唐燁偉 茹麗娜 范佳榮 龐敬文 鐘紹春

基于學習者畫像建模的個性化學習路徑規(guī)劃研究

唐燁偉1，? 茹麗娜1，? 范佳榮1，? 龐敬文1，? 鐘紹春2

（1.東北師范大學 信息科學與技術學院， 吉林 長春? ?130117;

2.教育部數(shù)字化學習支撐技術工程研究中心， 吉林 長春? ?130117）

[摘? ?要] 信息時代的飛速發(fā)展使教育大數(shù)據(jù)成為研究的熱點，也使得教學正在向個性化、精準性轉型。文章基于大量文獻對學習者畫像和學習路徑相關研究進行了綜述，同時，基于教育大數(shù)據(jù)中的學習者基本情況大數(shù)據(jù)、學習過程大數(shù)據(jù)和學習結果大數(shù)據(jù)構建了學習者畫像模型，并利用關鍵技術描述了共性特征庫的建立方法和個性化畫像的輸出、迭代。最終設計了一種基于學習者畫像的精準個性化學習路徑規(guī)劃框架。該框架由學習目標、學習內容、學習活動、學習評價四個基本要素和學習者、知識圖譜、主流學習路徑、學習者大數(shù)據(jù)、學習者畫像、個性化學習路徑六大部分組成，其中學習者畫像處于整個框架的核心位置，體現(xiàn)了“以學習者為中心”的思想，關注學習者自身特點與個性差異，以期滿足學習者可以根據(jù)需要學習、按照適合的方式學習、找到最佳的環(huán)境和伙伴學習。

[關鍵詞] 學習者大數(shù)據(jù); 學習者畫像; 個性化學習; 學習路徑; 個性化學習路徑規(guī)劃

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 唐燁偉（1987—），男，安徽合肥人。講師，博士，主要從事智慧學習環(huán)境研究。E-mail：308793656@qq.com。

一、引? ?言

中共中央、國務院印發(fā)的《中國教育現(xiàn)代化2035》提出，推進教育現(xiàn)代化要“更加注重因材施教的教育理念”，并將“加快信息化時代教育變革，利用現(xiàn)代技術加快推動人才培養(yǎng)模式改革，實現(xiàn)規(guī)模化教育與個性化培養(yǎng)的有機結合”作為重要的戰(zhàn)略任務[1]。教育現(xiàn)代化要求教育為學生提供高品質的個性化學習，讓學習者能夠主動學習、根據(jù)自己的需要學習、按照適合自己的方式學習、找到適合自己的環(huán)境和伙伴學習、得到最適合自己的教師幫助其學習，逐步形成系統(tǒng)的思維能力和創(chuàng)新性思維能力[2]。但是，大數(shù)據(jù)時代，網(wǎng)絡學習資源爆炸式增長，信息過載與網(wǎng)絡迷航成為學習者個性化學習的阻礙，常態(tài)教育中也存在學習者學習需求的診斷、共性學習路徑的尋找、個性學習路徑的引導等諸多制約個性化學習有效發(fā)生的瓶頸性問題。因此，基于學習者畫像為學習者規(guī)劃個性化的學習路徑是促進其個性化發(fā)展的有效方法與關鍵途徑。

二、相關研究綜述

（一）學習者畫像

在構建學習者畫像過程中，需要對學習者學習過程和學習結果大數(shù)據(jù)進行數(shù)據(jù)挖掘和有效分析，并通過可視化的方式形成學習者畫像。國內外大量學者對此進行了深入的研究，見表1。例如：學習者畫像數(shù)據(jù)挖掘的重要組成部分包括學習者的學習風格、知識水平、學習動機。運用Bayesian網(wǎng)絡算法高精度檢測學生的學習風格[3];知識水平的挖掘采用多層次聚類算法對數(shù)據(jù)進行預處理、挖掘活動數(shù)據(jù)與認知能力的關聯(lián)[4];學習動機上運用神經(jīng)網(wǎng)絡和貝葉斯數(shù)據(jù)簡化算法（BDRA）對數(shù)據(jù)進行處理、簡化和分類[5]。學習者畫像學習分析主要有多元分析、聚類分析、預測分析等方法。多元分析通過多元線性回歸分析算法探究影響某一因素的多個變量，確定影響學生學業(yè)成績的因素[6];聚類分析使用k-means聚類算法，分析學習遷移測試中聚類成員對參與者分數(shù)的影響程度[7]。預測分析運用循環(huán)神經(jīng)網(wǎng)絡（RNN）算法對學習者的認知水平進行信息預測[8]。學習者畫像可視化需要進行數(shù)據(jù)關聯(lián)、同步處理和數(shù)據(jù)可視化。基于Shapelet算法分析數(shù)據(jù)序列的趨勢特征以及數(shù)據(jù)間的時序數(shù)據(jù)，對數(shù)據(jù)進行同步跟蹤，將學習者個性畫像數(shù)據(jù)以及知識能力數(shù)據(jù)動態(tài)關聯(lián)[9-10]。也有學者提出了一種利用時間序列數(shù)據(jù)構造可視化圖的有效非遞歸算法處理數(shù)據(jù)集之中數(shù)據(jù)間存在的時間關系，將相應的實時數(shù)據(jù)進行同步處理[11]。利用Visibility Graph算法將動態(tài)實時變化的學習者知識能力數(shù)據(jù)流轉化為網(wǎng)絡圖[12-13]，從而實現(xiàn)學習者畫像及個性化知識與能力三維立體圖譜的可視化。

綜上所述，學習者畫像的構建需要大數(shù)據(jù)的支持，學習者畫像不僅可以根據(jù)群體特征劃分學習者，還能為學習者提供個性化學習服務。國內外學者對學習者畫像的相關研究包括學習者畫像的構成要素、分析技術以及可視化三個方面，側重于關注利用數(shù)據(jù)挖掘和學習分析技術，對個性化學習行為進行構建，主要集中在對知識層面的刻畫，反映學習者個性化學習心理和外在表現(xiàn)特征，但缺乏對學習者能力的刻畫。將學習者的基本屬性、學習方式、認知特點和學習結果與學習者能力相結合，基于學習大數(shù)據(jù)判定學習者系統(tǒng)和創(chuàng)新思維能力還需要進一步研究。

（二）學習路徑

關于學習路徑的研究，國外有：（1）基于相關模型建立學習路徑。例如：提出一種基于圖論的學習設計推薦系統(tǒng)的構建模型，挖掘教育數(shù)據(jù)相關新特性，使用小團體概念幫助學習者在學習過程中找到合適的學習對象，建立有效的學習路徑[14]。（2）基于學習者相關特點或本體規(guī)劃學習路徑。例如：基于學生學習方式的需求，應用群體智能模型和蟻群優(yōu)化方法，在靜態(tài)和動態(tài)學習單元中尋找合適的學習路徑[15];將本體作為一種結構化的知識表示方案，基于生成的本體概念圖提出一種基于遺傳的課程排序方案，從而為學習者規(guī)劃合適的學習路徑[16]。

國內關于學習路徑的研究主要集中在基于學習者學習大數(shù)據(jù)或本體、情境推薦學習路徑。例如：牟智佳基于學習者的行為數(shù)據(jù)，通過數(shù)據(jù)挖掘和機器學習算法，分析學習者的個性化特征，刻畫學習者數(shù)據(jù)肖像模型，并基于該模型設計個性化學習路徑實施框架[17];趙蔚等人基于Moodle平臺中的學習過程數(shù)據(jù)采用學習分析技術，挖掘不同學習風格、學習成績、學習偏好學習者的學習路徑，根據(jù)路徑分析結果為學習者自我調節(jié)提供反饋[18];黃志芳等人分析影響適應性學習路徑推薦的情境要素，采用本體的方法對情境要素和學科知識進行形式化表示，構建學習情境本體模型和學科領域本體庫，設計了基于情境感知技術的適應性學習路徑推薦模型框架[19]。

通過比較國內外關于學習路徑的研究可以發(fā)現(xiàn)：國外研究側重于使用智能優(yōu)化算法，對學習者的學習方式、知識本體進行分析并應用于學習路徑的研究;國內則側重于使用數(shù)據(jù)挖掘和學習分析等技術分析學習者的個性特征和學習大數(shù)據(jù)，或使用本體技術和情境感知技術對情境要素和學科知識進行形式化表示，以研究學習路徑。此外，我們還可以發(fā)現(xiàn)，國內外學者大多以學習者為研究對象，將學習者的個體特征和行為數(shù)據(jù)、學習過程數(shù)據(jù)作為研究學習路徑的切入點，體現(xiàn)了“以學習者為中心”的思想。僅有少數(shù)學者將知識本體和情境因素作為研究學習路徑的方向。筆者認為，盡管學科知識本體和情境因素是研究學習路徑的一個重要契機，但是，研究學習者的個體特征和學習大數(shù)據(jù)更有助于為學習者規(guī)劃學習路徑、提供個性化學習服務。

三、學習者畫像建模

人工智能和大數(shù)據(jù)的發(fā)展加速了個性化學習的實現(xiàn)，與傳統(tǒng)的教學方式不同，個性化學習需要解決根據(jù)不同類型的學習者的特點，對其學習行為進行準確個性化評價的問題[20]。學習者畫像是一種包含多種子結構的標簽的用戶概念模型，是對反映其基本特征的個人數(shù)據(jù)進行搜集和描述，研究學習者畫像是為了將學習者群體標簽化，以便更好地識別不同學習者，提供個性化學習者支持服務[21]。學習者畫像為進一步精準、快速地分析學習者的問題解決與任務完成結果、知識獲取與能力形成方式、學習過程所善于使用的支撐手段和交互方式、知識掌握與能力形成程度、系統(tǒng)和創(chuàng)新思維能力形成程度、偏好與認知水平等提供了足夠的數(shù)據(jù)基礎，完美地抽象出了學習者的信息全貌，可以看作個性化學習中應用大數(shù)據(jù)的根基。

（一）學習者畫像設計

Alan Cooper（交互設計之父）最早提出了用戶畫像（Persona）的概念，用來勾畫目標用戶、進行產(chǎn)品定位、聯(lián)系用戶訴求與設計方向[22]。本文中學習者畫像是學習者的標簽化，依據(jù)學習者的基本屬性和學習過程、學習結果特征而抽象出標簽化的學習者模型。能夠最大限度地表現(xiàn)出學習者的學習需求和偏好，以便應用于推薦個性化學習路徑。本文從學習者的基本屬性、學習過程和學習結果三個維度設計學習者畫像，如圖1所示。

圖1? ?三個維度的學習者畫像

學習者的基本屬性是對于學習者姓名、年齡、性別等一些基本性質的描述，通過一個標簽對學習者進行高度精煉的特征標識，有效地對這一階段的學習者進行共性分析。提煉學習者學習過程大數(shù)據(jù)，分析學習者學習方式偏好和認知特點;提取學習者學習結果大數(shù)據(jù)，精確分析學習者基礎知識的掌握程度、學習方法的掌握程度、問題解決與任務完成程度和能力形成程度。

（二）學習者畫像建模

1. 基于學習者基本屬性的學習者畫像建模

學習者基本屬性用以區(qū)分和識別學習者，包括學習者編號（ID）、姓名（Name）、年齡（Age）、性別（Gen）、學科（Sub）、學段（Sec）。首先，對學習者進行編號，使每個學習者具有唯一的標識。然后，獲取對應編號的學習者的姓名、年齡、性別、學科和學段信息，形成一個目標信息庫D，即學習者集合，D={ID1，ID2，……，IDn}，即n個學習者構成的集合，利用聚類算法可以將文本聚合成多個小而充分的內聚類，每個內聚類包含一個或多個共同特征。挑選4個聚類中心矢量{Age，Gen，Sub，Sec};對于目標信息庫D中的每個ID對應的文本，使用K-means算法依次計算每個ID對應的文本與每個初始聚類中心Age、Gen、Sub、Sec的相似度。若某個ID對應的文本與某個聚類中心矢量（Age，Gen，Sub，Sec）具有最大相似性，則將這個ID對應的信息分為以某個聚類中心矢量（如Age）為中心的簇N，從而在D中獲得簇向量N（Age）={（ID1，Name1，Age1，Gen1，Sub1，Sec1），（ID2，Name2，Age1，Gen2，Sub2，Sec2），……，（IDn，Namen，Age1，Genn，Subn，Secn）}。相應地，以性別矢量為聚類中心在信息庫D得到簇向量N（Gen），以學科矢量為聚類中心在信息庫D得到簇向量N（Sub），以學段矢量為聚類中心在信息庫D得到簇向量N（Sec）。在最后的聚類步驟中，兩個最相似的集群合并成一個集群，直到所有文本被分類到集群中，如圖2所示。

圖 2? ?學習者基本屬性聚類圖

通過重復上述步驟， 將文本集中的文本重新取回到文本集群中，并重新計算新的集群中心（多個矢量為聚類中心），直到集群中心保持不變。既建立了每個學習者基本屬性的向量集合，又達到了將學習者分類、形成共性屬性庫的目的。

2. 基于學習過程大數(shù)據(jù)的學習者畫像建模

學習大數(shù)據(jù)包括學習結果大數(shù)據(jù)和學習過程大數(shù)據(jù)?；趯W習過程大數(shù)據(jù)的學習者畫像建模從學習方式和認知特點兩個方面進行。用Mt（Qs，Ts，Cs）表示學習者在解決問題與完成任務時應用的學習方式，學習方式包括知識獲取（Acq）、合作交流（Cop）、問題探究（Exp）三個方面。學習方式的形式化表達為：（Acq，Cop，Exp）∪Mt（Qs，Ts，Cs）。提取學習者的4個課堂行為特征和4個在線學習特征：學習者參與討論次數(shù)、提問次數(shù)、參與實驗時長、參與實驗次數(shù)、下載資源次數(shù)、虛擬實驗時長、班級群交流次數(shù)和私信次數(shù)。利用L1范數(shù)正則化SVM聚類算法，從而對學習者的8個行為特征進行篩選，產(chǎn)生稀疏權值矩陣，實現(xiàn)特征選擇[23]。學習者的認知特點包括背景（Bg）和認知方式（Sty），形式化表達為：（Bg，Sty）∪Kb（Mt）。以學習者的基本屬性建模為基礎，用ID唯一標識學習者，Bg（ID，cx）表示ID學習概念cx的認知背景，將其劃分成5個層級{不及格，及格，中等，良，優(yōu)}，依次量化為離散值{1，2，3，4，5};Int（ID，cx）表示ID學習概念cx時表現(xiàn)出來的認知方式。根據(jù)Riding和Cheema將諸多認知方式（認知風格）類型歸納為兩種基本的維度：整體—分析維度和言語—表象維度[24]，本研究將其劃分成4個類型，{整體型、分析型、言語型、表象型}，檢測計算整體任務和分析任務的反應時比值t1以及言語和表象兩個維度的反應時比值t2，t1越高，表示學習者分析型傾向越高;t2越高，表示學習者表象型傾向越高。

3. 基于學習結果大數(shù)據(jù)的學習者畫像建模

基于學習結果大數(shù)據(jù)的學習者畫像建模分為四部分：學習者的基礎知識體系、問題與任務體系、解決問題與任務的過程中使用的方法體系和最終形成的能力體系。其中，每個部分都與基礎知識體系有聯(lián)系，所以，基礎知識的掌握程度直接影響到學習者整個學習過程結果的優(yōu)劣。利用規(guī)則匹配原則，在學習者輸入或選擇相關的信息組合后，系統(tǒng)會將這些信息與基礎知識體系中的各項前件進行匹配，如果匹配成功則返回后件，否則調整學習者畫像的各個組件，并重新匹配直到得出結果。利用可信度的概念公式[25]，標識Kb為學習者需要掌握的基礎知識體系，Pf為學習者輸入或選擇相關的信息組合，CF為一條知識的可信度，成為可信度因子（Certainty Factor），對于規(guī)則IF Pf THEN Kb（CF（Pf，Kb）），有如下可信度概念公式：

CF（Pf，Kb）的值即學習的程度水平L，介于[-1，1]之間，其解釋如下：

（1）CF（Pf，Kb）=1時，即P（Pf，Kb）=1，P（Pf）=0，則表示證據(jù)Kb為真時，結論Pf必為真。即學習者輸入或選擇相關的信息組合與基礎知識體系中的各項前件匹配成功，可以返回后件。

（2）CF（Pf，Kb）>0時，則表示證據(jù)Kb增加了結論Pf為真的可信度。同（1）。

（3）CF（Pf，Kb）=0時，即P（Pf，Kb） =P（Pf），則表示證據(jù)Kb對結論Pf沒有影響。即學習者輸入或選擇相關的信息組合與基礎知識體系中的各項前件匹配不成功，需要調整學習者畫像的各個組件并重新匹配。

（4）CF（Pf，Kb）<0時，則表示證據(jù)Kb增加了結論Pf為假的可信度。同（3）。

（5）CF（Pf，Kb）=-1時，即P（Pf，Kb）=0，P（Pf） =1，則表示證據(jù)Kb為真時，結論Pf必為假。同（3）。

最終形成的學習者基礎知識體系掌握程度的向量集合為{（Kb1（Mti），Ljki1），（Kb2（Mti），Ljki2），……，（Kbn（Mti），Ljkin）}，其中，M表示學習方法（在這一階段的推理中不涉及學習方法的變化）。

在問題與任務體系、解決問題與任務的過程中使用的方法體系和最終形成的能力體系中，利用上述方法，如果匹配成功，則返回后件，否則，調整學習者畫像的各個組件，重新匹配，直到得出結果。用L表示學習的程度和水平，A表示學習者需要在經(jīng)歷解決問題、完成任務活動時形成的相應能力，最終形成的學習者能力與程度的向量集合：{（A1，L1），……，（ An，Ln）}。用Qs∪Ts∪Cs表示學習者需要解決的問題與任務體系，最終形成的學習者問題解決和任務完成程度的向量集合為：{（Qs1（Ai），Li1），……，（Qsn（Ai），Lin）}∪{（Ts1（Ai），Li1），……，（Tsn（Ai），Lin）}∪{（Cs1（Ai），Li1），……，（Csn（Ai），Lin）}。用Mt表示學習者在解決問題與任務的過程中使用的方法體系，最終形成的解決問題與任務的過程中應用方法掌握程度的向量集合為：{（Mt1（Qsi，vi1，ri1），Lki1），……，（Mtn（Qsi，vin，rin），Lkin）}∪{（Mt1（Tsi，vi1，ri1），Lki1），……，（Mtn（Tsi，vin，rin），Lkin）}∪{（Mt1（Csi，vi1，ri1），Lki1），……，（Mtn（Csi，vin，rin），Lkin）}?；趯W習結果大數(shù)據(jù)的學習者畫像建?；舅悸啡鐖D3所示。

圖 3? ?基于學習結果大數(shù)據(jù)的學習者畫像建?；舅悸?/p>

四、基于學習者畫像的學習路徑規(guī)劃

學習路徑是實現(xiàn)個性化學習的前提條件。能否規(guī)劃出符合學習者學習特征規(guī)律和實際學習需要的學習路徑，特別是能夠依據(jù)持續(xù)的學習數(shù)據(jù)創(chuàng)建出符合學習者個性規(guī)律的個性化路徑，是實現(xiàn)高品質個性化學習的關鍵。學習者畫像體現(xiàn)了學習者的學習方式、認知水平、問題解決與任務完成程度、學習者解決問題與任務過程中所使用方法體系掌握程度、學習者基礎知識體系掌握程度。在數(shù)字化學習環(huán)境下，以學習者為中心，基于學習者畫像規(guī)劃學習路徑，可為學習者提供更精準的個性化學習服務。

（一）學習路徑形式化表達

學習路徑是學習者在學習過程中所經(jīng)歷的學習內容和學習活動的有序序列，學習者在經(jīng)歷該序列的過程中實現(xiàn)基本知識的學習、方法體系的掌握、問題解決與任務的完成，從而提升相應的能力。因此，學習路徑可以用一個包括了知識（Kb）、方法（Mt）和問題任務（Qs∪Ts∪Cs ）三個維度的三維向量矩陣來表示。

學習路徑形式化表達：

[Qs1（Ai）∪Ts1（Ai）∪Cs1（Ai），Qs2（Ai）∪Ts2（Ai）∪Cs2（Ai），……，Qsn（Ai）∪Tsn（Ai）∪Csn（Ai）

Mt1（v1，r1），Mt2（v2，r2），……，Mtn（vn，rn）

Kb1（Mti），Kb2（Mti），……，Kb3（Mti）]

其中，1、2直到n表示從第1條、第2條開始共有n條學習路徑，i作為標識學習者的符號，v表示效度，r表示信度。

體現(xiàn)基礎知識、方法、問題與任務三個維度的學習路徑形式化表達基本思路如圖4所示。圖中三條實線軸分別代表知識（Kb）、方法（Mt）和問題任務（Qs∪Ts∪Cs ）三個維度，三條軸的交點代表符合相應基礎知識體系掌握程度、方法體系掌握程度、問題解決與任務完成程度的學習路徑。三條虛線軸的三個維度分別為：Kb1（Mti）……Kbn（Mtn）代表1至n不同的基礎知識體系掌握程度，Mt1（v1，r1）……Mtn（vn，rn）代表1至n不同的方法掌握程度，Qs1（Ai）∪Ts1（Ai）∪Cs1（Ai），Qs2（Ai）∪Ts2（Ai）∪Cs2（Ai），……，Qsn（Ai）∪Tsn（Ai）∪Csn（Ai）代表1至n不同的問題解決與任務完成程度。三條軸的交點則表示符合第i個學生的基礎知識體系掌握程度、方法體系掌握程度、問題解決與任務完成程度的1至n條個性化學習路徑。

圖 4? ?學習路徑形式化表達基本思路

（二）基于學習者畫像的學習路徑規(guī)劃框架

學習者經(jīng)歷的學習路徑可以分為主流學習路徑和個性化學習路徑。主流學習路徑是基于學生群體的學習結果大數(shù)據(jù)和知識圖譜，提煉出符合大多數(shù)學生學習需求，適用于大多數(shù)學生的簡單的學習內容與學習活動序列，同樣包括知識（Kb）、方法（Mt）和問題任務（Qs∪Ts∪Cs）三個維度。其中，知識圖譜是以達成學生學習目標和培養(yǎng)高階思維能力為目的，將學科的知識結構與基于知識形成的能力對應的問題或任務相關聯(lián)并將其圖示化呈現(xiàn)。主流學習路徑可以表示為：

Qs■∪Ts■∪Cs■? ? ? ? ?Mt■? ? ? ? ?Kb■

個性化學習路徑則是基于每個學習者的學習結果分析，設計滿足其學習需求的學習目標，并提供符合其學習方式、認知特點的學習內容和學習活動，由學習者自定步調和掌控的學習序列。個性化學習路徑可以表示為：

Qs■（A■）∪Ts■（A■）∪Cs■（A■）? ? ? ? ? ? Mt■（V■，R■）? ? ? ? ? ? ? Kb■（Mt■）

學習路徑規(guī)劃就是針對每個學習者的學習畫像，在主流學習路徑的基礎上，為該學習者匹配適合其個性發(fā)展的學習路徑?；趯W習者畫像的學習路徑規(guī)劃框架如圖5所示。該框架由學習目標、學習內容、學習活動、學習評價四個要素作為基本構成。其中，學習內容與學習活動是學習者實現(xiàn)知識學習與能力達成的具體方式。學習目標是依據(jù)學習需求制定的且符合學習者的個體差異，是學習內容與活動安排的重要依據(jù)。學習評價包括過程性評價和總結性評價，檢驗學習內容與活動的安排是否達成了學習目標。此外，還包括學習者、知識圖譜、主流學習路徑、學習者大數(shù)據(jù)、學習者畫像、個性化學習路徑六大部分。學習者畫像處于整個框架的核心位置，體現(xiàn)“以學習者為中心”的思想，關注學習者的自身特點與個性差異。

圖5? ?基于學習者畫像的學習路徑規(guī)劃框架

學習者通過完成學習任務，經(jīng)歷理解—感悟—探究知識的過程，建立知識汲取與能力顯現(xiàn)的實質性聯(lián)系，構建基礎知識體系、問題與任務體系、解決問題與任務的過程中使用的方法體系和最終形成的能力體系，形成知識圖譜，并產(chǎn)生學習大數(shù)據(jù)。學習大數(shù)據(jù)包括學習過程大數(shù)據(jù)和學習結果大數(shù)據(jù)。學習大數(shù)據(jù)和學習者基本情況大數(shù)據(jù)構成學習者大數(shù)據(jù)。依據(jù)學習者大數(shù)據(jù)可建立體現(xiàn)學習者基本屬性、學習方式、認知特點、學習結果的學習者畫像。其中，基本屬性來源于學習者基本情況大數(shù)據(jù);學習方式和認知特點來源于學習過程大數(shù)據(jù);學習結果的四種程度（基礎知識的掌握程度、學習方法的掌握程度、問題解決與任務完成程度、能力形成程度）來源于學習結果大數(shù)據(jù)。

針對學習者畫像，在充分考慮學習者基本屬性、學習方式、認知背景、認知方式、學習結果的基礎上，為學習者匹配適合的學習路徑，將學習內容或學習活動適應性呈現(xiàn)。同時，依據(jù)學習者的基本信息、知識水平為其推送最佳的學習伙伴;依據(jù)學習者的學習方式偏好實現(xiàn)學習方式的智能推薦;依據(jù)學習者的興趣愛好、學習風格、學習結果達成程度推送個性化學習資源，從而使學習者在經(jīng)歷學習活動的過程中更好地沉浸其中，提高學習的參與度與投入度，實現(xiàn)個性化學習。學習者大數(shù)據(jù)的實時收集，可以實現(xiàn)對學習者的實時反饋與評價以及學習者畫像的實時更新，從而實現(xiàn)對學習路徑的動態(tài)監(jiān)測與調控。

五、總結與展望

教育是知識學習的重要路徑，也是人類社會延續(xù)與發(fā)展的永恒主題，教育要根據(jù)學習者的興趣、學習習慣、學習風格等來開展教學，讓每個人都能充分發(fā)揮出其個性化特點，教育要為每一名學習者提供個性化學習、終身學習的信息化環(huán)境和服務。本研究基于學習者的基本屬性、學習過程和學習結果大數(shù)據(jù)對學習者畫像進行建模，在此基礎上規(guī)劃個性化學習路徑，但是研究不足在于，學習者畫像建模忽視了學習者在學習過程中突發(fā)的情感體驗，例如：教學資源呈現(xiàn)復雜或學習信息難以理解時，部分學習者產(chǎn)生的挫折和不滿意感，因此，在學習過程中進行情感預測并實施有效的干預和疏導， 將是下一步研究的內容。

[參考文獻]

[1] 中共中央國務院印發(fā)《中國教育現(xiàn)代化2035》[N].人民日報，2019-02-24（01）.

[2] 鐘紹春.構建信息時代教育新模式[J].電化教育研究，2019，40（4）：23-29.

[3] GARCíA P，AMANDI A，SCHIAFFINO S，CAMPO M.Evaluating bayesian networks' precision for detecting students' learning styles [J].Computers in education，2007，49（3）：794-808.

[4] KOCK M，PARAMYTHIS A.Towards adaptive learning support on the basis of behavioural patterns in learning activity sequences[C]//International Conference on Intelligent Networking & Collaborative Systems.Thessaloniki：IEEE，2011.

[5] GALBRAITH C S，MERRILL G B，KLINE D M.Are student evaluations of teaching effectiveness valid for measuring student learning outcomes in business related classes？A neural network and bayesian analyses [J].Research in higher education，2012，53（3）：353-374.

[6] YU T，JO I H.Educational technology approach toward learning analytics：relationship between student online behavior and learning performance in higher education[C]//Proceedings of the Fourth International Conference on Learning Analytics and Knowledge .New York：ACM，2014.

[7] SCHROEDER N L，YANG F，BANERJEE T V，et al.The influence of learners' perceptions of virtual humans on learning transfer [J].Computers & education，2018，126（11）：170-182.

[8] PIECH C，BASSEN J，HUANG J，et al.Deep knowledge tracing[J].Computer science，2015，3（3）：19-23.

[9] BALDAN F J，BENITEZ J M.Distributed fastshapelet transform：a big data time series classification algorithm[J].Information sciences，2018，496（27）：451-463.

[10] LIU L，PENG? Y X，WANG S，et al.Complex activity recognition using time series pattern dictionary learned from ubiquitous sensors [J].Information sciences，2016，340-341（13）：41-57.

[11] GHOSH S，DUTTA A.An efficient non-recursive algorithm for transforming time series to visibility graph[J].Physica a：statistical mechanics and its applications，2019，514（2）：189-202.

[12] LACASA L，LUQUE B，BALLESTEROS F.From time series to complex networks：the visibility graph[J].Proceedings of the National Academy of Sciences of the United States of America，2008，105（13）：4972-4975.

[13] CZECHOWSKI Z，LOVALLO M，TELESCA L.Multifractal analysis of visibility graph-based Ito-related connectivity time series [J].Chaos：an interdisciplinary journal of nonlinear science，2016，26（2）：1-6.

[14] DURAND G，BELACEL N，F(xiàn)RANOIS L.Graph theory based model for learning path recommendation[J].Information sciences，2013，251（12）：10-21.

[15] KURILOVAS E，ZILINSKIENE I，DAGIENE V.Recommending suitable learning paths according to learners' preferences：experimental research results[J].Computers in human behavior，2015，51（10）：945-951.

[16] CHEN C M，PENG C J，SHIUE J Y.Ontology-based concept map for planning personalized learning path[C]//IEEE Conference on Cybernetics & Intelligent Systems.New York：IEEE，2008.

[17] 牟智佳.學習者數(shù)據(jù)肖像支撐下的個性化學習路徑破解——學習計算的價值賦予[J].遠程教育雜志，2016，34（6）：11-19.

[18] 趙蔚，李士平.基于學習分析的自我調節(jié)學習路徑挖掘與反饋研究[J].中國電化教育，2018（10）：15-21.

[19] 黃志芳，趙呈領，黃祥玉，萬力勇，陳智慧.基于情境感知的適應性學習路徑推薦研究[J].電化教育研究，2015，36（5）：77-84.

[20] 郎波，樊一娜.基于深度神經(jīng)網(wǎng)絡的個性化學習行為評價方法[J].計算機技術與發(fā)展，2019（7）：1-8.

[21] RYU J，BAYLOR A L.The psychometric structure of pedagogical agent persona [J].Technology instruction cognition and learning，2005，2（1）：291-314.

[22] 余孟杰.產(chǎn)品研發(fā)中用戶畫像的數(shù)據(jù)模建——從具象到抽象[J].設計藝術研究，2014，4（6）：60-64.

[23] 董哲瑾，王健，錢凌飛，林鴻飛.一種用戶成長性畫像的建模方法[J].山東大學學報（理學版），2019，54（3）：38-45.

[24] 王岳思.認知風格測驗的信效度研究[D].杭州：浙江大學，2018.

[25] 竇智勇，王霓虹，邢芳卉.基于改進主觀Bayes方法的不確定推理模型設計[J].黑龍江大學自然科學學報，2011，28（1）：127-131.