基于学习者画像的混合式教学精准服务系统研究

陈红玲 段班祥 胡建华 陈桂冬

摘  要：随着互联网+教育的发展，基于线上+线下的混合式教学已经成为一种常见的教学方式。由于混合式教学环节多，传统教学手段很难实现个性化、精准化教学。设计了一种基于学习者画像技术的混合式教学精准服务框架，利用大数据画像技术挖掘学习者的学习规律、学习效果和群体特征，并利用Django+Python技术开发了混合式教学精准服务系统，为教师精准地开展教学、提升学生的学习效果提供辅助服务。

关鍵词：大数据技术;学习者画像;混合式教学;精准教学;教学服务系统

中图分类号：TP311;G434                文献标识码：A文章编号：2096-4706（2022）02-0017-05

Abstract： With the development of Internet + education， blended teaching based on Online + offline has become a common teaching method. Due to the many links of blended teaching， it is difficult for traditional teaching methods to realize personalized and accurate teaching. This paper designs a blended teaching precision service framework based on learner portrait technology， uses big data portrait technology to mine learners’ learning rules， learning effects and group characteristics， and uses Django+Python technology to develop a blended teaching precision service system， so as to provide auxiliary services for teachers to accurately carry out teaching and improve students’ learning effects..

Keywords： big data technology; learner portrait; blended teaching; accurate teaching; teaching service system

0  引  言

学习者画像是指利用大数据技术对学习主体的历史数据进行提取、分析和挖掘，采用数据化、语义化的标签对学习者的行为特征进行刻画，从而全面概括学习者的特征信息[1]。通过对学习者画像模型的建立，可以有效挖掘学习者的学习规律、学习效果、群体特征等，为教师实现因材施教、个性化培养提供了技术支撑。

在国内外，已有不少学者将学习者画像技术运用于开放式MOOC教学的个性化精准学习服务方面的研究。如Kaye[2]根据成年人学习者特征模型建立学习者画像，实现了开放式学习环境下符合个体终身学习需求的学习推荐路径;Brusilovsky[3]采用覆盖和基于模糊的建模技术，构建了一个动态的学习者画像模型，实现了基于web的自适应学习系统。在国内，有学者提出了利用学习者画像技术解决大规模开放式慕课环境下学习迷航、学习者流失等问题，如基于学习者画像建模的个性化学习路径设计[4，5]和个性化学习路径推荐[6];基于学习者群体画像的个性化学习环境构建[7]、个性化学习精准服务[8]、个性化学习辅导[9]等;以及利用学习者画像技术开发智慧学伴微测诊断工具用于开展精准教学[10]。

近年来一种新型的SPOC（Small Private Online Course， 小规模限制性在线课程）教学模式[11]，它以小规模和限制性受到诸多高校青睐， 众多高校纷纷开始尝试“传统课堂+SPOC”的混合式教学改革实践[12-14]。然而大多数混合式课程在教学实施中缺乏对学情数据的分析和监控，难以做到精准的因材施教。在这种背景下，本研究利用学习者画像技术为混合式课程的精准化、个性化、情景化教学提供服务支持，对推广混合式教学模式的应用以及实现人才精准培养等方面具有积极的意义。

1  系统框架设计

本研究设计了基于学习者画像的混合式教学精准服务框架，目的在于通过大数据画像技术深度挖掘学习者个体特征和群体聚类特征，为教师预警高风险学生、实施分层分类教学、确定教学薄弱点、优化资源投放等方面提供精准化的教学服务支撑。本框架共包括数据获取、数据预处理、画像标签提取、画像可视化以及精准教学服务五个部分，如图1所示。

2  画像可视化功能实现

2.1  数据获取

精准教学服务建立在精准的画像分析基础上，数据获取和数据预处理是建立画像模型的必要保障。在混合式教学过程中，原始的学情数据来源于对教师线下教学日志数据的收集和线上平台学情数据的导出和爬取。系统利用Python读取教师Excel教学日志文件获得线下学情数据;对于线上学情数据，本系统选取的超星平台提供了部分统计数据集，可以直接将其导出为Excel文件，再用Python对其进行解析，对于超星平台没有直接给出来的数据，系统利用Python爬虫程序进行采集。系统共采集了24项原始的学情数据，如表1所示。

2.2  数据预处理

对采集到的24项原始学情数据项中的缺失值、异常值、重复值及干扰值进行清洗，去重补缺、删除异常值和干扰值。在清洗好的数据基础上，对线上线下数据进行整合操作，利用学生的学号信息将同一学生的线上和线下数据关联起来。由于数据中各项指标量纲不一，因此为了消除量纲不同对数据分析的影响，对整合后的数据进行标准化处理。同时对在不同周期采集到的相同数据项，通过统计聚合的方式进行合并规约处理。为了能够动态跟踪学生的学习变化情况，研究将每个周期内采集到的数据预处理好后存入MySQL数据库。

2.3  画像标签提取

在数据预处理阶段清洗整理后共得到24项学情数据项，研究对线上和线下学情数据项中代表同一维度的数据项采用求和或求均值等方式将其合并，最终得到16个主因子标签用于构成学习偏好、学习活跃度和学习效果三个维度的画像标签体系，如图2所示。其中学习活跃度维度用于刻画学生的学习态度和学习行为特征，可辅助教师精准预警高风险学生;学习效果维度用于刻画学生的学习水平和认知能力特征，可辅助教师精准实施分层分类教学和提炼教学难点;学习偏好维度用于挖掘不同学生对学习资源的偏好差异，可辅助教师优化线上资源类型，精准投放资源。

2.4  画像建模与可视化

研究利用定量分析和定性分析两种方法，对混合式教学过程中的学生个体特征、班级群体特征以及课程教学情境特征三个层次进行画像建模。定量分析采用描述性统计方法，根据标签成分数据的特点，采用频数分析、均值分析、离散程度分析等方法，对标签数据进行概括性计算，利用统计图表可视化呈现画像的多维标签特征。定性分析采用推断性统计方法，对画像不同维度的标签因子进行因子权重分析，推断画像在多因子作用下的总体特征，采用聚类分析的方法推断不同画像群体之间的特征差异。系统框架采用Django web框架，通过Python编程技术调用pyecharts库实现各层次画像的可视化呈现，如图3所示。

3  混合式教学精准服务功能实现

3.1  高风险学情预警功能实现

高风险学生往往是学习参与度较低、学习效果偏差的学生。系统利用SPSS软件对每位学生在学习活跃度和学习效果两个维度共12项指标进行因子权重分析，然后在程序中对每位学生在这12项指标上的数值按权重进行加权求和得出学生在学习活跃度和学习效果维度的定量分析结果，将两项结果中有低于60分的学生设定为高风险预警人群。通过对每个学生在学习活跃度和学习效果两个维度的画像挖掘，辅助教师提前预判边缘学生，并进行有针对性的提醒和干预。该功能实现效果如图4所示。

3.2  分层分类教学功能实现

要想实现课堂教学中的因材施教，就必须挖掘出学生的个体差异。学生在学习过程中体现出来的个体差异，包括学习偏好、学习能力和学习态度上的多种差异。系统基于学习者画像特征研究，实现了智能化分层教学辅助功能。在每个知识点学习完毕之后，系统会根据每一位学生的学习效果为其自动匹配难易程度相当的课后拓展作业。实现技术是通过ajax传递作业文件的难度等级参数，使用Python在数据库中為每位学生寻找难度相匹配的分层作业，最后调用Python自带的smtplib库和email库实现将匹配好的作业以邮件附件的形式自动发送至学生邮箱，完成分层作业推送功能。同时系统会根据学生对线上学习资源的偏好画像分类推荐其更感兴趣的学习资料。分层分类个性化教学服务框架如图5所示。

3.3  教学难点提取功能实现

所谓教学难点是指学生在学习过程中不容易理解的知识，或不易掌握的技能技巧。确定并解决教学重难点，是教师优化课堂教学，提高教学质量，实现有效教学的前提[15]。一位有经验的教师往往在课前根据教学内容本身可以确定教学难点，但学情的不确定性，有时在教师眼里认为容易的知识点有可能因为特定班级学生的先修知识学得不够好而导致这种原本容易的知识变成难点知识。因此教学难点的精准确定有赖于对学情动态的把握和深入的分析，本系统实时采集每个教学周的全过程学情数据，动态监测班级学生在每个知识点、每个章节上面的掌握情况，部分得分率偏低的知识点或单元测验，系统会给出预警，提醒教师重视。该功能实现效果如图6所示。

4  结  论

基于学习者画像的混合式教学精准服务系统是以线上线下全教学过程数据采集为支撑，运用数据统计方法和画像建模技术从多维度分析、解释学情数据，通过对学习行为、学习效果、教学盲点的诊断与分析，挖掘特定教学情境下的高风险学习者、分层分类群体特征、教学难点盲点信息。本研究所涉及的系统开发技术，可为教师开展精准化教学提供信息化应用方法参考。具体实践表明，基于学习者画像的精准化教学服务系统的应用能辅助教师提前关注和预警学困生、有效开展分层次教学以及挖掘自己意识不到的教学难点，从而为其优化教学策略、提高教学效果提供有力的决策服务支持。

参考文献：

[1] SUN Y， CHAI R. An Early-Warning Model for Online Learners Based on User Portrait [J]. Ingénierie des Systèmes D Information，2020，25（4）：535-541.

[2] KAYE A，RUMBLE G . Distance teaching for higher and adult education [M]. [S.L]：CroomHelm in association with the Open University Press，2015，1：56-65.

[3] BRUSILOVSKY P， KOBSA A， NEJDL W. The Adaptive Web [M]//BRUSILOVSKY P， KOBSA A， NEJDL W. Lecture Notes in Computer Science， Berlin：Springer，2014（5）：377-408.

[4]唐烨伟， 茹丽娜， 范佳荣， 等. 基于学习者画像建模的个性化学习路径规划研究[J]. 电化教育研究， 2019， 40（10）： 53-60.

[5]牟智佳， 李雨婷， 商俊超. 教育大数据环境下基于学习画像的个性化学习路径设计研究[J]. 中国教育信息化， 2019（11）： 55-59+65.

[6]师亚飞， 彭红超， 童名文. 基于学习画像的精准个性化学习路径生成性推荐策略研究[J]. 中国电化教育， 2019（5）： 84-91.

[7]康琦， 岳鹍. 基于大数据群体画像的个性化学习环境构建的研究[J]. 高教学刊， 2020（13）： 52-55.

[8]刘海鸥， 刘旭， 姚苏梅， 等. 基于大数据深度画像的个性化学习精准服务研究[J]. 图书馆学研究， 2019（15）： 68-74.

[9]夏雪莹， 马玉慧. 基于学生画像的个性化学习辅导策略研究[J]. 黑龙江生态工程职业学院学报， 2020， 33（3）： 125-128.

[10]刘宁， 王琦， 徐刘杰， 等. 教育大数据促进精准教学与实践研究——以“智慧学伴”为例[J]. 现代教育技术， 2020， 30（4）： 12-17.

[11] AN J， XU YF . Exploration And Practice Of SPOC Hybrid Teaching Based On Vocational Education Cloud Platform [J]. International Journal of Higher Education Teaching Theory，2021，2（3）：233-239.

[12]沙沙， 张平， 张静. “互联网+”时代，基于SPOC的混合式教学模式的探索与研究[J]. 高教学刊， 2021， 7（21）： 115-117+121.

[13]周继香， 周育人. 基于微信的混合式教学支撑系统研究[J]. 计算机技术与发展， 2017， 27（5）： 59-63.

[14] TAN J. Research on Dynamic Evaluation System of College English Blended Teaching Based on SPOC [J/OL].Journal of Physics： Conference Series， 2021， 1744：[2021-12-03]. https：//iopscience.iop.org/article/10.1088/1742-6596/1744/3/032113/pdf.

[15]陳丽英. 高职院校教学重难点的科学确定研究[J]. 成才之路， 2018（13）： 44-45.

作者简介：陈红玲（1980—），女，汉族，湖南郴州人，副教授，硕士研究生，研究方向：大数据技术应用、机器学习算法应用。