張靖晗，張進良

湖南科技大學(xué)教育學(xué)院， 湖南 湘潭 411201

個性化人才培養(yǎng)是當今世界各國教育改革發(fā)展新階段的核心訴求?！吨虚L期教育改革與發(fā)展規(guī)劃綱要(2010—2020年)》提出：要堅持以人為本、樹立多樣化人才觀念；要尊重個人選擇，鼓勵個性化發(fā)展[1]。學(xué)習(xí)者是教學(xué)過程的出發(fā)點和歸宿點，隨著人們對教育的高質(zhì)量與個性化追求，精確分析學(xué)習(xí)者的特征與需求變得尤為重要。而移動互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等新興信息技術(shù)在教與學(xué)場景中的應(yīng)用，使得學(xué)習(xí)者的學(xué)習(xí)方式由過去單一的線下學(xué)習(xí)向線上線下混合式學(xué)習(xí)轉(zhuǎn)變。一方面，這種學(xué)習(xí)方式給學(xué)習(xí)者帶來了時空自由、步調(diào)自主的個性化學(xué)習(xí)體驗；另一方面，學(xué)習(xí)者在虛實融合的學(xué)習(xí)環(huán)境中學(xué)習(xí)，在各種學(xué)習(xí)系統(tǒng)中留存了大量的學(xué)習(xí)行為數(shù)據(jù)。如何合理利用這些數(shù)據(jù)，精準全面地了解學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，掌握其個人愛好、學(xué)習(xí)習(xí)慣以及學(xué)習(xí)偏好，為學(xué)習(xí)者提供個性化、適切性的學(xué)習(xí)服務(wù)，是當前此領(lǐng)域不可回避的實踐課題。文章基于大數(shù)據(jù)分析的技術(shù)與方法，對傳統(tǒng)的學(xué)習(xí)者特征分析方法進行優(yōu)化與重組，構(gòu)建基于大數(shù)據(jù)的學(xué)習(xí)者特征分析模型，以期為教育研究和教育實踐者提供借鑒。

1 傳統(tǒng)學(xué)習(xí)者特征分析

《教育大辭典》關(guān)于“學(xué)習(xí)者分析”的解釋是：“學(xué)習(xí)者分析”亦稱“教學(xué)對象分析”，是指在教學(xué)設(shè)計的過程中了解學(xué)習(xí)者的學(xué)習(xí)準備情況(包括學(xué)習(xí)者一般特征和學(xué)習(xí)者初始能力)及學(xué)習(xí)風(fēng)格的分析工作[2]。不同年齡段學(xué)習(xí)者在認知水平上存在著較大差異，在獲取新知識時表現(xiàn)出來的學(xué)習(xí)傾向也有所不同。教師只有對學(xué)習(xí)者進行全面準確的分析，才能設(shè)計出適合學(xué)習(xí)者的教學(xué)方案，以便為學(xué)習(xí)者提供適切性的學(xué)習(xí)支持與服務(wù)。常見的學(xué)習(xí)者特征分析主要分為傳統(tǒng)課堂環(huán)境下及技術(shù)環(huán)境下兩種類型：

1.1 常見的學(xué)習(xí)者特征分析方法

傳統(tǒng)環(huán)境下的教學(xué)方式以課堂教學(xué)為主，學(xué)習(xí)者的特征分析主要通過教師的個人觀察及師生之間的交流進行；而技術(shù)環(huán)境下的學(xué)習(xí)者特征分析相對于傳統(tǒng)教學(xué)而言，大大突破了時間和空間的限制，能夠結(jié)合信息化手段對學(xué)習(xí)者相關(guān)的學(xué)習(xí)信息進行量化分析與處理。

1.1.1傳統(tǒng)課堂環(huán)境下的學(xué)習(xí)者特征分析方法

在教學(xué)之前，教師可以通過查閱學(xué)習(xí)者的學(xué)習(xí)成長檔案袋對學(xué)習(xí)者進行初步了解。學(xué)習(xí)檔案袋中記錄了學(xué)習(xí)者的個人信息、學(xué)習(xí)成績，以及學(xué)習(xí)過程中其他教師和學(xué)伴的評價信息。通過查閱學(xué)習(xí)檔案，教師能夠?qū)W(xué)習(xí)者特征進行初步判定。例如：教師教學(xué)評價中對某學(xué)習(xí)者有如下評價信息，即“該名學(xué)生喜歡自定學(xué)習(xí)步調(diào)的學(xué)習(xí)方式，其認知水平已經(jīng)達到更高年級水平”，其他教師在教育教學(xué)過程中便可參考此教師的評價，制定適合學(xué)習(xí)者特征的教學(xué)方案。

在教學(xué)過程中，教師對學(xué)習(xí)者特征的分析主要通過課堂觀察。例如：根據(jù)Kolb的學(xué)習(xí)風(fēng)格理論，教師觀察到某學(xué)習(xí)者在日常學(xué)習(xí)過程中傾向于對抽象理論和概念的學(xué)習(xí)，則可判斷該學(xué)習(xí)者的學(xué)習(xí)風(fēng)格為同化型[3]。針對此類學(xué)習(xí)者，教師可給予其一定的自由時間，通過多開展探究性學(xué)習(xí)活動來提高其學(xué)習(xí)效率。

在教學(xué)之后，教師通過課后測驗對學(xué)習(xí)者的學(xué)習(xí)效果進行評價，以檢驗教學(xué)方案的合理性和針對性，進而回溯學(xué)習(xí)者特征分析的準確性，并根據(jù)后測結(jié)果及時進行學(xué)習(xí)者特征的動態(tài)更新和調(diào)整。這種分析方法以教師本身作為分析基點，主要借助教師的教學(xué)經(jīng)驗進行分析，存在主觀性較強的缺陷。

1.1.2技術(shù)環(huán)境下的學(xué)習(xí)者特征分析方法

實際上，目前很多教學(xué)與學(xué)習(xí)活動都發(fā)生在技術(shù)環(huán)境下，教師既可以用技術(shù)輔助教學(xué)，也可以借助技術(shù)或工具開展學(xué)習(xí)者特征分析。技術(shù)支持下的學(xué)習(xí)者特征分析方法以網(wǎng)絡(luò)量表測量為主。

教師在教學(xué)前發(fā)放網(wǎng)絡(luò)調(diào)查問卷，學(xué)習(xí)者根據(jù)個人情況填寫問卷，并根據(jù)自己的學(xué)習(xí)狀況等對自身學(xué)習(xí)風(fēng)格進行評價，網(wǎng)絡(luò)調(diào)查系統(tǒng)能夠快速生成分析結(jié)果，為教師確定學(xué)習(xí)者的學(xué)習(xí)特征提供參考。除此之外，F(xiàn)elder-Silverman(所羅門學(xué)習(xí)風(fēng)格)問卷量表也能夠幫助教師進行前測推斷，形成初始化的學(xué)習(xí)者特征模型[4]。系統(tǒng)平臺根據(jù)量化表數(shù)據(jù)初步分析出學(xué)習(xí)者學(xué)習(xí)特征及偏好，有針對性地進行個性化內(nèi)容推送。

技術(shù)支持下的學(xué)習(xí)者特征分析相較于傳統(tǒng)課堂環(huán)境下的分析更為簡單便捷。問卷星等網(wǎng)絡(luò)測量系統(tǒng)使量表測量范圍更廣、效率更高；除此之外，這些系統(tǒng)能夠?qū)Y(jié)果進行自動分析。

1.2 傳統(tǒng)學(xué)習(xí)者特征分析方法的弊端

1.2.1耗費大量時間精力

傳統(tǒng)課堂教學(xué)環(huán)境下要想實現(xiàn)對學(xué)習(xí)者特征的準確分析，需要通過課堂觀察方式，除此之外還須結(jié)合測試、訪談等多種方法，其耗費大量時間精力。技術(shù)環(huán)境下學(xué)習(xí)者的特征分析主要利用Felder-Silverman等問卷量表進行自我特征判定，方法雖然簡單，但是題目枯燥且題量較大，學(xué)習(xí)者很難有耐心仔細完成，過于繁瑣的分析方法無疑加大了把握學(xué)習(xí)者特征的難度。

1.2.2動態(tài)更新較慢

學(xué)習(xí)者的特征不是永恒不變的，往往會伴隨著其年齡增長、認知水平提高以及環(huán)境遷移等因素發(fā)生相應(yīng)的變化。為獲得更為準確的學(xué)習(xí)者特征，就必須對其學(xué)習(xí)特征進行動態(tài)更新及修正。傳統(tǒng)方式下的分析方法，大多依賴靜態(tài)特征分析方法，判定因素變化較小。教師在獲得學(xué)習(xí)者初始特征后，由于分析過程較為繁瑣，較少積極主動地對學(xué)習(xí)者的特征進行更新。盡管通過課堂觀察方式能夠?qū)W(xué)習(xí)者的特征進行一定程度上的修訂，但所觀察到的更多的是學(xué)習(xí)者外顯行為，無法準確收集分析學(xué)習(xí)者潛在的學(xué)習(xí)行為，因此無法深入了解學(xué)習(xí)者內(nèi)心真實的想法。

1.2.3分析結(jié)果存在偏差

除上述缺點以外，傳統(tǒng)分析方法在結(jié)果上也存在偏差。例如：傳統(tǒng)課堂教學(xué)環(huán)境下教師采用觀察法等定性方法，及個人經(jīng)驗對學(xué)習(xí)者的特征進行分析，具有較強的主觀性，且一對多的教學(xué)方式使教師僅能獲得部分學(xué)習(xí)者的特征信息，得出的分析結(jié)果通常是片面的、不完全正確的，其分析方法本身存在著無法克服的缺陷；技術(shù)環(huán)境下借助計算機輔助分析的方法雖然簡便，但是問卷方式題量大、題型枯燥，存在著易激發(fā)學(xué)生逆反心理等缺陷，另外判定結(jié)果不完全包含所有學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，都會對評測結(jié)果造成影響。

因此，在大數(shù)據(jù)時代下，傳統(tǒng)學(xué)習(xí)者的特征分析方法已經(jīng)無法滿足學(xué)習(xí)者個性化需求，構(gòu)建大數(shù)據(jù)支持下的學(xué)習(xí)者分析模型勢在必行。

2 大數(shù)據(jù)背景下學(xué)習(xí)者特征分析模型研究進展分析

美國管理學(xué)家、統(tǒng)計學(xué)家愛德華·戴明認為：除了上帝，任何人必須用數(shù)據(jù)說話。大數(shù)據(jù)背景下任何人的行為都能數(shù)據(jù)化，學(xué)習(xí)也不例外。學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)過程中，產(chǎn)生并沉淀了大量的學(xué)習(xí)數(shù)據(jù)，這些數(shù)據(jù)具有一定的價值，比爾·蓋茨曾說：“教育技術(shù)的發(fā)展是數(shù)據(jù)。教育大數(shù)據(jù)能夠提高學(xué)生的學(xué)習(xí)成績。”教育數(shù)據(jù)將學(xué)習(xí)者隱藏的學(xué)習(xí)行為以可視化方式呈現(xiàn)，為構(gòu)建學(xué)習(xí)者特征分析模型提供來源。近年來，學(xué)者利用大數(shù)據(jù)分析的方法和技術(shù)對學(xué)習(xí)者特征及風(fēng)格等展開了積極探索，借助大數(shù)據(jù)對學(xué)習(xí)者進行分析，為學(xué)習(xí)者改進學(xué)習(xí)或改善教師教學(xué)提供有力支持。筆者從研究對象和技術(shù)方法兩個維度，即學(xué)習(xí)者特征以及建模技術(shù)兩方面對文獻進行梳理總結(jié)。

2.1 側(cè)重于學(xué)習(xí)者特征分析的模型構(gòu)建

基于學(xué)習(xí)者特征維度構(gòu)建學(xué)習(xí)者模型是教育領(lǐng)域的核心主題。從文獻來看，學(xué)習(xí)者特征分析模型從最初單一知識結(jié)構(gòu)維度逐漸向多維度發(fā)展。

早期學(xué)習(xí)者特征模型主要從學(xué)習(xí)者知識狀態(tài)出發(fā)，建立單一維度的“知識型”學(xué)習(xí)者模型。例如：Gar- cía等[5]通過獲取學(xué)習(xí)者在行為特征空間中的學(xué)習(xí)行為，如答題次數(shù)、答題正確率、郵件回復(fù)次數(shù)等，基于規(guī)則推理方法判斷預(yù)測新加入學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性；姜強等[6]基于Felder-Silverman風(fēng)格量表獲取學(xué)習(xí)者的不同學(xué)習(xí)行為特征的行為閾值。

隨著信息技術(shù)不斷發(fā)展以及教育理論的不斷進步，學(xué)習(xí)者模型的構(gòu)建不再局限于單一的學(xué)習(xí)者知識維度。戴心來等[7]為了充分挖掘?qū)W習(xí)者的關(guān)鍵行為特征，選取了學(xué)習(xí)者基本特征、交互特征和認知特征三類特征進行分析。郭朝暉等[8]從靜態(tài)、動態(tài)和連通三個描述性維度對學(xué)習(xí)者模型進行構(gòu)建：靜態(tài)維度是對學(xué)習(xí)者姓名、年齡、年級等個人基本信息的收集；動態(tài)維度主要獲取學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)平臺上的動態(tài)學(xué)習(xí)數(shù)據(jù)；連通維度是指學(xué)習(xí)者在不同科目中的學(xué)習(xí)數(shù)據(jù)，通過跟蹤學(xué)習(xí)者在不同科目中的行為表現(xiàn)，了解學(xué)習(xí)者的學(xué)習(xí)基礎(chǔ)，以提供更加合適的個性化學(xué)習(xí)路徑。

為更好地對網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)進行深入挖掘，滿足學(xué)習(xí)者個性化學(xué)習(xí)需求，研究者進一步擴大了學(xué)習(xí)者特征的研究范圍：徐鵬飛等[9]從知識狀態(tài)模型、認知行為模型、情感模型和綜合模型四個角度分別闡述了具有代表性的學(xué)習(xí)者模型構(gòu)建方法；張濤等[10]在學(xué)習(xí)實踐場域下融合學(xué)習(xí)活動流作用機制，結(jié)合多種方法構(gòu)建了集本體、知識、認知、行為以及情感模型于一體的五維學(xué)習(xí)者模型通用框架。

通過對近幾年學(xué)習(xí)者模型的梳理發(fā)現(xiàn)，學(xué)習(xí)者建模維度從單一化向多元化轉(zhuǎn)變，從最初的知識維度向認知、情感方面延伸，從“知識型”向“認知型”“自適應(yīng)型”發(fā)展[11]。學(xué)習(xí)者模型構(gòu)建維度的多元化，能夠為學(xué)習(xí)者提供更加精確、個性化的學(xué)習(xí)支持服務(wù)。

2.2 側(cè)重于技術(shù)應(yīng)用的模型構(gòu)建

通過對文獻的進一步梳理發(fā)現(xiàn)，隨著信息技術(shù)不斷發(fā)展，學(xué)習(xí)者模型正朝著精確性、有效性方向發(fā)展。目前建模技術(shù)分為以下幾種：

機器學(xué)習(xí)作為人工智能領(lǐng)域進展最快的技術(shù)之一，常用來優(yōu)化計算機程序[12]。喬興媚等[13]認為在已解決特征空間誤差的前提下，采用高預(yù)測率的黑盒機器學(xué)習(xí)技術(shù)(如深度學(xué)習(xí)技術(shù))能夠得到更高準確率的動態(tài)用戶模型；盧宇等[14]基于機器學(xué)習(xí)技術(shù)，并結(jié)合知識圖譜等技術(shù)構(gòu)建了學(xué)習(xí)者模型。

數(shù)據(jù)挖掘技術(shù)的運用也體現(xiàn)在學(xué)習(xí)者建模中的各個階段。張濤等[10]基于數(shù)據(jù)挖掘技術(shù)，結(jié)合粒計算以及數(shù)據(jù)分析方法，從學(xué)習(xí)者的知識、認知、行為和情感角度對其進行分析；吳青等[15]運用數(shù)據(jù)挖掘技術(shù)，構(gòu)建基于J48算法的學(xué)習(xí)風(fēng)格模型表，形成決策樹并轉(zhuǎn)化為分類規(guī)則，從而分析出學(xué)習(xí)者的學(xué)習(xí)特征；張賽男等[16]基于認知風(fēng)格的Web數(shù)據(jù)挖掘方法對學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)進行預(yù)處理，從統(tǒng)計分析、關(guān)聯(lián)規(guī)則及分類三個方面進行挖掘算法的計算，并以可視化圖像的形式表現(xiàn)出來，作為未來教育教學(xué)過程中對學(xué)習(xí)者進行個性化教學(xué)的重要依據(jù)。

除此之外，其他研究者利用貝葉斯網(wǎng)絡(luò)對學(xué)習(xí)者特征進行分析，如羅凌等[17]基于Tan貝葉斯網(wǎng)絡(luò)進行學(xué)習(xí)風(fēng)格檢測研究，根據(jù)條件概率公式P(A/B)=P(AB)/P(B)，計算出不同節(jié)點CPT表，得出學(xué)習(xí)者學(xué)習(xí)風(fēng)格類型；黃興祿等[18]采用初始化群集核心構(gòu)造算法(簡稱ICCCA算法)和3-means聚類算法對學(xué)習(xí)者學(xué)習(xí)風(fēng)格偏向進行預(yù)測；菅保霞[19]在進行基于元分析視角的自適應(yīng)學(xué)習(xí)者模型構(gòu)建時，發(fā)現(xiàn)ALS部分系統(tǒng)應(yīng)用本體技術(shù)所構(gòu)建的模型能更加準確地測定學(xué)習(xí)者知識水平。

綜上所述，技術(shù)背景下的學(xué)習(xí)者特征分析主要通過機器學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)等技術(shù)實現(xiàn)。通過追蹤學(xué)習(xí)者在學(xué)習(xí)過程中的學(xué)習(xí)數(shù)據(jù)，能夠發(fā)現(xiàn)并捕捉學(xué)習(xí)者更深層次的行為表現(xiàn)，更精確地實現(xiàn)個性化資源推薦。目前，學(xué)術(shù)界關(guān)于學(xué)習(xí)者模型構(gòu)建的研究積累了一定基礎(chǔ)，但還存在以下不足：大多數(shù)研究的對象為學(xué)習(xí)者網(wǎng)絡(luò)學(xué)習(xí)行為，較少涉及其日常行為，對學(xué)習(xí)者的學(xué)習(xí)自律性、學(xué)習(xí)習(xí)慣、學(xué)習(xí)毅力等方面缺乏研究；另外，目前學(xué)習(xí)者模型大多是封閉式的，主要是由教師、軟件開發(fā)者進行構(gòu)建，忽略了學(xué)習(xí)者自身反思對學(xué)習(xí)者模型構(gòu)建的重要作用：因此，使學(xué)習(xí)者參與模型的構(gòu)建過程，能激發(fā)其學(xué)習(xí)的主觀能動性，提升自我反思意識，優(yōu)化自身學(xué)習(xí)行為。

3 大數(shù)據(jù)支持的學(xué)習(xí)者特征分析模型構(gòu)建

通過對傳統(tǒng)學(xué)習(xí)者特征分析方法進行分析以及相關(guān)文獻的梳理發(fā)現(xiàn)，現(xiàn)有學(xué)習(xí)者特征分析模型存在動靜態(tài)分析分離，模型構(gòu)建過程中未發(fā)揮學(xué)習(xí)者自身反思作用，忽視其日常行為數(shù)據(jù)等不足。為解決上述問題，構(gòu)建了如圖1所示的學(xué)習(xí)者特征分析模型。

圖1 學(xué)習(xí)者特征分析模型

3.1 學(xué)習(xí)者特征分析模型構(gòu)建

該模型主要分為以下三部分：

第一部分為靜態(tài)數(shù)據(jù)下學(xué)習(xí)者初始模型的構(gòu)建正式課程學(xué)習(xí)前，利用靜態(tài)數(shù)據(jù)初步分析用戶學(xué)習(xí)特征，與傳統(tǒng)學(xué)習(xí)者特征分析方式類似。學(xué)習(xí)者通過注冊賬號、填寫問卷量表、學(xué)習(xí)者自評等方式進行系統(tǒng)前測推斷，幫助教師構(gòu)建初始化學(xué)習(xí)者特征模型。

第二部分為動態(tài)數(shù)據(jù)下學(xué)習(xí)者特征模型的構(gòu)建此部分主要分為數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)分析及預(yù)測學(xué)習(xí)四個階段。數(shù)據(jù)采集階段主要對學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)以及日常行為數(shù)據(jù)進行采集，包括結(jié)構(gòu)化數(shù)據(jù)以及非結(jié)構(gòu)化數(shù)據(jù)兩部分。其中，結(jié)構(gòu)化數(shù)據(jù)主要從學(xué)習(xí)者的交互特征方面進行收集，教師以管理員身份在后臺獲取學(xué)習(xí)者登錄系統(tǒng)的操作行為，如學(xué)習(xí)視頻點擊量、課堂搶答次數(shù)等，并以學(xué)習(xí)日志形式呈現(xiàn)出來，對教師調(diào)整教學(xué)方法具有重要借鑒意義。非結(jié)構(gòu)化數(shù)據(jù)主要從學(xué)習(xí)者的認知風(fēng)格及學(xué)習(xí)風(fēng)格方面進行收集，認知風(fēng)格方面教師通過布置一些開放性題目或?qū)嵺`作業(yè)進行分析；學(xué)習(xí)風(fēng)格方面主要分析學(xué)習(xí)者在學(xué)習(xí)過程中傾向于依據(jù)教師授課安排進行按部就班的線性學(xué)習(xí)，還是更傾向于系統(tǒng)提供的知識樹型非線性學(xué)習(xí)等，從而確定學(xué)習(xí)者學(xué)習(xí)風(fēng)格。除此之外，對學(xué)習(xí)者日常行為數(shù)據(jù)進行分析也能輔助教師進行判斷，主要從學(xué)習(xí)者進出圖書館及借書記錄、早餐正點率、校園卡消費記錄等方面收集數(shù)據(jù)，找到學(xué)習(xí)者的學(xué)習(xí)規(guī)律，為學(xué)習(xí)者模型的構(gòu)建提供輔助數(shù)據(jù)。但學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)平臺中留存的學(xué)習(xí)數(shù)據(jù)通常是不完整的，這些數(shù)據(jù)存在著噪聲和離群點，易出現(xiàn)數(shù)據(jù)重復(fù)、數(shù)據(jù)值缺失、數(shù)據(jù)沖突的情況。為保證數(shù)據(jù)準確性，需要對數(shù)據(jù)進行清洗、規(guī)約等處理，如補齊缺失值、平滑噪聲等。數(shù)據(jù)分析階段主要利用聚類分析、社會網(wǎng)絡(luò)分析等技術(shù)，以及定量和定性相結(jié)合的分析方法，深入分析存儲在平臺上的教育數(shù)據(jù)，將綜合測評結(jié)果以可視化圖表，如散點圖、評估模型或其他形式呈現(xiàn)，并以處理后的數(shù)據(jù)為依據(jù)對學(xué)習(xí)者學(xué)習(xí)特征進行建模，為預(yù)測學(xué)習(xí)者的行為發(fā)展提供依據(jù)。最后是預(yù)測學(xué)習(xí)階段，教師依據(jù)數(shù)據(jù)分析結(jié)果對學(xué)習(xí)者的學(xué)習(xí)進行干預(yù)、調(diào)整，使得學(xué)習(xí)效果最大化。另外，此次數(shù)據(jù)分析結(jié)果同時也可作為新一輪數(shù)據(jù)被采集，以實現(xiàn)學(xué)習(xí)者動態(tài)特征實時更新，進一步優(yōu)化學(xué)習(xí)過程。

對照組患者采用西醫(yī)治療手段：給予降血脂、抗血小板等常規(guī)治療，治療時間為12個星期；在此基礎(chǔ)上實驗組患者口服腦心通膠囊，每次服用四粒，一天服用三次，治療時間為12個星期。

第三部分為動靜態(tài)數(shù)據(jù)下學(xué)習(xí)者特征分析結(jié)果的修正分析對比靜態(tài)分析和動態(tài)分析下的學(xué)習(xí)者特征，將兩者之間相似的行為作為其較為穩(wěn)定的學(xué)習(xí)特征；不同的行為特征以第二階段大數(shù)據(jù)背景下的動態(tài)檢測為主。明確學(xué)習(xí)者學(xué)習(xí)特征后，對學(xué)習(xí)者特征模型進行修正，確定學(xué)習(xí)者最終學(xué)習(xí)風(fēng)格。在學(xué)習(xí)者后續(xù)學(xué)習(xí)中，系統(tǒng)便能根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格進行個性化資源推送，達到自適應(yīng)性學(xué)習(xí)效果。

另外，該模型考慮到學(xué)習(xí)者自身對模型構(gòu)建的影響。學(xué)習(xí)者參與模型構(gòu)建過程，能夠清楚地看到自身學(xué)習(xí)數(shù)據(jù)，了解自身學(xué)習(xí)情況，包括訪問次數(shù)、參與學(xué)習(xí)活動頻率等，并根據(jù)個人情況進行評價，幫助系統(tǒng)解決其無法預(yù)判的問題，從而對模型的構(gòu)建進行反思。

3.2 學(xué)習(xí)者特征分析模型應(yīng)用

在課程開始前，教師查看學(xué)習(xí)者的學(xué)習(xí)成長檔案，對學(xué)習(xí)者進行初步了解。學(xué)習(xí)者進入課程后，首先填寫個人信息進行賬號注冊，填寫姓名、性別、年級等基本信息，隨后進行Felder-Silverman(所羅門問卷量表)測評，幫助系統(tǒng)獲得初始化學(xué)習(xí)者特征。

在教學(xué)開始后，學(xué)習(xí)者通過觀看微課視頻、完成習(xí)題等方式進行課程內(nèi)容學(xué)習(xí)，在此過程中積累沉淀大量的學(xué)習(xí)數(shù)據(jù)，教師從網(wǎng)絡(luò)教學(xué)平臺中獲取學(xué)習(xí)者學(xué)習(xí)行為的各類數(shù)據(jù)，并對其進行處理與清洗，以便挖掘出學(xué)習(xí)者關(guān)鍵的學(xué)習(xí)行為特征。以交互特征為例，管理員在后臺獲取學(xué)習(xí)者與學(xué)習(xí)資源的交互行為：如學(xué)習(xí)者登錄系統(tǒng)的操作，登錄系統(tǒng)的次數(shù)、時間點、總時長；觀看視頻過程中，是否存在快進、提前退出、反復(fù)觀看行為等方式；除此之外，教師從學(xué)習(xí)者的讀帖、發(fā)帖和收帖數(shù)量也能夠分析出學(xué)習(xí)者的交互特征，如被回帖較多的學(xué)習(xí)者，表明許多人認同其觀點，其對于問題擁有自身見解，基于此類學(xué)習(xí)風(fēng)格，教師可布置適量習(xí)題拓展其思維深度。通過對學(xué)習(xí)者交互特征的分析，教師可判斷某位學(xué)習(xí)者的相關(guān)知識掌握是否全面，在后續(xù)教學(xué)中能夠有針對性地加強對薄弱知識點的教學(xué)。以動態(tài)分析為主、靜態(tài)分析為輔的學(xué)習(xí)者特征分析方法既實現(xiàn)了學(xué)習(xí)者特征的動態(tài)更新，同時也實現(xiàn)了學(xué)習(xí)者對自身學(xué)習(xí)行為的反思，在一定程度上克服了傳統(tǒng)分析方法的弊端。

教育大數(shù)據(jù)背景下的學(xué)習(xí)者特征分析，關(guān)鍵在于及時準確判斷出學(xué)習(xí)者特有的學(xué)習(xí)風(fēng)格，其重要意義在于因材施教，在未來的教育教學(xué)中實現(xiàn)個別化教學(xué)，使其各得其宜，能夠增強學(xué)習(xí)者獨立思考和自主學(xué)習(xí)能力，提高自我效能感，同時為教師進行教學(xué)設(shè)計提供一定依據(jù)，推動新時代教育事業(yè)的進一步發(fā)展。