数据驱动的STEAM课程学习者数字画像构建与应用

金洲 李颖欣 戴坚

摘  要：当下，STEAM课程培训机构数量在全国范围内快速增长，学生和家长面对如此多的STEAM课程不知道如何选择。为此，采用基于科学的大数据驱动研究范式，以全国范围内STEAM课程学习者特征为样本数据集，采用主成分分析法提取STEAM课程学习者的基础信息、学习环境、学习需要、学习特征四个方面的主特征，构建数据驱动的STEAM课程学习者数字画像。成果有助于发挥数字画像的评价决策功能，帮助家长和学生精准选择合适的STEAM课程，提高学生的学习效率。

关键词：STEAM教育;数字画像;大数据分析;数据驱动

中图分类号：G434     文献标识码：A文章编号：2096-4706（2022）05-0186-04

Construction and Application on STEAM Course Learner Digital Portrait of Data-Driven

JIN Zhou， LI Yingxin， DAI Jian

（College of Education Science and Technology， Zhejiang University of Technology， Hangzhou  310023， China）

Abstract： At present， the number of STEAM course training institutions is growing rapidly across the country. Students and parents do not know how to choose in the face of so many STEAM courses. In this regard， this paper adopts the big data-driven research paradigm based on science， takes the characteristics of STEAM course learners nationwide as the sample data set， uses the principal component analysis method to extract the main characteristics of STEAM course learners in four aspects： basic information， learning environment， learning needs and learning characteristics， and constructs a data-driven digital portrait of STEAM course learners. The results are helpful to give play to the evaluation and decision-making function of digital portrait， help parents and students accurately select appropriate STEAM course， and improve students’ learning efficiency.

Keywords： STEAM education; digital portrait; big data analysis; data driven

0  引  言

2019年6月23日中共中央、國务院就深化教育教学改革、全面提高义务教育质量提出了全面发展素质教育、切实提高课堂教学质量等意见，而STEAM课程着重培养学生的综合素质，能够很好地满足《意见》的要求。目前，很多中小学以班级为单位进行大规模教学式STEAM课程，此种教学方法虽然能够一定程度上满足学生对多学科融合课程的需求，但在一定程度上也忽视个性化学习培养。随着大数据分析技术的发展，数字画像已成为学习者特征分析的新方向，为STEAM课程受教育者的精准分析提供了强有力的技术支持和方法指导。

1  文献综述

1.1  STEAM课程学习者的特征分析

STEAM教育强调对科学、技术、工程、艺术、数学五门学科的有机整合，让学生在项目设计中发现并解决问题，并在此过程中培养学生的创新精神和问题解决能力。学习特征由学习者的知识结构和学习风格组成[1];学习者特征也可以分为知识结构、信息加工方式、社会特征、情意和意动类型四个层次[2]。综上可知，学习需要和学习特征是STEAM课程学习者特征的主要构成要素。

1.2  数字画像技术

数字画像构建方法的分类依据有设计方法和构建技术。王永固等人将数字画像的构建流程设计为五个阶段：数据采集、数据预处理、数字画像模型构建、数字画像模型应用、精准决策与干预[3]。崔家峰等人将构建流程分为数据来源与采集、数据处理与分析、画像呈现与应用三个阶段[4]。李宝从数据基础层、数据处理层、画像构建层、画像服务层四个层级思考数字画像的构建[5]。综上可见，数字画像的构建流程主要包含数据采集、数据处理、模型构建、应用服务等四个步骤。

2  数据驱动的STEAM学习者画像模型构建

2.1  数字画像框架

现有STEAM学习者的相关文献研究和案例分析显示，STEAM学习者由基础信息、学习环境、学习需要、学习特征四个要素组成，如表1所示。

基础信息是学生的身份标记，用于标识和匹配STEAM课程，以帮助学习者及其家长了解并接受STEAM课程。学习环境是学习过程中的情境因素，情境影响作用往往是对学习需求的求解过程优化[6]，从而实现运用实际情境提升STEAM课程与实际情境的匹配度，进而提高学习效率的目的。学习需要是学习者的目标，是学习者所期望的STEAM课程信息，是搜寻相关STEAM课程满足学习者学习需要的根本依据。学习特征对匹配STEAM课程的准确性和高效性有着重要的影响，承载着提高学习者学习兴趣和学习满意度的使命。

2.2  画像的构建流程

基于王永固等人的教师网络研修社区数字画像构建流程[3]，本研究画像的构建流程包括数据采集、数据预处理、数字画像模型构建等阶段，如图1所示。

图1  数据驱动的STEAM课程学习者数字画像的构建流程

数据采集阶段的任务为通过问卷调研的方式，采集中小学生在STEAM课程中进行学习的相关数据，为数据预处理的方法选择提供基础;数据预处理阶段的任务依据数据评价结果进行数据集成、数据清洗、数据变换和数据归约等数据预处理操作，使数据符合分析算法的标准;数字画像模型构建阶段任务为将预处理后的数据按学习者构成要素进行归类，从各维度数据中提取出主成分，提高模型的普适性，以简化后续研究。

2.3  画像的模型构建

本研究利用问卷调查了全国与STEAM课程有所接触的中小学生，并以此作为样本数据集，采用主成分分析法，分别提取其学习环境、学习需要和学习特征三个维度的主特征。然后，使用三维笛卡尔坐标系表示STEAM课程学习者的数字画像模型。

2.3.1  样本总体数据特征

本研究对Z省的学生进行数据采集，并对样本数据进行了预处理。最终采集有效STEAM课程学习者样本115个，每个样本有23个特征，整合形成115*23规模的STEAM课程学习者数据集。依据数字画像的框架维度，将STEAM学习者特征分别归类到基础信息、学习环境、学习需要、学习特征四个维度，形成STEAM教育学习者的数字画像初步模型。

2.3.2  学习环境样本数据的特征提取

学习环境维度的主特征由其六个特征的主成分分析获得，主成分分析的总方差解释和旋转后的成分矩阵，如表2和表3所示。方差累计总解释表示主成分对原始特征的解释度，成分矩阵表示各主成分所表征的原始特征。在社会科学研究中，主成分方差累计总解释达到60%，即可认为主成分提取效果较好。由表2可知，学习环境维度提取出的三个主成分，方差累积总解释达到72.175%，高于60%，因此主成分提取效果较好。

由表3可知，主成分1在开始学习时间特征上具有较高载荷，主成分2在学习者位置、学习时的网络空间上具有较高载荷，主成分3在学习时的设备电量、学习时的周围嘈杂度上具有较高载荷。根据STEAM教育学习者他则会那个的语义背景，我们将主成分1命名为“学习者的时间”，主成分2命名为“学习者的空间”，主成分3命名为“学习者的附加环境质量”。综上所述，样本数据在学习环境维度得到“学习者的时间”“学习者的空间”“学习者的附加环境质量”三个主要成分。

2.3.3  学习需要样本数据主特征提取

采取主成分分析法获取学习需要维度的主特征，主成分分析的总方差解释和旋转后的成分矩阵如表4和表5所示。由表4可知，学习需要维度提取出三个主要成分，方差累积总解释达到74.449%，高于60%，因此主成分提取效果较好。

根据学习需要维度特征的实际背景意义，本研究将主成分1命名为“学习内容类需要”，主成分2命名为“学习目标类需要”，主成分3命名为“学习资源类需要”。

2.3.4  学习特征样本数据主特征提取

学习特征维度的主成分分析的总方差解释和旋转后的成分矩阵如表6和表7所示。由表6可知，學习需要维度提取出三个主要成分，方差累积总解释达到73.061%，高于60%，因此主成分提取效果较好。

根据学习需要维度特征的实际背景意义，本研究将主成分1命名为“学习风格特征”，主成分2命名为“学习情感偏好特征”，主成分3命名为“学习认知能力特征”。

2.4  数据驱动的STEAM学习者画像模型

基于以上数据特征分析，研究使用三维笛卡尔坐标系表示STEAM学习者的数字化想模型，如图2所示。X维表示STEAM课程学习者画像模型的框架维度，分别为基础信息、学习环境、学习需要、学习特征四个构成要素。Y维表示STEAM课程学习者画像模型的标签层级，分为二级标签：一级标签是每个维度提取的主成分，二级标签为样本原始特征。Z维表示STEAM课程学习者画像的标签属性，按照数据属性来源与处理方法的不同，标签属性分为事实标签、模型标签和预测标签[7]。

3  STEAM学习者画像的应用分析

2017年，《中国STEAM教育白皮书》发布，该书对STEAM教育学生学习兴趣、STEAM课程改革创新等核心问题尤为关注。本研究认为，构建STEAM学习者画像可以应用于课程选择、课程评估、课程安排等具体场景中，助力于学生、家长、老师、课程机构管理员实现细化管理与科学决策。

3.1  为精细化学习者特征分析提供数据服务

目前，全国范围内的STEAM课程培训机构大量涌现，已成为我国增长速度最快的课外培训机构类别。STEAM学习者数字画像模型可以有效对STEAM课程的学习者特征进行分析、判断、分类、归纳，并根据类别特征与STEAM课程相匹配，推荐给学生最适合的STEAM课程，能够极大程度上减少时间、人力、经济的浪费，提高STEAM课程资源利用率和STEAM课程学习者的学习效率。

3.2  为创新型人才培养方案提供证据支持

STEAM教育作为多学科融合的教育，对培养学生的逻辑思维能力和科学素养起到较强的作用。STEAM学习者数字画像能够评估学生的核心素养能力，且在课程内容设置、课程情境设计等方面STEAM教育与核心素养可以有机对接，进而为培养创新型人才提供适合的强有力的具有针对性的课程支持，使STEAM课程和核心素养在人才观、知识观、创新观等方面与学习者特征的契合提供了可能性[8]。

3.3  为开展STEAM课程自我评估提供支撑

STEAM教育机构可以使用STEAM学习者画像来对学习者进行大规模的需求统计，并针对需求开设具体的STEAM课程。与此同时，面对STEAM课程出现学习效果不佳、学习兴趣不高的情况，也可以使用STEAM学习者数字画像来对课程进行自我评估，判断是课程的哪些具体环节与学习者的数字画像不匹配导致问题的出现，并针对课程问题进行修改和调整。

4  结  论

数字画像原型的应用调查表明，本研究所研发的STEAM课程学习者数字画像，具有准确度高、直觀性强的特征，得到了大部分STEAM课程培训教师的认可。因此，基于数据科学的大数据研究范式，为STEAM课程学习者特征的精准把握，提供了一种新型的研究方法，推动特征把握结果趋向客观化、形成性、全景化和智能化。未来研究将进一步探索STEAM课程学习者特征数字画像在实际教学培训中的运用，并根据教师的意见调整和修改所构建的STEAM课程学习者数字画像，为家长和学生选择合适的STEAM课程提供个性化的指导服务。

参考文献：

[1] 邓晖.论网络环境下的学生特征分析系统设计 [J].开放教育研究，2003（1）：30-32.

[2] 屠宏，吴宏江.数据挖掘在网络学习者学习特征分析系统中应用 [J].远程教育杂志，2004（5）：41-43.

[3] 王永固，陈俊文，丁继红，等.数据驱动的教师网络研修社区数字画像构建与应用——基于“浙江名师网”的数据分析 [J].远程教育杂志，2020，38（4）：74-83.

[4] 崔佳峰，阙粤红.智能技术支持下的学生数字画像：困境与突破 [J].当代教育科学，2020（11）：88-95.

[5] 李宝.基于用户画像的高校图书馆个性化资源推荐服务设计 [J].新世纪图书馆，2021（4）：68-75.

[6] 李浩君，吴嘉铭，戴海容.基于多维关联本体的学习资源推荐方法 [J].浙江工业大学学报，2021，49（4）：374-383.

[7] 胡小勇，林梓柔.精准教研视域下的教师画像研究 [J].电化教育研究，2019，40（7）：84-91.

[8] 龚洁莹.论STEAM教育与核心素养的对接 [J].知识文库，2019（10）：240.

作者简介：金洲（2001—），男，汉族，浙江温州人，本科在读，研究方向：STEAM教育;李颖欣（2001—），女，汉族，浙江金华人，本科在读，研究方向：STEAM教育;戴坚（2001—），男，汉族，浙江绍兴人，本科在读，研究方向：计算机辅助教育。