教师网络研修社区学习者模型构建研究

王冬冬 张亨国 郑勤华 封晨

【摘要】教师网络研修社区作为教师培训的新型方式被广大教师及教育工作者所接受，而促进学员个性化发展成为教师网络研修的核心诉求。学习分析技术为个性化教学提供了新的思路，而从学习分析在学习评价、诊断、预测及干预中的实际应用来看，建立学习者模型是重要的基础。采用数据挖掘方法，紧密结合学习过程，对教师网络研修社区的学员进行建模，深入挖掘学员的行为特征，结合理论演绎和数据驱动，选用主成分分析法构建了教师网络研修社区环境下的学习者模型。在此基础上，通过K-means聚类将学习者分为六类：全能型好学生、交互型好学生、任务型好学生、阅读型中等生、基础型中等生和薄弱型后进生，验证了学习者模型的实用性与科学性。本研究为在网络研修社区中开展学习者评价提供了理论参考，为构建学习者模型的实践提供了方法与思路。

【关键词】  网络研修;教师培训;学习者模型;评价;学习分析;数据挖掘;行为特征

【中图分类号】  G434       【文献标识码】  A       【文章编号】  1009-458x（2019）7-0047-09

一、引言

2014年教师节，习近平总书记专程前往北京师范大学看望慰问教师，与师生代表座谈并发表重要讲话，就如何做党和人民满意的好老师提出了明确要求，深刻指出培养造就一大批一流教师、不断提高教师队伍的整体素质，是当前和今后一个时期我国教育事业发展的紧迫任务。教师网络研修社区作为教师培训的新型方式，以其多元化的研修主体、开放的研修环境、灵活的研修活动、丰富的研修资源等特点，为教师研修提供了新的思路与方法，在教师研修过程中逐渐被广大教师以及教育工作者所接受（王文君， 等， 2016）。

基于教师网络研修社区的教师在职教育开展已近十年，对我国大规模开展教师培训起到了积极的推动作用。在2015年“国培计划”对乡村教师的全覆盖轮训中，以教师网络研修社区为特色的远程培训发挥了非常大的作用。然而，随着时间的推移，教师培训的需求发生了较大的改变，主要体现在以下三个方面：首先，在培训功能上，教师培训逐步从过去传递行政部门意志、灌输教育教学理念、传授教学技能转化为解决教师工作中的实际困难。其次，在培训内容上，教师培训从对预设的、固定的教学内容的学习转化为在一定范围内根据学员需求自行选择学习内容。同时，愈加重视在培训中使用生成性资源和微课程。最后，在形式上，教师培训从以教师学习课程内容为主，逐渐转化为以研修活动为主。面对这种变化，教师培训实施部门往往使用问卷、访谈等方式获取有关教师需求的确切信息，从而设计适合教师需求的培训内容。但由于教师职业的特殊性，教师需求永远处在不断变化之中，而且教师的自我认知程度不同，通过问卷、访谈难以得到真实信息。以教师网络研修社区为主要模式的远程教师培训需要寻找实时获取学员学习需求、了解学员学习偏好的办法和途径，基于此向学员精准推送学习内容。

学习者模型是智能教学决策的基础，是实施因材施教的关键。该模型应该能够及时、准确地反映出学生学习行为中的本质特征和状态，即反映出学生对某一学习内容的掌握、理解程度和学习行为中包含的学习风格、习惯及学习能力等（文春明， 等， 2011）。根据学习者模型的数据，系统能够诊断学生的知识状态，并及时给予学生教学提示和错误反馈，从而实现个别化教学。因此构造合适的学习者模型是提供个性化学习支持的重点。随着网络技术与学习分析方法的发展，教师网络研修社区平台记录了教师学员登录平台后的学习轨迹。本研究通过挖掘海量多维数据，构建学习者综合评价模型，进一步对学习者进行分类，使培训者与管理机构能够清晰地掌握每类学习者的特征，从而为开展个性化学习支持提供有效依据。

二、文献综述

（一）教师网络研修社区中的教师评价

国内研究者以美国学者柯克帕特里克（Kirkpatrick， 1979）提出的柯式四级培训评价模型和斯塔弗尔比姆（Stufflebeam， 2005）提出的 CIPP评价模型为基础来建立对项目、研修活动的评价体系，并开展实践分析，如栾学东（2014）借鉴柯氏培训评估方法设计了教师网络研修绩效活动的评价指标体系和流程;李宝敏等（2017）基于CIPP评估模型，以上海市共享课程项目评价为例进行了实践;李桂荣等（2014）以柯式培训評估法、CIPP评估法为基础，围绕项目满意度、项目适切性和项目影响力三个维度构建了评价路径，并以抽取培训项目为例进行了调查。

针对教师网络研修的实践，研究者提出了存在的问题和建议，如乔洋（2011）、李智（2012）、王建平（2013）等学者提出教师网络研修缺少跟踪式的评价，应当关注教师教研的整个过程，加强对参训教师动态研修过程的监控;丁月（2014）指出现有网络研修评价体系落后，没有对参训教师的表现进行评价和反馈，导致学习者长期处于无意识的参与状态，建议建立总结性评价与形成性评价相结合的评价机制;李宝敏（2017）提出利用数据驱动的方法展开评价，为过程管理与服务提供依据。

综合来看，有关教师网络研修评价的研究，在理论层面上，国内学者重点关注培训项目或活动的效果评价，对于教师个体的评价鲜有涉猎，在案例中的应用以问卷调查为主要手段;在实践层面上，教师网络研修主要侧重于知识性的标准化评价方式，缺少过程性评价，评价标准不明确，难以对改进过程提供持续性反馈。基于已有研究，将学习者建模等方法引入对于参训教师学员的评价中，从发展性、过程性、表现性视角出发，真正关注每一个学习者的实际状态，激励每一个学习者的个性化成长，这也能帮助培训者更加直观准确地分析和了解教师学员在网络研修社区中的发展情况。

（二）学习者模型

学习者模型这个术语来源于智能计算机辅助教学（ICAI）理论，是自适应学习系统中的一个重要概念。关于学习者模型的定义有很多种说法。

从学习者模型所包含内容的角度看，有学者认为学习者模型是对学习者知识掌握状态的描述，例如：Wenger（1987）对学习者模型的描述是所有学习者的相关行为和知识;郝耀军等（2011）认为学习者模型是指在智能教学系统中根据需求构造出的一种能可靠表示学习者认知特征的数据结构，记录着学习者对知识的掌握程度和个人的学习水平，是对学习者知识结构和认知特征的反映。还有学者则认为学习者模型还应包含更多的学习者特征，例如：郭富强（2011）指出学习者模型是一种表征学习者认知特征的数据结构，它一方面记录着学习者的姓名、性别、学号等基本信息，另一方面准确地反映学习者的知识水平、学习能力、心理状态等。高虎子等（2012）认为学习者模型是对学习者特征的抽象表示，是实现个性化学习的关键，它包含了用户的基本情况、学习目标、学习风格、背景知识、知识状态、学习经历、学习动机等个人信息。

杨开城（2002）则从模型设计的角度强调学习者模型中每個学习者特征变量的设计特性，他认为学习者特征的鉴别是学习心理学研究的成果，学习者模型是学习者个体特征的一个子集，模型中的学习者个体特征要素均具有设计意义。

陈仕品等（2010）则从计算机系统对学习者认知的角度来说明学习者模型，在有关适应性学习支持系统的学习者模型研究中指出，学习者模型是现实世界中的学习者在计算机系统中的抽象表示，代表了计算机系统对学习者的认知。

综合以上各种观点，学习者模型是学习者在计算机系统中的抽象表示，它是依据学习者的知识基础、认知结构、学习风格等多方面有关教育教学的个体特征建立起来的数学模型。

国内早期有关学习者模型构建的研究大多将重点放在如何用数学模型表示学习者的知识状态和认知能力，如孙沛（2002）认为“学习者模型”的概念几乎等同于“学习者绩效评估结果的记录”，武栋等（2006）建立了一个学习者模型库以保存学习者的学习背景、学习状况和掌握知识点结构。基于认知能力的学习者建模研究绝大多数都采用了布鲁姆的“教育目标分类”理论作为理论基础。例如赵洁（2003）依据布鲁姆的“教育目标分类”理论，将认知模型中的能力分为总体能力、知识能力、理解能力、应用能力、分析能力和综合能力。谢忠新（2005）以布鲁姆教育目标分类为理论基础编制学习者测试，进而以矩阵的形式记录测试结果，建立认知模型。

随着人工智能技术的发展和在教育领域应用的不断加深，研究者开始关注学习者微观学习行为过程，为量化学习评价提供依据。最典型的代表是郑勤华等（2016）以学生综合评价为目标，通过理论演绎和专家访谈构建了以投入度、完成度、调控度、联通度和主动性为核心的五维度综合评价参考理论模型，并通过学习行为数据聚合特征变量构建了相应的计算模型。

综上可看出，我国早期有关学习者模型构建的研究大多集中在学习者特征要素的理论研究方面，学习者模型构建作为大数据应用的基础，实践探索与应用必将是其下一步的发展趋势。已有研究大多关注于学习者的认知状态和学习水平，忽略了学习者的在线行为特征。在线行为是学习者在在线学习过程中的外在表现，是预测学习效果的重要变量，能够有效表征学习者的兴趣偏好、学习风格、学习投入和努力程度。因此，本研究试图以学习者的行为特征为依据，在教师网络研修社区的情境下构建适应该场景的学习者模型，根据学习者的特征倾向对学习者群体进行分类，从而帮助教师及管理者深入了解学习者在学习活动和效果上的概貌，为实时的个性化学习评价、诊断和干预提供依据。

三、教师网络研修学习者模型构建

（一）理论基础

教师在网络研修中成长和发展的关键在于学习和运用实践性知识以改进教学行为（王陆， 2012）。在知识学习与培训效果评估方面，应用最广泛的方法是柯式四级培训评估法，这是一种由柯克帕特里克基于工作中的实际应用开创性地提出的评估（Kirkpatrick， 1979）。柯式四级培训评估法主要从反应评估、学习评估、行为评估和结果评估四个层次评价培训项目实施的有效性。

第一级：反应评估，衡量参与培训项目的学员对项目的反应，即学员对培训的满意度;

第二级：学习评估，指参训学员参加培训项目后，能在多大程度上实现知识扩充和技能提升，了解学员是否学到了新知识，主要测定学员的知识获得程度;

第三级：行为评估，指参训学员参加培训项目后，能在多大程度上实现行为的改进和转变，主要考察学员的知识运用程度，即在工作中是否用到了所学的知识;

第四级：成果评估，指学员参加培训项目后能够实现的结果，判断培训项目对学员所在组织创造的效益。

在网络研修中，学员通过参与培训活动获得新的知识和技能，并能知行结合，将新知识应用到实际的工作中解决实践性问题，从而提升绩效。因此，在学习者模型中，应当将学习评估、行为评估和成果评估三方面结合起来，以刻画学习者在学习过程中的成长与收获。由于本次研究主要聚焦于在线行为特征，衡量学习者满意度的反应评估不纳入学习者模型之中。

（二）理论模型

本研究构建了教师网络研修的五大基本维度：访问预设性资源、访问生成性资源、交流互动、任务参与和任务质量，具体解释如下：

选取“访问预设性资源”和“访问生成性资源”两个维度来表征对学习者的学习评估，即学习者的知识获得程度。资源作为网络研修平台中最基本、最丰富和最重要的要素，是学习者进行学习的物质基础。在网络研修社区中有两类资源：一类是预设性资源，即在课程开设前，教育机构和教师为帮助学习者完成学习目标而提供的学习内容和辅助材料，通常具有一定的结构性和系统性，学习者通过浏览预设资源来获取较为完备的教师专业知识。另一类资源是生成性资源，是在课程进行过程中，因学习者之间交流和互动而产生的资源，具有动态性和分散性，以参与活动的学习者的智力资源为主，包括教师对教学过程、重点、难点等的把握，教师的课堂机智等实践性知识，学习者通过浏览生成性资源可以获得可供借鉴的经验。综上，对资源进行有效的利用和整合是学习者在在线学习中应具备的基本素养，因此，本研究引入“访问预设性资源”和“访问生成性资源”两个维度，一方面评价学习者利用资源的情况，另一方面分析学习者在两类资源上的偏好。

选取“任务参与”来对学习者的行为进行评估。任务参与是学习投入中行为投入方面的一种体现。在教师网络研修中教师围绕学习目标设计相应的学习任务，以此考察学习者对于知识和技能的掌握程度。学习者自主运用知识和技能来完成任务，并在此过程中发展知识迁移、解决问题、自我评价和创新实践等各项能力（吴宗宝， 2012）。同时，完成学习任务有助于提升学习成就感，激发和维持学习者的学习兴趣。因此，本研究将“任务参与”纳入学习者模型，作为学习投入的重要考察指标，鼓励学习者把“学会的东西展现出来”。

选取任务质量这一维度来衡量学习者的学习成果和贡献程度。学习者的任务参与度反映了学习者的积极性、主动性，但无法代表学习投入的质量和效率。学习成果是学习者利用已有知识而产生出来的被教师和其他学习者认可的成果，以质量为导向的成果评价有利于鼓励高质量的成果产出，因此，本研究将“任务质量”引入学习者模型来综合反映学习结果情况。

此外，有學者指出，社会互动是反映教师在在线实践社区中参与情况的最有效指标（Henderson， 2007），教师这一身份的特殊性决定了教师的学习属于实践中的体验学习和社会化学习，其学习符合社会建构主义和联通主义的学习理念和教学方式，因此在教师网络研修过程中在线交流与协作是一项核心活动，是教师网络研修中最具活力的因素，对学习者和研修社区的持续发展都具有重要意义（Schlager & Fusco，2003）。由此本研究构建了交流互动这一维度来评价网络研修中学习者应具备的能力素养。对学习者来说，协作交流有助于其对知识的意义建构和精加工，以及高阶能力（如批判性思维、问题解决、创造等）的发展。此外，学习者之间的在线交流与协作有助于创设积极的学习环境，从而有效激励学习者的学习动机。在交流与协作过程中所构建的社会关系网络则成为强大的同伴支持网络，同时为学习者提供学术、情感和管理方面的支持。

该理论模型从内容上考察了学习者的知识学习与应用情况，又兼顾总结性评价与过程性评价，既从学习成果上保证学习者发展的基线标准，又结合学习过程为学习者的个性发展留出足够空间。

四、研究过程与讨论

（一）研究样本说明

奥鹏教师培训平台作为教师网络研修平台支撑教师远程培训和网络研修。同时，在其多年的网络培训过程中积累了海量的学生信息与学生学习行为数据，为本研究的开展提供了数据支持。

本研究选取的样本是2017年湖北省中小学教师信息技术应用能力提升工程项目（11，077名学习者）、2016年新乡市中小学、幼儿园教师继续教育网络研修与校本研修整合项目（8，267名学习者）和2017年南平市中小学教师继续教育全员远程培训项目（22，072名学习者）。

（二）数据准备

数据准备阶段主要通过数据收集、处理等操作将基础数据转换为可直接输入分析层的结构化数据，包括数据汇聚和数据预处理。

1. 数据汇聚

通过和教师培训平台的业务人员进行交流，在理解平台业务及功能的基础上，结合奥鹏大数据部门数据采集技术的可实现性，本研究构建了数据汇聚库，通过平台数据层次化聚合为建模过程提供支持，同时对数据采集提供内容和格式规范。

基于对平台业务的理解，可将平台数据根据属性分为四大类：基本信息类、学习资源类、学习过程和学习结果类以及论坛行为类。其中论坛行为虽然也属于学习过程和结果，但由于论坛行为数据较为特殊，帖子内容恰是论坛行为的产物，不同于其他行为与资源，故将论坛行为单独划为一类。表1是论坛行为的数据汇聚信息表示例。

表1 论坛行为的数据汇聚信息表

[汇聚信息表 汇聚字段 论坛回帖记录 用户id，角色id，发帖id，主帖id，父帖id，论坛id，内容，发帖时间，数据来源 帖子交互行为 用户id，角色id，帖子id，帖子交互类型id，交互行为发生时间，数据来源 论坛发帖记录 帖子id，用户id，角色id，论坛id，标题（内容），发帖时间，回复数，点击次数，点赞数，是否为精华帖，数据来源 ]

2. 数据预处理

针对收集到的基础数据，从完整性、规范性、准确性、唯一性、一致性五个维度从单表到多表依次来评估数据。对于检测出的问题，从数据格式、数据范围、数据表现形式三方面来进行清洗。在该项目中主要进行了三步操作：①制定数据格式标准，针对不同字段的数据类型设置相对应的格式类型，如时刻统一采用“Date”型并精确到“秒”，便于后续统计两个行为间的时长间隔。②根据业务规则和经验判断限定数据范围，判断出异常离群的数据并进行原则填补。在数据检测中发现部分学习者填写的数据远超过该字段的值域范围，如个别学习者在“年龄”字段填写的是102岁，明显与实际情况极不符合，因此加入合适范围的限定可以筛选出异常数据，并通过剔除或平均值填补等方法来降低对数据的干扰。③根据数据缺失值的比例和字段重要性，选择填补或剔除数据。对于数据中某些属性出现遗漏的情况，采用该属性平均数或中位数进行填补。在一些极端情况下，为了保障数据的完整性，全部数据都缺失或者大部分数据缺失的学习者会被移除。

（三）数学模型建构

1. 特征变量选取

与学习相关的变量非常多，所有的变量都可能是学习状态的某一方面表征，但过多的变量会对模型的训练和解读产生极大干扰，造成模型的过拟合和结果不易解读。因此，需要从数据科学及教育学两个方面选择出重要、有效的特征变量。

教师在参与培训时的行为主要是围绕平台上的资源展开的，根据教师培训项目中的资源对象对特征行为进一步分类：资源分为导学资源类、学习任务资源类及生成性资源类;学习者在资源上主要发生的基础行为分为浏览、评论、点赞和下载，最终的特征涉及了统计类（次数、数值、人次等）、时间类和比值类三种类型共40个行为特征。研究者邀请5位远程教育领域专家和3位奥鹏教师培训部门的业务人员将其归类到五大维度中。根据数据的基本情况，因为全为0的特征会对后续分析造成干扰，且对这些特征的分析缺少实际意义，因此剔除三个项目中全部为0的特征，形成表2所示的特征体系：

2. 特征工程

特征工程是指确定或去除与模型无关或者冗余的特征。特征工程减少了数据的维度，有利于快速高效地进行模型构建。当前常用的特征工程方法包括三类：一类是提取与结果相关的特征;一类是剔除相关性弱或者不相关的特征;还有一类是剔除冗余特征。本研究选取主成分分析法提取综合指标，通过增加模型的层级来提高模型的解释力，满足管理者和教师的多样化需求。

（1）主成分分析的步骤

主成分分析是机器学习中用来降维的方法，可以在指标数量繁多而复杂的情况下，通过对指标内部结构关系的研究，对原指标进行线性组合，计算出更重要、更具综合性且彼此间不相关的指标，并能够给出该主成分与原有指标间的数学关系，使我们在评价学习者情况时能够抓住主要方面。主成分分析的步骤如下（张文宇， 等， 2015）：

①计算协相关系数矩阵，通过对协方差矩阵进行特征分解得出数据的主成分与它们的权值。②确定主成分个数，一般保留累积贡献率达到60%的前n个主成分。在实际应用中，研究者通常以特征根>1为主要依据，累积贡献率作为辅助判断方法。③确定主成分类别，结合实际的教育意义对主成分进行命名，确定主成分的类别。

以“访问预设资源”为例，对该维度中的5个特征进行主成分分析，通过样本计算得到总方差解释（表3）和主成分载荷矩阵（表4）。结果表明共有2个主成分特征根大于1，累积贡献率达到89.881%，能够相对全面地表征原有特征的信息量。

提取方法：主成分分析。

结合两张表来看主成分与原有特征的关系。第一主成分的方差贡献率为54.042%，该主成分在浏览课程次数、浏览资源总次数和课程浏览时长三个特征上具有相对较高的载荷，分别达到0.956、0.917和0.896，可以作为学习者浏览学习内容的综合特征。第二主成分主要在浏览答疑视频次数和浏览拓展资源次数两个特征上的载荷较高，可以认为第二主成分代表了访问辅助资源的情况。因此，在该维度我们得到“访问学习内容”和“访问辅助资源”两个主成分。

（2）主成分分析结果

对剩余的四个维度分别进行主成分分析，最终得到的指标体系如表5所示：

访问预设性资源主要考察“访问学习内容”和“访问辅助资源”两个指标，学习者通过浏览学习内容来获取系统的专业知识，而浏览辅助资源是在学习内容的基础上进行深度和广度的拓展，具体的特征有5个。

访问生成性资源包括的两个指标分别是“访问他人作业”和“访问社区资源”，学习者通过浏览同伴的作业来了解他人的观点，培养判断和归纳总结的能力。通过浏览社区资源，很多学习者可以零距离接触优质教学资源，从而获得最直接、最快捷的专业支持，提升专业能力。具体特征有5个。

交流互动是学习者与其他成员之间的协作交流，涵盖的指标是“参与论坛交互”、“参与资源评价”和“收到资源评价”。第一类互动是学习者之间的交互，增强个体间的交流与知识碰撞，后两类互动是学习者针对资源的评价，参与资源评价指标投射出学习者自身的积极情绪，说明被赞或被评论的内容引起学习者的共鸣或欣赏，收到资源评价指标则反映出学习者被关注和认可的程度。该维度的特征有7个。

任务参与主要通过任务数量来考察学习者的投入程度，包括任务完成度和任务贡献度。任务完成度考察学习者对教师规定行为的配合程度，而任务贡献度则反映出学习者以主动的姿态进行参与和分享。具体包括5个特征。

任务质量是对学习者提交作业或上传资源的质量的评价，通过教师的推优或者同伴的认可度（浏览、点赞、评论等）来表现。该维度包括共享资源认可度、作业推优度、共享资源推优度、学习成绩、帖子认可度和笔记认可度六个指标，反映学习者高质量、有影响力的分享与表达，由14个特征构成。

3. 维度聚类

学习者分类是依托学习者模型的各维度，对在线学习者进行整体划分，是对看似并无关联的在线学习信息进行分析、重构而得出的对学习者的整体把握。通过学习者模型可以更好地理解各类学习者的学习特点，有利于教师开展教学、管理者安排支持服务以及学习者寻找学习伙伴等。

基于上述综合评价模型，采用K均值聚类（K-means clustering）方法进行维度聚类，利用学习者的在线学习行为数据将其分成若干类，挖掘和描绘出每一类学习者的学习习惯和特征。K均值聚类是最典型的聚类算法，本研究测试了聚类数目等于（4， 5， 6）三类的情况，其聚类结果如表6所示：

从数据分配上来看，cluster_n = 4时，4个类别的数据呈现等差趋势，最大的一类比最小的一类多1万多人;cluster_n= 5时，有一类占据超过50%的人数（超过2万人），使得其他类人数不足5，000;cluster_n= 6时，最大一类比最小一类多近5，000人，但各类别分配差异并不大。

从聚类效果上来看，三种情况下的组间聚类平方和都不足80%，但cluster_n为6时效果最好，最接近80%，能较好地将数据区分开来。结合模型实际意义，将变量cluster_n的默认值设为6，其分类之后各类别的维度能够较好地区分各类学习者。

五、研究结果和建议

（一）聚类结果分析

由于每类维度包含的指标个数不同，导致测评维度的量纲不同，数据的分布也不同。为了便于比较不同变量的高低，研究者将所有维度的值转化到同一水平，最终的聚类结果如图2所示：

通过聚类得到的学习者类别之间具有明显的差异和完全不同的特征，类别之间也没有重复和交叉，在一定程度上说明了学习者模型的实用性、区分度和合理性。

依据学习者的学习效果及突出特征可以发现，第一类学习者除了“访问预设性资源”之外，其余各维度指数均为最高，因此将其定义为“全能型好学生”。他们在学习过程中表现优异，互动活躍，遵循在线学习的规律，有很好的学习习惯。第二类学习者在“交流互动”维度和“任务质量”维度处于较高水平，仅次于全能型学习者，将其称为“交互型好学生”。他们热衷于与同伴进行交互，通过讨论交流来解决问题，其学习投入能收到较好的效果，学习效率高，任务质量远高于整体水平。该类学员通过在论坛分享经验、碰撞交流，促进了知识建构和创新性知识的生成，改变了自身学习过程中的孤立状态，培养了全新、前瞻而广阔的思维方式。第三类学习者在“任务参与”维度上位居第二，学习效果也远高于整体水平，将这类学习者称为“任务型好学生”。他们偏好于独立自主学习，但其任务质量并没有与学习投入成正比，属于“事倍功半型”。这类学员可能不在意网络研修的成绩，也可能是由于没有阅读教学指南或者未掌握有效的学习方法，导致盲目参与学习任务。第四类学习者称为“基础型中等生”，因为其在各维度的表现与整体水平比较相近，在各项维度中都没有表现突出，属于大众型群体。第五类学习者称为“阅读型中等生”，该类学习者是所有学员中“访问预设资源”水平最高的群体，表现出在线行为比较单一的特征，缺乏多样性与延展性，这也是导致其学习效果低于整体平均水平的原因。第六类学习者称为“薄弱型后进生”，在各维度的指数均低于整体平均值。该类学员表现欠佳，参与度不高，缺乏在线学习的动力与兴趣，几乎未访问社区资源、未参与任务，该类学习者有放任自我、随波逐流的倾向，应当是教师重点关注与支持的对象，教师可以通过发送电子邮件等方式提醒其参与学习。

（二）学习者行为特征分析

研究者对与行为直接相关的四个维度进行人均参与频次统计，结果发现，学习者在在线学习中仍偏好于独立自主学习，访问预设性资源是学习者参与学习最主要的行为，人均141次，人均任务参与11.8次;在交互方面，整个项目学习者的参与度明显偏低，人均交流互动次数为5.5次，人均访问生成性资源次数为4.8次。

（三）建议

针对研究结果，为提升教学质量，研究者提出以下存在的问题及建议：

1. 关注交互动态，设计强交互活动

Malikowski、Thompson和Theis（2007）从技术环境与在线学习过程相结合的视角将平台中不同组件使用的频率分为三个档：使用最多、适当使用和较少使用。使用最多的主要是内容传递类组件，具体包括通知简报、学习资源、学习成绩公告等;适当使用的组件主要包括课程讨论和同伴评价;使用最少的组件是完成指定任务。而本研究中学习者的学习行为中访问预设性资源最多，之后依次是参与任务、交流讨论和访问生成性资源（见图3）。由此可以看出，本项目中交互氛围较弱，教师应当重视交互活动的设计，通过教学设计组织教学交互，优化学员的学习体验。此外当前平台已经具备实时统计学习者行为的功能，建议教师以此为依据及时跟进学生动态，及时解答学生问题，促进学员广泛、深入地开展研讨。

2. 提供个性化教学辅助，促进合作学习

分析结果表明，各类学习者在不同维度均表现出一定的群体特征，全能型学习者在各方面基本都是参与最积极的，阅读型学习者浏览课程视频比较多，交互型学习者热衷于发帖和评论。

本研究通过群体划分可识别出每一类学习者，依据学习者分类来开展教育干预，有助于教师精准定位学习者，实时了解学习者的状态变化，通过多种方式对其学习行为进行纠正、改进和优化，动态调整教学内容和节奏，为学习者提供“量体裁衣”式的个性化学习支持。

对于全能型好学生可以提出表扬，提高学习难度，推送拓展资源，并鼓励其多分享自己的学习经验;对于交互型好学生，可以引导其开展更具深度的、高质量的讨论;对于任务型好学生，可以向其推荐课程学习指南与导学资源，对其说明课程目标;针对阅读型中等生，可以为其推荐优质学习资源，并为其提供体验交互的机会，邀请其参与到论坛的讨论中来，引导交互的方向;对于基础型中等生，可以设计问题导向的活动，吸引其参与，从而激发其学习动机;而对于薄弱型后进生，教师需要重点关注，发送邮件进行督促，提醒学习者有关课程学习的任务，并发送关怀邮件及时询问其遇到的问题，給予个别化辅导。此外，在组织教学活动时，教师可以将不同类别的学习者平均划分到各小组中，实现优势互补，通过积极型学习者带动整体项目的学习氛围。

六、结语

本研究通过数据挖掘流程紧密结合学习过程对教师研修社区的学员进行建模，深入挖掘学员行为特征，结合理论演绎和数据驱动，选用主成分分析、专家判断和聚类的综合方法，将不同特征倾向的学习者分类，实现了从指标体系评价到学员画像的自动化流程，能够高效实时地监控不同类别学习者的学习状态，有利于教师掌握全体学员的学习状况，也帮助教师甄别出存在困难的学习者，为其提供精细化的导学、助学。然而，在指标体系的适用性和优化上还有很大的上升空间，主要可以考虑从以下两个方面进行考虑：

对学习者类别的识别结果进行实证测量，基于多时间阶段、多项目的指标体系试用，要针对不同的学习阶段、不同类型的项目进行大范围应用，挖掘学员在不同时间、不同评价策略下的特征，为不同类型项目的评价提供使用建议;

将学习者模型与教学实践相结合，实践是理论的来源和归宿，随着学习者建模研究的发展成熟，学习者模型融入教学实践中是学习者建模相关研究的下一步发展趋势。根据教师的实践经验来理解不同场景下学员的表现、心理特征等，据此对模型的行为指标不断进行调整和修正，进一步提高模型的解释力，同时丰富对学员画像的理解。

[参考文献]

陈仕品，张剑平. 2010. 适应性学习支持系统的学生模型研究[J]. 中国电化教育（5）：112-117.

丁月. 2014. 中小学教师网络研修存在的问题与对策[J]. 江苏教育研究（13）：67-69.

高虎子，周东岱. 2012. 自适应学习系统学习者学习风格模型的研究现状与展望[J]. 电化教育研究（2）：32-38.

郭富强. 2011. 智能教学系统中动态学生模型的研究与设计[J]. 中国电化教育（1）：119-123.

郝耀军，王建国，赵青杉. 2011. 网络智能教学系统中双层学生模型的设计[J]. 中国远程教育（12）：64-67.

李宝敏，闫寒冰. 2017. 基于CIPP评估模型的教师远程培训质量评估：一项案例研究[J]. 教育发展研究（18）：30-36.

李桂荣，韩肖艳. 2014. “国培计划”绩效评价指标体系与抽样研究[J]. 教育发展研究（12）：1-6.

李智. 2012. 基于教师特征的中小学教师培训研究[J]. 江苏第二师范学院学报（自然科学版）（6）：56-58.

栾学东. 2014. 关于教师网络研修活动绩效评估方法的研究[J]. 电化教育研究（1）：110-114.

乔洋. 2011. 中小学教师培训评价的问题与对策[J]. 教育科学论坛（9）：58-59.

孙沛. 2002. 教师模型与学生模型的构造[J]. 电化教育研究（11）：67-69.

王建平. 2013. 远程研修与教师专业成长[J]. 西北成人教育学院学报（5）：96-99.

王陆. 2012. 教师在线实践社区COP的绩效评估方法与技术[J]. 中国电化教育（1）：61-72.

王文君，杨永亮. 2016. 基于微课资源的教师网络研修模式构建与活动设计[J]. 电化教育研究（1）：116-122.

文春明，吴建生. 2011. 基于神经网络的智能教学系统学生模型设计[J]. 智能计算机与应用，01（6）：52-53.

吴宗宝. 2012. 任务驱动式教学活动设计与实践——高中信息技术课程《多媒体技术应用》教学为例[D]. 金华：浙江师范大学.

武栋，王冬青. 2006. ITS中学生模型和教学策略的设计[J]. 信息技术与信息化（2）：77-79.

谢忠新，王林泉，葛元. 2005. 智能教学系统中认知型学生模型的建立[J]. 计算机工程与应用，41（3）：229-232.

杨开城. 2002. 学生模型与学习活动的设计[J]. 中国电化教育（12）：16-20.

张文宇，王秀秀，任露，等. 2015. 改进的主成分聚类分析法在教育信息化中的应用[J]. 软件（7）：10-16.

赵洁. 2003. 基于认知理论和随机开放性测试的动态学生建模研究[J]. 计算机工程与应用，39（34）：95-98.

郑勤华，陈耀华，孙洪涛，等. 2016. 基于学习分析的在线学习测评建模与应用——学习者综合评价参考模型研究[J]. 电化教育研究（9）：33-40.

Henderson， M. （2013）. Sustaining online teacher professional development through community design. Campus-Wide Information Systems， 24（3）， 162-173.

Kirkpatrick， D. L. （1979）. Techniques for evaluating training programs. Training & Development Journal，33（6）， 78-92.

Malikowski， S. R.， Thompson， M. E.， &Theis， J. G. （2007）. A model for research into course management systems： Bridging technology and learning theory. Journal of Educational Computing Research， 36（2）， 149-173.

Mark S. Schlager， & Judith Fusco. （2003）. Teacher professional development， technology， and communities of practice： are we putting the cart before the horse？. Information Society， 19（3）， 203-220.

Stufflebeam， D. L.， & Wingate， L. A. （2005）. A self-assessment procedure for use in evaluation training. American Journal of Evaluation，26（4）， 544-561.

Wenger， E. （1987）. Artificial intelligence and tutoring systems. Artificial Intelligence & Tutoring Systems， 23（1）， 433-460.

收稿日期：2018-01-19

定稿日期：2018-08-29

作者簡介：王冬冬，博士研究生，东北师范大学教育学部（130024）。

张亨国，硕士，中国政法大学信息化建设办公室（102249）。

郑勤华，博士，教授，硕士生导师，北京师范大学教育学部远程教育研究中心（100875）。

封晨，硕士，香港大学教育学院助理研究员。

责任编辑 单 玲