教育大数据背景下的学习者特征分析模型构建

张靖晗，张进良

湖南科技大学教育学院， 湖南 湘潭 411201

个性化人才培养是当今世界各国教育改革发展新阶段的核心诉求。《中长期教育改革与发展规划纲要(2010—2020年)》提出：要坚持以人为本、树立多样化人才观念；要尊重个人选择，鼓励个性化发展[1]。学习者是教学过程的出发点和归宿点，随着人们对教育的高质量与个性化追求，精确分析学习者的特征与需求变得尤为重要。而移动互联网、大数据、云计算等新兴信息技术在教与学场景中的应用，使得学习者的学习方式由过去单一的线下学习向线上线下混合式学习转变。一方面，这种学习方式给学习者带来了时空自由、步调自主的个性化学习体验；另一方面，学习者在虚实融合的学习环境中学习，在各种学习系统中留存了大量的学习行为数据。如何合理利用这些数据，精准全面地了解学习者的学习状态，掌握其个人爱好、学习习惯以及学习偏好，为学习者提供个性化、适切性的学习服务，是当前此领域不可回避的实践课题。文章基于大数据分析的技术与方法，对传统的学习者特征分析方法进行优化与重组，构建基于大数据的学习者特征分析模型，以期为教育研究和教育实践者提供借鉴。

1 传统学习者特征分析

《教育大辞典》关于“学习者分析”的解释是：“学习者分析”亦称“教学对象分析”，是指在教学设计的过程中了解学习者的学习准备情况(包括学习者一般特征和学习者初始能力)及学习风格的分析工作[2]。不同年龄段学习者在认知水平上存在着较大差异，在获取新知识时表现出来的学习倾向也有所不同。教师只有对学习者进行全面准确的分析，才能设计出适合学习者的教学方案，以便为学习者提供适切性的学习支持与服务。常见的学习者特征分析主要分为传统课堂环境下及技术环境下两种类型：

1.1 常见的学习者特征分析方法

传统环境下的教学方式以课堂教学为主，学习者的特征分析主要通过教师的个人观察及师生之间的交流进行；而技术环境下的学习者特征分析相对于传统教学而言，大大突破了时间和空间的限制，能够结合信息化手段对学习者相关的学习信息进行量化分析与处理。

1.1.1传统课堂环境下的学习者特征分析方法

在教学之前，教师可以通过查阅学习者的学习成长档案袋对学习者进行初步了解。学习档案袋中记录了学习者的个人信息、学习成绩，以及学习过程中其他教师和学伴的评价信息。通过查阅学习档案，教师能够对学习者特征进行初步判定。例如：教师教学评价中对某学习者有如下评价信息，即“该名学生喜欢自定学习步调的学习方式，其认知水平已经达到更高年级水平”，其他教师在教育教学过程中便可参考此教师的评价，制定适合学习者特征的教学方案。

在教学过程中，教师对学习者特征的分析主要通过课堂观察。例如：根据Kolb的学习风格理论，教师观察到某学习者在日常学习过程中倾向于对抽象理论和概念的学习，则可判断该学习者的学习风格为同化型[3]。针对此类学习者，教师可给予其一定的自由时间，通过多开展探究性学习活动来提高其学习效率。

在教学之后，教师通过课后测验对学习者的学习效果进行评价，以检验教学方案的合理性和针对性，进而回溯学习者特征分析的准确性，并根据后测结果及时进行学习者特征的动态更新和调整。这种分析方法以教师本身作为分析基点，主要借助教师的教学经验进行分析，存在主观性较强的缺陷。

1.1.2技术环境下的学习者特征分析方法

实际上，目前很多教学与学习活动都发生在技术环境下，教师既可以用技术辅助教学，也可以借助技术或工具开展学习者特征分析。技术支持下的学习者特征分析方法以网络量表测量为主。

教师在教学前发放网络调查问卷，学习者根据个人情况填写问卷，并根据自己的学习状况等对自身学习风格进行评价，网络调查系统能够快速生成分析结果，为教师确定学习者的学习特征提供参考。除此之外，Felder-Silverman(所罗门学习风格)问卷量表也能够帮助教师进行前测推断，形成初始化的学习者特征模型[4]。系统平台根据量化表数据初步分析出学习者学习特征及偏好，有针对性地进行个性化内容推送。

技术支持下的学习者特征分析相较于传统课堂环境下的分析更为简单便捷。问卷星等网络测量系统使量表测量范围更广、效率更高；除此之外，这些系统能够对结果进行自动分析。

1.2 传统学习者特征分析方法的弊端

1.2.1耗费大量时间精力

传统课堂教学环境下要想实现对学习者特征的准确分析，需要通过课堂观察方式，除此之外还须结合测试、访谈等多种方法，其耗费大量时间精力。技术环境下学习者的特征分析主要利用Felder-Silverman等问卷量表进行自我特征判定，方法虽然简单，但是题目枯燥且题量较大，学习者很难有耐心仔细完成，过于繁琐的分析方法无疑加大了把握学习者特征的难度。

1.2.2动态更新较慢

学习者的特征不是永恒不变的，往往会伴随着其年龄增长、认知水平提高以及环境迁移等因素发生相应的变化。为获得更为准确的学习者特征，就必须对其学习特征进行动态更新及修正。传统方式下的分析方法，大多依赖静态特征分析方法，判定因素变化较小。教师在获得学习者初始特征后，由于分析过程较为繁琐，较少积极主动地对学习者的特征进行更新。尽管通过课堂观察方式能够对学习者的特征进行一定程度上的修订，但所观察到的更多的是学习者外显行为，无法准确收集分析学习者潜在的学习行为，因此无法深入了解学习者内心真实的想法。

1.2.3分析结果存在偏差

除上述缺点以外，传统分析方法在结果上也存在偏差。例如：传统课堂教学环境下教师采用观察法等定性方法，及个人经验对学习者的特征进行分析，具有较强的主观性，且一对多的教学方式使教师仅能获得部分学习者的特征信息，得出的分析结果通常是片面的、不完全正确的，其分析方法本身存在着无法克服的缺陷；技术环境下借助计算机辅助分析的方法虽然简便，但是问卷方式题量大、题型枯燥，存在着易激发学生逆反心理等缺陷，另外判定结果不完全包含所有学习者的学习风格，都会对评测结果造成影响。

因此，在大数据时代下，传统学习者的特征分析方法已经无法满足学习者个性化需求，构建大数据支持下的学习者分析模型势在必行。

2 大数据背景下学习者特征分析模型研究进展分析

美国管理学家、统计学家爱德华·戴明认为：除了上帝，任何人必须用数据说话。大数据背景下任何人的行为都能数据化，学习也不例外。学习者在网络学习过程中，产生并沉淀了大量的学习数据，这些数据具有一定的价值，比尔·盖茨曾说：“教育技术的发展是数据。教育大数据能够提高学生的学习成绩。”教育数据将学习者隐藏的学习行为以可视化方式呈现，为构建学习者特征分析模型提供来源。近年来，学者利用大数据分析的方法和技术对学习者特征及风格等展开了积极探索，借助大数据对学习者进行分析，为学习者改进学习或改善教师教学提供有力支持。笔者从研究对象和技术方法两个维度，即学习者特征以及建模技术两方面对文献进行梳理总结。

2.1 侧重于学习者特征分析的模型构建

基于学习者特征维度构建学习者模型是教育领域的核心主题。从文献来看，学习者特征分析模型从最初单一知识结构维度逐渐向多维度发展。

早期学习者特征模型主要从学习者知识状态出发，建立单一维度的“知识型”学习者模型。例如：Gar- cía等[5]通过获取学习者在行为特征空间中的学习行为，如答题次数、答题正确率、邮件回复次数等，基于规则推理方法判断预测新加入学习者的学习风格偏向性；姜强等[6]基于Felder-Silverman风格量表获取学习者的不同学习行为特征的行为阈值。

随着信息技术不断发展以及教育理论的不断进步，学习者模型的构建不再局限于单一的学习者知识维度。戴心来等[7]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、交互特征和认知特征三类特征进行分析。郭朝晖等[8]从静态、动态和连通三个描述性维度对学习者模型进行构建：静态维度是对学习者姓名、年龄、年级等个人基本信息的收集；动态维度主要获取学习者在网络学习平台上的动态学习数据；连通维度是指学习者在不同科目中的学习数据，通过跟踪学习者在不同科目中的行为表现，了解学习者的学习基础，以提供更加合适的个性化学习路径。

为更好地对网络学习数据进行深入挖掘，满足学习者个性化学习需求，研究者进一步扩大了学习者特征的研究范围：徐鹏飞等[9]从知识状态模型、认知行为模型、情感模型和综合模型四个角度分别阐述了具有代表性的学习者模型构建方法；张涛等[10]在学习实践场域下融合学习活动流作用机制，结合多种方法构建了集本体、知识、认知、行为以及情感模型于一体的五维学习者模型通用框架。

通过对近几年学习者模型的梳理发现，学习者建模维度从单一化向多元化转变，从最初的知识维度向认知、情感方面延伸，从“知识型”向“认知型”“自适应型”发展[11]。学习者模型构建维度的多元化，能够为学习者提供更加精确、个性化的学习支持服务。

2.2 侧重于技术应用的模型构建

通过对文献的进一步梳理发现，随着信息技术不断发展，学习者模型正朝着精确性、有效性方向发展。目前建模技术分为以下几种：

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[12]。乔兴媚等[13]认为在已解决特征空间误差的前提下，采用高预测率的黑盒机器学习技术(如深度学习技术)能够得到更高准确率的动态用户模型；卢宇等[14]基于机器学习技术，并结合知识图谱等技术构建了学习者模型。

数据挖掘技术的运用也体现在学习者建模中的各个阶段。张涛等[10]基于数据挖掘技术，结合粒计算以及数据分析方法，从学习者的知识、认知、行为和情感角度对其进行分析；吴青等[15]运用数据挖掘技术，构建基于J48算法的学习风格模型表，形成决策树并转化为分类规则，从而分析出学习者的学习特征；张赛男等[16]基于认知风格的Web数据挖掘方法对学习者的网络学习数据进行预处理，从统计分析、关联规则及分类三个方面进行挖掘算法的计算，并以可视化图像的形式表现出来，作为未来教育教学过程中对学习者进行个性化教学的重要依据。

除此之外，其他研究者利用贝叶斯网络对学习者特征进行分析，如罗凌等[17]基于Tan贝叶斯网络进行学习风格检测研究，根据条件概率公式P(A/B)=P(AB)/P(B)，计算出不同节点CPT表，得出学习者学习风格类型；黄兴禄等[18]采用初始化群集核心构造算法(简称ICCCA算法)和3-means聚类算法对学习者学习风格偏向进行预测；菅保霞[19]在进行基于元分析视角的自适应学习者模型构建时，发现ALS部分系统应用本体技术所构建的模型能更加准确地测定学习者知识水平。

综上所述，技术背景下的学习者特征分析主要通过机器学习、贝叶斯网络等技术实现。通过追踪学习者在学习过程中的学习数据，能够发现并捕捉学习者更深层次的行为表现，更精确地实现个性化资源推荐。目前，学术界关于学习者模型构建的研究积累了一定基础，但还存在以下不足：大多数研究的对象为学习者网络学习行为，较少涉及其日常行为，对学习者的学习自律性、学习习惯、学习毅力等方面缺乏研究；另外，目前学习者模型大多是封闭式的，主要是由教师、软件开发者进行构建，忽略了学习者自身反思对学习者模型构建的重要作用：因此，使学习者参与模型的构建过程，能激发其学习的主观能动性，提升自我反思意识，优化自身学习行为。

3 大数据支持的学习者特征分析模型构建

通过对传统学习者特征分析方法进行分析以及相关文献的梳理发现，现有学习者特征分析模型存在动静态分析分离，模型构建过程中未发挥学习者自身反思作用，忽视其日常行为数据等不足。为解决上述问题，构建了如图1所示的学习者特征分析模型。

图1 学习者特征分析模型

3.1 学习者特征分析模型构建

该模型主要分为以下三部分：

第一部分为静态数据下学习者初始模型的构建正式课程学习前，利用静态数据初步分析用户学习特征，与传统学习者特征分析方式类似。学习者通过注册账号、填写问卷量表、学习者自评等方式进行系统前测推断，帮助教师构建初始化学习者特征模型。

第二部分为动态数据下学习者特征模型的构建此部分主要分为数据采集、数据处理、数据分析及预测学习四个阶段。数据采集阶段主要对学习者学习行为数据以及日常行为数据进行采集，包括结构化数据以及非结构化数据两部分。其中，结构化数据主要从学习者的交互特征方面进行收集，教师以管理员身份在后台获取学习者登录系统的操作行为，如学习视频点击量、课堂抢答次数等，并以学习日志形式呈现出来，对教师调整教学方法具有重要借鉴意义。非结构化数据主要从学习者的认知风格及学习风格方面进行收集，认知风格方面教师通过布置一些开放性题目或实践作业进行分析；学习风格方面主要分析学习者在学习过程中倾向于依据教师授课安排进行按部就班的线性学习，还是更倾向于系统提供的知识树型非线性学习等，从而确定学习者学习风格。除此之外，对学习者日常行为数据进行分析也能辅助教师进行判断，主要从学习者进出图书馆及借书记录、早餐正点率、校园卡消费记录等方面收集数据，找到学习者的学习规律，为学习者模型的构建提供辅助数据。但学习者在网络学习平台中留存的学习数据通常是不完整的，这些数据存在着噪声和离群点，易出现数据重复、数据值缺失、数据冲突的情况。为保证数据准确性，需要对数据进行清洗、规约等处理，如补齐缺失值、平滑噪声等。数据分析阶段主要利用聚类分析、社会网络分析等技术，以及定量和定性相结合的分析方法，深入分析存储在平台上的教育数据，将综合测评结果以可视化图表，如散点图、评估模型或其他形式呈现，并以处理后的数据为依据对学习者学习特征进行建模，为预测学习者的行为发展提供依据。最后是预测学习阶段，教师依据数据分析结果对学习者的学习进行干预、调整，使得学习效果最大化。另外，此次数据分析结果同时也可作为新一轮数据被采集，以实现学习者动态特征实时更新，进一步优化学习过程。

对照组患者采用西医治疗手段：给予降血脂、抗血小板等常规治疗，治疗时间为12个星期；在此基础上实验组患者口服脑心通胶囊，每次服用四粒，一天服用三次，治疗时间为12个星期。

第三部分为动静态数据下学习者特征分析结果的修正分析对比静态分析和动态分析下的学习者特征，将两者之间相似的行为作为其较为稳定的学习特征；不同的行为特征以第二阶段大数据背景下的动态检测为主。明确学习者学习特征后，对学习者特征模型进行修正，确定学习者最终学习风格。在学习者后续学习中，系统便能根据学习者的学习风格进行个性化资源推送，达到自适应性学习效果。

另外，该模型考虑到学习者自身对模型构建的影响。学习者参与模型构建过程，能够清楚地看到自身学习数据，了解自身学习情况，包括访问次数、参与学习活动频率等，并根据个人情况进行评价，帮助系统解决其无法预判的问题，从而对模型的构建进行反思。

3.2 学习者特征分析模型应用

在课程开始前，教师查看学习者的学习成长档案，对学习者进行初步了解。学习者进入课程后，首先填写个人信息进行账号注册，填写姓名、性别、年级等基本信息，随后进行Felder-Silverman(所罗门问卷量表)测评，帮助系统获得初始化学习者特征。

在教学开始后，学习者通过观看微课视频、完成习题等方式进行课程内容学习，在此过程中积累沉淀大量的学习数据，教师从网络教学平台中获取学习者学习行为的各类数据，并对其进行处理与清洗，以便挖掘出学习者关键的学习行为特征。以交互特征为例，管理员在后台获取学习者与学习资源的交互行为：如学习者登录系统的操作，登录系统的次数、时间点、总时长；观看视频过程中，是否存在快进、提前退出、反复观看行为等方式；除此之外，教师从学习者的读帖、发帖和收帖数量也能够分析出学习者的交互特征，如被回帖较多的学习者，表明许多人认同其观点，其对于问题拥有自身见解，基于此类学习风格，教师可布置适量习题拓展其思维深度。通过对学习者交互特征的分析，教师可判断某位学习者的相关知识掌握是否全面，在后续教学中能够有针对性地加强对薄弱知识点的教学。以动态分析为主、静态分析为辅的学习者特征分析方法既实现了学习者特征的动态更新，同时也实现了学习者对自身学习行为的反思，在一定程度上克服了传统分析方法的弊端。

教育大数据背景下的学习者特征分析，关键在于及时准确判断出学习者特有的学习风格，其重要意义在于因材施教，在未来的教育教学中实现个别化教学，使其各得其宜，能够增强学习者独立思考和自主学习能力，提高自我效能感，同时为教师进行教学设计提供一定依据，推动新时代教育事业的进一步发展。