學(xué)習(xí)者畫像模型構(gòu)建及個性化學(xué)習(xí)策略推薦

[摘 要] 在線學(xué)習(xí)環(huán)境下，通過探索學(xué)習(xí)者行為偏好可以大幅度降低學(xué)習(xí)者學(xué)習(xí)的盲目性，提高學(xué)習(xí)效率。研究以學(xué)習(xí)者畫像為基礎(chǔ)，利用Python語言將在線學(xué)習(xí)的學(xué)習(xí)者根據(jù)學(xué)習(xí)特征用K-means算法分為四類，根據(jù)個性化學(xué)習(xí)推薦的精準(zhǔn)性、及時性和可實施性原則為學(xué)習(xí)者推薦個性化的學(xué)習(xí)策略，并在此基礎(chǔ)上通過前后測試卷進(jìn)行了基于畫像的個性學(xué)習(xí)策略的效果檢驗。結(jié)果表明，個性化學(xué)習(xí)策略能夠幫助學(xué)習(xí)者有效提高學(xué)習(xí)成績。

[關(guān)鍵詞] 學(xué)習(xí)者畫像；在線教育；個性化；學(xué)習(xí)策略

[中圖分類號] G424.74 [文獻(xiàn)標(biāo)識碼] A

[文章編號] 1673—1654（2024）03—088—011

引言

學(xué)習(xí)者畫像起源于商業(yè)領(lǐng)域的用戶畫像。用戶畫像最初用來分析客戶數(shù)據(jù)，從而提供個性化服務(wù)，挖掘潛在的商業(yè)價值。在國內(nèi)，用戶畫像被大量應(yīng)用于阿里巴巴、騰訊等公司。商業(yè)領(lǐng)域的成功應(yīng)用，使得這項技術(shù)也逐漸應(yīng)用在教育領(lǐng)域，并得到了廣泛關(guān)注，被稱為學(xué)習(xí)者畫像。學(xué)習(xí)者畫像包括從學(xué)習(xí)者的學(xué)習(xí)過程中收集特征數(shù)據(jù)來構(gòu)建模型，基于數(shù)據(jù)和模型建立多維標(biāo)簽系統(tǒng)，并基于可靠的數(shù)據(jù)輸出更準(zhǔn)確的個性化學(xué)習(xí)服務(wù)。學(xué)習(xí)者畫像如今應(yīng)用于改善教學(xué)和學(xué)習(xí)，使學(xué)習(xí)者可以更準(zhǔn)確地了解自身的學(xué)習(xí)模式和偏好，更明智地選擇課程。此外，學(xué)習(xí)者還可以根據(jù)畫像調(diào)整自己的學(xué)習(xí)行為，實現(xiàn)更高效的學(xué)習(xí)。教師則可以利用畫像來改進(jìn)課程設(shè)計和提供個性化的教學(xué)建議。

本研究通過建立畫像框架體系來探索學(xué)習(xí)者在線學(xué)習(xí)的行為模式。在以往研究的框架基礎(chǔ)上結(jié)合具體需要設(shè)計學(xué)習(xí)者畫像框架。根據(jù)K-means聚類算法分析相關(guān)數(shù)據(jù)，將學(xué)習(xí)者劃分為不同的群體，再根據(jù)不同群體的特征進(jìn)行對應(yīng)的學(xué)習(xí)策略推薦，最后驗證學(xué)習(xí)策略的效果，推進(jìn)個性化學(xué)習(xí)的發(fā)展。

一、學(xué)習(xí)者畫像概念界定及研究現(xiàn)狀

（一）概念界定

學(xué)習(xí)者畫像是用戶畫像在教育領(lǐng)域的應(yīng)用。“畫像”這個詞語最早出現(xiàn)在人機(jī)交互領(lǐng)域，是大數(shù)據(jù)時代下的產(chǎn)物。大數(shù)據(jù)時代使得用戶的行為數(shù)據(jù)能夠被完整地記錄和儲存下來，從這些數(shù)據(jù)中可以看到用戶的興趣和喜好等偏好。在國內(nèi)相關(guān)研究中，王莉莉?qū)W(xué)習(xí)者畫像定義為依據(jù)學(xué)習(xí)者特征打標(biāo)簽的過程，是對現(xiàn)實世界中學(xué)習(xí)者屬性的描繪[1]。唐燁偉認(rèn)為學(xué)習(xí)者畫像是對學(xué)習(xí)過程和學(xué)習(xí)結(jié)果大數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和有效分析，并通過可視化的方式形成的[2]。陳海建認(rèn)為學(xué)習(xí)者畫像是依據(jù)學(xué)習(xí)者的基本屬性和學(xué)習(xí)過程特征而抽象出的標(biāo)簽化的學(xué)習(xí)者模型[3]。可見，學(xué)習(xí)者畫像就是以貼標(biāo)簽的形式分析學(xué)習(xí)者相關(guān)數(shù)據(jù)，包括基本信息、知識掌握、媒體偏好、學(xué)習(xí)參與度和學(xué)習(xí)風(fēng)格等，幫助提取學(xué)習(xí)者的學(xué)習(xí)特征和偏好。

（二）研究現(xiàn)狀

隨著在線教育和混合式教育的發(fā)展，教育數(shù)據(jù)大量積累，也讓學(xué)習(xí)者畫像技術(shù)不斷成熟。畫像能夠?qū)W(xué)習(xí)行為進(jìn)行“數(shù)據(jù)化”，客觀地展現(xiàn)出個體學(xué)習(xí)行為的整個過程，對跟蹤、建模、個性化學(xué)習(xí)推薦意義重大。學(xué)習(xí)者畫像的本質(zhì)是對學(xué)習(xí)者特征的描述、分析和呈現(xiàn)。借助學(xué)習(xí)者畫像可以將教育大數(shù)據(jù)進(jìn)行標(biāo)簽化、可視化，從多個維度分析學(xué)習(xí)者特征，深入了解學(xué)習(xí)者，把握學(xué)習(xí)者的個性化學(xué)習(xí)偏好，為教育教學(xué)的改革提供基礎(chǔ)。

目前研究主要集中在畫像的模型構(gòu)建和實踐應(yīng)用兩個方面。在模型構(gòu)建方面，喬惠等人利用xAPI數(shù)據(jù)標(biāo)準(zhǔn)構(gòu)建了學(xué)習(xí)者畫像模型[4]；劉海鷗等人提出基于大數(shù)據(jù)深度畫像的個性化學(xué)習(xí)精準(zhǔn)服務(wù)框架，為學(xué)習(xí)者多粒度個性化需求提供參考[5]；余明華等人提出了基于可視化學(xué)習(xí)分析的研究性學(xué)習(xí)學(xué)生畫像流程框架，采用定量定性的方法以及數(shù)據(jù)可視化技術(shù)最終呈現(xiàn)可視化的畫像[6]。在實踐應(yīng)用方面，王莉莉構(gòu)建了包含學(xué)習(xí)者基本信息、行為和彈幕文本三個維度的學(xué)習(xí)者畫像特征模型，并利用深度神經(jīng)網(wǎng)絡(luò)建立了教學(xué)資源與學(xué)習(xí)者畫像之間的關(guān)系模型，從而根據(jù)學(xué)習(xí)者需要推薦個性化課程[1]；師亞飛根據(jù)提出的畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦模型，采用個性化推薦策略向?qū)W習(xí)者推薦學(xué)習(xí)元列表，學(xué)習(xí)者主動選擇其中最適合的一個學(xué)習(xí)元進(jìn)行學(xué)習(xí)，從而獲得合適的學(xué)習(xí)路徑[7]。

二、學(xué)習(xí)者畫像構(gòu)建和推薦框架設(shè)計

（一）研究內(nèi)容

本研究對象為某師范大學(xué)22級計算機(jī)相關(guān)專業(yè)“程序設(shè)計”課程的37名學(xué)生。面向?qū)ο蟮某绦蛟O(shè)計課程分為理論和實踐課程，共64個學(xué)時。線上數(shù)據(jù)收集工具為學(xué)習(xí)通和頭歌實踐平臺。在學(xué)期開始前，先發(fā)放學(xué)習(xí)資料和課程資源；然后收集學(xué)生前32學(xué)時的靜態(tài)基本信息數(shù)據(jù)，以及課程中的動態(tài)學(xué)習(xí)行為數(shù)據(jù)，包括參與討論的次數(shù)、任務(wù)點完成情況、章節(jié)學(xué)習(xí)次數(shù)、上傳的不同資源的瀏覽次數(shù)等；同時，了解學(xué)生自主學(xué)習(xí)時的學(xué)習(xí)偏好，為個性化學(xué)習(xí)策略的實施提供依據(jù)。在32學(xué)時完成時利用試卷對學(xué)生進(jìn)行前測測試，了解學(xué)生在個性化學(xué)習(xí)策略實施前的基礎(chǔ)情況。然后，根據(jù)學(xué)習(xí)者行為數(shù)據(jù)分析學(xué)習(xí)者畫像，通過畫像為學(xué)習(xí)者提供相對應(yīng)的策略，督促學(xué)生進(jìn)行學(xué)習(xí)。在學(xué)期第64學(xué)時完成時，通過后測試卷收集學(xué)習(xí)者后測數(shù)據(jù)，了解學(xué)習(xí)者在個性化學(xué)習(xí)策略實施下的32個學(xué)時中的成績變化。前、后測使用的試卷均為課程相關(guān)內(nèi)容，且題目難度相當(dāng)，對比兩次成績可以驗證基于學(xué)習(xí)者畫像的個性化學(xué)習(xí)策略的效果。

在課程學(xué)習(xí)中，前32學(xué)時發(fā)放的學(xué)習(xí)資料的類型和數(shù)量如圖1所示。共發(fā)布視頻資源18個，文本資源11個，實踐練習(xí)11個，章節(jié)習(xí)題11次，討論10個。

（二）學(xué)習(xí)者畫像模型

通過在線學(xué)習(xí)平臺學(xué)習(xí)通收集到的課程數(shù)據(jù)包括學(xué)習(xí)者的基本信息、行為數(shù)據(jù)、結(jié)果數(shù)據(jù)。如前所述，陳海建在學(xué)習(xí)者畫像模型構(gòu)建中主要依據(jù)學(xué)習(xí)者基本屬性、學(xué)習(xí)過程大數(shù)據(jù)以及學(xué)習(xí)結(jié)果大數(shù)據(jù)三個維度[3]。本研究根據(jù)實際情況并參考陳海建的成果，將數(shù)據(jù)分為基本信息維度、學(xué)習(xí)行為維度和學(xué)習(xí)結(jié)果維度，對學(xué)生進(jìn)行類群劃分，構(gòu)建學(xué)習(xí)者畫像。維度對應(yīng)的具體行為數(shù)據(jù)如表1所示。

（三）個性化學(xué)習(xí)策略推薦框架

通過分析在線學(xué)習(xí)特征進(jìn)行個性化學(xué)習(xí)策略推薦，需要滿足精準(zhǔn)性、及時性和可實施性的原則。即需要在了解、分析學(xué)習(xí)者行為偏好的基礎(chǔ)上，保證學(xué)習(xí)者能夠及時得到策略的支持，同時在為學(xué)習(xí)者選擇策略時要充分考慮技術(shù)和設(shè)備上的可實施性。基于以上三個原則設(shè)計出的個性化學(xué)習(xí)策略推薦框架如圖2所示。該框架通過收集學(xué)習(xí)者行為數(shù)據(jù)，利用學(xué)習(xí)者畫像對數(shù)據(jù)進(jìn)行挖掘和分析，將學(xué)習(xí)者劃分類群并進(jìn)行標(biāo)簽化，根據(jù)學(xué)習(xí)者標(biāo)簽為相應(yīng)的學(xué)習(xí)者提供個性化學(xué)習(xí)策略推薦。

三、畫像數(shù)據(jù)分析

（一）數(shù)據(jù)預(yù)處理

通過學(xué)習(xí)通導(dǎo)出所需要的數(shù)據(jù)，生成一個excel表格。對樣本數(shù)據(jù)集進(jìn)行預(yù)處理。

第一步，查看是否有數(shù)據(jù)的缺失，主要包括記錄和字段信息的缺失。兩者都會造成分析的不準(zhǔn)確，包含空值的數(shù)據(jù)會讓建模過程陷入混亂，導(dǎo)致不可靠的畫像輸出結(jié)果。根據(jù)教學(xué)和數(shù)據(jù)的實際情況，本次實驗中，對于未及時提交作業(yè)的學(xué)習(xí)者，缺失值填充為0。

第二步，查看數(shù)據(jù)是否有個別數(shù)據(jù)偏離其他觀測值的異常情況。經(jīng)過檢測，數(shù)據(jù)不存在異常值情況。

第三步，對學(xué)習(xí)者個人信息進(jìn)行隱藏和過濾，保護(hù)學(xué)習(xí)者隱私。具體處理方法為使用uid代替學(xué)生姓名。

第四步，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，避免后續(xù)數(shù)據(jù)分析出現(xiàn)更多的誤差。標(biāo)準(zhǔn)化公式為：

即對原始數(shù)據(jù)進(jìn)行線性變換，使結(jié)果落到[0，1]區(qū)間。其中，Xi表示當(dāng)前要處理的學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)，Xmin表示該數(shù)據(jù)總體的最小值，Xmax表示數(shù)據(jù)總體的最大值。課程結(jié)束后數(shù)據(jù)不會再有變動，因此樣本中的最大值和最小值也不再有變化，該方法是合理的。

（二）畫像分析

對數(shù)據(jù)進(jìn)行預(yù)處理后，使用K-means算法對數(shù)據(jù)進(jìn)行挖掘，確定學(xué)習(xí)者的類型。首先要確定K值，確定K值可以使用手肘法則和輪廓系數(shù)法。利用Python語言繪制手肘圖，如圖3所示。

使用手肘法則確定K值繪制出的圖像如圖4所示。

橫坐標(biāo)是聚類個數(shù)，縱坐標(biāo)是K均值，聚類的損失函數(shù)是所有樣本到類別中心的距離平方和，也就是誤差平方和。可以通過“坡度趨于平緩”原則找出最佳的類簇數(shù)量。通過手肘法則發(fā)現(xiàn)，拐點4、5可能為K的最佳值。但是手肘法則主觀性較強(qiáng)，因此使用輪廓系數(shù)法進(jìn)一步確認(rèn)K值的最佳值。

引入輪廓系數(shù)S，計算公式為：

其中，a表示i向量到同簇內(nèi)其他點不相似程度的平均值，體現(xiàn)凝聚度；b表示i向量到其他簇的平均不相似程度的最小值，體現(xiàn)分離度。輪廓系數(shù)的取值范圍是[-1，1]，同類別樣本距離越相近、不同類別樣本距離越遠(yuǎn)，分?jǐn)?shù)越高，聚類效果越好。利用Python畫出輪廓系數(shù)圖，選擇其中聚類效果最好的K值，如圖5所示。

求出輪廓系數(shù)如圖6所示。

可以看出K的最佳取值為4。在確定K值之后，再對數(shù)據(jù)進(jìn)行聚類，所有的學(xué)習(xí)者被分為四類，部分?jǐn)?shù)據(jù)如圖7所示。

在得到聚類后可以得知，類別1學(xué)生人數(shù)為14人，占比最大，占全部學(xué)生的37.83%；類別2學(xué)生人數(shù)為3，占比最小，占全部學(xué)生的8.1%；類別3學(xué)生人數(shù)為11，占全部學(xué)生的29.73%；類別4學(xué)生人數(shù)為9人，占全部學(xué)生的24.32%。表2為不同類別學(xué)習(xí)者的行為特征均值。

通過分析四類學(xué)習(xí)者的行為特征聚類結(jié)果均值，可以對四類學(xué)習(xí)者進(jìn)行命名和特征描述。

類別1是自主學(xué)習(xí)者。他們的平均文本閱讀數(shù)為10，約占文本閱讀數(shù)總數(shù)的90.91%；視頻觀看時長平均為227.92分鐘，是時長最長的學(xué)習(xí)者；章節(jié)練習(xí)平均完成7.79次，約占章節(jié)練習(xí)數(shù)總數(shù)的70.82%；實踐練習(xí)平均10.71次，約占實踐練習(xí)總數(shù)的97.36%；討論及回復(fù)數(shù)平均為6，討論次數(shù)一般。此類學(xué)習(xí)者占比最大，其文本、視頻和習(xí)題、練習(xí)的完成度都比較高，但對討論問題的學(xué)習(xí)態(tài)度一般。

類別2是學(xué)習(xí)沉悶者。其平均文本閱讀數(shù)為2，約占文本閱讀總數(shù)的18.18%；視頻觀看時長最短，平均只有1.1分鐘；章節(jié)練習(xí)平均完成2次，約占章節(jié)練習(xí)總數(shù)的18.18%；實踐和討論次數(shù)平均完成度都為0。此類學(xué)習(xí)者占比最小，他們的學(xué)習(xí)興趣低，課堂參與度低，存在較高的學(xué)習(xí)失敗風(fēng)險，需要得到教師的重視。

類別3是積極互動者。其平均文本閱讀數(shù)為6.36，約占文本閱讀數(shù)總數(shù)的57.82%；視頻觀看時長平均為37.74分鐘；章節(jié)練習(xí)平均完成7.18次，約占章節(jié)練習(xí)數(shù)總數(shù)的65.27%；實踐練習(xí)平均7.18次，約占實踐練習(xí)總數(shù)的65.29%；討論及回復(fù)數(shù)平均為8.73，是討論次數(shù)最多的學(xué)習(xí)者。此類學(xué)習(xí)者喜歡與同學(xué)互動，相互交流課堂問題。

類別4是積極實踐者。其平均文本閱讀數(shù)為4.22，約占文本閱讀數(shù)總數(shù)的38.26%；視頻觀看時長平均為26.21分鐘；章節(jié)練習(xí)平均完成6.67次，約占章節(jié)練習(xí)數(shù)總數(shù)的60.64%；實踐練習(xí)平均10.56次，占實踐練習(xí)總數(shù)的96%；討論及回復(fù)數(shù)為1.11，次數(shù)不高。此類學(xué)習(xí)者對各類學(xué)習(xí)材料興趣都比較平均，但相對來說比較喜歡實踐和習(xí)題練習(xí)。

四、個性學(xué)習(xí)策略及其實施

學(xué)習(xí)策略是學(xué)習(xí)者為了提高學(xué)習(xí)的效果和效率，有目的、有意識地制定的有關(guān)學(xué)習(xí)過程的復(fù)雜方案[8]。許多學(xué)者對學(xué)習(xí)策略的成分和層次提出了自己的觀點，并據(jù)此對學(xué)習(xí)策略做出了不同的分類。以邁卡爾等人的分類為例，學(xué)習(xí)策略被分為認(rèn)知策略、元認(rèn)知策略和資源管理策略。資源管理策略包括學(xué)業(yè)求助策略和時間管理策略。其中，學(xué)業(yè)求助策略主要包括社會人力資源的利用和學(xué)習(xí)工具的利用，而社會人力資源的利用主要包括善于利用老師的幫助以及通過同學(xué)間的合作和討論等加深對內(nèi)容的理解，因此可以為學(xué)習(xí)者分配合適的學(xué)習(xí)伙伴，促進(jìn)相同愛好學(xué)習(xí)者之間的合作和討論；學(xué)習(xí)工具的利用包括善于利用參考資料、電腦與網(wǎng)絡(luò)、工具書、圖書館、廣播電視等，因此可以為學(xué)習(xí)者提供合適的學(xué)習(xí)參考資料，提高其學(xué)習(xí)興趣，更高效地進(jìn)行預(yù)習(xí)和知識鞏固。同時，以在線學(xué)習(xí)平臺為工具，監(jiān)測學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)，為消極學(xué)習(xí)者提供適時的學(xué)習(xí)預(yù)警，督促其學(xué)習(xí)。

（一）給予適時的學(xué)習(xí)預(yù)警

學(xué)習(xí)預(yù)警是加強(qiáng)學(xué)習(xí)者的學(xué)業(yè)管理，提高學(xué)習(xí)者自我管理、自我約束能力的重要手段。在學(xué)習(xí)進(jìn)度推進(jìn)的不同階段，應(yīng)密切關(guān)注學(xué)生動態(tài)，對消極的學(xué)習(xí)者進(jìn)行提醒，從而提高其學(xué)習(xí)效果。

將全天分為6個時間段，根據(jù)前32課時學(xué)習(xí)通收集到的學(xué)習(xí)者行為數(shù)據(jù)可以看到所有學(xué)習(xí)者不同時間段的學(xué)習(xí)訪問總數(shù)，如圖8所示。

根據(jù)圖8可知，學(xué)習(xí)者在早上8：00到12：00最為活躍，因此學(xué)習(xí)預(yù)警應(yīng)當(dāng)在該時間段內(nèi)。可采用學(xué)習(xí)通的教學(xué)預(yù)警功能，篩選出不活躍的學(xué)習(xí)者（即學(xué)習(xí)沉悶者）進(jìn)行教學(xué)預(yù)警，提醒這類學(xué)習(xí)者及時復(fù)習(xí)鞏固和預(yù)習(xí)新課。

另外，采用Pearson系數(shù)分析數(shù)據(jù)中前測成績與各個學(xué)習(xí)部分的相關(guān)關(guān)系，計算公式如下：

其中，r的取值范圍為[-1，1]，rgt;0為正相關(guān)，r=1為完全正相關(guān)，rlt;0為負(fù)相關(guān)，r=-1為完全負(fù)相關(guān)。|r|≤0.3為不存在線性相關(guān)；0.3≤|r|≤0.5為低度線性相關(guān)；0.5≤|r|≤0.8為顯著線性相關(guān)；|r|gt;0.8為高度線性相關(guān)。利用Python繪制出相關(guān)系數(shù)熱力圖，如圖9所示。

繪制出來的相關(guān)系數(shù)熱力圖如圖10所示。

可見，文本閱讀數(shù)和視頻觀看時長與前測成績不存在線性相關(guān)；討論及回復(fù)數(shù)與前測成績屬于低度線性相關(guān)；章節(jié)練習(xí)和實踐練習(xí)數(shù)與前測成績屬于顯著線性相關(guān)。因此對于學(xué)習(xí)沉悶者，為了保證其在后續(xù)學(xué)習(xí)中能夠取得較好成績，可以優(yōu)先提醒他們完成章節(jié)練習(xí)和實踐練習(xí)作業(yè)。

（二）分配合適的學(xué)習(xí)伙伴

積極互動者喜歡與其他學(xué)習(xí)者互動，并進(jìn)行合作學(xué)習(xí)，共同探討課堂問題。基于此，在互動愛好者群體中給其推薦相對應(yīng)的學(xué)習(xí)伙伴組成學(xué)習(xí)小組，2-3人一組。

對積極互動者再進(jìn)行聚類會發(fā)現(xiàn)不同類別學(xué)習(xí)者喜好之間的差異性，如表4所示。

可以看出，再劃分出的類別5的學(xué)習(xí)者更加偏好文本閱讀，人數(shù)有4個，進(jìn)行兩兩分組，組成文本熱衷小組。再劃分出的類別6的學(xué)習(xí)者更加偏好章節(jié)練習(xí)題，將他們分成兩組，一組兩人一組三人，組成練習(xí)熱衷小組。再劃分出的類別7和類別8分別有1人，類別7偏好實踐練習(xí)，類別8偏好視頻資料和實踐練習(xí)，因此類別7和類別8可以組成實踐熱衷小組進(jìn)行學(xué)習(xí)。

（三）推薦合適的學(xué)習(xí)材料

根據(jù)上述研究可知，類別2的學(xué)習(xí)沉悶者學(xué)習(xí)熱情低，不喜歡互動合作學(xué)習(xí)，課堂參與度低，因此需要給予恰好的學(xué)習(xí)預(yù)警；同時根據(jù)學(xué)習(xí)成績與不同學(xué)習(xí)行為的關(guān)聯(lián)，給學(xué)習(xí)沉悶者提供與成績關(guān)聯(lián)度最高的章節(jié)練習(xí)和實踐練習(xí)作業(yè)。

對于類別3的積極互動者，由于他們喜歡與人交流、探討問題，因此可以給他們分配同為互動熱愛者且資源愛好相同的學(xué)習(xí)者為學(xué)習(xí)伙伴組成學(xué)習(xí)小組，再根據(jù)不同小組的特點給予相應(yīng)的學(xué)習(xí)材料。

類別1自主學(xué)習(xí)者和類別4積極實踐者對于互動交流學(xué)習(xí)熱情較低。因此給類別1自主學(xué)習(xí)者所有類別的材料，讓他們進(jìn)行自主學(xué)習(xí)，因為其自覺程度高，任務(wù)完成度好。而類別4的積極實踐者，偏好實踐練習(xí)，因此給他們實踐練習(xí)作業(yè)題庫，并發(fā)表在頭歌實踐平臺上，供學(xué)習(xí)者練習(xí)。

五、個性學(xué)習(xí)策略效果檢驗

為了驗證基于學(xué)習(xí)者畫像的個性學(xué)習(xí)策略推薦是否有效，可以通過前后測成績對比進(jìn)行檢驗。利用配對樣本T檢驗進(jìn)行驗證。

表5為配對樣本統(tǒng)計量及正態(tài)檢驗表。可以看出，實驗班前測成績的均值為66.892分，后測均值為75.027分，后測均值比前測均值高出8.135分。表明在經(jīng)32學(xué)時的基于學(xué)習(xí)者畫像的個性學(xué)習(xí)推薦策略的教學(xué)下，學(xué)習(xí)者的成績有大幅度的提升。為了進(jìn)一步比較兩次成績的差異是否達(dá)到統(tǒng)計學(xué)意義上的顯著水平，還需進(jìn)行配對樣本T檢驗。配對樣本T檢驗的使用條件為具有正態(tài)性，通常正態(tài)分布的檢驗方法有兩種，一種是Shapiro-Wilk檢驗（S-W檢驗），適用于小樣本資料（樣本量≤5000）；另一種是Kolmogorov–Smirnov檢驗，適用于大樣本資料（樣本量gt;5000），因此這里使用S-W檢驗。求得P=0.978，說明該數(shù)據(jù)滿足正態(tài)分布。因此可以使用配對樣本T檢驗，輸出結(jié)果如表6所示。

樣本T檢驗的結(jié)果顯示，基于變量前測成績配對后測成績，顯著性P值為0.000，水平上呈現(xiàn)顯著性，拒絕原假設(shè)，因此前測成績配對后測成績之間存在顯著性差異。再從Cohen's d值看差異效應(yīng)量，值小于0.2表示差異幅度非常小；值于（0.2，0.5）表示差異幅度較小；值于（0.5，0.8）表示差異幅度中等；值大于0.8表示差異幅度非常大。本研究中差異幅度Cohen's d值為0.85，差異幅度非常大。且前測均值小于后測，因此可以確認(rèn)基于學(xué)習(xí)者畫像的個性學(xué)習(xí)策略對學(xué)習(xí)者學(xué)習(xí)成績具有促進(jìn)效果，效果較好。

六、總結(jié)與展望

教育與人類社會共始終，個性化教育根據(jù)學(xué)習(xí)者的偏好和興趣來開展教學(xué)，讓學(xué)習(xí)者找到合適的學(xué)習(xí)方法使學(xué)習(xí)事倍功半，讓每個學(xué)習(xí)者都能在學(xué)習(xí)上發(fā)揮出自己的優(yōu)勢。本研究通過挖掘?qū)W習(xí)者的行為數(shù)據(jù)，建立學(xué)習(xí)者畫像，并進(jìn)行畫像分析，為學(xué)習(xí)者提供學(xué)習(xí)預(yù)警、學(xué)習(xí)伙伴推薦和資源推薦的個性化學(xué)習(xí)幫助，并驗證了該實驗的效果。結(jié)果表明，基于學(xué)習(xí)者畫像的個性策略推薦對學(xué)習(xí)者的學(xué)習(xí)幫助較大，為學(xué)習(xí)者個性化學(xué)習(xí)提供了具體參考。

參考文獻(xiàn)：

[1] 王莉莉，郭威彤，楊鴻武.利用學(xué)習(xí)者畫像實現(xiàn)個性化課程推薦[J].電化教育研究，2021，42（12）：55-62.

[2] 唐燁偉，茹麗娜，范佳榮，等.基于學(xué)習(xí)者畫像建模的個性化學(xué)習(xí)路徑規(guī)劃研究[J].電化教育研究，2019，40（10）：53-60.

[3] 陳海建，戴永輝，韓冬梅，等.開放式教學(xué)下的學(xué)習(xí)者畫像及個性化教學(xué)探討[J].開放教育研究，2017，23（03）：105-112.

[4] 喬惠，肖君.基于xAPI的開放學(xué)習(xí)者行為分析模型研究[J].電化教育研究，2018，39（04）：32-37+45.

[5] 劉海鷗，劉旭，姚蘇梅，等.基于大數(shù)據(jù)深度畫像的個性化學(xué)習(xí)精準(zhǔn)服務(wù)研究[J].圖書館學(xué)研究，2019，（15）：68-74.

[6] 余明華，張治，祝智庭.基于可視化學(xué)習(xí)分析的研究性學(xué)習(xí)學(xué)生畫像構(gòu)建研究[J].中國電化教育，2020，（12）：36-43.

[7] 師亞飛，彭紅超，童名文.基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦策略研究[J]. 中國電化教育，2019，（05）：84-91.

[8] 陳琦，劉儒德.當(dāng)代教育心理學(xué)（第3版）[M].北京：北京師范大學(xué)出版社，2019：300.

Learner Portrait Model Construction and Personalized Learning Strategy Recommendation

Abstract：In the online learning environment，exploring learners' behavioral preferences can greatly reduce learners' learning blindness and improve learning efficiency. Based on the portrait of learners，the study uses Python language to divide online learning learners into four categories by K-means algorithm according to their learning characteristics，and recommends personalized learning strategies for learners according to the principles of precision，timeliness and implemensibility of personalized learning recommendations. The results show that personalized learning strategies can help learners effectively improve their academic performance.

Key words：Learner Portrait，Online Education，Personalization，Learning Strategy