职业教育环境下学习者个性化建模研究

程光胜

（宁夏财经职业技术学院 宁夏 银川 750021）

随着国家政策的调整，职业教育生源结构发生了很大变化，由学龄段生源进入学龄段生源与社会生源共生共长的新常态，这对当前规模化、标准化教学而言，将面临很大的困难和挑战。学习者成长背景、知识积累、认知方式等方面的巨大差异，促使职业教育的育人方式由传统整体型向个性化转变，而构建学习者个性化模型是实施个性化教育的关键。因此，在职业教育转向个性化教育的现实需求下，构建面向职业教育的学习者个性化模型，为不同学习者提供个性化的学习和适性化教育服务，显然具有重大的理论意义和现实意义。

一、学习者个性化建模及其研究现状

学习者个性化建模涉及教育学、IT 技术、心理学、统计学等多个学科，通过综合学习者学习认知、兴趣偏好、情感因素等多个维度，实现对学习者特征的抽象表述，体现了学习者外部行为结构和内部心理机制，最终为个性化学习服务。个性化从人本主义出发，尊重学习者差异，体现人性化、多元化的教育理念。然而，个性化学习不是近几年才出现的，早在春秋时期伟大的教育家孔子就提出了“因材施教”的教育思想，其中就体现了个性化教育和学习的元素。近几年，在信息科技和教育的深度融合下，技术让个性化学习有了新的突破，由理论研究转向落地实施。

目前，相关学者从不同角度对学习者个性化建模做了研究，其中有代表性的有：岳俊芳等从学习者基本信息、学习风格、学习兴趣和知识模型四个维度构建了学习者模型；徐鹏飞等分别从知识状态、认知行为、情感模型和综合模型四个方面综述和刻画了学习者模型；武法提等在建模中融合学习者的场景特性，构建了基于场景感知的个性化学习者模型；黄涛等基于经典学习理论、人工智能技术、时空融合建模分析方法，对智能场域中的学习者建模研究趋向做了深入剖析；张涛等构建了基于本体模型、知识模型、认知模型、行为模型和情感模型五个维度构成的通用型学习者模型。可以看出，学习者模型的构建正朝着技术融合化、场景多样化、特征多维化、模型多态化的方向发展，这些研究成果为本文的研究提供了很好的借鉴和参考。但是，上述研究大多偏重于理论层面，实践操作太过复杂，准确性也有待进一步验证。相关文献对高职学生的行为做了分析，但是在学习者个性化建模方面的研究甚少。因此，本文基于职业教育学生的学习特点，从可操作性、可量化性等角度出发，研究智能技术赋能职业教育学习者个性化建模，以期为职业教育环境下的个性化学习和适性化教育提供精准服务，也为职业教育借助智能技术实施智慧教育、培养高技能人才提供理论和实践方面的探索。

二、学习者个性化建模分析

为了准确刻画学习者个性化模型，借鉴王小根等人的文章综述，本文从学习者、模型构建、建模技术三个层面对学习者个性化模型展开具体分析。

（一）学习者对象

本文的研究对象是职业院校学生，结合职业教育的实际，从知识维度、认知维度、情感维度等方面进行详细分析。

职业教育的目标是培养高技术技能型人才，服务地方经济和社会发展。因此，学习者在汲取知识的同时，更注重技能水平和职业素养的提升。随着人工智能时代的到来，社会产业结构面临深度变革，跨界融合将是常态。因此，职业教育在人才培养上更趋向复合型、创新型、全面发展型，反过来，人才输出的外在特征就是：具备大国工匠和能工巧匠的知识、技能和素养，更加凸显知识、技能和素养作为高素质技术技能人才的重要性。因此，知识、技能、素养是一个重要的维度，是学习者模型需要重点体现的内容之一。

随着不断的学习和锻炼，学生的认知水平也会发生变化。所谓认知，就是对其自身的理解和洞察，具体包括感知、思维、期望、行为判断等。张莉等针对高职院校学生的自我认知进行了调查分析，在个体层面，性别、民族是影响认知的主要因素；在教育层面，认知差异主要表现在专业、班干部经验、奖学金获得等方面；家庭背景层面，家庭类型、父母职业、家庭经济收入等会显著影响学生认知水平。伴随着高职学生生源的多样化，认知水平的差异性会越来越明显。因此，在构建学习者个性化模型时，认知水平是刻画学习者的重要内容之一。

学习情感体现了学习者对待学习的兴趣、态度和相应的行为反映。相关研究表明，在实践教学中，学习者的快乐感与活动过程和认知参与度存在高度的相关性。作为类型教育的职业教育，教学和学习体现双重特性，即教育性和职业性，而这种职业性就是通过不断的参与实践活动逐步培养和积累的，外在表现就是职业能力。吴志华等从兴趣、参与度等情感因素实际验证了其与学生的实践活动、职业能力有显著的正向相关性。因此，职业教育环境下的学习者，在构建个性化学习模型时，情感因素是一个很重要的度量内容，丰富的情感激励会促进学习者的学习兴趣、享乐和积极参与，反之，会让学习者感觉不到学习的快乐，从而导致不同的学习效果。

（二）模型构建

由于人们对模型认知的偏差，学习者个性化模型在不同阶段有不同的侧重点。最初，人们将学习者模型定义为关于学习者的认知状态，与此同时，在以教为主导的理念下，学习者个性化模型被视作为知识和行为的集合。在信息技术未能与教育教学有效融合的教学环境下，探讨学习者个性化模型构建是否有必要，也引起相关学者的质疑。

近些年来，随着建构主义、联通主义等学习理论的发展，以及大数据、人工智能等技术的推动，催生了教育信息科学与技术，目的是借助现代信息技术探求底层教育规律，还原教育过程，刻画教育主体，从而推动教育迈上新的台阶，促进教育整体革新。信息技术的发展给学习者模型的构建带来新的契机，使得模型由之前的知识模型、认知模型转向适应不同学习者状态的自适应型，这是一种“以学习者为中心”的教学设计理念，促进学习者的自主探索和协作交流学习。但是，对于学习者而言，学习者模型是“不可见”的，是“透明”的，难以激发学习者对学习内容、重难点或不足之处进行反思。在此基础上，一种开放型的设计理念应运而生。在这种理念的驱动下，包括学习者模型、各种资源库、在线课程建设、教学模式等，都基于“开放型”进行重构，表现在学习者模型中，就是促进学习者更好地自我反思、评估和监控。

上述各种学习者模型都是侧重某个或某些方面的，从学习者的全面发展来看，仍然不能反映学习者特征的全貌。因此，如何构建更加全面的、准确反映学习者特征的学习者模型，成为学习者建模关注的焦点。

（三）建模技术

从当前学习者个性化建模所采用的技术来看，主流的技术主要有：机器学习技术、数据挖掘技术、大数据分析技术、人工智能技术等。并且为了提升模型的精度，这些技术在建模过程中会被综合应用。因此，在技术层面，它们之间在某些方面没有明显的界限，甚至在某些技术领域是交叉重叠的。

在学科层面，彼此之间还是有一定界限的。机器学习是人工智能的一个重要分支，而且是最能体现“智能”的一个分支，也是发展最快的一个分支，因此专门形成了一个独立的学科，致力于研究如何通过计算的手段，利用经验来改善系统的性能。数据挖掘是从大量数据中提取或“挖掘”知识，从这个角度来讲，数据挖掘可以视作知识发现，作为以应用驱动的一门技术，在不断的发展过程中，逐步形成了自身的基础理论及知识体系，从而产生了数据挖掘这一学科，并在电子商务、经济管理、生物医学等领域得到广泛应用。大数据分析技术是伴随着大数据的出现而产生的一种从海量数据中抽取有价值的潜在知识的技术，这种分析技术与传统的数据分析技术存在本质的差别，包括具体的存储和处理模式，通过分析帮助决策者发现隐藏的关系和模式，从而获取大数据中的大价值。人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科，目的是让机器像人一样会听、会看、会说、会思考、会学习和会行动，最终让“零智商”的机器以类似于人类发展的方式发展成人的“高智商”，这也是人工智能发展的目标。

上述学科与教育科学融合，从而产生了不同技术在学习者个性化建模中的应用，比如知识图谱、个性化推荐、学习预警等，从而使得学习者个性化模型所包含的特征更加全面丰富、模型应用更加精准高效。

三、学习者个性化模型构建

在智能学习环境下，学习者可以通过网络、电子设备突破时空限制实现碎片化和自主化的学习，在方便学习的同时，其学习行为也会被记录和存储下来。开展对学习行为的分析，可以识别学习者的学习规律和认知过程，分析学习行为与学习绩效之间的关系，对实施教学干预、开展精准教学能够提供有力支持。李月等通过挖掘学生自主学习行为模式，得到高低成就学习者之间在学习行为上存在显著差异，以缩小规模化教学和个性化教学之间的矛盾。对学习行为及其相关数据的分析，可以深层次探究学习者个性化特征和元素，为学习者个性化建模提供重要的数据和信息支撑。因此，本文以学习行为数据为主体，构建学习者个性化模型。具体建模框架如图1 所示。

图1 学习者个性化模型构建框架

（一）构建知识模型

每一门课程都有完备的课程标准，课程标准针对每一个教学单元，都会抽取具体的知识点和技能点，这样学生对于将要学习的知识点和技能点就非常明确。但是，唯一的缺陷就是知识点和技能点之间缺乏有机联系，这样对于学习者来讲，就形成不了完整的知识和技能体系。Google 公司于2012 年提出了知识图谱的概念，利用知识图谱就可以对当前具体的知识点和技能点搭建链接关系和链接重构，从而形成“课程——专业——专业群”间的完备的知识和技能图谱体系。

在知识图谱构建上，借助人工特征选择，使用机器学习技术可以实现知识之间的聚类、分类等，从而生成有效的知识图谱。但是，从效率和准确性上来讲，还有待进一步改进。随着深度学习的深入研究，为知识图谱的构建提供了强大的技术支持，利用深度学习可以实现知识抽取、知识表示、知识推理和知识融合。随着课程及专业领域内新知识的增加，知识图谱需要统一更新，借助深度学习的计算优势可以实现知识图谱动态性和整体性调整，从而保证知识图谱是最新的。

知识抽取是构建知识图谱的第一步，具体需要完成的工作有实体抽取、关系抽取和属性抽取，抽取技术可以使用基于语言模型的词向量，如Word2Vec、GloVe 等，也可以使用基于深度神经网络的方式，比如CNN 或RNN。基于深度学习的知识抽取，具备特征抽取自动化、序列建模能力强的优势，因此诞生了很多具体的知识抽取技术。在抽取出知识后，对知识进行提炼形成本体构建，用以反映知识之间的特定关系，比如同义词、层次及所属关系等，然后在此基础上构建有效的知识表示，主要代表性的模型有距离模型、TransE 模型、双线性模型、神经网络模型等，从而形成符合计算机处理的模式。知识之间有确定的显性关系，也有不确定的隐性关系，通过知识推理（比如逻辑推理、统计推理、神经网络推理等），可以发掘这种隐性的知识关系，从而使形成的知识网络更加丰富和完善。由于知识在不同的语境中体现不同的意义，因此通过知识推理阶段产生的知识关系可能存在冲突或重叠，通过知识融合（实体链接、实体对齐）可以丰富知识的存量，提高知识图谱的质量。

通过系统化的知识图谱，学习者在学习过程中学习了哪些知识点，这些知识点之间的关系如何，就可以使用类似于Neo4j 这样的NoSQL 数据库进行存储，形成知识模型后，基于Neo4j 的有向图结构，实现便捷的可视化展示，这样学习者就可以看到目前的知识掌握程度。同时，基于语义网络的知识图谱，可以根据学习者对知识点的学习数据建立学习者学习兴趣模型，一方面实现学习者与知识点之间的关联，另一方面实现知识点与知识点之间的关联，从而搜索到学习者潜在感兴趣的知识点以及可能需要学习的知识点。

（二）构建能力模型

学生能力是一个被广泛使用但又难以界定的一个概念，不管是能力内涵还是外延在不同的环境和场景中，内容都非常丰富。事实上，能力在横向上具有知识、认知、态度、价值、情感等多维度性，在纵向上由下到上具有特征和特质、技能和才能，展现出多层次性。针对学生的能力构建能力模型，要体现能力的上述特征和特性，同时要重视道德在能力中的首要地位。因此，针对教育环境下的学生主体，能力模型是以德性塑造为灵魂和核心，是一个包含态度、价值观、情感、知识、技能的多维度的综合体。

职业教育的内涵就是培养学习者能够从事特定职业或行业所需具备的知识、技能和能力，而能力是建立在知识和技能基础上的，并在工作或研究等职场环境中表现出的个人、社会等不同层面的迁移性才能。在借鉴相关研究成果的基础上，本文设计的职业院校学习者能力模型指标体系如表1 所示。

表1 职业院校学习者能力模型指标体系

基于上述指标体系，通过人工或自动化获取相关数据，采用定性、定量相结合的方式，利用大数据、人工智能等技术构建能力模型，为学习者构建能力画像，从而全面反映学习者的能力概况。

（三）构建认知模型

认知模型是针对认知活动建立的模型，以反映学习者的认知过程。从学术层面来看，目前对于认知还没有一个统一的界定。综观目前的各种描述，可以分为两种：从人文角度来看，认知是通过思维活动认识和了解，体现一种思考的过程，将抽象的对象转化成大脑可以接受的具体对象；从技术角度来看，认知是一种计算活动，因为人脑是由很多神经元组成的，认知的过程是无数个神经元协同计算的过程。要将人脑的思考过程映射到计算机环境中，通过计算机的强大计算功能模拟神经元的协同计算过程，从而实现用计算机描述认知，建立针对学习者的认知模型。因此，构建认知模型，实际就是认知在计算机中计算的过程。

目前，对于认知计算还没有一个确切的定义，相关研究甚少。单美贤等认为，认知计算是人工智能和信号处理的结合，通过认知科学、深度学习等多学科交叉研究赋予计算机系统认识、思考和感觉的能力，从而实现增强人类决策能力的目的。基于学习者的学习行为数据，通过认知计算构建认知模型，可以重新定义学习者的学习思维过程，来帮助和改善学习者更有效地学习。

构建认知模型是建立在多模态学习数据基础上的，每个学习者对学习认知的不同，导致学习过程存在很大的差异性，而这种差异性就体现在学习过程中，而智能化的学习环境为自动化采集学习过程的实时数据提供了良好的技术手段。在智能技术赋能教育的学习环境下，学习者通过观看视频实现基本学习，通过论坛互动实现疑难答疑，或交流学习体会感悟，通过专题研究实现深度学习，通过项目任务实践实现学以致用，等等。在不同的学科中，有不同的学习行为。但是，对每一个学习者来讲，在学习过程中总存在一个不变的学习模式或学习习惯，而这种“不变的”模式或习惯与学习者的认知是紧密相关的。因此，构建认知模型的第一步是实现对多模态学习数据的聚合。聚合的结果是形成有时间序列和具有特定学习情境的学习行为片段，然后针对某一时间片段和特定学习情境下的学习数据运用机器学习、行为序列分析、神经网络、深度学习等技术进行建模，生成学习者的学习习惯和模式，用以反映学习者的学习认知。

随着知识的积累、技能和能力的提升，学习者的认知也会发生变化，所以认知模型要能够适应这种动态变化。在模型中，可以构建反映学习者的长期认知模型和短期认知模型，当认知出现变化的时候，可以通过长期认知模型反映出来，而针对学习的推荐或改进，可通过短期认知模型生成。

（四）构建情感模型

情感是影响学习者学习效果的关键性非智力因素，学习者的情感能够反映学习者对学习资源的偏好，也与学习者的知识、认知等存在紧密关系。因此，通过计算机实现对情感数据的采集和计算也是近年来智能教育重点关注的热点。学习者情感数据通过心理测量、行为测量、生理测量等渠道获取，可以借助传感技术和人工智能等技术自动实时获取，从而形成多模态的海量情感数据，为情感模型的构建奠定基础。周进等基于多模态情感数据建立了情感计算框架，具体计算过程为：数据标签、特征提取、数据建模、情感识别、情感表达，经过该过程的计算，实现了情感数据从采集到处理，再到建模分析，最后可视化展示并应用于动态学习干预和调节。

对情感数据的建模分析，根据情感数据类型的不同，可以采用不同的处理技术，比如，可以从学习空间中获取学习者发表的观点、体会等文本内容，运用文本挖掘、支持向量机、朴素贝叶斯、随机森林等识别学习者的情感倾向。相关研究也表明，相对其他的信息载体，文本含有更高的情感价值密度；对于采集到的音频数据，可以结合声学、神经网络、支持向量机等技术挖掘和识别情感状态；根据视频、图像等捕获到学习者的面部表情和行为动作，运用深度学习、图像识别、卷积神经网络等技术分析学习者的学习情绪（积极情绪、消极情绪）、专注度等；根据智能化感知设备获取学习者的生理信息（眼动、脑电、近红外等），通过小波变换、长短时记忆网络、支持向量机等识别学习者情感状态。

有了上述单模态下的情感分析，要实现对学习者情感的精准识别，需要对上述信息载体的情感数据进行多元整合实现多模态建模，从而提高情感识别的准确度。然后，将情感信息通过可视化技术全方位展示，并通过不同时段的长期跟踪，探索学习者的情感变化规律。最后，将情感变化规律应用到学习上，结合学习效果，分析不同情感对学习效果的具体影响，从而可以有效地干预学习，提高学习的效果和质量。

四、学习者个性化模型应用

（一）根据学习者个性化模型提供个性化的学习资源

“互联网+”教育在给学习者带来学习便利的同时，海量的学习资源也让学习者无法获取适合自己的学习资源，出现了“知识过载”“学习迷航”等问题。因此，借助智能技术下构建的学习者个性化模型，可以精准刻画学习者的知识、能力、认知和情感，即知识掌握方面存在哪些不足，哪些方面能力还有待加强和提升，当前的认知对学习是否有促进作用，情感如何影响认知及学习效果，等等。有了上述准确的信息，就可以给学习者推荐更加适性和个性化的学习资源，以及相应的学习路径，让学习者无需付出额外的时间成本就可以获知需要学习什么以及该如何学习，从而实现学习效率的最大化。

（二）根据学习者个性化模型实施精准化教学干预

学习者是教育教学活动的主体和服务对象，把握学情是开展教学活动的前提和基础，而教学内容的组织和实施策略，与学习者的个性化特征存在密切关系。在规模化教学环境下，教师了解的仅仅是学习者的平均学习水平，而对于个体差异以及深层次的学习特征，则是难以把握的。因此，精准化教学和干预的前提是建立学习者个性化模型，通过个性化模型实施个性化的指导和干预，做到因材施教，全面发展，让每一个学习者都能成长成才，表现出个人风彩。

（三）根据学习者个性化模型实施多元化的智慧评价

在以考试成绩为导向的单一学习评价环境下，学习者的全面发展未得到足够重视。而学习者个性化模型，则从学生的知识、能力、认知、情感等多个维度刻画和反映学生的成长状况，据此可建立有效多元的评价机制，以评价促成长，实现智慧化的评价。