。

（三）教學設計改良與優化

教學設計的改良與優化是一個動態過程，需要教育者在教育過程中反思和發現教學中的不足之處，并采取相應的改進措施。數據畫像能夠為課程的教學評估和反饋提供數字化依據，如忽視過程性學習的畫像類別學生數量較多可能說明課程內容缺乏吸引力，而應試能力較強的畫像類別較多則很有可能是課程學習內容過于簡單所致。此外，學生的反饋與評價也可用于教師教學質量畫像。不同的教學設計改良與優化方案會引入新的數據記錄及特征權重的變化，勢必也會影響數據畫像結構。因此，數據畫像既是教學設計改良與優化的源頭，也是其課程教學質量和效果的呈現形式，從而循環往復推進教育教學的變革與創新實踐。

七、結語

隨著高等院校教育教學活動普遍采用線上教育新模態，以學生為中心開展數據畫像理論與實證研究，成為教育信息化的發展趨勢。本文充分利用“交通安全工程”課程的線上學習數據，通過聚類分析課程線上參與度與階段性知識檢驗指標等基礎特征，獲得了五種學生畫像類別，為課程建設提供了新維度內涵與教學設計支撐。

參考文獻

[1]毛雁冰，李心羽，趙露.教育數字化轉型中在線教育質量提升研究[J].中國電化教育，2022（09）：38-42.

[2]文雯，周璐，馬志新.在線教育常態化背景下大學生在線課程學情分析[J].教育發展研究，2023，43（05）：28-36.

[3]當智吉.“互聯網+”時代在線教育發展的新思路[J].品位·經典，2022（17）：80-82.

[4]魏亞麗，張亮.從“基于經驗”到“數據驅動”：大數據時代的教學新樣態[J].當代教育科學，2022（02）：50-56.

[5]新華社.中共中央、國務院印發《中國教育現代化 2035》[EB/OL].（2019-02-23）. http：//www.gov.cn/xinwen/2019-02/23/content_5367987.htm

[6]莫尉.學習者畫像建構及應用研究[J].湖南理工學院學報（自然科學版），2021，34（03）：64-69.

[7]高金慧，馬玉慧.在線學習中學習者畫像的構建與應用研究[J].科技傳播，2022，14（12）：123-125.

[8]程歌星.基于在線作業行為的學生畫像構建與應用研究[D].上海：華東師范大學，2021.

[9]廉穎.基于教育大數據的學生用戶畫像研究[J].電腦知識與技術，2021，17（20）：38-40.

作者單位：北京交通大學交通運輸學院

責任編輯：周航