徐 琦 劉興紅 余亞烽 陳 雪 張 涵

一、引言

在線教育以“大規(guī)模、開放、共享”等特點(diǎn)風(fēng)靡全球[1]。學(xué)習(xí)者畫像以刻畫和呈現(xiàn)學(xué)生信息全貌為特點(diǎn)，近年來(lái)已成為遠(yuǎn)程教育領(lǐng)域的研究熱點(diǎn)。通過(guò)網(wǎng)絡(luò)實(shí)現(xiàn)的教育過(guò)程，不要求師生在時(shí)間和空間上嚴(yán)格同步，學(xué)生很容易形成松散的學(xué)習(xí)心態(tài)，以致難以收獲良好的學(xué)習(xí)效果。因此，借助學(xué)習(xí)者畫像的優(yōu)勢(shì)來(lái)緩解在線教育中學(xué)習(xí)成績(jī)預(yù)測(cè)的難題，幫助學(xué)生及時(shí)調(diào)整學(xué)習(xí)狀態(tài)、提高學(xué)習(xí)效率，是當(dāng)前教育界關(guān)注的熱點(diǎn)，也是本研究的重點(diǎn)之一。本研究在學(xué)習(xí)者畫像的指導(dǎo)下進(jìn)行學(xué)習(xí)成績(jī)預(yù)測(cè)，一方面可以讓原本無(wú)序繁雜的學(xué)習(xí)數(shù)據(jù)變得有序簡(jiǎn)潔，另一方面能讓教師原本缺少視覺線索、無(wú)法判斷學(xué)習(xí)者參與度的現(xiàn)狀得到逐步緩解，有助于促進(jìn)在線教與學(xué)的和諧共生，為更多學(xué)習(xí)者創(chuàng)造更加個(gè)性化的學(xué)習(xí)體驗(yàn)。

二、概念界定及研究現(xiàn)狀

（一）學(xué)習(xí)者畫像

表1從五個(gè)維度對(duì)“學(xué)習(xí)者畫像”的相關(guān)概念進(jìn)行了辨析。學(xué)習(xí)者畫像起源于商業(yè)領(lǐng)域的“用戶畫像”?！坝脩舢嬒瘛币蚱湓诔浞掷玫湫拖M(fèi)者的特征數(shù)據(jù)（背景、能力、性格、習(xí)慣、行為等）后，能定量化發(fā)掘用戶心智與需求而于近幾年被廣泛關(guān)注[2]?！皩W(xué)習(xí)者畫像”可以看作“用戶畫像”在教育領(lǐng)域中的創(chuàng)新應(yīng)用與嘗試[3]，但目前尚未形成統(tǒng)一的概念。

表1學(xué)習(xí)者畫像的相近概念辨析

如表1所示，“學(xué)習(xí)者畫像”與“學(xué)習(xí)者模型”也有相似之處。它們都是對(duì)滿足教育系統(tǒng)需要的部分要素加以描述和表示，但“學(xué)習(xí)者模型”更強(qiáng)調(diào)學(xué)習(xí)者的動(dòng)態(tài)特征，這也是個(gè)性化學(xué)習(xí)的核心與關(guān)鍵[4]，由于教育系統(tǒng)目標(biāo)的差異與學(xué)習(xí)環(huán)境的復(fù)雜性，目前并不存在通用的學(xué)習(xí)者畫像建模方法。由此可見，學(xué)習(xí)者畫像可以針對(duì)某種個(gè)性化的學(xué)習(xí)需求目標(biāo)（如提升學(xué)習(xí)效果等），通過(guò)采集學(xué)習(xí)者特征的有關(guān)數(shù)據(jù)，運(yùn)用多種分析手段找出畫像角色之間更深層次的差異（目的、動(dòng)機(jī)、能力等），而不僅僅是學(xué)習(xí)者是誰(shuí)（姓名、性別等淺層信息），從而為其提供精準(zhǔn)的教學(xué)支持。

（二）學(xué)習(xí)成績(jī)預(yù)測(cè)研究

學(xué)習(xí)成績(jī)量化了學(xué)習(xí)者的學(xué)習(xí)成就與收獲，可看作學(xué)生在完成一系列教學(xué)活動(dòng)后產(chǎn)生的認(rèn)知、行為、技能、情感態(tài)度的結(jié)果總和。學(xué)習(xí)成績(jī)預(yù)測(cè)可視為是否進(jìn)行學(xué)習(xí)預(yù)警和調(diào)整教學(xué)策略的重要依據(jù)，它是在教學(xué)評(píng)價(jià)等理論的指導(dǎo)下，通過(guò)確定學(xué)習(xí)成績(jī)的影響因素，從在線學(xué)習(xí)平臺(tái)等數(shù)據(jù)源中采集相應(yīng)數(shù)據(jù)，運(yùn)用預(yù)測(cè)算法來(lái)建立學(xué)習(xí)成績(jī)的數(shù)據(jù)模型，分析不同學(xué)生之間的成績(jī)差異情況，發(fā)現(xiàn)學(xué)習(xí)過(guò)程中存在的問(wèn)題，從而助力師生及時(shí)調(diào)整教與學(xué)的狀態(tài)。

學(xué)習(xí)成績(jī)預(yù)測(cè)研究主要包括以下內(nèi)容：

（1）預(yù)測(cè)方法研究。根據(jù)學(xué)習(xí)者客觀的統(tǒng)計(jì)數(shù)據(jù)和學(xué)習(xí)行為數(shù)據(jù)等，沿用計(jì)算機(jī)領(lǐng)域中的經(jīng)典算法進(jìn)行預(yù)測(cè)建模[5]，主要涉及基于概率的成績(jī)預(yù)測(cè)，如樸素貝葉斯；基于傳統(tǒng)機(jī)器學(xué)習(xí)的成績(jī)預(yù)測(cè)，如決策樹、多層感知器和隨機(jī)森林等監(jiān)督式數(shù)據(jù)挖掘技術(shù)等；基于深度學(xué)習(xí)的成績(jī)預(yù)測(cè)，如基于特征交互的神經(jīng)網(wǎng)絡(luò)框架等[6]。目前，各類預(yù)測(cè)算法隨學(xué)習(xí)成績(jī)的等級(jí)劃分標(biāo)準(zhǔn)具有不同的預(yù)測(cè)準(zhǔn)確率[7]，準(zhǔn)確率普遍在70%左右[8]。因此，根據(jù)學(xué)習(xí)者的有效特征綜合選取預(yù)測(cè)模型尤為關(guān)鍵。趙磊等[9]通過(guò)多種預(yù)測(cè)技術(shù)（決策樹、貝葉斯、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)），解釋了MOOC課程中學(xué)習(xí)行為（界面交互、內(nèi)容交互、人際交互和參與考核）與學(xué)業(yè)成績(jī)之間的復(fù)雜相關(guān)性?？梢姡诰€教育系統(tǒng)中的學(xué)習(xí)數(shù)據(jù)日漸豐富，教育大數(shù)據(jù)技術(shù)的快速發(fā)展，驅(qū)動(dòng)著成績(jī)預(yù)測(cè)模型的比較、篩選和優(yōu)化研究的不斷深入。

（2）預(yù)測(cè)應(yīng)用研究。能夠在收集和管理學(xué)生數(shù)據(jù)的基礎(chǔ)上，開發(fā)和探索數(shù)據(jù)內(nèi)部結(jié)構(gòu)所蘊(yùn)含的聯(lián)系，對(duì)深入解釋教學(xué)現(xiàn)象、發(fā)現(xiàn)教學(xué)問(wèn)題具有重要作用。如Moises等[10]通過(guò)LMS日志數(shù)據(jù)創(chuàng)建了學(xué)生成績(jī)的早期預(yù)測(cè)模型，發(fā)現(xiàn)LMS交互模式與學(xué)生學(xué)業(yè)表現(xiàn)有很強(qiáng)的相關(guān)性；Agapito等[11]通過(guò)預(yù)測(cè)來(lái)自完全在線學(xué)習(xí)（CO）的本科生成績(jī)，發(fā)現(xiàn)互動(dòng)次數(shù)與學(xué)生表現(xiàn)密切相關(guān)、年齡與學(xué)業(yè)成績(jī)成反比；馬玉玲[12]通過(guò)學(xué)生已完成課程上的學(xué)習(xí)情況預(yù)測(cè)了其在下學(xué)期待開設(shè)課程上的成績(jī)，證實(shí)了學(xué)生的行為習(xí)慣與成績(jī)之間具有相關(guān)性。

綜上所述，學(xué)習(xí)成績(jī)預(yù)測(cè)的角度大多以課程關(guān)聯(lián)度、學(xué)習(xí)交互等為主，少有研究從學(xué)習(xí)者畫像的角度來(lái)挖掘?qū)W習(xí)成績(jī)影響因素，而學(xué)習(xí)者的特征也是學(xué)習(xí)成績(jī)影響因素的重要組成部分。學(xué)習(xí)者畫像研究的興起有望將學(xué)習(xí)者的特征與學(xué)習(xí)成績(jī)影響因素結(jié)合起來(lái)，構(gòu)成學(xué)習(xí)成績(jī)的預(yù)測(cè)要素，以更加關(guān)注學(xué)習(xí)者的全貌特征來(lái)支持學(xué)習(xí)成績(jī)的有效預(yù)測(cè)，促進(jìn)學(xué)習(xí)成績(jī)預(yù)測(cè)研究的深度應(yīng)用。

三、研究設(shè)計(jì)

（一）總體設(shè)計(jì)流程

從在線教育環(huán)境下學(xué)習(xí)者畫像的角度出發(fā)，提出基于學(xué)習(xí)者畫像的學(xué)習(xí)成績(jī)預(yù)測(cè)流程，如圖1，分為確定目標(biāo)、構(gòu)建標(biāo)簽體系和數(shù)據(jù)建模、數(shù)據(jù)采集與預(yù)處理、學(xué)習(xí)者畫像分析與輸出、實(shí)施學(xué)習(xí)成績(jī)預(yù)測(cè)五個(gè)主要步驟。該流程是學(xué)習(xí)者畫像和學(xué)習(xí)成績(jī)預(yù)測(cè)雙向融合的系統(tǒng)框架，確定本次畫像的構(gòu)建目標(biāo)為：（1）通過(guò)學(xué)習(xí)者畫像精準(zhǔn)刻畫學(xué)習(xí)者的在線學(xué)習(xí)特征；（2）通過(guò)學(xué)習(xí)成績(jī)預(yù)測(cè)對(duì)在線學(xué)習(xí)結(jié)果進(jìn)行評(píng)價(jià)與反思；（3）進(jìn)一步反思教學(xué)，為學(xué)習(xí)者提供個(gè)性化的服務(wù)，助力教師制定預(yù)警及干預(yù)措施。

在設(shè)計(jì)學(xué)習(xí)者畫像標(biāo)簽體系的過(guò)程中，采用結(jié)構(gòu)化的標(biāo)簽體系設(shè)計(jì)方式來(lái)識(shí)別不同的學(xué)習(xí)者群體，挑選具有價(jià)值的學(xué)習(xí)者數(shù)據(jù)類型，并將學(xué)習(xí)者的各級(jí)標(biāo)簽與各類型數(shù)據(jù)對(duì)應(yīng)起來(lái)，指導(dǎo)開展學(xué)習(xí)者畫像。在數(shù)據(jù)采集和預(yù)處理后，將對(duì)學(xué)習(xí)者個(gè)體和群體進(jìn)行畫像分析，重點(diǎn)輸出學(xué)習(xí)者畫像的聚類結(jié)果。在學(xué)習(xí)成績(jī)預(yù)測(cè)的實(shí)施階段，首先通過(guò)比較不同的預(yù)測(cè)模型，初步篩選出實(shí)施預(yù)測(cè)的最佳算法，然后在構(gòu)建各類群對(duì)應(yīng)的數(shù)據(jù)模型基礎(chǔ)上評(píng)估預(yù)測(cè)效果，同時(shí)深入理解學(xué)習(xí)者的學(xué)習(xí)發(fā)生過(guò)程和學(xué)習(xí)變化規(guī)律，最后輸出預(yù)測(cè)結(jié)果，用以驗(yàn)證本次實(shí)踐對(duì)總體目標(biāo)的達(dá)成情況，以期更好地反饋教學(xué)效果、優(yōu)化教學(xué)過(guò)程。

圖1基于學(xué)習(xí)者畫像的學(xué)習(xí)成績(jī)預(yù)測(cè)流程

（二）學(xué)習(xí)者畫像的標(biāo)簽設(shè)計(jì)及數(shù)據(jù)指標(biāo)

標(biāo)簽體系設(shè)計(jì)是將學(xué)習(xí)者的各屬性進(jìn)行維度細(xì)分，并與學(xué)習(xí)數(shù)據(jù)指標(biāo)對(duì)應(yīng)起來(lái)的過(guò)程。如表2，從學(xué)習(xí)者畫像的五個(gè)方面確定學(xué)習(xí)成績(jī)的影響因素：

（1）個(gè)人屬性對(duì)應(yīng)學(xué)習(xí)者的基本信息，這些信息是為了幫助教學(xué)相關(guān)者準(zhǔn)確識(shí)別每一位學(xué)習(xí)者，并沒有涉及學(xué)習(xí)過(guò)程的動(dòng)態(tài)數(shù)據(jù)，故不納入后續(xù)數(shù)據(jù)維度分析中。

（2）交互屬性是對(duì)學(xué)習(xí)交互的描述，分為人機(jī)交互和人際交互兩個(gè)類目[13]。人機(jī)交互體現(xiàn)的是學(xué)習(xí)者與平臺(tái)資源之間的互動(dòng)過(guò)程。人際交互主要表現(xiàn)為學(xué)習(xí)者與教師和學(xué)伴的學(xué)習(xí)交流[14]，如查看討論、評(píng)論、點(diǎn)贊等，這種在線教學(xué)對(duì)話有助于減少學(xué)習(xí)孤獨(dú)感、增強(qiáng)在線教學(xué)聯(lián)系，但也可能包含學(xué)習(xí)者為了完成學(xué)習(xí)任務(wù)而發(fā)生的被動(dòng)交互行為，因而不能反映出學(xué)習(xí)者的綜合能力。

（3）興趣屬性是對(duì)在線學(xué)習(xí)偏好的描述，分為學(xué)習(xí)興趣和學(xué)習(xí)風(fēng)格兩個(gè)類目。當(dāng)學(xué)習(xí)者的學(xué)習(xí)興趣較強(qiáng)時(shí)，他們會(huì)對(duì)學(xué)習(xí)任務(wù)表現(xiàn)出積極、專注的學(xué)習(xí)狀態(tài)；當(dāng)學(xué)習(xí)興趣一般或較低時(shí)，他們不愿意完成基本的學(xué)習(xí)任務(wù)，學(xué)習(xí)熱情也會(huì)較低。學(xué)習(xí)風(fēng)格劃分參考Felder-Silverman模型（FSLSM）[15]，在信息加工過(guò)程中將學(xué)習(xí)者劃分為活躍型和沉思型?；钴S型學(xué)習(xí)者更喜歡積極地執(zhí)行學(xué)習(xí)任務(wù)，會(huì)根據(jù)問(wèn)題的部分信息或未對(duì)問(wèn)題做透徹的分析就積極做出反應(yīng)、倉(cāng)促做出決定，反應(yīng)速度較快，但容易出現(xiàn)錯(cuò)誤。沉思型學(xué)習(xí)者會(huì)通過(guò)大量的時(shí)間安靜地思考和分析問(wèn)題，能較好地約束自己的行為，權(quán)衡各種問(wèn)題解決方案后做出決定，能在外界要求下對(duì)自己的解答做出全面合理的解釋，因而出現(xiàn)的錯(cuò)誤較少。

（4）能力屬性是對(duì)學(xué)習(xí)者的認(rèn)知、行為和情感等復(fù)雜學(xué)習(xí)投入情況的描述[16]，分為認(rèn)知能力、創(chuàng)造實(shí)踐和自主學(xué)習(xí)三個(gè)類目。認(rèn)知能力指學(xué)習(xí)者在參與課堂活動(dòng)過(guò)程中的記憶、理解、應(yīng)用三方面的綜合表現(xiàn)，如參加搶答等。創(chuàng)造實(shí)踐能反映學(xué)習(xí)者在分析、評(píng)價(jià)和創(chuàng)造三方面的能力情況，與學(xué)習(xí)者積累經(jīng)驗(yàn)、知識(shí)儲(chǔ)備和技能調(diào)用的情況有關(guān)，如創(chuàng)建話題等。自主學(xué)習(xí)主要反映學(xué)習(xí)者能否按照課程目標(biāo)和個(gè)人需求展開自主學(xué)習(xí)，以及學(xué)習(xí)頻率如何。能力屬性聚焦學(xué)習(xí)者的深層投入情況，而非交互屬性中所指的較淺層在線交互，能代表學(xué)習(xí)者在知識(shí)創(chuàng)造、邏輯推理、抽象思維和信息加工等方面的綜合能力。

（5）知識(shí)屬性是對(duì)學(xué)習(xí)者在線學(xué)習(xí)過(guò)程的形成性評(píng)價(jià)，劃分為資源利用率、知識(shí)掌握度和目標(biāo)達(dá)成度三個(gè)類目。資源利用率用于描述學(xué)習(xí)者對(duì)學(xué)習(xí)資源的運(yùn)用情況。知識(shí)掌握度體現(xiàn)在平時(shí)作業(yè)和隨堂考試中，平時(shí)作業(yè)中涉及的知識(shí)內(nèi)容少、知識(shí)范圍小，可以反映出學(xué)生者對(duì)具體知識(shí)點(diǎn)的掌握情況。目標(biāo)達(dá)成度與課程階段性測(cè)驗(yàn)有關(guān)，如期中、期末考試，用于檢驗(yàn)學(xué)習(xí)者對(duì)課程目標(biāo)的達(dá)成情況，階段性測(cè)驗(yàn)中涉及的知識(shí)范疇更廣、綜合性也更強(qiáng)。

表2學(xué)習(xí)者畫像標(biāo)簽體系及數(shù)據(jù)指標(biāo)

四、學(xué)習(xí)者畫像分析

（一）數(shù)據(jù)采集與預(yù)處理

案例樣本來(lái)自湖北H大學(xué)三門“超星學(xué)習(xí)通”線上課程《數(shù)字視頻設(shè)計(jì)與制作》《新媒體技術(shù)講座》和《電視節(jié)目編導(dǎo)與制作》，面向來(lái)自教育技術(shù)學(xué)專業(yè)和數(shù)字媒體技術(shù)專業(yè)的185名學(xué)習(xí)者。根據(jù)研究需求，從該平臺(tái)導(dǎo)出兩部分?jǐn)?shù)據(jù)：（1）學(xué)習(xí)者的基本信息；（2）在線學(xué)習(xí)數(shù)據(jù)，包括學(xué)生綜合完成情況、任務(wù)點(diǎn)完成情況、音視頻觀看詳情、討論詳情、章節(jié)學(xué)習(xí)次數(shù)、成績(jī)?cè)斍?、章?jié)測(cè)驗(yàn)統(tǒng)計(jì)、作業(yè)統(tǒng)計(jì)、考試統(tǒng)計(jì)和課程綜合統(tǒng)計(jì)，共計(jì)10項(xiàng)數(shù)據(jù)表。采用python數(shù)據(jù)處理技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)整合和數(shù)據(jù)轉(zhuǎn)換等，共得到24207條有效學(xué)習(xí)數(shù)據(jù)。初步統(tǒng)計(jì)發(fā)現(xiàn)，各屬性取值范圍均在0至1之間，學(xué)習(xí)者在能力屬性（M=0.384）、交互屬性（M=0.468）、興趣屬性（M=0.590）、知識(shí)屬性（M=0.818）上的均值呈現(xiàn)依次遞增的趨勢(shì)，這說(shuō)明大多數(shù)學(xué)習(xí)者對(duì)在線學(xué)習(xí)平臺(tái)均具有較濃厚的使用興趣，但在交流互動(dòng)方面還不夠積極主動(dòng)，在線學(xué)習(xí)能力也有待加強(qiáng)，學(xué)習(xí)者在四個(gè)屬性上的得分離散程度（SD<0.3）均不大，說(shuō)明學(xué)習(xí)者在各維度上的表現(xiàn)比較穩(wěn)定。

（二）個(gè)人畫像分析

從樣本中隨機(jī)挑選一名學(xué)習(xí)者進(jìn)行個(gè)人畫像，用該學(xué)習(xí)者不同維度的數(shù)據(jù)值減去樣本對(duì)應(yīng)維度中的平均水平值，結(jié)果作為該學(xué)習(xí)者所在課程的某項(xiàng)標(biāo)簽值得分，得到各級(jí)標(biāo)簽可視化詳情如圖2所示。其中，部分維度有三分類標(biāo)簽值，為獲得清晰方便的結(jié)構(gòu)，均將其用兩級(jí)標(biāo)簽進(jìn)行展示。

這名學(xué)習(xí)者在知識(shí)屬性上的表現(xiàn)最好，階段測(cè)試結(jié)果也比較優(yōu)秀，說(shuō)明他較擅長(zhǎng)通過(guò)在線學(xué)習(xí)掌握課程知識(shí)，獲得較高分?jǐn)?shù)，是一名深度學(xué)習(xí)者。該學(xué)習(xí)者在興趣屬性和能力屬性上的表現(xiàn)相當(dāng)，均處于中等偏上的水平。深入分析發(fā)現(xiàn)，他能積極參與各項(xiàng)學(xué)習(xí)活動(dòng)，并按時(shí)完成簽到等學(xué)習(xí)任務(wù)，學(xué)習(xí)興趣較濃厚。在能力屬性上，他自主學(xué)習(xí)的投入度較高，能努力完成各項(xiàng)作業(yè)，是一名課堂學(xué)習(xí)高手，但在創(chuàng)造實(shí)踐方面表現(xiàn)一般。這名學(xué)習(xí)者在交互屬性上得分的偏低，說(shuō)明他沒有與其他學(xué)伴、教師進(jìn)行頻繁的交流互動(dòng)，可推測(cè)他不太注重維護(hù)線上學(xué)習(xí)社交關(guān)系，傾向獨(dú)立學(xué)習(xí)和觀察學(xué)習(xí)。

圖2某位學(xué)習(xí)者的個(gè)人畫像

（三）聚類畫像分析

本文采用K-means算法對(duì)樣本進(jìn)行聚類，通過(guò)“手肘法”[17]來(lái)判定最佳聚類數(shù)K值，其中同時(shí)考慮了類內(nèi)距離和類間距離的變化，最后確定最佳聚類數(shù)為4。經(jīng)F檢驗(yàn)，四個(gè)屬性均呈現(xiàn)顯著性差異（p<0.05），驗(yàn)證了本次聚類的有效性。其中，類群1占總?cè)藬?shù)的比例為14%，類群2占比48%，類群3占比30%，類群4占比8%。各屬性對(duì)聚類結(jié)果的重要程度為：知識(shí)屬性（F=168.79）>能力屬性（F=127.73）>交互屬性（F=72.89）>興趣屬性（F=93.70）。

統(tǒng)計(jì)發(fā)現(xiàn)，類群1在興趣屬性（M=0.85）和能力屬性（M=0.80）上的得分較高。類群2在交互屬性（M=0.52）和知識(shí)屬性（M=0.88）上的表現(xiàn)相對(duì)更好。類群3在興趣屬性（M=0.43）、交互屬性（M=0.28）、能力屬性（M=0.25）和知識(shí)屬性（M=0.83）上的表現(xiàn)均較穩(wěn)定。而類群4在交互屬性（M=0.11）、興趣屬性（M=0.33）、能力屬性（M=0.12）、知識(shí)屬性（M=0.30）上的得分均偏低。

因此，類群1能代表興趣濃厚、能力突出的學(xué)習(xí)者群體；類群2代表的是善于交流、學(xué)習(xí)興趣明顯、積極努力的學(xué)習(xí)者群體；類群3用于代表具有學(xué)習(xí)潛力、知識(shí)技能掌握扎實(shí)的學(xué)習(xí)者群體；類群4則代表的是在交互、興趣、能力和知識(shí)方面均表現(xiàn)不佳的學(xué)習(xí)者群體。根據(jù)上述四個(gè)類群的屬性特點(diǎn)，本文對(duì)他們進(jìn)行類型識(shí)別并命名，將類群1劃分為主動(dòng)趕超者，類群2劃分為積極協(xié)作者，類群3劃分為潛在建構(gòu)者，類群4劃分為被動(dòng)接受者，具體描述如表3。

表3各類群的描述性特征

五、學(xué)習(xí)成績(jī)預(yù)測(cè)的實(shí)施

（一）學(xué)習(xí)成績(jī)預(yù)測(cè)模型構(gòu)建對(duì)比

從教務(wù)系統(tǒng)中獲取樣本學(xué)習(xí)成績(jī)后，將百分制的學(xué)習(xí)成績(jī)轉(zhuǎn)換成4個(gè)等級(jí)，轉(zhuǎn)換規(guī)則為：學(xué)習(xí)成績(jī)?yōu)?5分以上時(shí)為優(yōu)秀，將其劃分為A；學(xué)習(xí)成績(jī)?yōu)?5-75分之間時(shí)為良好，將其劃分為B；學(xué)習(xí)成績(jī)?yōu)?5-60分之間時(shí)為合格，將其劃分為C；學(xué)習(xí)成績(jī)?cè)?0分以下時(shí)定義為不合格，將其劃分為D。成績(jī)轉(zhuǎn)換后發(fā)現(xiàn)，優(yōu)秀等級(jí)者73名（39%），良好等級(jí)者99名（54%），合格等級(jí)者9名（5%），不合格等級(jí)者4名（2%）。

為了找出適合本次數(shù)據(jù)的預(yù)測(cè)算法，這里通過(guò)Rapid Miner工具對(duì)常見的預(yù)測(cè)算法進(jìn)行了比較，分別選取樸素貝葉斯、廣義線性模型、Logistics回歸、Fast最大邊緣算法、深度學(xué)習(xí)、決策樹、隨機(jī)森林、梯度增強(qiáng)樹和支持向量機(jī)，將185名樣本學(xué)習(xí)者的學(xué)習(xí)成績(jī)作為預(yù)測(cè)目標(biāo)變量，交互、興趣、能力和知識(shí)屬性作為輸入自變量，并從準(zhǔn)確率（accuracy）[18]和分類錯(cuò)誤率（classification error）兩個(gè)指標(biāo)來(lái)判斷各算法的優(yōu)劣程度，數(shù)據(jù)模型中各屬性所占權(quán)重大小用折線表示，如圖3，知識(shí)屬性和交互屬性在各模型中均占較高權(quán)重，當(dāng)學(xué)習(xí)者在這兩類屬性上的得分均較高時(shí)，他們更有可能獲得較高的學(xué)習(xí)成績(jī)，這說(shuō)明這兩類屬性是對(duì)學(xué)習(xí)者影響較大的因素，Logistics回歸、廣義線性模型、Fast最大邊緣算法、決策樹、隨機(jī)森林、梯度增強(qiáng)樹的預(yù)測(cè)準(zhǔn)確率達(dá)到0.547~0.595，其中Logistics回歸的準(zhǔn)確率最高，為0.595，說(shuō)明該數(shù)據(jù)模型的預(yù)測(cè)性能最好，即logistics回歸模型能較好地解釋樣本數(shù)據(jù)，因此選擇該模型對(duì)四類學(xué)習(xí)者進(jìn)行深入預(yù)測(cè)分析。

圖3預(yù)測(cè)算法精度比較

（二）預(yù)測(cè)模型效果檢驗(yàn)

以學(xué)習(xí)成績(jī)等級(jí)（“優(yōu)秀”=A、“良好”=B、“合格”=C、“不合格”=D）為因變量，交互、興趣、能力和知識(shí)屬性為自變量，對(duì)主動(dòng)趕超者、積極協(xié)作者、潛在建構(gòu)者、被動(dòng)接受者的學(xué)習(xí)數(shù)據(jù)建立logistic回歸方程，分別對(duì)應(yīng)表4中的模型1、模型2、模型3、模型4。各模型對(duì)應(yīng)的顯著性p值均小于0.05，說(shuō)明模型構(gòu)建均具有統(tǒng)計(jì)學(xué)意義，四個(gè)模型對(duì)原始學(xué)習(xí)數(shù)據(jù)的擬合通過(guò)檢驗(yàn)。根據(jù)依次列出的3個(gè)偽R2值，模型1、2、3、4的最大偽R2值分別為0.444、0.365、0.364、0.475，這說(shuō)明模型4和模型1對(duì)原始屬性變量變異的解釋程度最好，模型2和模型3對(duì)原始屬性變量變異的解釋程度一般，可能還存在一部分信息無(wú)法解釋，導(dǎo)致這兩個(gè)模型的擬合程度并未達(dá)到優(yōu)秀。

表4各模型的擬合信息

（三）各模型預(yù)測(cè)結(jié)果比較

如表5，模型1在預(yù)測(cè)主動(dòng)趕超者學(xué)習(xí)成績(jī)等級(jí)為“優(yōu)秀”的正確百分比最高，為84%，該模型的整體預(yù)測(cè)正確率為66.4%，說(shuō)明主動(dòng)趕超者的logistic模型預(yù)測(cè)效果表現(xiàn)良好。模型2在預(yù)測(cè)學(xué)習(xí)成績(jī)等級(jí)為“合格”上也實(shí)現(xiàn)了100%的正確預(yù)測(cè)，該模型在預(yù)測(cè)積極協(xié)作者學(xué)習(xí)成績(jī)等級(jí)為“優(yōu)秀”的正確率高于模型1和模型3的預(yù)測(cè)效果，且模型2在預(yù)測(cè)學(xué)習(xí)成績(jī)各等級(jí)的總體正確率最高，可推測(cè)出模型2對(duì)積極協(xié)作者的學(xué)習(xí)數(shù)據(jù)建模效果最好。模型3在潛在建構(gòu)者學(xué)習(xí)成績(jī)等級(jí)為“合格”的預(yù)測(cè)正確率高達(dá)100%，這說(shuō)明logistics回歸模型對(duì)潛在建構(gòu)者中的“合格”者能實(shí)現(xiàn)完全正確預(yù)測(cè)，整體上看，模型3對(duì)潛在建構(gòu)者總體變異的解釋能力一般，尤其是對(duì)學(xué)習(xí)成績(jī)等級(jí)為“優(yōu)秀”的學(xué)習(xí)者預(yù)測(cè)效果不太理想，導(dǎo)致該模型的總體預(yù)測(cè)正確率也偏低。模型4對(duì)被動(dòng)接受者學(xué)習(xí)成績(jī)的預(yù)測(cè)正確率最高達(dá)到了80.0%，這說(shuō)明被動(dòng)接受者的學(xué)習(xí)數(shù)據(jù)也能被良好地建模，且在學(xué)習(xí)成績(jī)等級(jí)為“良好”上表現(xiàn)最佳，模型4對(duì)學(xué)習(xí)成績(jī)?yōu)椤安缓细瘛钡膶W(xué)習(xí)者的數(shù)據(jù)也實(shí)現(xiàn)了較好的預(yù)測(cè)效果，預(yù)測(cè)正確率為75.0%，這將有望在后續(xù)教學(xué)實(shí)驗(yàn)中實(shí)現(xiàn)早期預(yù)警，對(duì)大規(guī)模在線教學(xué)平臺(tái)來(lái)說(shuō)具有較強(qiáng)的實(shí)際應(yīng)用價(jià)值。

表5各模型的預(yù)測(cè)分類情況

（四）學(xué)習(xí)者各屬性對(duì)學(xué)習(xí)成績(jī)的影響

經(jīng)過(guò)對(duì)四類學(xué)習(xí)者進(jìn)行多項(xiàng)logistic回歸分析，以因變量的第一個(gè)分類水平（即學(xué)習(xí)成績(jī)等級(jí)=“A”）為參照，用其他分類依次與之對(duì)比，考察不同水平間的傾向，可得到具體的logistic數(shù)據(jù)模型，各參數(shù)估計(jì)值均已通過(guò)瓦爾德顯著性檢驗(yàn)（p<0.05），下面將具體描述。

主動(dòng)趕超者的數(shù)據(jù)模型可表示為：G11=LOG[P(良好)/P(優(yōu)秀)]=2.219+(-4.473)*交互屬性+(-27.396)*興趣屬性+(-27.899)*能力屬性+(-1.154)*知識(shí)屬性；G12=0（對(duì)照組）。對(duì)于主動(dòng)趕超者，他們?cè)诮换ァ⑴d趣、知識(shí)屬性方面的投入度越高，越有可能獲得較高的成績(jī)等級(jí)，且興趣屬性和能力屬性對(duì)成績(jī)等級(jí)影響程度較為明顯。這代表著主動(dòng)趕超者若想要保持較高的成績(jī)等級(jí)，需要努力提升興趣屬性和能力屬性得分，這不僅需要學(xué)習(xí)者自主加強(qiáng)邏輯推理、抽象思維等一般性能力的鍛煉，更要結(jié)合具體的課程知識(shí)，注意積累學(xué)習(xí)經(jīng)驗(yàn)，并應(yīng)用到實(shí)驗(yàn)實(shí)踐中去。教師應(yīng)充分關(guān)注該類學(xué)習(xí)群體的在學(xué)習(xí)活動(dòng)中運(yùn)用的思維與心智等，通過(guò)各種方式加強(qiáng)學(xué)生的在線專注度、堅(jiān)持度，促進(jìn)有意義學(xué)習(xí)的發(fā)生。

積極協(xié)作者的數(shù)據(jù)模型可表示為：G31=LOG[P(合格)/P(優(yōu)秀)]=110.8+38.568*交互屬性+(-95.853)*興趣屬性+(-167.268)*能力屬性+(-68.614)*知識(shí)屬性；G32=LOG[P(良好)/P(優(yōu)秀)]=2.865+(-5.211)*交互屬性+(-3.589)*興趣屬性+4.328*能力屬性+(-0.277)*知識(shí)屬性；G33=0（對(duì)照組）。對(duì)于積極協(xié)作者，合格等級(jí)和優(yōu)秀等級(jí)者之間的差距主要體現(xiàn)在能力、興趣和知識(shí)屬性方面，當(dāng)積極協(xié)作者在上述三方面表現(xiàn)越好時(shí)，他們?cè)接锌赡塬@得優(yōu)秀等級(jí)。因此積極協(xié)作者在保持良好交互關(guān)系的基礎(chǔ)上，需要進(jìn)一步提高在線學(xué)習(xí)能力，并對(duì)學(xué)習(xí)內(nèi)容采取積極穩(wěn)定的學(xué)習(xí)策略，教師并不需要給予過(guò)多的教學(xué)干預(yù)。良好等級(jí)和優(yōu)秀等級(jí)者之間的差距主要體現(xiàn)在交互、興趣和能力屬性方面，這也再次表明加強(qiáng)在線學(xué)習(xí)活動(dòng)中的交互設(shè)計(jì)，可能對(duì)積極協(xié)作者獲得較高等級(jí)的學(xué)習(xí)成績(jī)非常重要。

潛在建構(gòu)者的數(shù)據(jù)模型可表示為：G21=LOG[P(合格)/P(優(yōu)秀)]=-324.456+(-35.748)*交互屬性+(-101.488)*興趣屬性+16.019*能力屬性+(-384.279)*知識(shí)屬性；G22=LOG[P(良好)/P(優(yōu)秀)]=3.199+(-1.892)*交互屬性+0.585*興趣屬性+1.005*能力屬性+(-3.484)*知識(shí)屬性；G23=0（對(duì)照組）。對(duì)于潛在建構(gòu)者來(lái)說(shuō)，知識(shí)屬性對(duì)他們成績(jī)等級(jí)的影響最大，且他們的知識(shí)屬性得分越高，越有可能獲得相應(yīng)更高的成績(jī)等級(jí)。其次，若潛在建構(gòu)者中的合格者繼續(xù)加強(qiáng)興趣屬性的培養(yǎng)，即潛在建構(gòu)者充分調(diào)動(dòng)對(duì)各項(xiàng)在線學(xué)習(xí)任務(wù)的積極性，從而強(qiáng)化對(duì)課程知識(shí)本身的關(guān)注，則他們有望上升為優(yōu)秀者；教師也可通過(guò)提供獎(jiǎng)勵(lì)支持來(lái)調(diào)動(dòng)他們的外部動(dòng)機(jī)。從良好等級(jí)上升為優(yōu)秀等級(jí)則需要潛在建構(gòu)者注重提升交互屬性得分；教師則需要在教學(xué)設(shè)計(jì)中重視課程交互活動(dòng)的設(shè)計(jì)，幫助潛在建構(gòu)者實(shí)現(xiàn)從信息加工、感知到理解、分享的過(guò)渡。

被動(dòng)接受者的數(shù)據(jù)模型可表示為：G41=LOG[P(不合格)/P(良好)]=6.857+(-9.511)*交互屬性+(-6.959)*興趣屬性+3.954*能力屬性+(-12.867)*知識(shí)屬性；G42=LOG[P(合格)/P(良好)]=-5.511+(-5.966)*交互屬性+(-6.698)*興趣屬性+(-2.412)*能力屬性+(-4.938)*知識(shí)屬性；G43=0（對(duì)照組）。對(duì)于被動(dòng)接受者，不合格者和良好等級(jí)者之間的差距主要體現(xiàn)在知識(shí)屬性方面，即資源利用率低、平時(shí)課程知識(shí)內(nèi)容掌握度差、階段性目標(biāo)達(dá)成度不高等消極因素造成了他們成績(jī)不合格。合格者和良好等級(jí)者之間的差距在興趣屬性方面表現(xiàn)得更為明顯，一方面，被動(dòng)接受者對(duì)在線學(xué)習(xí)任務(wù)的投入度不高，參與活動(dòng)的積極性不明顯，這種被動(dòng)接受的學(xué)習(xí)方式讓他們很難達(dá)成學(xué)習(xí)目標(biāo)，繼而導(dǎo)致他們僅能獲得合格的成績(jī)等級(jí)。因此，教師應(yīng)該加強(qiáng)對(duì)該類群的關(guān)注，通過(guò)有意義的學(xué)習(xí)活動(dòng)逐漸保持被動(dòng)接受者的在線注意力，為他們創(chuàng)設(shè)學(xué)習(xí)活動(dòng)的參與機(jī)會(huì)，鼓勵(lì)被動(dòng)接受者發(fā)揮所長(zhǎng)真正參與到學(xué)習(xí)過(guò)程中。

六、研究總結(jié)

借助學(xué)習(xí)者畫像在描述學(xué)習(xí)者的特征上的優(yōu)勢(shì)、學(xué)習(xí)成績(jī)預(yù)測(cè)在實(shí)施教學(xué)干預(yù)上的價(jià)值，提出了基于學(xué)習(xí)者畫像的學(xué)習(xí)成績(jī)預(yù)測(cè)流程，然后從個(gè)人屬性、交互屬性、興趣屬性、能力屬性和知識(shí)屬性五個(gè)方面構(gòu)建了學(xué)習(xí)者畫像模型，以此展開教學(xué)案例實(shí)踐。通過(guò)個(gè)人畫像和聚類畫像，將學(xué)習(xí)者分為主動(dòng)趕超者、積極協(xié)作者、潛在建構(gòu)者和被動(dòng)接受者四類群體。在此基礎(chǔ)上，采用logistics回歸模型對(duì)四類群體進(jìn)行數(shù)據(jù)建模，深入分析并討論了各類群的學(xué)習(xí)成績(jī)預(yù)測(cè)效果，為教育工作者深入診斷學(xué)習(xí)者的學(xué)習(xí)狀態(tài)并給予精準(zhǔn)的教學(xué)干預(yù)服務(wù)提供了參考。在未來(lái)研究中，將繼續(xù)在更多學(xué)習(xí)場(chǎng)景中整合不同類型學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)，并采用更加智能化的數(shù)據(jù)分析技術(shù)，以挖掘?qū)W習(xí)者畫像及學(xué)習(xí)成績(jī)預(yù)測(cè)的應(yīng)用潛力，促進(jìn)個(gè)性化教育與現(xiàn)代信息技術(shù)的融合創(chuàng)新發(fā)展。