基于xAPl的在线学习者画像的构建与实证研究

肖君　乔惠　李雪娇

关键词：xAPI;在线学习者画像;学习者画像模型

中图分类号：G434 文献标识码：A

当前在线学习群体已经日益壮大，但是存在流失率高的问题，学生保留率低，课程的完成率也不高[1]。在商业领域，为了降低用户流失率，往往会使用用户画像工具，收集并完善用户信息数据以建立用户画像模型[2]，在了解用户需求、特征的基础上，进行个性化的商品推荐等精准服务，画像工具已应用于百度等多家大型企业的产品设计。在线学习环境下，学习特征可用于预测课程表现和课程完成率等方面[3]，因此在线学习领域中同样也可以应用“画像”概念，收集学习者学习过程中的特征数据以构建学习者画像，为教师、学习者提供一个了解学习者群体学习特征的工具，对解决在线学习环境中的相关问题有重要意义。学习者画像的构建和应用必然要有学习者数据支撑，对这些数据的收集和管理是一项重要的工作。自2014年以来，欧美大量项目将xAPI规范作为元数据方法，通过学习记录系统（LRSs）和分析引擎聚合学习活动，形成聚焦学习者、独立具体系统和易于实现的技术特点[4]。本文利用学习者画像的概念和xAPI的技术特性，构建一套基于xAPI的在线学习者画像模型，为当前在线学习者相关问题提供一种新的解决方案。

一、相关研究综述

（一）学习者画像

用户画像是描述目标用户特征的工具，通过其画像了解用户的需求。画像具有巨大的价值，其可以应用在各个领域[5]。用户画像广泛应用在商业领域，例如追踪消费者的购物足迹，实现对消费者购物风格画像，预测消费者购物行为倾向并进行个性化推荐;Aoyama M对数字消费产品（如手机软件、汽车导航系统等）的用户进行画像，通过角色与使用场景之间的交互分析来评估需求，以用户为中心进行产品改进[6];SG Jung等人开发了一种基于实时社交媒体数据的角色生成方法，通过自动添加相关的特性创建角色描述，该方法可以识别出真实可信群体角色特征，对那些通过在线平台销售产品的公司有一定影响[7]。近年来，用户画像的概念也初步出现在教育领域，称作学习者画像。学习者画像和学习者特征其他概念的根本区别是它以群体特征为核心，将学习者进行群体分类描述的方法，为各类教育产品的设计提供精准的支持。

国外研究人员多通过学习者某一特征划分角色进行研究，如学习动机、学习认知水平、学习态度等。如Dong Phuong DINH等人研究通过学习动机来划分学习者角色，根据每个角色的动机成分、服务的激励效果和自我效能的循环在学习服务上对不同组的学习者进行不同的服务，达到促进服务的目的[8]。除此之外，国外研究人员对学习者画像创建也进行了研究。学习者画像的创建目标是围绕学习者学习需求、学习动机和学习偏好等实施，体现学习者的关键特征[9]，如Debbie Holley等人研究将学习者分为高、中、低风险，通过风险模型预测学习者，提供相应的干预措施[10]。学习者画像可以精准评估学生的学习能力[11]，也可帮助教师进行教学反思及提升其专业发展技能[12]。

学习者画像概念也逐渐进入国内学者的视野。肖君等人认为学习者画像分析是泛在学习环境下设计移动MOOC的重要维度，利用学习者画像可以评估学习者的学习效果[13]。陈海建等人则通过实验进行实证研究，肯定了学习者画像在个性化教学方面具有的重大意义[l4]。

综上所述，学习者画像是用户画像在教育领域的应用。在线学习环境下，学习者画像不仅可以根据学习者群体特征划分学习者，并且可以优化教学设计，提供针对性的学习支持服务，促进学习者个性化学习的实现。已有研究对学习者画像的研究侧重于模型构建或是应用研究，并没有完整描述学习者画像的构建流程。

（二）xAPI

xAPI是收集數据、存储数据的标准，具有独立性和可扩展性，其不依附于平台，用户也可自己定义新的动词[15]。基于xAPI具有的交互技术，不仅可以实现教学内容的设置、学生与学习系统的交互性、学习方法的定制化，还可以在大数据分析和推荐的基础上推荐学习资料，丰富学习资源[16]。国外一些教育研究者将xAPI规范用于记录学生行为日记，尤其是对非正式学习行为的记录。例如Yee-King M J，Grierson M等人根据xAPI规范，记录程序员学员的行为日志，例如在某一课程当中查看学员的所有操作，用以对学员进行学习行为分析[17];西班牙拉古纳大学的Carina S.Gonzalez等人在MOOCs设计的研究中，认为xAPI数据具有灵活性的特点，可以在不同系统之间共享后续数据。因此使用该标准数据可以对学习行为的所有方面进行跟踪踪[18];马德里康普顿斯大学的Ana R.Cano等人在教育游戏中使用跟踪器实时发送用户行为和学习模式相关的信息，所收集的数据都遵循xAPI标准。xAPI规范设计可以用于表示交互序列，因此在教育界被广泛采用[19]。xAPI非常适合作为日志学习分析的组件集成到虚拟学习环境模型中。在虚拟学习环境（LMSs）中，xAPI可以从LMS中分离或增加学习事件数据，从而允许在不同的系统中对学习内容进行分发和识别[20];使用xAPI规范记录的日记多被存于学习记录系统（LRS）中。LRS可以用于存储任何学习平台上学生的学习数据，由于LRS的独立性，xAPI的使用也更加灵活。

综上所述，xAPI标准可以在各种学习系统中广泛应用，在学习者的学习行为、学习模式、学习活动等的数据收集和处理过程中，提供了更自动化、即时和详细的跟踪、记录和管理，对学习者画像构建中的数据采集标准化和特征描述具有重要的意义。

二、基于xAPI的在线学习者画像设计框架

（一）基于xAPI的在线学习者画像框架设计

学习分析的设计框架是多样的，通过分析多个国际学者[21-24]的观点，基于学习分析的一般流程，本文提出了基于xAPI的在线学习者画像构建框架，分为画像目标、数据收集、画像建模、画像应用与评价五个阶段如图1所示。

基于xAPI的学习者画像的设计过程注重画像的应用和反馈，是一个以目标为导向的系统框架。画像目标保证了画像构建的意义、指导着整个构建流程，学习者画像在开展教学设计反思、反馈教学效果、设计个性化支持服务等方面表现出不同的价值。在确定目标后收集学习者相关数据，包括学习者的基本信息、生理数据、心理数据和在线学习行为数据等各类数据。在线环境下的学习活动往往是跨平台、跨终端的，其产生的数据需要以“xAPI活动流”的格式存储汇聚于学习记录系统中。画像模型由一系列画像标签组成，通过一定的隐私规则选取数据进行组合形成画像标签，并储存于学习者画像标签库中。在形成的画像标签库中根据画像目标提取需要的标签借助相关算法f例如聚类分析等）进行深入的分析，输出与目标对应的画像分析结果。最后将输出结果应用于教学，并通过问卷调查、访谈等形式进行评价，以验证是否达到了既定的画像目标，若没有则再次进行画像构建和应用直到达到目标。

（二）基于xAPI的在线学习者画像模型设计

1.在线学习者画像模型设计

基于xAPI的在线学习者画像模型是整个框架的核心，它包含了与学习者相关的知识、技能和态度等多种特征[25]。通过学习者画像模型可以了解学习者的已有知识水平以及学习过程中的知识理解程度[26]，对学习者的学习过程进行客观、全面的评价。在相同的学习条件下，画像模型越完整，对学习者的刻画就越全面，就越容易发现学习者的学习特征，并针对学习者的学习特征为学习者提供个性化的学习支持服务。当前，基于能力评价模型构建学习者模型已成为一种趋势，国内很多研究者定义能力是一种学习者内在的一种人格特性，这种特性可以在实践中进行外在的表现，其中外在表现有知识，认知与技能，态度等[27];而国外的一些学者比如玛丽亚姆用知识、才能和价值来进行能力模型的搭建[28];同时有其它的学者如Elena是用知识、才能和态度等维度来进行能力模型的建构的，他认为能力是个人特征、社会特征与行为特征相互结合而成的，其中个人特征就包括个人的知识和态度等因素，社会特征包括个人的背景和社会相关的知识，行为特征包括的是个人的行为特征、个人积极性引导的行为特征和目标驱使的行为特征[29];欧盟委员会则采用开放的，标准化的和可持续发展的新技术对个体能力发展的模型进行了构建，其中能力主要表现在技能、知识、态度、行为、动机、自控力等方面[30][31]。所以，本文整合上述学习者的能力的模型与在线学习情境，建立了知识水平、行为特征和态度特征三个维度的学习者画像模型，这个模型以能力为导向[32]。其中，认知发生场所应该是社会的、物质的和人工制品的周围环境，根据布鲁姆的教学目标分类将目标分为认知学习领域，动作技能学习领域和情感学习领域，其中认知领域分类为知识，领会，应用，分析等;动作技能学习领域包括一些技能动作和相关的主动活动;情感学习领域包括接受或注意，愿意接受，觉察，有控制的或有选择的注意等情感学习。而有学者表明，学习的学生满意度是学生对学习投入的一种反馈，学习满意是学习者的期望感知和评价教育的重要指标[33]，因此经过理论演绎加总结的方式将知识水平用成绩、人工制品、学习报告来描述;用学习投入、满意度和使用意愿三个维度来描述学习者的态度特征[34]。因此对在线学习环境下学习活动的特征进行的二级指标的设计，如图2所示。

2.在线学习者画像标签与xAPI活动流的对应关系

根据xAPI的语句规则和在线学习特征，本研究以行为特征中的课程学习行为为例展示xAPI活动流的设计（如图3所示），其中具体的指标信息可在可选属性中进行获取[35]。

三、案例分析

本研究基于上海开放大学开放远程教育工程技术研究中心移动学习平台设计一门通识移动课程《火灾的预防及逃生常识》，按照本文构建的基于xAPI的在线学习者画像构建框架进行该课程的在线学习者画像分析，为课程教学设计、开发和評价提供依据。

（一）画像目标

本次实验的目标为通过实验设计、数据分析、画像分析和输出，并根据学习效果进行学习者分类，探究影响各类学习者学习效果的影响因素并提出针对性的建议，为教学利益相关者更好的进行教学设计、开发和评价提供参考，提高教学质量。

（二）实验设计

本实验设计中，来自上海开放大学的成人学习者在移动学习平台上既可以观看视频、浏览课件、完成作业，也可以创建话题，进行讨论，与同伴进行互动交流，促进深度学习的发生。为了探究学习者学习效果的影响因素，分别从学习者性别、年龄、学习风格、学习投入度、在线学习行为五个维度抽取部分学习者学习画像标签，探究以上五个维度对各类学习者学习效果的影响，并输出学习者画像，为教师和教学设计者提供参考。

（三）数据收集

本次实验数据主要来自在线课程《火灾的预防及逃生常识》的后台日志，收集到的数据以xAPI的格式储存在画像分析系统（LRS）中，通过画像系统对数据进行分析。最后共收集116份实验数据，除去一部分无效数据，得到107份有效数据，主要包括学习者的基础信息、学习行为、态度和知识水平等方面，其中具体的年龄、学习风格等关于学习者的个人信息和态度特征作为微调查通过嵌入课件之中获取。

（四）画像建模

1.学习者群体聚类分析

本研究选取了知识水平特征的成绩标签、以及态度特征中的学习满意度标签、使用意愿标签作为学习者学习效果进行分析，并利用SPSS软件，采用K-mean聚类方法，将学习者进行分类。聚类结果显示学习者可以分为四类：第一类学习者成绩、学习满意度和使用意愿均较高;第二类学习者成绩、学习满意度和使用意愿均较低;第三类学习者成绩较高、学习满意度较低、使用意愿较低;第四类学习者成绩较低、学习满意度较高、使用意愿较高。学习者满意度和使用意愿是学习者的主观感受，往往是衡量学习者是否愿意学下去的主要指标[36]，因此将之作为判断学习者是否需要挽留的标准。成绩是学习者学习效果的客观因素，可作为需挽留程度的标准。由此，将该四类学习者分别称为优秀发展类学习者、重要挽留类学习者、一般发展类学习者和一般挽留类学习者。各类学习者的占比情况如图4所示。

一般挽留类学习者的成绩虽然并不是很优秀，但是学习课程的积极性很高并且在学习结束后表示希望能够继续学习课程，可以表明此类学习者群体具有很强的学习意愿，主动性很高，学习成绩只是反映了学习者的部分学习效果，并不能代表学习者整体的学习状况。如果能够对其提供更多的个性化学习支持服务，将有助于提升此类学习者的学习成绩和学习效果。一般发展类学习者虽然成绩优异，但是学习满意度和使用意愿较低，原因可能有两点，一是此类学习者学习能力较强，而课程内容的设置对于他们来说过于简单，导致此类学习者学习动机较低，对课程满意度较低，二是此类学习者已经拥有相关的知识经验，不需要为了完成任务而花费大量的时间重复学习。重要挽留类学习者学习成绩、学习满意度和学习意愿普遍偏低，原因可能有三种，一是此类学习者学习能力较弱，课程对他们来说认知挑战性较大，学习起来比较吃力;二是此类学习者自主学习能力较差，易受外界干扰，需要教师或者教学机器对学习过程进行干预;三是此类学习者学习动机不强，对课程内容本身不感兴趣。

以上任何一种情况都值得教学管理人员关注，他们是提升整个教学质量的关键。优秀发展类学习者也是学习者中的积极学习者，他们的学习成绩优异，学习体验满意度较高，并且在课程学习后有较强的使用意愿，这类学习者是教师期望的学习群体，应该发挥此类学习者的榜样作用，使其他学习者向优秀发展类转化，促进良好学习环境的形成。

2.各类学习者学习效果影响因素分析

为了更好地对每一类学习者的特征进行描述，本研究选取画像标签库中的性别、年龄、学习风格、学习投入、学习认知行为、学习效果来进行画像特征分析，并以重要挽留类学习者为例，对画像过程进行了详细描述。

在探究性别对学习者学习效果（成绩、学习满意度、使用意愿）的影响时，本研究采用SPSS的独立样本T检验的方法， “分析一比较均值一独立样本T检验”，结果发现性别对该类学习者成绩、使用意愿和学习满意度均无显著影响;在探究年龄对学习效果的影响时，经过SPSS描述性统计分析，得到该类学习者年龄分布比例，通过对结果进行分析发现，该类学习者的N=30<40，故采用Fisher的精确检验结果，由以上分析结果发现，该类学习者的年龄与成绩、学习满意度、使用意愿均无显著影响关系;在探究学习风格对重要挽留者学习效果的影响时，通过SPSS描述性统计分析，分析结果发现学习风格与学习者成绩、学习满意度、使用意愿均无显著影响关系;在探究学习投入对此类学习者学习效果的影响时，经过SPSS描述性分析发现，学习者的认知投入对学习者的“学习满意度”具有显著正向影响，学习者的行为投入对学习者的“学习满意度”有明显反向影响;在探究学习认知行为对学习效果的影响时，经过SPSS描述性统计分析发现，学习者的四类在线学习行为对学习者学习效果的三个维度均无显著影响。

本研究对优秀发展类、重要挽留类、一般发展类和一般挽留类学习者的性别、年龄、学习风格、学习投入度、学习认知行为的影响效果进行分析的结果如表所示，其中“一”表示无影响，“+”表示有显著影响，显著影响包含正向影响和负向影响。

结合表1中的数据分析结果和已有研究成果，对不同类别的学习者进行分析可以发现，对于优秀发展类学习者，学习者“学习投入度”对学习者使用意愿有显著正相关影响，由此可以看出此类学习者的认知投入程度是影响学习者使用意愿的主要因素，在进行教学设计时，应当发挥此类学习者的榜样作用，提高此类学习者的自信心，促进此类学习者进行更多的认知投入，促进其他类学习者向重要发展类学习者转化。

对于重要挽留类学习者，在“学习投入度”方面，学习者的认知投入对学习者的“学习满意度”具有明显的正向影响，行为投入对学习者的“学习满意度”有明显的反向影响，显示此类学习者在学习行为上投入了大量的时间，但由于认知行为发生的较少，学习效果却并不理想。针对此类学习者应当提供更多的学习指导，重视学习活动的设计，促进有意义学习的发生。

对于一般发展类学习者，“学习认知行为”中的操作性行为与学习者的学习成绩无相关性，对学习者学习满意度和学习意愿具有显著影响，在教学设计过程中应该重视课程的内容设计，促进学生更多地发生课程学习行为、总结反思行为和互动交流行为;重视课程的活动设计，促进学生更多地将学习精力投入到认知类学习活动中。

对于一般挽留类学习者，女性学习者的满意度普遍高于男性，因此，教师或教学设计者在日后的教学中要重点关注男性学习者的学习表现。此类学习者由于学习风格的不同，学习效果也不相同，因此，本研究应当进一步探索此类学习者学习风格和学习效果之间的影响路径关系。此类学习者学习投入度中的行为投入与学习者的“使用意愿”具有显著正相关影响，因此，教师在教学中要让学习者更多地参与到真正的学习过程中，重视学习活动设计过程中的交互、坚持、专注等因素的设计，提高学习者学习效率，促进有意义学习的发生。

（五）画像输出

本研究依据画像目标的要求，依据学习者知识水平和态度特征对学习者进行分类，并从学习者性别、年龄、学习风格、学习投入度和学习认知行为输出学习者画像，探究影响各类学习者学习效果的影响因素。学习者画像以结构化、可视化的形式展现给教师和教学利益相关者，使其能够找到影响学习效果的因素，直观的发现学习者在学习过程中存在的问题，并能够根据学习效果影响因素，结合画像给出的建议及时改进教学设计，调整教学过程，促进各类学习者更好的学习，提高教学质量。例如，对于重要挽留类学习者，“性别”“年龄”“学习风格”“学习认知行为”对学习者均无显著影响，认知投入与学习满意度有积极影响，行为投入对学习满意度具有消极影响，教师需要充分肯定学习者的学习投入，给学习者更多的鼓励，特别关注该类学习者发生的学习行为，适当地采取教学干预措施，重视学习者学习活动设计，使学习者将更多的精力转移到认知投入、课程反思等学习行为上来，使得学生的行为投入与学习满意度成正比，促进有意义反思行为的发生。

（六）画像应用与评价

本研究通过访谈法来进行进行画像的应用与评价，访谈对象分为两部分。

第一部分的访谈对象为上海开放大学的相关教师。教师普遍认为学习者画像能很清晰的呈现出学习者的群体特征，从而能节省时间和精力去关注那些学习效果不理想的学习者。此外，學习者画像能呈现出教学过程和教学行为，作为自我评估反思的证据，以提高学习者的学习效果。但是，学习者画像在给学习者贴标签的过程中，要考虑不同的受众，例如对于学习者，则应多用鼓励性的积极词语，从而提高学习者的积极性。

第二部分的访谈对象为教育技术学领域的4位专家，他们认为基于xAPI的在线学习者画像作为一种新的学习分析探索工具，能够清晰、准确的分别呈现出各类利益相关者关注的问题。同时由于学习过程的复杂性以及研究视角的不同，在对学习者进行分析的过程中，跨平台的数据采集、课程本身的知识结构均应考虑进去，作为xAPI活动流设计的依据，从而保证学习者画像的信效度。

通过本次实验，基于xAPI的在线学习者画像已呈现出较好的教学价值，同时因为实验的规模受限，深度的价值还需要研究者和应用者的共同努力。

四、结语

本文借助xAPI在追踪学习数据上的潜力、学习者画像在对学习者群体特征描述上的价值，构建了基于xAPI的在线学习者画像构建流程框架，基于能力模型，从知识特征、行为特征和态度特征三个维度设计了在线学习者画像模型，并结合xAPI的特征设计了特定的xAPI活动流集合来收集相应标签的学习活动数据。本文还以上海开放大学的一门移动课程为例进行实验设计，通过画像分析，根据学习效果进行学习者分类，探究影响各类学习者学习效果的影响因素，最后针对各类学习者的学习画像提出针对性的教学建议，得到了教师和研究者的肯定。本文也期待更多的研究挖掘出学习者画像、xAPI在教育领域中的应用潜力，以应对如今在线学习环境面临的挑战。