基于学生画像的个性化学习辅导策略研究

夏雪莹 马玉慧

(渤海大学 教育科学学院，辽宁 锦州121013)

0 前言

日臻完善的理论和日新月异的技术正在以前所未有的速度、广度和深度改变学习者的学习方式，而人工智能和学习分析等技术的发展和应用则直接引起学习者学习行为方式的某些变化。这些理论和技术的进展一方面使得人类获得了对学习者进行个性化教学与辅导的有效手段，尤其在基于学习分析技术进行学习者行为分析等方面展现了良好的前景；另一方面进一步催生技术对学习者的精准画像，从而使学习者拥有一套属于自己的学习者画像，解决个性化的学习与辅导问题(Huang W N,2018)。

1 学生画像与个性化学习辅导理念的融合

中共中央、国务院印发的《中国教育现代化2035》提出，教与学活动要“更加注重因材施教的教育理念”，最终实现规模化教育与个性化培养的有机结合(人民日报，2019)。《基础教育课程改革纲要》中也明确指出，传统的学习方式需要改变，要大力倡导积极、主动、交互式的个性化学习方式。可见，个性化学习理念已成为各界学者的共识，其系统设计可以实现对学生学习的实时性评估及推送和制定个性化的学习辅导和学习路径(Zhou W J.et al，2016)。个性化的学习与辅导需要对学习者的学习状态进行精准的识别，这就需要使用大数据技术对学习者的行为进行深度刻画，这里的学生画像是指对学习者的学习行为数据进行获取与挖掘，据此建立多维标签体系，然后基于标签体系进行学生画像建模，最终实现个性化学习与辅导(Fei L,& Ma Y L,2010)。

具体而言，首先收集学习者的学习行为数据并对挖掘出学习者的学情记录进行结构化处理，接着整理出标签化的行为特征，构建精准化的学习者的特异性标识，由此形成学习者画像模型，据此进行认知层面的解题提示、元认知层面的监控提示及情感态度的激励性提示，最终提高认知水平和元认知能力及学习体验的进一步优化。

2 基于学生画像的个性化学习辅导框架设计

为了建立一个自适应的、基于学习者画像的个性化辅导体系，本研究设计了基于学生画像实时更新的个性化学习辅导框架。通过结合数据处理、聚类分析等相关技术，对学习者的学习标签进行聚类分析，使每位学习者都有一个独一无二的画像，并基于学习者的行为与认知、元认知和情感态度的关联性，最终实现每一位学习者可以得到一个适合自己的反馈辅导的提示。由此实现个性化学习辅导与学习者认知、元认知的精准匹配。基于学生画像的个性化学习辅导框架如图1所示。

图1 基于学生画像的个性化学习辅导框架

从图1可知，基于学生画像的个性化学习辅导框架包括三个部分，分别为：数据获取与数据处理层、画像挖掘层和画像应用层。

数据获取与数据处理层是个性化学习辅导框架的基石。首先，就数据获取而言，学习者的基本信息的数据获取来源于平台APP的数据库或者基本信息资料库，比如通过学习平台APP一般会使用学生姓名、性别、年龄、年级等信息进行注册，最终可导出这些基本信息。还有一些基本信息是经过一段时间的学习行为之后生成的考试成绩、出勤记录或打卡情况、布置作业的完成情况等；学习者的行为操作信息来源于学习平台的行为数据库。比如学习者的学习内容数据、学习的进展情况数据、做错题的章节分布情况以及知识点的掌握情况，等等；通过资源分享保存的行为记录、讨论交流情况以及收藏点赞题目的数量，等等。其次，就数据处理而言，其主要流程包括数据的集成、数据的转换、数据的规约、数据的清洗和数据的聚类等五个部分，将非结构化的数据转换成可以被识别的结构化数据。数据的收集与获取阶段一定要保证数据的实时更新、准确与完整性，有助于后期的数据挖掘与数据分析处理，也使学生画像更符合学习者状态的真实需求。

画像挖掘层是个性化辅导框架的核心部分。首先需要提取学习者的学习认知和行为标签，基于关联规则的知识发现法，构建学习者的标签聚合，由此形成多方位、精准化的学生画像模型。根据学习者的行为记录来推测其认知情况和情感状态；基于学习者的认知状态来探寻隐性知识的掌握情况以对元认知进行提示。由此实现对学习者的认知、元认知以及情感态度的个性化辅导。

画像应用层是基于数据获取层和画像挖掘层，进一步将学生画像应用于个性化辅导领域中。比如，基于学生模型可对学习者是否掌握前驱知识或者当前知识进行认知提示；也可基于学习者认知情况，对学习者进行元认知的提示与监控调节。此外还可以通过构建学生画像模型来对学习者的情感状态进行适当的激励与引导，优化学习者使用学习平台APP的学习体验。

3 基于大数据的学生画像的模型

3.1 个性化学习数据的获取

随着学习分析技术、人工智能技术的迅速发展以及移动终端技术的全面普及应用，学习者的行为数据得以记录保存下来(Sun J J,2018)。通过对行为数据的分析可以对学生状态进行刻画，进而提升学习者的认知水平、元认知能力以及学习体验。对于在线学习辅导而言，构建其学生画像主要包括如下维度：学习者基本信息数据、内容偏好数据、认知状态数据以及学习风格数据。其中学习者基本数据可通过学习平台数据库系统获得；内容偏好数据是指学习者学习行为取向，包括点击举一反三模板、点击提示、搜题检索等信息。认知状态数据是指学习者的知识点的掌握情况，主要基于DINA的认知诊断模型获得认知状态情况。学习风格数据是根据学习者在学习过程中使用的媒体偏好类型以及资源选择的偏好等来进行确定。

3.2 个性化学习多维标签体系的构建

要想使学习者画像能够充分表征学习者的行为数据，其中关键在于对行为数据进行标注。目前出现的问题在于标签不全与标注不准等问题(Shan,Z.,& Shao,B.,2019)。鉴于此，本研究将学习者画像视为一个多维层次的学习者画像模型，系统收集了学习者基本信息数据、内容偏好数据、认知状态数据和学习风格数据四个维度的具体信息，采用四元组的形式构建标签体系: UC = { User_ infor，User_ prefer，User_ cognition，User_ style} 。其中，User_ infor 表示学习者的基本信息情况，User_ prefer 表示学习者的内容偏好情况，User_ cognition体现学习者学习过程中的认知诊断情况，User_ style体现学习者学习过程中的学习风格情况。

3.2.1 学习者基本信息标签

该标签是学习者的基本信息的主要情况，如学号、姓名、年级、年龄、学科等，其形式化表示方式为: User_ infor = { ID，Name，Gender，Age，Grades，Major，…} ，这里的标签信息可直接从学习平台数据库中导出即可。

3.2.2 学习者的内容偏好标签

内容偏好标签描述学习者知识检索、页面收藏、内容下载等学习行为。标签的形式化表示为:User _ prefer = { Search，collection，Download，…} 。其中，Search 代表了学习者的知识点、题型或者试卷检索情况，不同学习者对各自需求和感兴趣的模块进行相应检索查阅； Collection代表其浏览情况，指学习者浏览网站的单位网页内容时长、对相应知识的停留时长代表了知识获取程度及学习者对易错题的收藏行为的次数； Download 代表学习者的下载情况，表示学习者的下载行为的次数，反映了学习者对当前知识的需求。

3.2.3 学习者的认知状态标签

本研究中，学习者的认知状态指描述学习者掌握知识点的情况以及学科核心素养的达成情况。通过对学习者提交测试题分析，列出表格对应名称、内容与属性编码建立知识点表格，形成Q-知识点矩阵中的属性。数据属性根据项目所需测试内容分为知识点与核心素养。其一，以知识点为属性，第一步选定知识点，这里需要确定试题中考察的所需要测试的知识点。第二步建立知识点表格，描述知识点所对应的编码与具体内容，形成Q-知识点矩阵中的属性。其二，以核心素养为属性，第一步根据知识点所对应的核心素养，第二步建立核心素养表格，描述知识点、核心素养的具体对应情况，并进行编码，形成Q-核心素养矩阵中的属性。第三步构建矩阵，首先确定考察知识点之间的层级关系，可得出其疏密关系：前驱后继关系紧密的为同一个模型的属性；前驱后继关系疏离的为不同模型的属性，从而构建不同的矩阵。对于核心素养属性，核心素养之间并没有严格层级关系，因此，根据知识点所确定的层级关系对应核心素养即可。最终形成标准类的分析结果可展示出学习者在每一个知识点上的掌握状态，将属性点划分为知识点、数学思想、方法与策略三类，每类分五个级别展示：危险、注意、一般、不错、优秀，也可展示个体核心素养具备情况，最终根据个体知识点掌握状态与核心素养具备情况综合分析得到学习者的认知状态。

3.2.4 学习者的学习风格标签

本研究中的学习风格指学习者在使用学习平台过程中，对某一道题的提示性讲解趋向于采用何种方式来获得。主要有语音性提示、视频提示、或者文本性提示等，将其标签形式化表示为: User_ style = { Visual，Linguistic，…} 。其中，Visual 表示善于采用视频性提示标签，具体通过学习者点击观看视频按钮来获得对某个知识点的理解与应用；Linguistic表示善于采用语音性提示标签，通过学习者点击语音提示按钮的次数以及回答系统提出问题的次数等动态数据来推理其听觉学习风格。

总之，学习者行为标签体系采用多维度从学习平台提取出某一层次的学习行为数据，使学习者画像数据的类型与来源更加丰富，使学生画像的精度进一步提升，进而更好地实践个性化学习辅导。

4 基于多维标签体系的学习者画像建模

通过上一环节多维度学习标签体系的构建，使用向量模型来进行提取标签环节和计算标签权重(Xiao J，et al，2019)。在本研究中，使用User_ infor = { ID，Name，Gender，Age，Grades，Major，…} 表示学习者的基本信息模型。内容偏好标签提取时，可以将点击模块名称、模块内容的关键词来表征内容偏好。考虑到随着时间、环境的变化，学习者的内容偏好会发生改变，因此内容偏好标签权重计算时要综合考量偏好权重和衰减权重。在学习认知状态标签提取时，用节点表示学习者掌握的知识点，节点大小代表了知识点的数量，节点颜色的深浅代表知识点的掌握程度，属于理解、应用、创新的哪一个层次。用节点间的连线粗细程度代表学习者掌握知识点间的语义关系强弱。学习者画像可以看作个性化学习信息的标签云，通过使用tagCloud、Tagul 等将不同权重标签进行可视化表示(Bi Q，et al，2014)。

本研究中，基于学生画像的个性化学习辅导主要聚焦在认知层面、元认知层面以及情感态度层面等领域，接下来进行具体阐述。

4.1 基于个性化学习的认知层面辅导

针对学习者认知层面的困惑，认知层面辅导模式应首先定位于学生新旧知识的联接处，即要抓住提问时机：其一，要对学习者的前驱知识进行提问，把该题考察的新知识放在整个前驱知识的背景下去思考，在阐述新知识之前，要做到熟知前驱知识与当前知识的内在联系。其二，要实现“提示内容的问题化”，即采用提问的形式来传授知识点，及其知识点背后隐含的数学思想和数学方法。其三，提示过程中要频繁提及思维性问题，使其与师生互动深度融合，最终使学习者养成自己提问的良好学习习惯。例如，为了促进学生深入地思考，在辅导中就应经常提及这样一些问题：你感觉这道题和你之前学习的哪个题型比较相像？你能不能想出别的更好解题思路？其四，遇到相似题型的辅导，要引导学生思考知识点之间的区别与联系。因此，在个性化学习辅导中也就应当经常引导学生去思考不同知识之间的区别与联系，以便建立完整的知识结构图。

4.2 基于个性化学习的元认知层面辅导

元认知即对认知的认知。元认知层面的辅导主要通过对学习者的元认知进行提示来达到提高学习者认知水平的目的。本研究中，通过精准定位提示的时机与模式来对学习者的元认知层面进行提示即元认知提示。从提示的时机维度来说，存在两种类型，即什么时候提供、多久提供一次。针对什么时候提供元认知提示，这里给出以下情景即针对客观知识提供及时反馈；全面了解学习者思维与信息处理过程稍微延迟提供反馈；不要将反馈延迟到对学习者不再产生影响的时候。针对多久提供一次反馈，要在熟知学习者的认知情况基础之上来对认知进行调节，即学习者的学习策略行不通时，进行学习策略的指引；学习者的任务单没有完成，要给予对照单提示；学习者的所获学习积分发生明显变化或者没有变化时，要给予积分提示；学习者所获的反映其知识点掌握数量的徽章与同伴学习徽章等级有明显差异时，要给予徽章提示。从提示的模式维度可分三种类型：言语、文本、视频动画。该模块的选择要依据学习者的学习风格标签显示来进一步抉择。比如，根据学习者的画像可视化呈现可知其是言语倾向的学习风格，那么系统辅导可采用语音提示的形式。

4.3 基于个性化学习体验的情感态度层面辅导

在线APP学习的情感体验也会影响到学习者的在线学习水平。基于学生画像的可视化的呈现结果对学习者的学习体验进一步优化。主要分为以下情景：其一，针对学生画像中的认知状态良好或者学习积分或徽章等级上升的学习者，要进行言语激励。其二，针对学习者的特殊需求，适当地增设学习资源共享区和专项测试服务区等。

5 结语

本研究通过构建标签融合的学生画像模型，将学习者行为特征与个性化学习辅导之间建立一一对应关系。主要贡献有三个方面：其一，学生画像理念的提出，并将学生画像与个性化学习辅导建立映射关系。其二，基于学生画像模型设计了一个用于个性化学习辅导的框架。该框架从数据的获取与处理开始，接着对学生画像模型进行挖掘，最后将可视化的画像呈现来指导辅导策略的实践，整个流程涉及的环节比较全面。其三，将学生画像模型应用到个性化学习辅导相关领域中，通过分析学生画像的可视化模型，精准定位认知提问的时机对学习者的认知层面进行提示，精准定位提示的时机与模式来对学习者的元认知层面进行提示，通过情感态度层面的提示来进一步提升学习体验。最终为当前在线学习开展大数据个性化学习辅导需要提供应用参考。