从学习者模型到学习者孪生体*——学习者建模研究综述

王小根 吕佳琳

（江南大学 江苏“互联网+教育”研究基地，江苏无锡 214122）

一、引言

《教育信息化十年发展规划（2011-2020年）》在指导思想和工作方针中指出，要努力为每一名学生和学习者提供个性化学习、终身学习的信息化环境和服务。个性化学习服务旨在满足学习者个性化、精准化与智能化的学习需求[1]，能够促使学习者的能力与个性在学习活动过程中得到充分、自由、和谐的发展[2]。学习者模型是对学习者特征的抽象表示与描述，是个性化学习的核心与关键[3]。学习者建模则关注学习者个性化信息的有效组织，进而提升教学设计水平和学习服务效果[4]。通过对信息场域中学习者多方面的特征进行全面描述和精准刻画，可实现全方位、多层次的建模分析，能更好地服务于个性化学习研究的实际需求。

当前，学习者模型的研究方向主要是学习者模型规范的制定、学习者建模方法的探索和学习者建模的实际应用，学习者特征的选取和表示仍是相关研究开展的重点[5]。随着大数据和人工智能技术在学习者建模中的关键作用日益凸显，学习者建模正朝着构建方式智能化、应用场景多样化、学习者与学习者孪生体共成长的方向演进[6]。数字孪生作为信息化高度发展的产物，具有实时同步、忠实映射、高度保真等特性[7]，正在助推教育生态、教育环境的重构[8]。在数字孪生等智能技术的驱动下，学习者建模朝着“学习者—学习者孪生体” 共同体模型的趋势演进，这将在很大程度上促进学习者建模的研究进程[9]。

二、学习者模型与学习者建模

与学习者模型相近或相关的概念有用户模型、学生模型、用户画像和学习者画像等。用户模型是指智能系统中某个用户或用户群的表示法，应用系统用户模型中包含的知识可以用来剪裁系统的界面以适应特定用户或用户群的需求[10]。超媒体和Web 应用领域的教学研究人员，较常使用“用户模型”这一术语[11]。学生模型是用户模型的一种特例，其描述对象为特定的学生[12]。它是反映学习者在学习过程中的思维活动、学习方法、对新知识的响应和应用等方面的情况而建立的数学模型[13]。国际知名教育人工智能专家朱迪·凯（Judy Kay）教授认为，学生模型和学习者模型本质上是相同的，只是学生模型在早期文献中使用较多，而学习者模型这种说法目前更为主流，二者相比仅是提法不同，本质上没有区别[14]。

用户画像则是一种将消费者的数据全方位、立体性地记录下来的工具[15]，广泛应用在商业领域。学习者画像是用户画像在教育领域的应用[16]。关于学习者画像和学习者模型的关系，目前学界看法不同，可以从构建过程、数据处理和呈现方式三个方面进行比较。从构建过程看，学习者画像是对学习者学习过程和学习结果的大数据进行数据挖掘和有效分析，并通过可视化的方式形成的[17]；而学习者模型是依据学习者特征而构建数字模型[18]。从数据处理的角度看，学习者画像是对原始数据进行数据挖掘后进行标签化的过程[19]；而学习者模型侧重于对学习者的属性特征进行描述、分析和建模。从呈现方式看，学习者画像侧重于识别不同属性特征的学习群体并以标签化的形式呈现[20]；学习者模型则更多向学习者提供个性化的学习路径和方法。

从上述分析我们可以看出：学习者模型依据学习者知识技能、认知行为、情感体验等学习者特征进行描述、分析和构建数字模型，学习者模型维度与物理学习者维度相对应，以此向学习者提供个性化的学习路径与方法；而学习者建模则是收集上述信息，以建立和更新学习者模型的过程。

关于学习者建模，黄涛等从学习理论、建模技术和建模分析方法三个方面，对智能场域中的学习者建模研究趋向进行了系统阐述[21]；顾小清等认为，在学习者建模过程中，需要考虑学习者特征的丰富性、模型构建时的全面性和建模技术给予的支持性[22]；傅钢善等在学习者模型构建的过程中考虑了学习者的三类特征维度，并采用数据挖掘技术对学习者的学习行为与成绩进行了预测[23]；解月光等认为，学习者模型应从智化设计、建模和实现三个方面来考虑，其中，智化设计即对学习者心理特征变化和相互关系的探索，建模即建模理论，实现即采用什么技术开发[24]。

本研究基于对现有成果的现状分析，并借鉴沈霞娟[25]、周进[26]等的研究成果，从研究对象、研究目的和技术方法三个维度对文献进行编码，以作为后续综述的基础。分别为：（1）研究对象，即建模对象，主要根据学习者特征的维度进行分析；（2） 研究目的，即学习者建模解决的现实问题，主要关注模型构建的侧重点；（3）技术方法，即构建学习者模型使用的技术和方法，主要关注在建模不同阶段使用的方法。我们以上述三个维度作为一级编码，并通过细化二级编码及其具体的编码项目，形成了学习者建模研究编码表，如表1所示。

三、学习者建模最新研究进展及现状分析

（一）研究文献获取与编码

本研究主要以中国知网数据库 （China National Knowledge Infrastructure，简称CNKI）、Web of Science-SSCI 引文索引数据库、Elsevier ScienceDirect 电子期刊数据库、SpringerLink 全文期刊和图书数据库近五年文献为检索对象。在中文数据库中，以关键词“学习者模型”或“学习者建模”进行检索，共获取文献99篇；在外文数据库中，以“learner model”或“student model”为主题词进行检索，共获取文献176篇。

在初次检索后，按照以下标准进行文献筛选：（1）中文数据库的文献必须来源于硕博论文或教育技术学8种核心期刊（《远程教育杂志》《中国电化教育》《电化教育研究》《现代教育技术》《开放教育研究》《中国远程教育》《现代远程教育研究》《现代远距离教育》）；（2）研究主题必须与学习者模型相关，且与教育领域紧密联系；（3）研究内容必须关于学习者模型的构建或对其相关研究进行综述。经过筛选后的文献，剔除重复文献后，最终得到文献153篇。

表1 学习者建模研究编码表

（二）研究进展及现状分析

1.基于学习者特征的维度

学习者模型是指用来表示学习者特征的数学模型，是实现个性化学习的关键[27]。近年来，国内外从基于学习者特征的维度进行学习者建模的研究，正逐渐丰富。在早期传统智能教学系统中，教学被视作是修改学习者知识库的过程[28]，智能教学系统通过一系列程序将问题表示出来，并记录学习者的正误答次数，系统以此作为学习者特征，从学习者知识的维度来构建学习者模型[29]。

利兹大学计算机研究中心塞勒夫（Self J.A.）认为，学习者模型是由一组用来表示学习者认知状态的程序组成的模型，并提出如果采用一套更高级的语言程序从多个维度来构建模型，学习者模型将会更具洞察力，并能带来更好的教学效果[30]。

随着技术的不断发展进步和各种新研究理论的引入，全方面、高层次、多角度地对学习者进行建模，可以实现对学习者学习动态的全域追踪、精准预测和有效干预。研究者们不再局限于从学习者的正误答次数这一单一维度构建学习者模型，学习者特征逐渐走向了多维化或多模态化。

例如，王改花为了充分挖掘学习者的关键行为特征，选取了学习者基本特征、行为特征和学习效果特征三类特征[31]；王钰在常规的静态模型和动态模型基础上，依据认知、能力和体验三个要素进行建模，从广度和深度两个层面增强学习者模型的精准程度[32]；为了有效提高自适应学习系统（Adaptive Learning System，简称ALS）的推荐质量与效率，赵学孔从基本特征、学习风格和认知水平三个维度构建学习者模型，实现了基于B/S 模式的个性化主动推荐机制[33]。

进一步地，郭朝晖从静态、动态和连通三个描述性维度，对学习者模型进行分析[34]。静态维度用来收集注册时学习者的姓名、学号等基本信息；动态维度记录学习过程中学习者动态建立起来的信息，往往是交互信息；连通维度则是用来记录学习者在不同科目中的学习数据，以制定合适的跨学科学习路径和方法。该学习者模型不仅可以通过学习者的初始数据来评估其能力水平，还可以实时跟踪学习者在不同学科的现有知识基础，并据此提供更好的学习策略和方法。

为了更好地满足远程学习行为的大数据分析及个性化教学需要，岳俊芳构建了基于个人信息、学习风格、学习兴趣和知识模型的四维远程学习者模型，实现了更精准的个性化资源、学习路径的推送[35]；张涛融合学习活动流作用机制，除了关注学习者的外在行为表现，还将情感纳入学习者模型的构建维度中，并提出了一种集本体、知识、认知、行为和情感等五维的学习者模型设计通用框架[36]，如图1所示。

顾小清等发现，AI 教育领域的专家认为学习者模型应纳入情感状态、认知风格等多个维度，多模态数据的融合，将成为教育对技术的新需求[37]。武法提将场景特性融合到学习者建模的设计中，通过深入分析学习者特征维度，提出了由基本信息、认知水平、社会网络、兴趣偏好、情感状态和学习风格构成的六维学习者特征分析模型；该模型不仅较为全面地描述了学习者在学习过程中的个体特征信息，还体现了个性化差异[38]。在对个性化ALS 进行研究时，马相春也从基本信息、学习偏好、知识结构、认知能力水平、情感状态和学习历史六个维度，构建了学习者模型[39]，进一步证明全域、多维地构建学习者模型，有助于体现学习者个性化差异，以更好地为个性化学习服务提供支撑。

近年来，在学习者的特征维度下，学习者建模正朝着两个趋向演进：

其一，学习者特征的构建维度从单一化转向多维化。通过文献梳理我们可以发现，学习者特征的维度从仅记录学习者正误答次数的知识维度，发展到记录学习者认知、行为、情感等多个维度。在多维化基础上，多个维度相互独立又相互作用，具有一定的整合性。通过对不同层级下数据的收集、整理和分析，一方面丰富了学习者特征体系，另一方面又避免了层级之间无关联性、数据杂乱和重复的问题。因此，学习者特征维度构建的多维化，可以弥补学习者模型的不足之处，从而为学习者提供更具个性化、精准化、智能化的支持服务。

其二，学习者特征的数据收集从离散化转向聚集化。学习者特征数据的收集，从单独、不连续地记录不同学科之间的数据，转变为实时、同步且不断更新地记录各学科数据，数据收集展现出从离散化向聚集化演变的趋势。现有的学习者模型，不再单独地记录某一节课或某一门学科中学习者在学习过程中的数据，而更加注重连通性和聚合性。研究者们往往通过学习者在其他学科中的行为表现、情感体验等，来帮助分析学习者的特征，通过特征制定个性化的学习路径和方法并反馈给学习者。

2.基于模型构建的维度

基于对文献的进一步梳理发现，在不同阶段，对学习者模型构建的侧重点不同。在早期研究中，塞勒夫认为，学习者模型是用来表示学习者认知状态的模型[40]。温格也将学习者模型定义为所有与学习者相关的行为和知识[41]。但这一说法受到了阿姆斯特丹大学桑德伯格（Sanberg）的质疑，他在对1987年“人工智能与教育大会”的回顾和总结中提到，就提高教学效率而言，构建太过全面而复杂的学习者模型将花费较高成本，而这是否值得仍有待讨论[42]。

随着认知学习理论的发展，智能教学系统中的学习者模型，从仅记录学习者原有知识水平的“知识型”逐渐转向“认知型”，即侧重记录学习者关于当前所学概念的认知结构与认知能力特点[43]。学习者建模的关键点也相应地从用一套程序表述所学知识，转变为解决认知结构的形式化表示，即认知能力的表征与定量测量。认知型学习者模型，主要利用数据库和人工智能技术，解决上述关键问题。

由于智能教学系统设计在理念上过于强调理想化的“教”，并较为重视专家库和知识库的构建，导致系统实现难度大且适应性较低。学习者模型的构建，也在这种情况下逐渐偏离最初“以学习者为中心”的思想。随着教育科学、计算机科学和认知科学的发展，以及建构主义学习理论和智能代理技术的出现，使得智能教学系统向支持学习者自主探索学习的个性化方向或支持学习者协作交流的社会化方向发展，学习者模型逐步从“认知型”转向“自适应型”。

此处的适应性，是指利用先前学习过程中学习者特征的测量数据，来构建最初的静态模型。自适应性学习者模型旨在适应不同学习者的状态[44]，自适应学习诊断模块是其中最为重要的环节之一[45]。这一阶段的学习者模型，被认为是真实世界中的学习者映射到计算机系统里的逻辑实体，是真实学习者个体特征在计算机系统中的抽象表示[46]。

尽管适应性学习支持系统中的学习者模型，为制定适应学习者个体特征的教学策略提供了重要依据。但由于学习者模型仍是封闭式的，学习者无法直观地看到学习者模型的内容。因此，很难对学习过程中的学习内容、学习困难等，进行有意识的反思。建构主义学习理论认为，学习者看到系统对自己的评估可以增加其反思和自评的机会[47]，学习者模型进而从“自适应型”转向“开放型”。比如，塞勒夫提出要将学习者模型向学习者开放，依据其建议，布尔（Ball S.）开发了开放式学习模型[48]。开放学习者模型以不同方式代表了学习者的知识或技能水平，使学习者能看到模型中的信息[49]，以便其对自身学习过程进行自我监控、自我反思和自我评估[50]。

随着新技术快速发展，网络教育的变革和深度学习等人工智能技术的进步，正给学习者模型的研究应用带来了新的机遇和挑战。徐鹏飞等人认为，基于各种学习者数据对学习者进行全面的综合性建模是大势所趋[51]。我们发现，从模型构建的维度看，学习者模型正朝着两个方向发展：

其一，模型构建从仅记录学习者知识状态的“知识型”，向着全方位对学习者进行建模的“全面型”的趋势发展。如前所述，学习者模型从早期仅记录学习者知识状态的“知识型”，转向记录所学概念认知结构与认知能力的“认知型”[52]；之后，在建构主义学习理论和自适应学习理论等的影响下，从“认知型”转向需要适应不同学习者状态的“自适应型”[53]；伴随着建构主义的不断深入，进一步转向了促进学习者自我监控、反思和评估的“开放型”[54]。近年来，在人工智能等技术应用助推下，对学习者进行全面而综合性的建模是大势所趋[55]。学习者模型构建的类型及其侧重点，如表2所示。

表2 学习者建模发展趋势

其二，学习者从“不直接参与”模型构建，向“能直观地看到并参与”学习者模型构建的趋势发展。通过对学习者和模型构建的整体回顾，我们可以发现，当前学习者模型不仅注重学科之间的连通性，而且更加体现了“以学习者为主”。这能够使学习者直观地看到学习者模型中的内容，以提升自我反思意识。在这一趋势下，未来的学习者建模，将会继续朝着开放性、综合性和全面性方向发展。

3.基于建模技术的维度

从基于建模技术的维度审视，学习者模型正朝着以下两个方向转变：

其一，技术自身的发展，提升了学习者建模的有效性和准确性。机器学习作为人工智能领域进展最快的技术之一，常用来优化计算机程序的性能。余胜泉等人在利用知识图谱技术构建教育认知地图的基础上，基于机器学习技术构建了学习者模型，以更好地追踪学习者数据[56]。卡内基·梅隆大学研究者采用机器学习技术对学习者模型进行改善，提升了学习者模型自动更新数据的能力[57]。张涛结合教育大数据挖掘技术提出了一种学习者模型设计通用框架，采用粒计算和数据分析方法，分别对框架中的本体、知识、认知、行为和情感模型进行设计与计算分析，最后，基于有序偶表达形式构造元组间有序递归的完整学习者模型结构列表，实现了可共享、重组的学习者数据模型[58]。岳俊芳等人利用大数据分析技术构建远程学习者模型，实现了个性化资源推荐与推送、学习伙伴推荐、个性化学习路径导航服务和网络学习行为预警与督促[59]。陈鑫宇等人基于学习者模型更好地实现了中文文本学习资源的推荐[60]。赫少华也基于学习者模型提出了一种可提升计算效率和推荐结果准确率的教育资源推荐技术[61]。菅保霞在对ALS 研究时发现，ALS 部分系统应用本体技术构建学习者模型，可以更精准地测定学习者知识水平[62]。

其二，技术的综合运用已渗入到学习者建模的各个阶段。杨淼在学习者建模前期的数据收集阶段，采用了数据挖掘技术进一步获取学习者的个人学习特征，并据此在学员库中找出具有相似学习行为的学习者群体，学习者的数据会随着行为日志信息的变化不断更新和补充，为后期的个性化路径推荐提供数据支持[63]。刘忠宝等人在深入分析学习者行为数据的基础上，综合利用兴趣图谱、本体理论、云计算和信息推荐等技术，对学习者建模与个性化推荐方法展开研究，构建了云环境下对学习者兴趣进行精准刻画及高效、精准的学习资源推荐的个性化推荐系统[64]。萨梅（Ghallabi Sameh）等人提出了一种在云环境下建模的方法，该方法基于支持向量机算法，通过对学习者学习轨迹进行分析找到最佳的学习者分类方法，确保了分类的有效性和高效率[65]。陈晓稀等人对数据挖掘领域下的学习者建模进行了补充，提出学习者模型需从知识水平、学习情绪和学习行为特征三方面进行完善，并对学习者建模的后续发展进行了思考，认为需要树立对学习者长期建模的思想[66]。

综合上述已有研究，我们对机器学习、数据挖掘等不同建模技术的应用情境，进行归纳总结，结果如表3所示，可以发现主要有以下三种具体的应用情境：（1）更好地监督学习者学情和状态。通过在学习者学习过程中更好地追踪学习数据，提升了学习者模型自动更新数据的能力[67]，进而发现更多的学习者特征并捕捉其更深层次的行为表现。（2）更准确地对学习者的知识水平、行为表现等进行预测。在应用情境（1）的基础上，通过机器学习、兴趣图谱等技术的综合运用，实现更精准的刻画学习者，并通过已有数据对其知识水平、学习行为等进行预测，以提供预警服务。（3）更精准地实现个性化推荐。在对学习者精准刻画和计算效率高效提升的基础上，实现更为精准的个性化资源推荐，从而向学习者提供个性化学习路径。

表3 不同建模技术的应用情境

四、从学习者模型走向学习者孪生体

（一）教育领域数字孪生的三个转变

通常认为，数字孪生最早起源于1969年美国NASA （National Aeronautics and Space Administration，简称NASA）“阿波罗计划”所提到的空间飞行器孪生体，该计划通过构造两个完全一致的空间飞行器而实现[68]。数字孪生的概念则最早可以追溯到2003年，美国密歇根大学格里夫斯（Grieves M.）教授在其“产品全生命周期管理”课程上提出了“镜像空间模型”，尽管这一概念在当时并没有被称为数字孪生，但已经具备了数字孪生的所有组成要素，包括真实空间、虚拟空间和连接两者的数据[69]。由于当时技术成熟度有限，数字孪生仅仅在理念上被学术界所了解。直到2012年，NASA 发布技术路线图，进而正式提出了“数字孪生”这一概念，并将其定义为一种综合多物理、多尺度和概率仿真的载体或系统，可以通过逼真物理模型、实时传感器和服役历史，来反映真实飞行器的实际状况[70]。德国西门子、美国通用电气、法国达索公司等很快接受并推广了这一概念，近几年，国内阿里巴巴等企业及一些研究报告也先后提出了“数字孪生交通”“数字孪生城市”和“数字孪生生态”等三个阶段数字孪生蓝图。

基于对数字孪生相关文献的梳理发现，数字孪生的相关理念和应用研究，已经不再聚焦于工业领域，正逐渐向教育领域扩散。印度国家科学院信息中心主任乌莎（Mujoo-Munshi U.）在2003年就曾提出，要寻找一种与实体图书馆实时同步更新的数字图书馆[71]。随着数字孪生概念的提出与推广，其理论与技术都被认为在数字人文、文化遗产与数字化、虚拟图书馆、虚拟博物馆与三维数字化模型等领域，具有巨大的应用价值与实践意义[72]。

除了图书情报与人文领域，数字孪生也被认为是实现“智能+”校园的生态系统中真正意义上Daas（Data as a Service，数据即服务）的重要途径[73]。比如，芬兰坦佩雷理工大学的柔性制造系统培训中心将数字孪生应用到培训之中，通过线上操作与实体模型实时联动的数字孪生模型、线下使用不与真实系统发生关联的模型两种方式进行培训，以提高学习者的动手操作能力[74]。澳大利亚悉尼新南威尔士大学建筑环境学院在建筑课程中，使用数字孪生等技术，在虚拟空间中构建了与实体挖掘机相对应的孪生挖掘机，使得每位学习者可以在任何空间熟练掌握挖掘机的操作，而不受时间和空间的限制[75]。陈秀寓对基于数字孪生的混合教学模式改革进行了研究，并提到基于学习者实时数据的学习者孪生体，可以在数字世界中尽可能模仿学习者的学习过程，预测学习者的状态行为，提高学习任务成功的概率[76]。

由此可见，数字孪生的相关理念和应用研究，正趋向如下三个转变：（1）研究内容不再局限于理念。在知识服务方面，从起初构想与实体图书馆实时映射的数字图书馆，演进为对数字孪生与物质文化遗产数字化的共性理论体系与特征进行分析[77]，构建相应技术框架、运行机理和提出对策建议[78]。在人文教育方面，从提出利用数字孪生技术会成为图书馆等场馆的主要发展方向之一[79]，演进为通过对数字孪生特性分析来寻求一种让文化遗产中材料、尺寸、工艺、造型等属性更优还原的方式，以强化人文教育与场馆学习效果[80]。（2）研究的应用对象从物理空间转向教学资源，进而转向学习者。最初数字孪生研究的应用对象为物理空间，如，通过数据连接构建孪生校园、孪生图书馆等；后来转向教学资源，如，在学习过程中基于虚拟空间构建与教学设备相互映射的孪生体。当前，数字孪生研究的应用对象，进一步转向学习者，学者们希望通过构建学习者孪生体，动态呈现学习者的相关学习数据并促使其发展。（3）由毫无章法的探索研究转向有体系的研究。早期数字孪生在教育领域不同方向的研究较为分散，学者们主要根据其理念在教育领域的各分支进行探索。而现阶段研究内容，开始从理论走向应用，应用对象从物走向人，发展为体系化的路径研究。因此，数字孪生的应用研究正给教育领域带来了虚实共生的可能性，未来将逐步呈现为虚拟学习空间和现实学习空间实时同步、忠实映射和高度保真的全新学习形态。

（二）数字孪生助推学习者建模发展

数字孪生作为高德纳 （Gartner）2020年报告中提出的十大新兴技术之一，正逐步渗透到更多应用领域。电气与电子工程师协会 （IEEE）的萨拉（Saracco R.） 对数字孪生在教育领域会有更广泛的应用表示肯定，并提出数字孪生的出现，会为学习者模型的构建带来新的契机[81]。陶飞等人认为，数字孪生可以应对更多领域的新趋势与新需求，并提出“未来，每个人都将拥有自己的数字孪生体”[82]。赵沁平也认为，现实世界中的每一类对象均可以构建与之对应的数字孪生体[83]。

数字孪生在教育领域中的应用对象，正逐步从物理空间拓宽至学习者。褚乐阳等人预想未来教育应用场景中的学习者，将拥有与自身对应的“数字孪生体”，并对未来“数字孪生体”的构建和应用场景进行了探究[84]。陈秀寓也提出了基于学习者实时数据的“学习者孪生体”，并对数字孪生下的混合教学模式进行了探究[85]。

基于数字孪生技术，当下，研究者们对学习者的研究也不再局限于理念，而是逐渐走向体系化的研究。艾兴等人对数字孪生体的成熟度进化过程、构建的理论与核心技术进行了详细阐述，并提出“数字孪生学习者”的概念；他们提出“数字孪生+教育”驱动下的学习者研究，需要从学习者数字画像走向数字孪生体[86]。

如前所述，学习者模型是对学习者知识技能、认知行为、情感体验等学习者特征进行描述、分析，并据此构建的数字模型。在学习者特征维度下，学习者建模的维度从单一转向多维，数据从离散转向聚集；在模型构建维度下，学习者建模的侧重点从 “知识型”转向“全面型”，学习者从不直接参与转向参与模型构建并进行自我反思；在建模技术维度下，技术自身的发展提升了学习者建模的有效性和准确性，且技术的综合运用已渗入到学习者建模的各个阶段。而数字孪生技术的出现，正助推学习者建模朝着构建方式智能化、应用场景多样化、学习者与学习者孪生体共成长的方向发展。

1.数字孪生实现学习者建模方式智能化

在国外早期的研究中，出现了不少经典学习者模型，如，覆盖模型、铅版模型、摄动模型、基于约束的模型、贝叶斯网络学习者模型、基于模糊理论的学习者模型等。这些模型侧重于采用不同方式表征学习者已有的知识并判断其掌握知识的程度，依据不同学习者掌握知识的程度，提供个性化的教学策略。近年来主要的学习者建模方式一般为：按照预先设计的学习者模型，收集学习者的基本信息，如，姓名、性别、年龄等；再根据学习过程中收集到的相关数据，对学习者进行深入分析和挖掘，并在此基础上更新、完善学习者模型；最后向学习者提供个性化的学习内容、策略和教学资源。但这种学习者建模方式仍不够智能，数据自动更新能力不强。

萨拉认为，数字孪生的出现将会为学习者模型的构建带来新的契机[87]。数字孪生具有迭代运行与优化、全要素/全流程/全业务数据驱动的特点，通过数字孪生技术，学习者及其学习环境等各种要素被全面接入信息世界，以实现相互间的互联互通和数据共享。数字孪生技术的引入，不仅可以在采集学习者静态信息时，智能地生成与学习者对应的孪生体；还可以在学习过程中实时更新和监控学习者的动态信息，在整个学习空间中学习者之间的信息也将被有效集成，实现自动分析、综合，以挖掘出学习者在学习过程中出现的问题及根源，并对之后的学习起到预警与矫正作用。

2.数字孪生推动学习者建模应用场景多样化

学习者建模的应用场景，除了经典的智能学习系统、ALS、个性化推荐系统等，未来将基于数字孪生技术变得日益多样化，并且不再局限于某个单独的系统或载体中。

系统将以学习者为中心，多维度、多层次、全方位地构建相应的孪生体，学习者孪生体不仅能记录学习者的学习过程，还可以记录其日常行为表现。学习者孪生体不仅可以运用于教学场景中，帮助学习者记录、分析学习过程中的行为表现；还可以运用在预测性应用场景中，根据先前收集到的学习者数据对学习者之后的学习过程进行演练和模拟，以便提供学习预警和教学策略。此外，学习者孪生体还可以运用于竞争性的场景中。尽管有的学习者在现实生活中的表现不尽如人意，但其对应孪生体在虚拟空间中可能有着出色的行为表现，学习者通过直观地看到自己的学习者孪生体，能在一定程度上增强自信心，提升自己的反思意识并改善相关行为表现。

3.数字孪生促使学习者孪生体与学习者共成长

现有的学习者模型，更多得侧重于收集学习者的相关数据并进行分析，以此为基础进行分类和建模。基于数字孪生的学习者孪生体，将不仅仅停留在建模层面，更侧重于建模后与学习者的共同成长。根据最初的学习者基本信息所构建的学习者孪生体，能够自动同步记录、更新学习者在物理空间中的行为、认知、情感等数据，并且利用这些数据提前进行学习演练和模拟，借此向学习者提供学习预警，向教师反馈教学策略的有效性。除此以外，学习者、学习者孪生体还将在虚拟空间中与同伴、教师的孪生体进行一对一、一对多的交互。这些交互产生的信息，也将通过数据的形式记录下来并用于分析，从而有效地提升物理空间中学习者的学习水平。

五、学习者孪生体概念模型与教育应用

基于上述对学习者建模概念的界定以及对其未来趋势演变的分析，同时结合数字孪生技术下学习者建模的发展前景，以及《数字孪生体技术白皮书（2019）》中对“数字孪生体”的界定，我们将学习者孪生体理解为：依据学习者现有或将有的知识技能、认知行为、情感体验等学习者特征，进行描述、分析构建的数字模型，学习者孪生体的维度与物理学习者的维度相互对应，学习者孪生体可以根据实测、仿真和数据分析，来实时感知物理学习者的状态，并通过及时反馈和调节，来调控物理学习者的学习行为。基于上述给出的学习者孪生体的内涵，结合白皮书中数字孪生体的概念模型，我们进一步构建了如图2所示的学习者孪生体概念模型。

该模型采用UML 图表示，图中的四种箭头分别代表：（1）继承，表示一般与特殊的关系；（2）实现，表示类与接口的关系，代表类是接口所有特征和行为的实现；（3）单向关联，对拥有关系的表述；（4）聚合，整体与部分的关系，部分可以离开整体而存在。简言之，学习者孪生体模型由学习者所在域、学习者相关概念、学习者孪生体和数字线程四部分构成。

第一，学习者所在域由用户域、现实物理域、测量控制域和数字孪生域组成。用户域包括学习者、人机接口、应用软件及其他相关孪生体。与学习者孪生体对应的学习者所处的域，称为现实物理域。测量控制域与现实物理域中有控制信息和测量数据的传递。数字孪生域则提供上述域所需要的信息交换、数据保证和安全保障等功能。

第二，学习者相关概念由学习者和物理学习者组成。学习者不仅包含个体本身，还包括其在学习系统中学习的过程。物理学习者除了学习者的学习数据外，还需要关注其自然属性和社会属性。

第三，与学习者孪生体相关的内容有抽象学习者、学习者模型。依据学习者特征将学习者抽象化，并从模型的视角对其进行学习者建模。在此基础上，通过信息流和数据流传递控制信息和测量数据，在虚拟空间中映射出学习者孪生体。学习者孪生体由原型体、实例体和聚合体构成，是反映学习者知识技能、情感体验和认知行为的学习者动态化模型，具有学习者建模管理、仿真模拟服务和孪生共智三类功能。与一般的学习者模型不同，学习者孪生体具有一定的可复制性与迭代性。

第四，依据《数字孪生体技术白皮书（2019）》中认同数字线程是数字孪生体关键使能技术的观点，我们将数字线程纳入数字孪生体的概念模型。数字化的过程称为数字线程，可将数字线程理解为将学习者从开始参与学习至结束的各个阶段进行数字化的过程，并且在整个过程中不局限于传统的模型设计，通过信息流涵盖整个学习周期的学习者模型的构建和维护。该概念模型考虑了从微观到宏观的尺度和从元素到体系的层次，以期为后续学习者孪生体的参考架构开发和应用场景展望，提供一些依据。

学习者孪生体将以多重角色出现在未来教育的各种应用场景中，不仅向学习者反馈即时的学习状态、向教师呈现其学习进程，还将与其他学习者孪生体进行模拟互动，展现多样化的应用场景并助推教育生态的重构。

1.学习者：通过学习者孪生体反馈学习状态，增强自我反思能力

学习者孪生体不仅可以适应不同的学习者状态，还可以让学习者更直观地看到 “自己的”学习状态，这也更符合以学习者为中心的思想，从而促进学习者在学习过程中不断进行自我监控、反思和评估。在以数据驱动的学习者孪生体的支持下，可以依据对学习者学习行为的实时跟踪、评估和理解进行反馈，进而及时调整学习者的学习状态和目标。

2.教师：通过学习者孪生体呈现学习进程，优化完善教学策略

学习者孪生体实时反馈学习者数据，并动态跟踪和呈现学习者当下的学习进程，教师可以根据其呈现的学习者学习情况，及时发现教学过程中的问题和不足，进行适当的调整。教师还可以提前对学习者孪生体进行课堂模拟和训练测试，事先演练自己的教学方式和策略，并进一步优化和完善教学过程。

3.学习者孪生体：通过与其他学习者孪生体进行模拟互动，可提升训练经验

学习者孪生体除了可以与学习者、教师沟通交流，还可以与其他学习者孪生体模拟互动。在虚拟空间中，学习者孪生体之间可以通过合作、探究和竞赛等方式增加交流，并借此提升训练经验。学习者孪生体还可以将在虚拟空间中的数据和结果反馈给物理空间的学习者，向学习者展示自身可能出现的多重可能性，以实现学习者和学习者孪生体共成长。

六、结语

基于文献梳理与综述，我们发现，在学习者特征维度下，学习者建模朝着特征多维化、数据聚集化的方向发展；在模型构建维度下，学习者建模从“知识型”转向“全面型”；在建模技术维度下，建模技术自身的发展提升了学习者建模的有效性和准确性，且技术的综合运用已渗入到学习者建模的各个阶段。目前，学习者建模正朝着学习者特征多维化、模型构建全面化和建模技术综合运用的方向发展。

随着数字孪生技术在教育领域的应用不再局限于理论层面，且研究对象从物理空间拓宽至学习者本身，研究体系也逐步健全。已有学者对数字孪生技术下的混合教学模式进行了研究，但仍缺乏对具体教育场景中模型的设计。为此，本研究对数字孪生技术下的学习者建模进行了初步分析与展望，并对“学习者孪生体”的内涵和模型进行了初探。随着数字孪生技术的不断成熟与发展，未来，基于数字孪生技术的学习者建模，将会成为重要的研究方向。