数据驱动用户画像在高校个性化教育中的应用探索

周佩 于腾 宋晗

[摘           要]  为进一步提升我国高校的个性化教育，以凸显各校的办学特色和提升各校的核心竞争力。以信息化建设校园背景下的海量数据作为基础，通过提取高校目标学生群体的特征并且标签化，借助可视化工具构建其用户画像，更有效地挖掘高校学生的潜能和需求，帮助高校制定更加科学和准确的针对性教育策略，以期达到支撑个性化教育的相关决策和优化方向的目标。

[关    键   词]  数据驱动;用户画像;高校;个性化教育

[中图分类号]  G712             [文献标志码]  A              [文章編号]  2096-0603（2020）21-0032-02

21世纪，个性化教育成为高校竞争力的核心。在信息化、数字化、智能化的新型信息社会和大数据时代下，高校教育研究人员的数据驱动意识和对大数据技术的认知和校园教育大数据的敏感度，综合决定了高校现代化以及个性化教育的水平。在校园信息化建设日趋完备的背景下，每天产生的海量数据为我们进行数据驱动的个性化教育提供了发展契机。

一、我国高校个性化教育现状

早在两千多年前，孔圣人就提出“因地制宜、因材施教”的教育理念。到21世纪，如何在时代背景和科学技术的支持下精准高效地将个性化教育落实到高校教育过程中，仍然是众多高校面临的一道难题。

个性化教育是探索个体生命的独特价值、发掘个体生命的潜能、培养学生的独特个性和独立人格，并且促进个体生命自由和谐发展的教育，它尊重学生本身以及学生发展的多样性[1]。个体发展差异化与人才培养划一化、社会需求多元化与办学趋同化的矛盾是我国高校正普遍面临的问题。要解决这些矛盾，根本方法是深化个性化教育以逐渐消除模式化教育的弊端。此外，当前我国高校面临的另一个问题是经验式的个性化教育，其缺少足够的数据源和可供分析判断、佐证教育行为效果的依据，进而不能做出理性、有据可循的判断和决策。

二、数据驱动用户画像研究概述

（一）数据驱动用户画像概述

用户画像是真实用户的虚拟代表，是建立在真实数据之上的目标用户模型，这个概念由交互设计之父Alan Cooper较早提出[2]。数据驱动用户画像，则着重基于用户数据来构建用户画像，利用“数据—用户标签映射法”。首先采集用户的静态属性（人口统计特征等）和动态属性（使用行为、消费行为等）相关的海量数据，然后通过特定算法（如分类、聚类等）将其转换为标志用户特征的标签信息，最后通过数据可视化技术完成画像结果[3]。这是一个从个体到群体、从具体到抽象、从宽泛到聚焦的动态过程。

海量的用户真实数据，大数据分析和可视化技术的科技化手段，都是数据驱动用户画像的优点。其被广泛运用在互联网公司的产品设计和运营上，通过收集和分析用户的社会属性、生活和消费行为等方面的数据，进而抽象出虚拟的目标用户的特征全貌。这样在全方位掌握用户行为特征的基础上，还可以帮助挖掘用户的需求，进而实现对细分群体提供个性化的产品设计和服务定制等。

（二）数据驱动用户画像在高校个性化教育中的研究现状

诸多高校展开过针对学生群体用户画像的研究。浙江中医药大学通过分析和挖掘教学过程中的海量学生数据，精确又细致地给每一个学生都打上了标签，基于此展开思想政治个性化教育[4]。江苏理工学院基于海量的数据挖掘抽象出学生在基本属性、偏好、兴趣、活跃度和需求等方面的特征和标签，进而探索如何解决高校图书馆为学生提供个性化服务的问题。电子科技大学根据学生出入寝室时间、进出图书馆次数、澡堂洗澡时间等校园内日常生活的数据分析并抽象出学生的学习和生活状态，进而对学生的学习和生活情况进行预测。北京邮电大学通过对学生数据的分析和标签体系的构建，多维度建立学生的用户画像，并用来推测学生在心理、学习和生活行为等方面可能出现的异常[5]。

国内针对用户画像的研究起步较晚，而在信息化校园建设视域下，利用数据驱动用户画像提升高校个性化教育的探索和研究尤为匮乏。

三、高校学生的用户画像构建

结合数据驱动用户画像构建方法，将高校学生群体的用户画像构建过程细化为数据收集、特征提取并标签化、用户模型可视化。

（一）数据收集

结合人才培养的角度和方向，将目标用户——高校学生群体的数据分为三类：基本属性数据、学习行为数据、生活社交数据。

1.基本属性数据

基本属性数据用于描述学生侧重在人口统计方面的情况，如性别、年龄、地域、家庭情况、党团信息以及教育背景、生源地、专业等信息，这些数据主要来源于学生管理信息系统。

2.学习行为数据

学习行为数据细分为学习客观数据和学习偏好数据。学习客观数据用于描述在学校成绩评价体系下学生具体而真实的学习情况，包括所修课程、实习实践、出勤情况、课程客观成绩等，这些数据主要来源于学校教务管理信息系统。学习偏好数据用于描述学生的学习习惯和学习特征，具体包括使用的工具（手机或电脑）、登录的手机App和网站、阅读学习的内容、登录时间和浏览时长、收藏订阅内容等。这些数据可以通过学校的网络学习平台（网站、App）并结合用户问卷调查和访谈完成收集。

3.生活社交数据

生活社交数据用于描述学生在校园生活和社交过程中的行为和偏好。生活类数据包括校园卡消费数据、宿舍出入数据、校园出入数据、图书馆出入数据等，主要来源于校园一卡通系统、校园宿舍和图书馆门禁系统等。社交类数据包括其在校园论坛及其他校园内的上网数据，监测其关注的论坛圈子和在线评论等数据，主要来源于校园网络监管系统。

（二）特征提取并标签化

收集用户数据之后，对其进行整理分类，然后通过一定的数据挖掘方法（如K均值算法、决策树、支持向量机、逻辑回归、贝叶斯网络、主题模型等算法）提取用户在基本属性、学习行为、生活社交等方面的特征，并进一步提炼用户标签，得以多维度、多角度、多粒度地描述用户[6]。

（三）用户模型可视化

提取到描述用户特征的标签后，利用可视化方法对其进行直观明了的呈现，进而构建出直观的用户画像。如标签云，标签占比的大小代表用户特征的显著性水平;或者结合人物图片和用户标签;或者借助各种统计图形，如直方图、雷达图等方法。

四、数据驅动用户画像在高校个性化教育中的应用探索

用户画像是真实用户的虚拟代表，并且强调以用户为中心，以用户需求为指引。借助用户画像将高校内大数据转变为承载学生个性化特征和需求的信息，基于此可以帮助制定更加精准有效的个性化教育策略，并为学生提供个性化的学习内容和学习资源[7]。

（一）转变个性化教育研究为科学范式

基于数据实证的教育研究作为一种实实在在、有数据支撑的研究范式，将冲破经验逻辑的束缚，弥补经验式缺少的可供分析判断和佐证的依据。在个性化教育问题上，我们依托大数据进行科研实证，这将有助于转变个性化教育模式和方法。

首先，在根源上为研究个性化教育问题提供了数据实证，学生特征及其需求可视化、可量化;其次，将用户画像作为分析个性化教育效用的工具，辅助进行个性化策略决策，使其更加科学有效;最后，在数据驱动用户画像的基础上结合培养目标，帮助其更加科学地实施针对性干预。

（二）实现个体个性化和群体个性化

基于大数据分析的用户画像将帮助我们精确掌握个体学生、不同群体学生以及全体学生的特征偏好。首先，可以精准挖掘个体特征，实时掌握学生的基本特征及发展动态，不仅能够归纳特征并因材施教，还可以洞悉其发展趋势并给予相应的正向引导，或者发现可能存在的问题并及时解决;其次，通过用户画像发现大数据背后隐藏的群体性特征和发展规律，在实现个体个性化教育的基础上，进一步实现群体个性化，以凸显学校办学特色和效率。

（三）追踪动态预测趋势，帮助采取针对性干预

一方面，动态性的数据和用户画像将可以实时监测和追踪目标学生群体的变化，以此为基础制定相应的教学计划和策略，实时保障教育质量和效率。另一方面，利用数据分析和用户画像分析可以预测个体学生或学生群体学习行为的发展趋势，以此为基础采取针对性的干预措施，并给出个性化的学习建议和资源推荐。例如，对学生校园一卡通的消费记录等其他交易数据进行实时追踪和分析，提取其校园内的消费行为特征，并将此作为评定奖助学金的辅助信息。再比如，对部分逃课缺勤学生的宿舍出入记录、校园出入记录进行实时追踪和分析，发现其在上课期间的行为轨迹，发现问题，并采取相应的调整措施帮助解决问题。

五、总结

用户画像尤其是数据驱动用户画像正在不同领域和场景下发挥着重要的价值和作用。在大数据时代，高校教育作为亟待改革的传统行业，用户画像研究正展现出强大的渗透力和发展潜力。基于数据挖掘的用户画像，其优势在于能够从海量的信息中提取洞察学生的个性化需求和群体特征，为采取个性化教育决策和计划提供理性可佐证的数据实证，而这将是真正落实高校个性化教育的核心。高校教育经验化、划一化的现状急需改变，要突破传统的人才培养模式和教育管理方法，有效利用信息化校园建设下产生的海量数据，提高高校人才培养和教育的现代化和效率。

参考文献：

[1]杨德广.杨德广教育文选（第一卷）[M].上海：华东师范大学，2010.

[2]库珀.交互设计之路[M].北京：电子工业出版社，2006.

[3]亓丛，吴俊.用户画像概念溯源与应用场景研究[J].重庆交通大学学报（社会科学版），2017（17）.

[4]徐艳.大数据画像技术在高校思想政治教育中的应用[J].学理论，2017（7）：241-242，251.

[5]潘奇.基于大数据算法的学生行为分析系统的设计与实现[D].北京：北京邮电大学，2014.

[6]宋美琦，陈烨，张瑞.用户画像研究评述[J].情报科学，2019（4）.

[7]周进.大数据时代的高校个性化教育[J].高教探索，2016（5）.

编辑 冯永霞