學習者畫像模型構建及個性化學習策略推薦

[摘 要] 在線學習環境下，通過探索學習者行為偏好可以大幅度降低學習者學習的盲目性，提高學習效率。研究以學習者畫像為基礎，利用Python語言將在線學習的學習者根據學習特征用K-means算法分為四類，根據個性化學習推薦的精準性、及時性和可實施性原則為學習者推薦個性化的學習策略，并在此基礎上通過前后測試卷進行了基于畫像的個性學習策略的效果檢驗。結果表明，個性化學習策略能夠幫助學習者有效提高學習成績。

[關鍵詞] 學習者畫像；在線教育；個性化；學習策略

[中圖分類號] G424.74 [文獻標識碼] A

[文章編號] 1673—1654（2024）03—088—011

引言

學習者畫像起源于商業領域的用戶畫像。用戶畫像最初用來分析客戶數據，從而提供個性化服務，挖掘潛在的商業價值。在國內，用戶畫像被大量應用于阿里巴巴、騰訊等公司。商業領域的成功應用，使得這項技術也逐漸應用在教育領域，并得到了廣泛關注，被稱為學習者畫像。學習者畫像包括從學習者的學習過程中收集特征數據來構建模型，基于數據和模型建立多維標簽系統，并基于可靠的數據輸出更準確的個性化學習服務。學習者畫像如今應用于改善教學和學習，使學習者可以更準確地了解自身的學習模式和偏好，更明智地選擇課程。此外，學習者還可以根據畫像調整自己的學習行為，實現更高效的學習。教師則可以利用畫像來改進課程設計和提供個性化的教學建議。

本研究通過建立畫像框架體系來探索學習者在線學習的行為模式。在以往研究的框架基礎上結合具體需要設計學習者畫像框架。根據K-means聚類算法分析相關數據，將學習者劃分為不同的群體，再根據不同群體的特征進行對應的學習策略推薦，最后驗證學習策略的效果，推進個性化學習的發展。

一、學習者畫像概念界定及研究現狀

（一）概念界定

學習者畫像是用戶畫像在教育領域的應用。“畫像”這個詞語最早出現在人機交互領域，是大數據時代下的產物。大數據時代使得用戶的行為數據能夠被完整地記錄和儲存下來，從這些數據中可以看到用戶的興趣和喜好等偏好。在國內相關研究中，王莉莉將學習者畫像定義為依據學習者特征打標簽的過程，是對現實世界中學習者屬性的描繪[1]。唐燁偉認為學習者畫像是對學習過程和學習結果大數據進行數據挖掘和有效分析，并通過可視化的方式形成的[2]。陳海建認為學習者畫像是依據學習者的基本屬性和學習過程特征而抽象出的標簽化的學習者模型[3]。可見，學習者畫像就是以貼標簽的形式分析學習者相關數據，包括基本信息、知識掌握、媒體偏好、學習參與度和學習風格等，幫助提取學習者的學習特征和偏好。

（二）研究現狀

隨著在線教育和混合式教育的發展，教育數據大量積累，也讓學習者畫像技術不斷成熟。畫像能夠對學習行為進行“數據化”，客觀地展現出個體學習行為的整個過程，對跟蹤、建模、個性化學習推薦意義重大。學習者畫像的本質是對學習者特征的描述、分析和呈現。借助學習者畫像可以將教育大數據進行標簽化、可視化，從多個維度分析學習者特征，深入了解學習者，把握學習者的個性化學習偏好，為教育教學的改革提供基礎。

目前研究主要集中在畫像的模型構建和實踐應用兩個方面。在模型構建方面，喬惠等人利用xAPI數據標準構建了學習者畫像模型[4]；劉海鷗等人提出基于大數據深度畫像的個性化學習精準服務框架，為學習者多粒度個性化需求提供參考[5]；余明華等人提出了基于可視化學習分析的研究性學習學生畫像流程框架，采用定量定性的方法以及數據可視化技術最終呈現可視化的畫像[6]。在實踐應用方面，王莉莉構建了包含學習者基本信息、行為和彈幕文本三個維度的學習者畫像特征模型，并利用深度神經網絡建立了教學資源與學習者畫像之間的關系模型，從而根據學習者需要推薦個性化課程[1]；師亞飛根據提出的畫像的精準個性化學習路徑生成性推薦模型，采用個性化推薦策略向學習者推薦學習元列表，學習者主動選擇其中最適合的一個學習元進行學習，從而獲得合適的學習路徑[7]。

二、學習者畫像構建和推薦框架設計

（一）研究內容

本研究對象為某師范大學22級計算機相關專業“程序設計”課程的37名學生。面向對象的程序設計課程分為理論和實踐課程，共64個學時。線上數據收集工具為學習通和頭歌實踐平臺。在學期開始前，先發放學習資料和課程資源；然后收集學生前32學時的靜態基本信息數據，以及課程中的動態學習行為數據，包括參與討論的次數、任務點完成情況、章節學習次數、上傳的不同資源的瀏覽次數等；同時，了解學生自主學習時的學習偏好，為個性化學習策略的實施提供依據。在32學時完成時利用試卷對學生進行前測測試，了解學生在個性化學習策略實施前的基礎情況。然后，根據學習者行為數據分析學習者畫像，通過畫像為學習者提供相對應的策略，督促學生進行學習。在學期第64學時完成時，通過后測試卷收集學習者后測數據，了解學習者在個性化學習策略實施下的32個學時中的成績變化。前、后測使用的試卷均為課程相關內容，且題目難度相當，對比兩次成績可以驗證基于學習者畫像的個性化學習策略的效果。

在課程學習中，前32學時發放的學習資料的類型和數量如圖1所示。共發布視頻資源18個，文本資源11個，實踐練習11個，章節習題11次，討論10個。

（二）學習者畫像模型

通過在線學習平臺學習通收集到的課程數據包括學習者的基本信息、行為數據、結果數據。如前所述，陳海建在學習者畫像模型構建中主要依據學習者基本屬性、學習過程大數據以及學習結果大數據三個維度[3]。本研究根據實際情況并參考陳海建的成果，將數據分為基本信息維度、學習行為維度和學習結果維度，對學生進行類群劃分，構建學習者畫像。維度對應的具體行為數據如表1所示。

（三）個性化學習策略推薦框架

通過分析在線學習特征進行個性化學習策略推薦，需要滿足精準性、及時性和可實施性的原則。即需要在了解、分析學習者行為偏好的基礎上，保證學習者能夠及時得到策略的支持，同時在為學習者選擇策略時要充分考慮技術和設備上的可實施性。基于以上三個原則設計出的個性化學習策略推薦框架如圖2所示。該框架通過收集學習者行為數據，利用學習者畫像對數據進行挖掘和分析，將學習者劃分類群并進行標簽化，根據學習者標簽為相應的學習者提供個性化學習策略推薦。

三、畫像數據分析

（一）數據預處理

通過學習通導出所需要的數據，生成一個excel表格。對樣本數據集進行預處理。

第一步，查看是否有數據的缺失，主要包括記錄和字段信息的缺失。兩者都會造成分析的不準確，包含空值的數據會讓建模過程陷入混亂，導致不可靠的畫像輸出結果。根據教學和數據的實際情況，本次實驗中，對于未及時提交作業的學習者，缺失值填充為0。

第二步，查看數據是否有個別數據偏離其他觀測值的異常情況。經過檢測，數據不存在異常值情況。

第三步，對學習者個人信息進行隱藏和過濾，保護學習者隱私。具體處理方法為使用uid代替學生姓名。

第四步，對數據進行標準化處理，避免后續數據分析出現更多的誤差。標準化公式為：

即對原始數據進行線性變換，使結果落到[0，1]區間。其中，Xi表示當前要處理的學習者學習數據，Xmin表示該數據總體的最小值，Xmax表示數據總體的最大值。課程結束后數據不會再有變動，因此樣本中的最大值和最小值也不再有變化，該方法是合理的。

（二）畫像分析

對數據進行預處理后，使用K-means算法對數據進行挖掘，確定學習者的類型。首先要確定K值，確定K值可以使用手肘法則和輪廓系數法。利用Python語言繪制手肘圖，如圖3所示。

使用手肘法則確定K值繪制出的圖像如圖4所示。

橫坐標是聚類個數，縱坐標是K均值，聚類的損失函數是所有樣本到類別中心的距離平方和，也就是誤差平方和。可以通過“坡度趨于平緩”原則找出最佳的類簇數量。通過手肘法則發現，拐點4、5可能為K的最佳值。但是手肘法則主觀性較強，因此使用輪廓系數法進一步確認K值的最佳值。

引入輪廓系數S，計算公式為：

其中，a表示i向量到同簇內其他點不相似程度的平均值，體現凝聚度；b表示i向量到其他簇的平均不相似程度的最小值，體現分離度。輪廓系數的取值范圍是[-1，1]，同類別樣本距離越相近、不同類別樣本距離越遠，分數越高，聚類效果越好。利用Python畫出輪廓系數圖，選擇其中聚類效果最好的K值，如圖5所示。

求出輪廓系數如圖6所示。

可以看出K的最佳取值為4。在確定K值之后，再對數據進行聚類，所有的學習者被分為四類，部分數據如圖7所示。

在得到聚類后可以得知，類別1學生人數為14人，占比最大，占全部學生的37.83%；類別2學生人數為3，占比最小，占全部學生的8.1%；類別3學生人數為11，占全部學生的29.73%；類別4學生人數為9人，占全部學生的24.32%。表2為不同類別學習者的行為特征均值。

通過分析四類學習者的行為特征聚類結果均值，可以對四類學習者進行命名和特征描述。

類別1是自主學習者。他們的平均文本閱讀數為10，約占文本閱讀數總數的90.91%；視頻觀看時長平均為227.92分鐘，是時長最長的學習者；章節練習平均完成7.79次，約占章節練習數總數的70.82%；實踐練習平均10.71次，約占實踐練習總數的97.36%；討論及回復數平均為6，討論次數一般。此類學習者占比最大，其文本、視頻和習題、練習的完成度都比較高，但對討論問題的學習態度一般。

類別2是學習沉悶者。其平均文本閱讀數為2，約占文本閱讀總數的18.18%；視頻觀看時長最短，平均只有1.1分鐘；章節練習平均完成2次，約占章節練習總數的18.18%；實踐和討論次數平均完成度都為0。此類學習者占比最小，他們的學習興趣低，課堂參與度低，存在較高的學習失敗風險，需要得到教師的重視。

類別3是積極互動者。其平均文本閱讀數為6.36，約占文本閱讀數總數的57.82%；視頻觀看時長平均為37.74分鐘；章節練習平均完成7.18次，約占章節練習數總數的65.27%；實踐練習平均7.18次，約占實踐練習總數的65.29%；討論及回復數平均為8.73，是討論次數最多的學習者。此類學習者喜歡與同學互動，相互交流課堂問題。

類別4是積極實踐者。其平均文本閱讀數為4.22，約占文本閱讀數總數的38.26%；視頻觀看時長平均為26.21分鐘；章節練習平均完成6.67次，約占章節練習數總數的60.64%；實踐練習平均10.56次，占實踐練習總數的96%；討論及回復數為1.11，次數不高。此類學習者對各類學習材料興趣都比較平均，但相對來說比較喜歡實踐和習題練習。

四、個性學習策略及其實施

學習策略是學習者為了提高學習的效果和效率，有目的、有意識地制定的有關學習過程的復雜方案[8]。許多學者對學習策略的成分和層次提出了自己的觀點，并據此對學習策略做出了不同的分類。以邁卡爾等人的分類為例，學習策略被分為認知策略、元認知策略和資源管理策略。資源管理策略包括學業求助策略和時間管理策略。其中，學業求助策略主要包括社會人力資源的利用和學習工具的利用，而社會人力資源的利用主要包括善于利用老師的幫助以及通過同學間的合作和討論等加深對內容的理解，因此可以為學習者分配合適的學習伙伴，促進相同愛好學習者之間的合作和討論；學習工具的利用包括善于利用參考資料、電腦與網絡、工具書、圖書館、廣播電視等，因此可以為學習者提供合適的學習參考資料，提高其學習興趣，更高效地進行預習和知識鞏固。同時，以在線學習平臺為工具，監測學習者學習行為數據，為消極學習者提供適時的學習預警，督促其學習。

（一）給予適時的學習預警

學習預警是加強學習者的學業管理，提高學習者自我管理、自我約束能力的重要手段。在學習進度推進的不同階段，應密切關注學生動態，對消極的學習者進行提醒，從而提高其學習效果。

將全天分為6個時間段，根據前32課時學習通收集到的學習者行為數據可以看到所有學習者不同時間段的學習訪問總數，如圖8所示。

根據圖8可知，學習者在早上8：00到12：00最為活躍，因此學習預警應當在該時間段內。可采用學習通的教學預警功能，篩選出不活躍的學習者（即學習沉悶者）進行教學預警，提醒這類學習者及時復習鞏固和預習新課。

另外，采用Pearson系數分析數據中前測成績與各個學習部分的相關關系，計算公式如下：

其中，r的取值范圍為[-1，1]，rgt;0為正相關，r=1為完全正相關，rlt;0為負相關，r=-1為完全負相關。|r|≤0.3為不存在線性相關；0.3≤|r|≤0.5為低度線性相關；0.5≤|r|≤0.8為顯著線性相關；|r|gt;0.8為高度線性相關。利用Python繪制出相關系數熱力圖，如圖9所示。

繪制出來的相關系數熱力圖如圖10所示。

可見，文本閱讀數和視頻觀看時長與前測成績不存在線性相關；討論及回復數與前測成績屬于低度線性相關；章節練習和實踐練習數與前測成績屬于顯著線性相關。因此對于學習沉悶者，為了保證其在后續學習中能夠取得較好成績，可以優先提醒他們完成章節練習和實踐練習作業。

（二）分配合適的學習伙伴

積極互動者喜歡與其他學習者互動，并進行合作學習，共同探討課堂問題。基于此，在互動愛好者群體中給其推薦相對應的學習伙伴組成學習小組，2-3人一組。

對積極互動者再進行聚類會發現不同類別學習者喜好之間的差異性，如表4所示。

可以看出，再劃分出的類別5的學習者更加偏好文本閱讀，人數有4個，進行兩兩分組，組成文本熱衷小組。再劃分出的類別6的學習者更加偏好章節練習題，將他們分成兩組，一組兩人一組三人，組成練習熱衷小組。再劃分出的類別7和類別8分別有1人，類別7偏好實踐練習，類別8偏好視頻資料和實踐練習，因此類別7和類別8可以組成實踐熱衷小組進行學習。

（三）推薦合適的學習材料

根據上述研究可知，類別2的學習沉悶者學習熱情低，不喜歡互動合作學習，課堂參與度低，因此需要給予恰好的學習預警；同時根據學習成績與不同學習行為的關聯，給學習沉悶者提供與成績關聯度最高的章節練習和實踐練習作業。

對于類別3的積極互動者，由于他們喜歡與人交流、探討問題，因此可以給他們分配同為互動熱愛者且資源愛好相同的學習者為學習伙伴組成學習小組，再根據不同小組的特點給予相應的學習材料。

類別1自主學習者和類別4積極實踐者對于互動交流學習熱情較低。因此給類別1自主學習者所有類別的材料，讓他們進行自主學習，因為其自覺程度高，任務完成度好。而類別4的積極實踐者，偏好實踐練習，因此給他們實踐練習作業題庫，并發表在頭歌實踐平臺上，供學習者練習。

五、個性學習策略效果檢驗

為了驗證基于學習者畫像的個性學習策略推薦是否有效，可以通過前后測成績對比進行檢驗。利用配對樣本T檢驗進行驗證。

表5為配對樣本統計量及正態檢驗表。可以看出，實驗班前測成績的均值為66.892分，后測均值為75.027分，后測均值比前測均值高出8.135分。表明在經32學時的基于學習者畫像的個性學習推薦策略的教學下，學習者的成績有大幅度的提升。為了進一步比較兩次成績的差異是否達到統計學意義上的顯著水平，還需進行配對樣本T檢驗。配對樣本T檢驗的使用條件為具有正態性，通常正態分布的檢驗方法有兩種，一種是Shapiro-Wilk檢驗（S-W檢驗），適用于小樣本資料（樣本量≤5000）；另一種是Kolmogorov–Smirnov檢驗，適用于大樣本資料（樣本量gt;5000），因此這里使用S-W檢驗。求得P=0.978，說明該數據滿足正態分布。因此可以使用配對樣本T檢驗，輸出結果如表6所示。

樣本T檢驗的結果顯示，基于變量前測成績配對后測成績，顯著性P值為0.000，水平上呈現顯著性，拒絕原假設，因此前測成績配對后測成績之間存在顯著性差異。再從Cohen's d值看差異效應量，值小于0.2表示差異幅度非常小；值于（0.2，0.5）表示差異幅度較小；值于（0.5，0.8）表示差異幅度中等；值大于0.8表示差異幅度非常大。本研究中差異幅度Cohen's d值為0.85，差異幅度非常大。且前測均值小于后測，因此可以確認基于學習者畫像的個性學習策略對學習者學習成績具有促進效果，效果較好。

六、總結與展望

教育與人類社會共始終，個性化教育根據學習者的偏好和興趣來開展教學，讓學習者找到合適的學習方法使學習事倍功半，讓每個學習者都能在學習上發揮出自己的優勢。本研究通過挖掘學習者的行為數據，建立學習者畫像，并進行畫像分析，為學習者提供學習預警、學習伙伴推薦和資源推薦的個性化學習幫助，并驗證了該實驗的效果。結果表明，基于學習者畫像的個性策略推薦對學習者的學習幫助較大，為學習者個性化學習提供了具體參考。

參考文獻：

[1] 王莉莉，郭威彤，楊鴻武.利用學習者畫像實現個性化課程推薦[J].電化教育研究，2021，42（12）：55-62.

[2] 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.

[3] 陳海建，戴永輝，韓冬梅，等.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017，23（03）：105-112.

[4] 喬惠，肖君.基于xAPI的開放學習者行為分析模型研究[J].電化教育研究，2018，39（04）：32-37+45.

[5] 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.

[6] 余明華，張治，祝智庭.基于可視化學習分析的研究性學習學生畫像構建研究[J].中國電化教育，2020，（12）：36-43.

[7] 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，（05）：84-91.

[8] 陳琦，劉儒德.當代教育心理學（第3版）[M].北京：北京師范大學出版社，2019：300.

Learner Portrait Model Construction and Personalized Learning Strategy Recommendation

Abstract：In the online learning environment，exploring learners' behavioral preferences can greatly reduce learners' learning blindness and improve learning efficiency. Based on the portrait of learners，the study uses Python language to divide online learning learners into four categories by K-means algorithm according to their learning characteristics，and recommends personalized learning strategies for learners according to the principles of precision，timeliness and implemensibility of personalized learning recommendations. The results show that personalized learning strategies can help learners effectively improve their academic performance.

Key words：Learner Portrait，Online Education，Personalization，Learning Strategy