基于學習者畫像的精準教學干預研究

［摘 要］學習者畫像作為大數據學習分析的一個分支，能夠實現數據資源的篩選與整合，有助于實現精準教學。以目標為導向開展基于學習者畫像的精準教學干預需要系統設計。首先依據布盧姆教育認知目標分類理論，制定面向認知的行為目標分類及其數據指標以及精準結果目標分類體系；然后構建目標導向的學習者畫像模型，以學習者的興趣特征、行為特征、知識水平為基點繪制畫像，精準區分學生，診斷教學問題；再基于學習者畫像結果，從目標、行為、結果角度對目標精準分層，進而開展個性化資源推送、風險監督與預警、同伴對話反饋、反思性評價等系列化精準教學干預。實踐應用結果表明：基于學習者畫像的精準教學干預在行為目標、結果目標提升及教學主體滿意度方面成效顯著。

［關鍵詞］學習者畫像；精準教學干預；干預策略

［中圖分類號］G434 ［文獻標識碼］A ［文章編號］1671-3842（2023）02-0136-11

近年來，國家大力推動教育信息化，提倡公平而有差異的教育。2017年，中共中央國務院發布的《新一代人工智能發展規劃》提出發展智能教育，要構建以學習者為中心的教育環境，實現精準教育服務①。反觀我國當前的教育形式，大班集體教學仍是課堂教學主流形式，“教學不精、學習不精”的問題依然存在。對此，2018年教育部印發《教育信息化2.0行動計劃》，提出要探索信息化條件下實現差異化教學、個性化學習、精細化管理、智能化服務的典型途徑②。

學習分析技術的發展為實現精準化、數字化、個性化教學帶來了契機，已有研究基于大數據探討了精準教學的模式和過程，但因數據零散且分析過程復雜，大多只應用于在線教學或高等教育中。學習者畫像作為大數據學習分析的一個分支，可以從不同的構建視角來探索教學規律、刻畫學習行為路徑，從而幫助教師調整教學策略、設計適合的精準化教學③④⑤，為實現教學的“精準”提供突破口。這種以“數據分析—特征發現—智能干預”為特征的個性化精準教學，是“互聯網+”時代學校教育實現規模化的個性化教育的必然選擇（楊現民等：《中國基礎教育大數據 2016—2017：走向數據驅動的精準教學》，北京：科學出版社，2018年版，第7頁。）。

基于以上背景，本研究嘗試從目標導向視角設計基于學習者畫像的精準教學干預框架，通過構建及分析學習者畫像來挖掘隱含的學習規律，精準識別每位學習者的學習特征與學習需求，設計基于學習者畫像的精準教學干預策略，以期為一線教師提供建議和借鑒。

一、學習者畫像與精準教學內涵審視

（一）學習者畫像

畫像的概念最早出自美國交互設計之父Cooper提出的“用戶畫像”（User Persona）一詞，他認為用戶畫像是指建立在一系列真實數據之上的目標用戶模型（ Alan Cooper. The inmates are running the asylum：Why hightech products drive us crazy and how to restore the sanity，Indianapolis：Sams，1999，p.22.）。之后有教育者將畫像的概念遷移至教育領域，衍生出“Learner Persona”，國內大多翻譯為“學習者畫像”，相似的概念還有學習者建模、學習者模型、學生數字畫像、學習者儀表盤等。迄今為止，在學界“學習者畫像”還沒有形成統一的概念或定義。有的研究者從教學服務的角度出發，將其理解為行為動詞，認為學習者畫像是對虛擬學習群體在特定環境下的共同行為特征的描述（Dong Phuong Dinh，et al. Directing All Learners to Course Goal with Enforcement of Discipline Utilizing Persona Motivation，IEICE TRANSACTIONS on Information and Systems，Vol.96，No.6，2013，pp.1332-1343.）。也有研究者從建模的角度將學習者畫像定義為名詞，即方法或模型，例如：認為學習者畫像是指以群體特征為核心，將學習者進行群體分類描述的方法，為各類教育產品的設計提供精準的支持（肖君等：《基于xAPI的在線學習者畫像的構建與實證研究》，《中國電化教育》，2019年第1期。）。概括來看，學習者畫像具備以下特點：畫像是對學習者基本信息的描述和集合；通過對學習者特征的抽象化描述，建構學習者標簽化模型；最終以可視化方式輸出，目的是為特定的教學措施提供數據支撐和指引。綜合已有觀點，本研究將學習者畫像定義為在搜集各種學生學習數據的基礎上，利用數據分析和呈現技術，從各種數據中提取學習者特征并進行標簽化，進而刻畫出包含較完整信息的學習者模型，以此直觀地反映學生的內外部學習特點，從而為開展個性化教與學提供依據。

（二）精準教學

精準教學干預的關鍵在于“精準”。20世紀60年代，美國學者奧格登·林斯利 （ Ogden Lindsley） 在斯金納行為主義理論的影響下提出了具有循證學屬性的教學程序——“精準教學” （ Precision Teaching）（Binder C. Precision teaching： Measuring and attaining exemplary academic achievement， Youth Policy， Vol.10，No.7，1988，pp.12-15.）。早期傳統的精準教學致力于科學的監測和評估，要求使用標準變速表記錄學習者可直接觀察的行為，以此來作為教育決策的依據。20世紀90年代，威拉德·達格特為解決美國基礎教育中的問題提出精準教學框架（Rigor/Relevance/ Relationship Framework）（Willard R. The rigor and relevance handbook （Second Edition），International Center for Leadership in Education. https：//leadered.com/rigor-relevance-framework/，2020年4月30日。）。與林斯利所提出的精準教學內涵不同的是，“Rigor（精）”指的是“嚴格”，“Relevance（準）”指的是“相關”，“Relationship（關系）”指的是“交互”，即要實現學習效果的最大化需注意三者之間的平衡狀態。隨著大數據、智能技術的發展，教學“數據化”的特征越來越凸顯，基于大數據的精準教學模式構建（付達杰等：《基于大數據的精準教學模式探究》，《現代教育技術》，2017年第7期。）、生成路徑（任紅杰：《基于大數據的精準教學：生成路徑與實現條件》，《黑龍江高教研究》，2017年第9期。）等不斷得到理論與實踐的驗證。精準教學經歷了從基于直觀數據到基于框架再到當前智能技術發展下基于數據分析的發展歷程。在這個過程中精準教學的內涵不斷演變，學習者學習過程中的認知、情感、行為等數據成為研究的依據，這體現了師生與教育數據的互動趨勢、技術的工具屬性與價值屬性的融合過程，人本主義理念在這一過程中也逐漸得到強化。由精準教學的發展歷程可見，精準教學就是在利用技術充分了解每個學生的特征及學習需求的基礎上實施有針對性教學的一種個性化教學范式。精準教學的實施離不開數據分析技術對每個教學環節的支持，尤其是對學生特征的描摹，“精準”只有通過數據才能實現。

二、基于學習者畫像的精準教學干預設計框架

精準教學中的“精準”指的是精準制定教學目標、精準診斷教學問題和精準實施教學干預

（羅瑩等：《初中物理精準教學課堂的構建及實踐》，《中國電化教育》，2019年第1期。）。本研究根據教學設計理論，參照教學設計一般過程，總結畫像分析技術在教學實踐中的應用經驗，設計了基于學習者畫像的目標導向精準教學干預設計框架（如圖1所示）。目標導向強調了使用學習者畫像的目的，要求學習目標與使用場景相結合。學習者畫像以學習者為中心，將精準教學干預的過程分解為三個步驟：第一，確定精準教學目標，即以布盧姆教育目標分類理論來指導劃分認知目標層級及所對應的能力水平；第二，基于學習者畫像反饋教學問題，采集全方位、多模態數據，分析學習活動的過程和結果，可視化反饋學習情況；第三，基于Biggs的3P教學模式（Biggs J，Tang C，Kennedy G.Teaching for quality learning at university，UK：McGraw-hill education，2007，p.18.），對應前提（Presage）、過程（Process）、結果（Product）關注精準教學的目標、行為和結果，進而設計精準教學干預策略，并在實際教學環境下實施干預策略，評估干預效果。框架采用逆向設計，從目標出發，循環遞歸，干預結束后對干預策略及干預后的目標效果進行評估，根據是否達到預定目標決定下一步行動。

三、精準教學干預目標的分類與確定

安德森等人提出了修訂版的布盧姆教育認知目標分類理論，將認知目標分為知識維度和認知過程維度，其中知識維度分為事實性知識、概念性知識、程序性知識、元認知知識四類知識，認知過程維度分為記憶、理解、應用、分析、評價、創造六個層次（[美]洛林·W.安德森：《布盧姆教育目標分類學 分類學視野下的學與教及其測評》，蔣小平，張琴美，羅晶晶譯，北京：外語教學與研究出版社，2009年版，第11頁。）。本研究將精準教學干預目標聚焦于認知和態度兩個方面，將認知作為目標焦點，同時培養學生的學習興趣和學習情感。

用目標來引導學習分析與干預的實施，其中學習分析主要是對學習過程和結果的分析。為考察學生學習過程中的行為表現，本研究以修訂版教育認知目標分類理論為指導，依據“目標—內容—行為”的遞進關系設計了面向認知的行為目標分類，考慮到數據采集的可行性，參考武法提等學者面向學習結果分類的行為數據分析（武法提等：《基于學習者個性行為分析的學習結果預測框架設計研究》，《中國電化教育》，2016年第1期。），將目標所對應達到的行為表現進行描述，進而制定了可供直接觀測的數據指標（如圖2所示）。學習結果通常是以測試分數來呈現，測試分數能夠較客觀地反映學生知識和技能的掌握程度，但所提供信息有限，無法為后續調整和改進教學提供充足依據。為了糾正唯分數的評價弊端，研究以《義務教育英語課程標準（2022年版）》為依據，以八年級現在完成時單元為例，將課程內容進行解構，將每個核心概念知識拆解為具體的教學目標，將其投射于布盧姆雙維度分類表中，制成面向認知的精準結果目標分類體系（如表1所示），該體系包括知識和認知過程兩個維度，既可以作為畫像數據收集的參照，也可以作為試題編制、微課設計的依據。

精準教學的目標是從行為和結果上提高學生的行為表現和認知水平，通過以上行為和結果的目標分類，可以將教學目標細分為記憶、理解、應用、分析、評價、創造六個層級，確定學習者達到不同層級的認知目標水平，以實現目標、行為、結果的聯結關系，進而由目標指導精準教學干預的實施。

四、學習者畫像及問題診斷

（一）構建學習者畫像模型

梳理國內外相關研究發現，畫像的構建主要基于虛構、角色、目標導向和參與等四個視角（亓叢等：《用戶畫像概念溯源與應用場景研究》，《重慶交通大學學報（社會科學版）》，2017年第5期。），體現了從個體到群體、表面到具象、寬泛到聚焦的動態過程。本研究在目標導向視角下，結合智慧學習環境，關注學習者的行為和認知能力，通過畫像識別學習者個體和群體特征，從學習者的角度診斷教學問題，幫助教師實施個性化的精準教學干預。關于畫像維度的劃分，Zhang提出“三階段四層次”的網絡通識課學習者畫像框架，包括學習經歷、行為特點、綜合能力等維度（Zongbiao Zhang. Construction and Empirical Study of Learner Portrait in Online General Education Course， Discrete Dynamics in Nature and Society，Vol.2022，pp.1-9，https：//doi.org/10.1155/2022/9952300.）；肖君等基于xAPI活動流提出了以能力為導向的在線學習者畫像模型，其維度包括知識水平、行為特征、態度特征（肖君等：《基于xAPI的在線學習者畫像的構建與實證研究》，《中國電化教育》，2019年第1期。）。本研究在智慧學習環境下，力圖融合“平臺+資源+交互”的智慧互動課堂，實現線上線下資源交互、師生互動、知識測驗、學業質量評價等功能。因此在參考前人畫像模型維度的基礎上，構建了包括興趣特征、行為特征、知識水平三大維度的基于目標導向的學習者畫像模型（如圖3所示）。

模型以目標為內核，從內向外依次是目標層、一維指標層、二維指標層。內核目標層包括認知和態度兩項，分別對應知識水平、行為特征和興趣特征三個一維指標。二維指標層中，學習者的行為特征分為參與度、交互度、專注度三個子維度；知識水平則根據布盧姆認知目標的知識維度劃分為事實性知識、概念性知識、程序性知識、元認知知識；興趣特征包括學習者的學習風格、媒體偏好和學習興趣。

（二）數據采集與分析

本文選擇S省某所智慧教育共建校為研究基地，該校力求打造雙向智慧互動課堂，積極探索智慧平板與課堂教學有效結合，滿足本研究實施條件。選取八年級直升班的46名學生為研究對象，教學方式采用線上線下混合式教學。以該班英語現在完成時學習數據作為數據來源，依據學習者畫像模型進行數據的采集與分析。依托線上平臺采集人口學特征數據、資源訪問數據、交互反饋數據、測試與作業數據、學習者問卷數據等；基于課堂觀察，采集課堂學習參與數據，包括提問、回答、討論、匯報分享等。為保證量綱的一致，在分析前進行數據清洗及Min-Max歸一化處理。

數據分析采用系統軟件分析加人工賦予標簽的方式來完成，從不同維度采用不同的方法進行分析，表2呈現了學習者畫像的劃分維度及數據指標。

1.基本信息

學習者的基本信息即人口學信息，包括學號、姓名、性別，是每個學生自身唯一的身份標識。學習者的本體模型是學習者模型或畫像研究的基礎（張濤等：《教育大數據挖掘的學習者模型設計與計算研究》，《電化教育研究》，2020年第9期。），因此根據基本信息可以為每個學生建立一個本體信息庫，以班級為單位形成學習者本體集合，G={LSi|1}，N為班級人數，標簽保存為LS={學號，姓名，性別}。

2.興趣特征

興趣特征包括學習風格、媒體偏好和學習興趣。其中學習風格采用問卷調查方式獲取，問卷改編自Felder-Silverman學習風格測試量表，分為四個風格維度，分別是信息輸入、信息感知、信息加工、信息理解，對應的標簽描述為：學習風格={視覺型/言語型，感悟型/直覺型，活躍型/沉思型，序列型/整體型}。媒體偏好是在課堂上利用學生平板在線投票得出，對應標簽描述為：媒體偏好={視頻，文本，思維導圖，表格}。學習者的學習興趣是通過關聯規則分析進行數據挖掘來獲取，分析資源觀看的時間和次數，使用SPSS Modelor軟件，利用Apriori算法實現關聯規則分析，進而挖掘學生的學習興趣。

3.行為特征

學習者的行為特征測量量表改編自Zhang的在線學習行為投入量表，將行為屬性分為參與度、交互度、專注度三個維度，體現了目標層次的遞進性。參與度通過用于課前學習資源的時間和頻次進行刻畫；交互度包括課堂交互與線上交互頻次及內容；專注度指學習參與深度，以評價次數、內容以及在協作學習中提出的問題和解決方案為依據。采用K-means進行聚類，為不同投入水平的學習群體賦予標簽。經分析，當聚類數K值為3時，聚類效果最為顯著。結果顯示，低投入組（N=7）參與度低，交互度低，專注度低；中投入組（N=25）參與度低，交互度高，專注度高；高投入組（N=14）參與度高，交互度高，專注度高。

4.知識水平

學生知識掌握水平屬于學習結果。根據前述表1面向認知的精準結果目標分類體系編制單元測試試題雙向細目表和試卷，經過專家和一線教師多輪審改后施測。采用基于項目反應理論的Rasch模型量化分析試卷，得到試題信度為0.92，學生信度為0.80，說明單元測試試卷具有良好的信度和效度，符合研究要求。根據凱利（Kelley）提出的判定標準，將前測總成績前27%的學生賦予高成就標簽，后27%的學生賦予低成就標簽，中部學生賦予中成就標簽。

（三）學習者畫像輸出

畫像的重點在于對學習者信息的準確反映，要呈現不同學習者的類群特點。興趣特征屬于靜態指標，以標簽的形式存儲，影響學習者的學習效率和質量，將這類數據作為輔助性參考。選擇知識水平、行為特征的數據指標進行聚類，首先采用主成分分析法進行降維，PC1與PC2解釋累積百分比達76.99%，具有一定的代表性。由這兩個PCA因素為X/Y軸構建二維空間，并利用K-means聚類方法進行分群，設置K值由2迭代到9，計算SSE值，利用肘部法最終確定最優K值為3，即劃分3個學習者類群，將分析結果映射到二維空間中得到聚類散點圖（如圖4）。基于K-means聚類分析，計算出三個類群在行為和結果目標水平上的平均值，并以雷達圖的形式呈現學習者畫像（如圖5）。

（四）基于學習者畫像的問題診斷

由畫像結果圖4、圖5可知，類群1包含12名學生，稱為“邊緣型學習者”，這類學習者的行為目標和結果目標的各個層級均表現出最低水平，且各層級水平不均衡，越高級目標達成度越低，這部分學生將是精準干預的重點；類群2包含7名學生，稱為“努力型學習者”，他們在學習活動上表現出了較大的積極性，尤其在記憶理解層面較為突出，而在結果目標的理解、應用、分析、評價水平略差，可能存在無效參與的情況，且深度學習較少；類群3包含27名學生，稱為“優秀型學習者”，這類學生相對來說表現較好，其結果目標各層級水平相對完成度均較高且發展均衡，但在行為投入方面除了應用和分析水平較高，其他目標層級較低，說明這類學生仍有較大進步空間。

為進一步揭示三個類群的認知能力與認知結構，采用認知網絡分析法（ENA）針對八個知識點的成績進行分析。首先根據知識模塊進行編碼，將模塊得分達到和超過模塊滿分60%的視為基本掌握，編碼為“1”，否則視為未掌握，編碼為“0”。以學生為單位，采用美國威斯康星大學的研究團隊開發的ENA在線工具生成認知網絡圖（如圖6），并通過比較不同學生類群認知網絡圖來展示學習者的認知結構。

從圖6可以看出，邊緣型學習者的“時態用法”“句子結構”“綜合應用”三個知識要素節點小且與其他知識點聯結線較細，說明這三個知識點掌握水平不佳，而這三類知識綜合性較強，難度也較高；努力型學習者相比邊緣型學習者在這三個知識點上掌握明顯較好，但在單詞方面掌握不扎實，“過去分詞”“時態標志詞”基礎性知識欠缺，同時缺乏自主思考，導致各類型知識點都無法達到優秀水平；優秀型學習者能夠明顯看到節點增大，且聯結線也更加清晰，說明這部分學生能夠較為自如地運用所學知識，認知結構也較為完整和穩定。

五、基于學習者畫像的精準教學干預策略

基于學習者畫像的分析，可以更有針對性地設計精準教學干預策略。Biggs提出3P教學模式，整合了學習主體（教師、學生）與客體（教學過程、教學環境、學習結果）等因素。依據3P的前提（Presage）、過程（Process）、結果（Product）三要素對應確定精準教學干預的目標、行為、結果三個干預層次。在此基礎上，從干預效率和效果考慮，根據類群畫像結果組建學習共同體，遵循“行為調整—知識建構—認知提升”的認知發展規律，設計出系列化的面向認知的精準教學干預策略：目標干預采用目標精準分層策略，以體現個性化教學需求；行為干預采用個性化資源推送策略、同伴對話反饋策略和風險監督與預警策略，以促進學習者行為參與，提高行為目標層級水平；結果干預則通過反思性評價策略強化學生對知識的理解與掌握，提高知識建構的質量，實現認知目標的遞升。

（一）目標精準分層策略

目標精準分層包含橫向目標群體分層和縱向精準教學目標分層兩個含義。在實施干預之前，首先需要確定干預目標群體，前述畫像部分已將學生按照行為特征和知識水平進行分類，根據聚類特點分為優秀型學習者、努力型學習者和邊緣型學習者，在策略實施過程中干預內容和強度要有所區別；其次，干預的最終目標是從行為和結果上提高學生的知識水平和認知能力，教師要根據學生的階段性特點按照認知目標層級將干預目標按教學階段拆解為多個子目標，這也是教師幫助學生制定目標計劃的過程。同時，考慮到學生差異，各層子目標也應體現一定的差異性。

（二）個性化資源推送策略

個性化資源推送是指主動為學習者推薦適合其學習特點和需求的知識或服務。推送內容時首先需要建立課程知識圖譜，經語義分析建立知識點間的相互聯系形成知識網絡，并將畫像與知識圖譜構建對應邏輯關系。通過學習者畫像中學習績效的呈現迅速定位到學習內容，借助平臺向學生推送相應課程資源。此外，根據測試或作業中錯誤率高的題目關鍵詞與知識網絡中的概念節點的匹配關系，鎖定其知識點及相關概念節點，將所涉及知識內容的概念圖、例題、變式訓練、知識拓展等作為輔助性學習資源準確推送給學習者。最后，對于具有發展潛力的學生，要根據其學習興趣和媒體偏好推送拓展性學習資源以吸引其參與。

（三）同伴對話反饋策略

同伴對話反饋是同伴對話互動的一種形式，有利于促進學生的批判性思維和創新靈感，尤其是深層對話反饋行為對深度學習具有重要的影響（姚佳佳等：《基于實時互動的同伴對話反饋對大學生課堂深度學習的促進效果研究》，《電化教育研究》，2022年第1期。），因此學生高階思維能力的發展往往是發生于同伴之間的深層互動中。教師在這個過程中可以采用有效的引導策略。第一，采用線上線下提問的形式為學生提供分享討論的機會，激發學生的表達欲和提問欲，提高學習的內在動機；將即時互動產生的內容讓學生以類似學習筆記的形式互相分享，加深學生的思考。第二，教師設計對話導向支架，保障對話的質量和深度，引導學生正確積極地消解認知沖突，減少面臨沖突的不確定感和低效能感（王靖等：《協作知識建構中認知沖突消解支架設計與實證》，《電化教育研究》，2021第9期。），為學生提供深度對話的結構化提示，引導學生進行深度思考和學習。

（四）風險監督與預警策略

學生的學習過程和狀態是動態變化的，教師需要隨時關注學生的學習行為變化。當畫像反映出學生存在的行為風險、知識薄弱點時，教師需要根據畫像結果對行為和結果目標達成度差的學生類群開啟風險預警與提醒功能。要基于任務完成度的有關數據來精準預測和識別學業拖延者，對于不完成任務或拖延完成的學生予以提示和警告，采用學習者畫像報告推送和教師消息提醒的方法實施個體干預，有效控制學業拖延傾向，規避學業風險。

（五）反思性評價策略

評價的過程能夠促進知識建構及認知主動性的發揮（Bodong Chen，et al. Advancing knowledge-building discourse through judgments of promising ideas，International Journal of Computer-Supported Collaborative Learning， Vol.10，No.4，2015，pp.345-366.）（Bodong Chen. Fostering scientific understanding and epistemic beliefs through judgments of promisingness，Educational Technology Research and Development，Vol.65，No.2，2017，pp.255-277.）。反思性評價需要借助學生間的交互，對學習活動過程進行回顧反思，并根據他人對自己的評價內容再進行自我反思。

教師根據課程內容發布議題，鼓勵學生發表意見和看法，營造開放的協作交互氛圍，在教學過程中安排辯論賽、無領導小組討論、頭腦風暴等活動。根據畫像采取異質分組，學生在教師的引導下完成評價報告，記錄自我點評、隊友點評和對手點評，內容包括在活動中的角色、提出了哪些觀點、為團隊的貢獻度如何等等。教師將采集到的評價內容進行編碼，從學生的話語體系中挖掘學生學習的關注點和思維模式。最后由教師解讀分析結果、比較差異，為學生提供明確可操作的改進建議，同時讓學生對自己的參與及交互情況作出主觀評價，促使學生主動反思。

六、基于學習者畫像的精準教學干預策略應用

本研究于2022年春季學期利用八年級下冊英語現在完成時單元的新授課加復習課開展為期4周的干預研究，依托“智學網”“班級空間”等平板教學應用及智慧教學環境，輔以QQ班級群等社交工具，采取線上線下混合式教學，采集數據，繪制畫像，實施精準教學干預。

（一）精準教學干預策略的應用過程

干預過程按照目標、行為和結果三個維度進行，按認知目標層級由低到高實施干預。

首先，根據個體畫像標簽制定精準教學目標。以最底層子目標為基準向高階推進，優秀型學習者主要采取提高型干預，努力型學習者與邊緣型學習者則更多施加補救型干預。

其次，加強行為干預。根據學生學習興趣和媒體偏好個性化推送學習資源。教師發起話題討論，引導并鼓勵學生同伴交流，對任務完成度提出相應要求。向優秀型學習者提出學習建議，滿足其學習需求，引導主動參與；努力型學習者行為投入度高但也會有無效參與情況，需對任務的完成率和正確率提出要求，同時對其產生的創新性想法予以肯定；邊緣型學習者行為約束力差，教師需要付出時間和精力監督其完成情況，必要時發起預警。

再次，促進知識建構。通過組建異質小組，開展主題活動，增加實踐應用的機會，創造英語學習表達的氛圍，通過自主探究、語義分析等實現知識的建構。

第四，實現認知提升。對學習結果開展反思性評價，在小組展示、同伴互評、師生交互、自我反思的系列活動中優化認知結構，拓展思維。尤其關注交互反饋內容及反思性評價內容，及時糾正學生的認知偏差，促其認知提升。此階段要引導優秀型學習者轉變解題身份或思路，甚至創造或自主定義問題；為努力型學習者提供問題支架，在任務活動中有意識引導其深層思考；對邊緣型學習者開展個別評價，通過師生間及同伴間的思維碰撞與滲透，激發其主動思考。

（二）精準教學干預策略的應用效果分析

精準教學干預策略的應用效果以目標達成度為衡量標準。因此基于目標分類，從行為目標和結果目標兩方面進行量化評估，最后結合師生滿意度評價具體分析體驗效果。

1.行為目標達成分析

收集干預前后的行為數據，在統一單位后再進行歸一化處理，基于行為目標分類體系，對應不同認知目標層級求取平均值（如表3所示）。結果顯示，基于學習者畫像的精準教學干預能夠提高學習者的行為目標水平，學生在行為目標各層級均有提高，尤其在理解、應用層面上增量較大，分別達到0.08、0.09，說明干預對學生的參與度、交互度方面影響較大，而在專注度提升方面還需多加引導。

2.結果目標達成分析

本實驗過程中學生的知識掌握內容為現在完成時的相關知識點，為檢驗學生本單元知識掌握程度，在干預后對學生進行單元檢測，滿分150分。將干預前的上一單元測驗和干預后本單元的測驗成績進行T檢驗，兩次檢測的題型、題量、知識維度及難度基本保持一致，檢測結果見表4：

從表4可知，經過干預，最小值提高了7分，班級平均值提高了7.16分，同時T檢驗結果（Sig.gt;.000）也表明了干預前后成績具有顯著性差異，說明基于學習者畫像的精準教學干預策略能夠提高學生知識掌握水平。此外標準差減小了3.62，說明干預還能夠減小差異，縮小兩極分化。

為進一步對結果目標達成度進行分析，將干預前后兩次單元測驗結果按照認知目標維度求取平均值，如表5所示。結果表明，學生在知識理解與分析方面表現較好，平均值增量達到0.10和0.12，說明干預能夠促進學生結果目標水平的提升，尤其對記憶、理解等淺層學習提升效果顯著，同時還具有促進認知均衡發展的作用，較好地實現了知識的傳遞與應用。但認知提升不是簡單的知識習得，更強調深加工，因此對于創造這類高階目標仍需加強干預，結合行為投入增加實踐與應用，引導學生的思維拓展與能力提升。

3.滿意度分析

實驗結束后對授課教師和學生進行了滿意度調查。授課教師肯定了學習者畫像的準確性、實用性和精準教學干預策略的應用效果，尤其是將行為特征納入畫像，能夠清晰了解每個學生近期的學習表現，并根據行為畫像預測結果、及時干預或預警。此外，授課教師也表示學生需求是干預的出發點，能力提升是干預的最終目的，希望能夠繼續擴大干預的應用范圍，延長應用時間，發揮其在提高學生自我調節能力方面的效果。

學生調查結果顯示，在畫像輸出及可視化維度上，82.61%的學生認為畫像能夠清晰地呈現學習數據；在畫像應用效果維度上，93.48%的學生肯定了畫像的應用并表示畫像能夠促使其更加高效地學習，其中76.09%的學生能夠意識到自身的學習問題并反思學習行為；在精準教學干預效果評估中，多數學生認可并接受精準教學干預的實施，58.70%的學生認為精準教學干預做到了精準化、針對性，并肯定了干預對于提升學習成績（71，74%）和行為習慣（76.09%）的效果。但是，學生對于認知能力的提升效果不太敏感（56.52%），還需要長期的實踐。

七、總結與展望

大數據驅動教育范式從“始于證據”向“基于數據”轉變，精準教學是在充分了解每個學生的特征及學習需求的基礎上實施有針對性教學的一種個性化教學范式。本研究以布盧姆教育目標分類理論為指導，從目標導向的視角構建了基于學習者畫像的精準教學干預設計框架和學習者畫像模型，收集數據進行畫像，通過畫像結果診斷教學問題，并面向認知從行為和結果兩個角度提出系列化精準教學干預策略，幫助教師有效開展精準教學，提升了教學質量和效率，提高了學生的知識水平和認知能力。然而，由于時間和條件有限，研究未能充分體現出教與學的動態性，還需在今后持續開展研究，進一步驗證干預設計框架和學習者畫像模型的合理性以及基于畫像的精準教學干預策略的有效性，以更好地滿足學習者個性化學習需求和未來教學的需要。

（感謝山東師范大學教育學部碩士研究生鄧彩鳳同學在論文寫作過程中的付出。）

［責任編輯：高 玉］

［基金項目］本文系山東省社會科學規劃重點項目“面向基礎教育信息化的農村教師專業發展研究”（項目編號：14BJYJ09）之階段性研究成果。

［作者簡介］王春華，山東師范大學教育學部教授，碩士生導師，教育學博士，主要研究方向：信息化教學、學習分析。

①國務院：《國務院關于印發新一代人工智能發展規劃的通知》，http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm，2017年7月20日。

②中華人民共和國教育部：《教育部關于印發〈教育信息化2.0行動計劃〉的通知》，http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html，2018年4月18日。

③師亞飛等：《基于學習畫像的精準個性化學習路徑生成性推薦策略研究》，《中國電化教育》，2019年第5期。

④Sunnie Lee Watson，et al. Learner profiles of attitudinal learning in a MOOC： An explanatory sequential mixed methods study，Computers amp; Education， Vol.114，No.7，2017，pp.274-285.

⑤黃濤等：《智能教育場域中的學習者建模研究趨向》，《遠程教育雜志》，2020年第1期。