国内学习者模型研究热点与趋势分析

曲怡 孙如卿 刘丹

摘  要： 在智能教育背景下，如何为学习者提供精准化、个性化学习服务成为研究热点，而学习者模型作为实现个性化学习的核心部分，受到学者广泛关注。本文以中国知网（CNKI）数据库中学习者模型相关文献为研究对象，采用Bicomb 2.0、SPSS 22.0、Ucinet 6.0工具对其进行聚类分析和网络分析。结果表明，学习者模型主要应用于自适应学习系统中，学习者模型、学习资源推荐、学习路径推荐等是构建自适应学习系统的研究热点。最后，文章从完善学习者模型和搭建自适应学习系统两方面对未来研究趋势进行预测。

关键词： 学习者模型;自适应学习系统;研究热点分析;趋势分析

中图分类号： TP274    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.10.041

本文著录格式：曲怡，孙如卿，刘丹. 国内学习者模型研究热点与趋势分析[J]. 软件，2020，41（10）：161164+174

【Abstract】： In the context of intelligent education， how to provide learners with precise and personalized learning services has become a research hotspot， and learner models， as the core part of achieving personalized learning， have attracted widespread attention from scholars. In this paper， the literature of the learner model in CNKI database is taken as the research object， and the tools of Bicomb 2.0， SPSS 22.0， Ucinet 6.0 are used for cluster analysis and network analysis. The results show that the learner model is mainly used in the adaptive learning system， and the learner model， learning resource recommendation， learning path recommendation， etc. are the research hotspots for building an adaptive learning system. Finally， the article predicts future research trends in terms of improving the learner model and building an adaptive learning system.

【Key words】： Learner model; Adaptive learning system; Research hotspot analysis; Trend analysis

0  引言

在大數据、物联网、人工智能等现代技术迅速发展的时代背景下，各种学习资源、教学模式层出不穷，为学习者提供个性化学习服务成为教育领域新议题。我国在《教育信息化十年发展规划（2011-2020年）》中明确指出，学校教育教学方式要在学生学习多样化、个性化方面取得突破性变革。而学习者模型作为个性化学习的核心内容，其质量直接影响个性化学习的效果。当今，学习者模型的研究广泛集中在个性化学习系统中。在智能系统中，学习者模型相当人类大脑，通过追踪学习者在学习过程中的实时状态而提供个性化交互。学习者模型是智能时代下的研究热点，然而关于学习者模型的关注点和未来走向尚不明确。为了更好指明学习者模型未来发展方向，有必要对学习者模型研究热点和趋势进行分析。

1  研究方法与过程

1.1  数据来源及研究方法

本研究文献来源于中国知网（CNKI）数据库，主题词为“学习者模型”或“学习者建模”或“学习者画像”且来源于期刊全部中文文献。经统计，本研究共检索到文献453篇，剔除重复及无关文献，获得有效文献262篇。本研究将262篇文献以NoteFirst格式导出，以Ucinet和Bicomb为研究工具，采用知识图谱及共词分析法进行分析。

1.2  研究过程

本研究先是通过文献检索获取有效文献262篇，然后利用Bicomb 2.0、SPSS 22.0、Ucinet 6.0研究工具进行聚类分析和网络分析，具体研究过程如图1所示。

1.3  研究结果与分析

（1）高频关键词词频统计

将262篇有效文献导入Bicomb2.0中，提取出594个关键词。根据普赖斯（Priced）定律M=0.749[1]，确定高频关键词阈值为5，取得39个关键词作为研究对象如表1所示。由表所示，我国文献中出现的高频关键词有“学习者模型”、“个性化学习”、“在线学习”、“教育大数据”等，其中最高频次关键词为“学习者模型”，由此可见，“学习者模型”在该研究领域的重要性和基础性。不同学习者之间存在差异性，在学习过程中如何满足不同层次学习者的学习需求，为学习者提供个性化学习服务成为研究的热点问题。与此同时，在智慧教育环境下，如何借助大数据技术精准识别学习者个性特征，借助何种技术手段为在线学习者制定个性化学习方案变得尤为重要。

拥有一个能够全面描述学习者真实状态的特征模型，才能深层挖掘学习者潜在学习需求，因此无论在传统教学中还是在智慧教学环境下对“学习者模型”的研究都是关键内容。网络学习中学习者通常采用两种方式实现个性化学习，一是通过自身信息数据建立自己的学习空间，二是根据网络学习平台记录学习者在学习过程中产生的大量行为数据，为学习者提供个性化学习服务[2]。二者都是利用平台获取学习者认知、情感、行为等方面数据，通过数据挖掘、学习分析等技术判定学习者的学习风格、行为习惯等特征，进而为学习者制定个性化学习内容、策略，推荐满足不同层次学习者需求的学习资源。因此，在学习者模型研究中，“个性化学习”、“个性化推荐”、“教育大数据”等关键词出现频次较高。

（2）相似矩阵分析

为进一步探究高频关键词中所隐含的关联信息，本研究利用Bicomb2.0对39个高频关键词生成共词矩阵，利用SPSS22将该矩阵转化为相似矩阵，部分相似矩阵如表2所示。

在相似矩阵中，数值越接近1，兩个关键词之间关系越近。根据矩阵分析结果可以看出：相比其它关键词学习者模型与各关键词之间关系较为密切，由此说明学习者模型是 研究的中心。学习者模型用于描述学习者内部与外部学习特征，是该领域的研究基础。此外，在线学习分析涉及多个技术与领域，如数据挖掘等，因此教育数据挖掘与在线学习、学习分析的相关度较高，相似值分别为0.662和0.647。

利用Ucinet 6得出共现网络图，该图反应高频关键词之间紧密联系性如图2所示。通过节点反映其中心度高低，节点越大说明该关键词的中心度越高，同时也是其他关键词研究的中心概念，相反节点越小则中心度越低。从图中可以看出，“学习者模型”和“个性化学习”是中心度较高的两个关键词，同时二者均是对应频次表中频次高于20的高频关键词，充分说明“学习者模型”和“个性化学习”在该领域中影响力较大，学习者模型是实现个性化学习的关键，二者具有紧密关联性;同时其他研究都围绕这两个关键词展开，形成以“在线学习”、“学习分析”、“个性化推荐”、“数据挖掘”、“自适应学习”等研究热点的结构主体。他们大多侧重于理论模型的研究，是连接中心位置关键词和边缘位置关键词的桥梁。最后位于边缘关键词如“协同过滤”、“多Agent”、“教育数据挖掘”等都是比较具体的技术或所发的设计，同样也是学者研究立足点，虽然目前研究相对较少，但却为未来研究指明方向。

2  研究热点分析

2.1  构建适应性学习者模型

针对学习者模型的研究，国内外权威机构相继提出学习者模型规范，其中较为典型的有：IMS-LIPS规范、PAPI规范、CELTS-11学习者模型规范。从理论角度来看，这些学习者模型规范较为全面的涵盖了学习者基本信息、学习信息等各方面特征性信息，但是缺少对学习者知识、情感等方面的描述[3]。为了满足在线学习环境下个性化学习的需求，研究者提出不同的学习者模型。Peter教授认为，学习者模型应包括学习者背景、知识、个性化特征、兴趣以及目标等[4]。陈仕品等人基于学习风格和认知态度提出了CS-LS学习者模型，将其细化为学生描述、认知状态、学习风格和学习历史几个维度 [5]。Chrysafidi等人在学习者模型中提出了情感态度维度，为学习者模型的研究提供了新方向[6]。黄焕认为学习者模型既要考虑学习者本身的特征，又要考虑计算机是否便于实现的问题，因此提出了一个以学习者的个人信息、学习历史、知识状态、学习风格和情感状态为特征因素的学习者模型[7]。

由于研究视角不同，研究者对学习者模型的建模方法也具有差异性。Tadlaoui等人以自适应超媒体系统为背景，以能够动态修改系统和学习者之间的交互作用为目标，提出包含背景与经验、认知能力、知识水平、动机状态以及偏好信息五个维度的学习者模型[8]。武法提等人从场景感知视角出发，将学习者划分为基本信息、认知水平、学习风格、兴趣偏好、社会网络及情感态度六个维度[9]。马相春等人基于大数据视角，认为在自适应学习系统中的学习者模型应从基本信息、知识结构、情感态度以及学习历史四个方面考虑[10]。

2.2  设计自适应学习系统

网络学习环境下，通过自适应学习系统分析学习者个性特征和行为倾向，采用相应教学策略，推荐合适学习资源和学习路径，帮助学习者获取精准化学习支持，完成知识构建，提高学习效率。系统自适应性越好，对学习者分析越透彻，提供给学习者的资源和服务就越能满足学习者需求，学习效率则越高[11]。自适应学习系统主要由三个部分构成：学习者模型、领域知识模型、自适应引擎。

从学习分析视域出发，学习者模型可分为知识、认知、行为和情感四类重要模型。学习者知识模型是自适应学习系统实现个性化学习的重要支持，具有代表性的知识模型包括覆盖模型、铅版模型、偏差模型和贝叶斯网络模型等。学习者知识建模的本质都是将学习者知识和专家知识相比较，判定学习者知识掌握情况，进而了解学习者知识结构，便于根据学习者实时知识状态推荐合适推荐适合的学习路径和学习资源。学习者认知模型是用来记录学习者认知变化和学习能力，主要从认知能力、认知策略、元认知能力等维度构建学习者认知模型[12]。三者关系是学习者在学习时需要调用认知能力进行学习，使用认知策略对已获取的知识进行深度加工，利用元认知能力调控认知能力和认知策略，最终完成学习任务[13]。目前关于学习者行为研究采用最多的方法就是数据挖掘。例如Kinnebrew等人提出一种识别、评价和比较学习者学习行为的数据挖掘方法，研究表明学习行为与学习成功存在相关[14]。Somayeh等人提出一种序列模式挖掘方法来提取学习者频繁的序列行为模式，用以区分不同类别学习风格的学习者，结果表明该方法能够准确预测学习者学习风格[15]。学习者的情感因素会极大影响学习效果，当学习者处于不同情感态度进行同一内容学习时，会产生截然相反的学习结果。如果不考虑情感因素，则无法客观了解学习者学习状况，从而影响学习进程[16]。情感态度的测量通常采用自我报告、手动编码或是借助外部设备识别，但目前还处于探索阶段。

领域知识模型有利于知识资源的展示、查找、评价、管理、共享和交互，是开展个性化学习的前提[17]。学习资源除一些传统教材、ppt、音频、视频、微课等，还有VR体验等不同方式的学习资源，以便减轻学生认知负荷。在学习资源多样化的基础上， 还要实现知识内容的多维关联性。每个知识点聚合前项、后项以及相关知识，形成知识地图，新旧知识形成关联，并以可视化方式呈现给学习者，便于学习者认知建构。最后， 系统能根据学习者相关信息实现学习内容和学习路径的自适应匹配，向不同认知能力学习者提供不同组合的学习内容和学习路径[18]。

自适应引擎根据学习者模型，对学习者知识水平和认知能力进行分析，适应性为学习者呈现高切合度的学习资源，并对整个教学过程进行监测，同时不断调整学习者模型[19]。自适应引擎管理整个自适应学习系统，不仅要诊断学习者学情，还要推荐学习路径与学习资源。学习者学情诊断主要从认知水平、学习情感两方面诊断。学习路径推荐分为知识点学习路径和资源呈现路径两个层次。学习资源的推荐主要基于学习者模型和领域模型，再利用推荐算法为学习者提供合适的学习资源。算法是学习资源推荐的核心部分，常用的有协同过滤、基于内容的推荐、基于知识的推荐、混合推荐算法等，其中协同过滤算法应用最为广泛。申晋祥等人针对大数据环境下协同过滤算法存在的数据稀疏性这一问题，利用聚类设计优化协同过滤算法，该算法改善了数据稀疏性的可扩展性[20]。

3  研究趋势分析

3.1  完善学习者模型

构建学习者模型是实现个性化学习的关键。当今学习者模型的研究主要集中在先验个性特征和学习行为分析，缺乏情感因素及环境因素对学习者影响的研究。学习者情感因素在影响学习效果中起不可忽略的作用。就学习情感而言，可以简单的分为积极和消极两种情感。积极情感能够促进学习，相反消极情感会对学习产生不良影响。DMello等人通过实验发现投入、沮丧、困惑以及厌倦这四种情绪是出现在学习过程中最为频繁的四种[21]。虽然有众多学者从教育学角度或是计算机情感计算角度考虑学习情绪对学习者的影响，但少有学者将学习者情绪考虑至学习者模型构建中。学习环境也是影响学习者的重要因素，可分为外在硬件设备、氛围等及内在学习资源、软件设备等两大类。

目前，学习者模型的构建主要集中在个性特征和行为分析，模型较为局限，不够完整代表学习者。因此在后面的研究中，应考虑影响学习者的全部要素，并将他们融入到学习者模型行的构建中。

3.2  搭建自适应学习系统

自适应学习系统由学习者模型、领域知识模型和适应性引擎三大模块组成。多位专家学者基于各自领域做了深入研究。通过文献分析，在自适应学习系统中关于学习者模型、整体建模、系统要素研究较多，关于自适应引擎、领域模型研究较少。例如刘忠宝等人在学习者行为数据的基础上，对学习者进行建模，并设计学习资源推荐系统结构[22]。杨淼等人以学习者模型为基础，在大数据背景下结合协同过滤等技术设计个性化学习路径[23]。自适应技术最早应用于航天航空工业，逐渐在汽车制造和工具机械制造等行业广泛使用应用，而在教育领域中多为教育技术专业的学者关注自适应学习系统，缺乏计算机知识等原因限制，领域模型或自适应引擎的研究较难进行。未来教育领域教育技术专业将与计算机等专业通力合作，构建自适应学习系统。

自适应学习平台中学习者模型大多被应用，但基于学习者模型的自适应学习不够完善。多数适应性学习系统机械的呈现给学习者学习材料，不能提供个性化服务。自适应学习系统应该能够根据学习者学习风格和背景知识呈现学习资源，还能根据学习者知识状态提供适应性导航。

4  总结

学习者模型为个性化学习提供理论依据，完善学习者模型能够促进个性化学习的发展。本文通过对中国知网检索的国内学习者模型相关文献进行可视化分析，清晰明了的将学习者模型的研究现状与热点进行了分析，同时结合已有研究对未来研究趋势进行思考与分析，为后续研究提供参考。

参考文献

[1]钟文娟. 基于普赖斯定律与综合指数法的核心作者测评——以《图书馆建设》为例[J]. 科技管理研究， 2012， 32（2）： 57-60.

[2]郑勤华， 陈耀华， 孙洪涛， 等. 基于学习分析的在线学习测评建模与应用——学习者综合评价参考模型研究[J]. 电化教育研究， 2016， 37（9）： 33-40.

[3]武法提， 黄石华， 殷宝媛. 基于场景感知的学习者建模研究[J]. 电化教育研究， 2019， 40（03）： 68-74.

[4]Brusilovsky P， Millan E. User models for adaptive hypermedia and adaptive educational systems[M]. The Adaptive Web， Lecture Notes in Computer Science， 2007， 4321： 3-53

[5]陳仕品， 张剑平. 适应性学习支持系统的学生模型研究[J]. 中国电化教育， 2010（5）： 112-117.

[6]Konstantina Chrysafiadi， Maria Virvou. Student modeling approaches： A literature review for the last decade[J]. Expert Systems with Applications[J]. 2013， （40）： 4715-4729

[7]黄焕. 面向e-Learning的学习者情感建模及应用研究[D]. 武汉： 华中师范大学教育信息技术学院， 2014.

[8]Tadlaoui M A， Aamou S， Khaldi M， Carvalho R N. Learner modeling in adaptive educational systems： a comparative study[J]. Modern education and computer science， 2016， 8（3）： 1-10.