多模態知識圖譜支持下智慧學習者畫像構建和精準教學的應用研究

摘要：隨著信息技術的迅猛發展，教育領域逐漸向智能化轉型，通過先進的技術手段來構建學習者畫像，為個性化教學提供支撐。在高職院校大數據專業的課程中，智慧學習者畫像的應用為教學創新提供了新的方向。以智慧學習者畫像為研究對象，在人工智能背景下，以高職院校“大數據金融”課程為例，探討如何借助智能技術促進個性化、精準化教學的實施，并對高職院校大數據專業課程的教學創新實踐展開研究。

關鍵詞：學習者畫像；多模態知識圖譜；智慧學習；教學創新

一、前言

隨著機器學習和知識圖譜等人工智能技術的快速進步，越來越多的研究者將這些技術引入教育領域，提出了教育知識圖譜等相關概念。人才培養新模式的核心在于智慧學習的實施，而智慧學習的首要步驟是對學習者畫像的精準描述。本文基于多模態知識圖譜，結合智慧學習系統的特性，旨在為高職院校中的學習者建立準確的畫像，從而實現精準教學的目標。

二、研究現狀

（一）多模態知識圖譜概述

知識圖譜用于描述世界中的概念、實體、事件及其關系，它本質上是由實體、屬性等構成的節點，以及它們之間的語義關系構成的網絡圖。隨著大數據的涌現，研究者開始整合文本、視覺、聽覺、觸覺等不同模態的信息，形成多模態知識圖譜（Multi-modal knowledge graph，MMKG）。多模態知識圖譜使得實體的數據類型不再是單獨的文本，它提升了語義理解的深度和系統性能，從而提高了知識利用效率。在對多模態知識圖譜的理解上，業界的關注點各有不同。Zheng等人認為，多模態知識圖譜的構建方式主要有兩種：一種是在已有單模態知識圖譜基礎上，通過多模態技術擴展實體類型；另一種是分別構建文本、圖片、音頻等單模態知識圖譜，再通過技術融合形成多模態知識圖譜。李華昱等人認為區別于傳統知識圖譜，多模態知識圖譜強調實體與實體之間語義關系的構建，提升了圖譜的表現力度和應用廣度[1]。當前，我國對多模態知識圖譜的研究主要在軍事、農業、地理、人工智能等方面。

（二）智慧學習概述

智慧學習是指人基于自身特征并結合環境的學習行為[2]。國外學者最初將智慧學習的研究重心放在利用技術來支持學習者，實現個性化學習的目標。國內學者認為，智慧學習是在智慧環境即學習系統支持下，學習者根據自身需求獲取資源，進行個性化學習，從而得到最有效的教師指導，并迅速構建知識網絡的學習過程。學習者畫像被認為是實現智慧學習的“必要條件”，它最早由Alan Cooper 提出，并在其研究中稱之為“用戶角色”。這種概念最初用于軟件開發和產品設計領域，通過細致描繪目標用戶的需求、目標、行為和痛點，為產品設計提供數據支持和決策依據。“學習者畫像”是“用戶角色”概念在教育領域的應用，它用來反映學習者的行為特征和信息，包括個人基本信息、情感需求和學習動機。通過識別并分類學習者，為學習者提供精準的學習支持服務，提高學習者的學習體驗[3]。

三、學習者畫像構建對高職院校人才培養的重要性

《中國教育現代化2035》明確提出，要利用現代技術推動人才培養模式的改革，實現大規模教育與個性化培養的有效結合[4]。高職院校是以企業崗位為導向進行人才培養，在當前人工智能技術和信息化蓬勃發展的時代，高職院校的人才培養模式更應該符合企業和時代的需求，培養出產業復合型人才、創新創造型人才、高素質技能型人才。

學習者畫像的構建不僅可以優化教學過程，提高學習效果，還能支持教育技術的個性化定制，使得教育資源能夠更好地與學習者的需求對接，促進教育公平和質量的提升。學習者畫像通過整合多種數據來源，提供了對學生學習行為、學習風格和學習成績的深刻洞察，使教師能夠獲得更為全面和立體的學生畫像。通過引入學習者畫像技術，教師能夠基于數據分析結果，更精確地識別學生的優勢與不足，對學生進行更加科學和系統的評價。通過數據驅動的評估，教育者可以更早地發現學生在學習過程中可能遇到的問題，從而及時采取干預措施。通過構建學習者畫像，實現學生、教師和企業的協同合作，從而推動教學改革，實現教學的升級。

四、多模態知識圖譜下學習者畫像的構建

（一）模型介紹

在了解多模態知識圖譜和智慧學習的基礎上，本文對學習者畫像的構建提出了4個層級，如圖1所示，即基礎層、支撐層、服務層、應用層，來共同構建多模態知識圖譜下高職院校智慧學習者畫像。第一層是基礎層，是以學習環境為基點，支持學習者進行建構性學習的條件集合，在本研究中主要包括硬件環境、軟件環境和智能環境。第二層是支撐層，支撐層是模型構建的關鍵，其重點是以多模態知識圖譜為研究方法收集到的學習者數據。通過對數據進行清洗、篩選、分析、歸納、編號等方式，來補充并完善高職院校的學習者畫像。第三層是服務層，一方面模型的構建離不開學習者畫像和學習者路徑的支持，另一方面模型的服務對象為高職學習者。第四層為應用層，模型的核心目的在于通過學習反饋和學習評價，來幫助高職院校開展針對不同學生的個性化學習活動。

（二）學習環境

學習環境作為基礎層，主要由三個部分構成：硬件環境、軟件環境和智能環境。硬件環境包括了各種終端設備、無線網絡以及集中控制終端等基礎設施。軟件環境則指的是支持智能學習的各類學習資源和工具。智能環境則側重于在學習過程中采用有效的學習方法和策略，以促進學習活動的順利進行[5]。

本研究的對象為重慶財經職業學院大數據與會計專業的學生。隨著智慧課堂理念的深入推廣，交互式多媒體教學系統與課堂教學的有效結合已經成為教學的必要手段。通過智能技術和平臺的應用，創造了學生與教師之間即時互動的教學環境。

“智慧課堂”是一個基于大數據的個性化教學系統。該系統通過收集數據、決策支持、評估教學三位一體的路徑，能夠有效提高課堂教學效果。即前期動態地收集并分析學生學習書，通過挖掘數據價值，幫助教師做出更精確的決策判斷。同時，智慧課堂還鼓勵學生進行個性化的自主學習，讓他們在自己的學習路徑上靈活探索，充分發揮其潛能。此外，智能教室的配備也進一步增強了學習的互動性。通過學習平臺和交互式白板，促進了教師與學生之間的多元互動。這種技術不僅提升了課堂的活躍度，還增強了學生的參與感，使他們能夠更加主動地投入學習中。這一新型教育模式不僅提升了教學的效率和質量，也為學生的個性化發展和自主學習創造了更為有利的條件，最終推動了教育的現代化進程。

（三）數據集：多模態知識圖譜

作為支撐層，數據集是模型的關鍵部分。本研究的數據來源于線上學習平臺，如智慧樹、學習通等網絡學習空間，以及線下教學活動中的課堂互動、即時問答、隨堂練習等活動。

高職學習者職業能力數據采集包括靜態數據和動態數據，主要來源于智能學習系統和其他信息系統，如圖2所示。

靜態數據指學生的基本信息（如學院、專業、學號、姓名、性別等）[5]。動態數據則由線上線下產生的三類數據組成：知識掌握測試數據、學習行為表現數據、學習者問卷數據。知識掌握測試數據由兩部分組成：作業數據和測試數據。作業數據包括課后作業和作業質量，測試數據包含課堂測驗、專項測驗等。學習行為表現數據主要包括課堂行為數據和在線行為數據。課堂行為數據包括主動發言、發言質量、匯報演說、協作討論。在線行為數據包括視頻學習、資源訪問。學習者問卷數據包含學習者滿意度問卷和知識掌握程度問卷。

由于不同類別的特征數據對職業能力的影響程度各異，因此，在高職學生畫像模型的建立過程中，需要識別出真正關鍵的特征，以便構建有效的學習者畫像模型。考慮到數據的結構化、半結構化和非結構化特性，必須對數據進行適當處理。在學習行為表現數據和學習者問卷數據處理中，需要通過清洗及編碼的形式來進行預處理，處理方式如圖3所示。

（四）高職學習者畫像

學習者畫像是在數據集的基礎上，基于不同的學習者特征要素建模。畫像構建中，學習者特征的選取主要可以分為三類：靜態特征、動態特征和結果特征[6]。靜態特征主要是指學習者的個人基本特征，這些特征通常在較長時間內保持穩定，如教育背景、興趣愛好等。動態特征則指學習者在學習過程中表現出的行為特征，如課堂參與度、學習進程等。結果特征最能直觀反映學習者的最終成果，如考試成績、學業水平等。本文的研究對象是高職學習者，高職院校培養人才的模式是以社會需求和職業素養為導向。因此本文高職學習者畫像主要包括兩個方面：崗位所需專業能力和職業基本素養。

崗位專業能力是評估一個人是否具備從事特定職業的重要依據，是個體在特定崗位上高效完成工作的基礎。它從專業知識、專業技能和專業判斷這三個方面反映了學生在該崗位上的基本能力水平。專業知識涵蓋行業相關理論，專業技能涉及實際操作，而專業判斷則強調在復雜情境下做出有效決策的能力。職業基本素養是評估學生在特定崗位工作能力的另一個重要方面，涵蓋職業選擇、時間管理和工作規劃等方面。職業基本素養不僅關系到學生的適應能力，還包括學習能力、溝通能力、團隊協作能力及解決問題的能力。

（五）個性化學習

個性化學習是該模型的最后一層，即應用層。它是在收集數據并形成精準的學習者畫像后，教師將基于這些畫像進行個性化干預。這種學習方式旨在根據每位學生的個體差異和特點，提供量身定制的教學內容和方法，以滿足學生的需求、適合學生的能力，從而使學習更加有效和高效。

在個性化學習過程中，教師通過深入了解學生的學習特點、興趣和需求，設計出適合每個學生的個性化學習計劃。這種方法強調學生的個體發展與差異化，充分考慮每個學生的興趣、能力和學習風格。此外，個性化教學模式還需對學生的學習表現進行準確評估，以便為學生和教師提供反饋信息，并制定有效的個性化學習指導，即教師和學生都需要對學生自己進行教學評估。通過個性化教學評估，教師可以及時掌握學生的學習情況，學生能全面了解自己的學習狀態。學習平臺通過教師和學生的雙向評估路徑，來為學生智能地推薦適合的相關學習服務，并提供后續資源。

五、高職院校“大數據金融”課程智慧教學實踐策略

高職院校在開展“大數據金融”課程的智慧教學實踐中，可以采用線上線下混合教學模式。一方面利用學習通、智慧樹等在線平臺發布金融類專業課程資源、視頻講座和問題討論區，讓學生可以根據自身興趣和學習能力來自主選擇難度不同的資源進行學習。另一方面，在線下教學課程實踐中，強調智慧型自主學習，即引入真實的金融數據和案例，讓學生通過已學的大數據分析軟件，如Python、R、Tableau等，來處理數據并做出可視化分析圖。項目驅動學習法可以鼓勵學生自由組隊并選擇不同項目。

教師需要對線上線下學生學習效果進行評估，利用在線測驗和課堂投票工具實時收集學生反饋，調整教學節奏，并根據學生的興趣和能力進行差異化評估，制定個性化學習計劃。同時還可以利用智能算法推薦學習資源，幫助學生在適合的水平上進行深入學習。通過這些智慧教學實踐策略，可以有效提升“大數據金融”課程的教學質量，幫助學生掌握必要的知識和技能，適應未來的職業挑戰。

六、結語

綜上所述，在高職院校大數據專業的課程創新中，構建智慧學習者畫像至關重要，需依托多模態知識圖譜支持。學習者畫像的構建涉及學習環境、數據集、高職學習者特征和個性化學習的協同發展，旨在通過個性化智慧教學培養適應社會需求的高質量、復合型大數據管理人才。

參考文獻

[1]姚奕，陳朝陽，杜曉明，等.多模態知識圖譜構建技術及其在軍事領域的應用綜述[J].計算機工程與應用，2024，60（22）：18-37.

[2]李振環，王亞玲，馬紅濤.大數據分析驅動下智慧學習的要素與生成機制[J].科教文匯，2024（12）：37-40.

[3]鄧彩鳳.基于學習者畫像的精準教學干預設計與應用研究[D].濟南：山東師范大學，2023.

[4]翟繼友.數字化轉型背景下智慧學習系統模型構建[J].無線互聯科技，2023（10）：22-24.

[5]鐘卓，鐘紹春，唐燁偉. 人工智能支持下的智慧學習模型構建研究[J].電化教育研究，2021（12）：71-85.

[6]黃建國.職業能力導向的高職院校智慧學習模型構建及應用研究[D].長春：東北師范大學，2023.

基金項目：1.2024年度重慶市教委科學技術研究計劃項目“多模態知識圖譜支持下智慧學習者畫像構建和精準教學的應用研究”（項目編號：KJQN202404205）的階段性成果；2.重慶市教育委員會2023年職業教育教學改革項目“人工智能背景下智慧學習者畫像的精準教學干預與應用研究——以高職《大數據金融》課程教學為例”（項目編號：Z232036）；3.重慶市高等職業技術教育研究會2024年高等職業教育科學研究規劃課題“精準教學視域下智慧學習者畫像模型構建與應用研究——以高職院校大數據專業為例”（項目編號：GY240017）

作者單位：重慶財經職業學院

■ 責任編輯：張津平 尚丹