摘 ? ?要：用戶畫像作為一種信息化工具已開始應(yīng)用于教育領(lǐng)域，基于用戶畫像的在線學(xué)習(xí)干預(yù)可進一步提升在線學(xué)習(xí)質(zhì)量。通過采集在線學(xué)習(xí)用戶相關(guān)數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理與挖掘，形成在線學(xué)習(xí)人群屬性標(biāo)簽、用戶關(guān)聯(lián)關(guān)系標(biāo)簽、用戶活躍度標(biāo)簽和用戶學(xué)習(xí)偏好標(biāo)簽等標(biāo)簽體系。基于用戶標(biāo)簽體系，采用非結(jié)構(gòu)化關(guān)鍵詞法對在線學(xué)習(xí)用戶進行畫像構(gòu)建，形成在線學(xué)習(xí)用戶畫像庫。然后，對在線學(xué)習(xí)用戶畫像進行聚類、學(xué)習(xí)狀態(tài)診斷分析，精準(zhǔn)預(yù)測在線學(xué)習(xí)用戶實時學(xué)習(xí)需求，采用不同干預(yù)方式對在線學(xué)習(xí)用戶實施在線學(xué)習(xí)全過程干預(yù)，從而激發(fā)學(xué)生的內(nèi)生學(xué)習(xí)動力，提高學(xué)生個性化學(xué)習(xí)能力。

關(guān)鍵詞：用戶畫像;在線學(xué)習(xí);干預(yù)研究

中圖分類號：G434 ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A ? ? ? ? ? ?文章編號：2095-7394（2020）02-0045-06

沒有教育信息化就沒有教育現(xiàn)代化，隨著教育信息化的全面推進，傳統(tǒng)教育教學(xué)模式受到前所未有的沖擊。各類在線學(xué)習(xí)平臺如潮水般涌現(xiàn)，這種由在線教學(xué)平臺、網(wǎng)絡(luò)學(xué)習(xí)課程及海量教學(xué)資源構(gòu)成的全新在線學(xué)習(xí)方式得到了廣大學(xué)生的青睞[1]，不僅較好地激發(fā)了學(xué)生的內(nèi)生學(xué)習(xí)動力，還有效地培養(yǎng)了學(xué)生的個性化學(xué)習(xí)能力。但近年來各類在線學(xué)習(xí)平臺監(jiān)管是否到位？在線教學(xué)方式是否符合教學(xué)要求？在線學(xué)習(xí)效果是否達到預(yù)期目標(biāo)？這些問題不得不引起我們的重視和深思。用戶畫像作為一種勾畫目標(biāo)用戶、聯(lián)系用戶訴求與設(shè)計方向的有效工具已開始應(yīng)用于教育領(lǐng)域，基于用戶畫像的在線學(xué)習(xí)干預(yù)可進一步提升學(xué)習(xí)平臺服務(wù)能力，改善在線學(xué)習(xí)質(zhì)量，解決學(xué)生在線學(xué)習(xí)效率低下、教師個性化教學(xué)能力欠缺、在線監(jiān)管和評價不及時等問題，為提升在線教學(xué)質(zhì)量提供了一種新方法，為實施個性化教學(xué)模式提供了一種新途徑，對在線教育的發(fā)展具有一定的借鑒意義。

1 ? 在線學(xué)習(xí)用戶畫像庫的構(gòu)建

在線學(xué)習(xí)用戶畫像庫的構(gòu)建主要由在線學(xué)習(xí)用戶畫像數(shù)據(jù)采集、用戶畫像數(shù)據(jù)處理和用戶畫像標(biāo)簽化處理三部分構(gòu)成，通過用戶畫像標(biāo)簽化體系，采用非結(jié)構(gòu)化關(guān)鍵詞法對在線學(xué)習(xí)用戶進行畫像構(gòu)建，形成在線學(xué)習(xí)用戶畫像庫。

1.1 ?在線學(xué)習(xí)用戶畫像數(shù)據(jù)采集

用戶在線學(xué)習(xí)過程中會產(chǎn)生大量數(shù)據(jù)，根據(jù)用戶畫像構(gòu)建需要，需從在線學(xué)習(xí)平臺采集用戶基本屬性數(shù)據(jù)、用戶學(xué)習(xí)偏好數(shù)據(jù)、用戶網(wǎng)絡(luò)互動數(shù)據(jù)、用戶會話數(shù)據(jù)及其他數(shù)據(jù)等五類數(shù)據(jù)。在線學(xué)習(xí)用戶基本屬性數(shù)據(jù)包含用戶姓名賬號、年齡性別、學(xué)歷專業(yè)、地域分布及聯(lián)系方式等;用戶學(xué)習(xí)偏好數(shù)據(jù)包含用戶專業(yè)方向、課程內(nèi)容、學(xué)習(xí)工具、學(xué)習(xí)時段、學(xué)習(xí)時長、付費意愿及選擇偏好等;用戶網(wǎng)絡(luò)互動數(shù)據(jù)包含在線學(xué)習(xí)內(nèi)容預(yù)習(xí)、課堂交流互動、學(xué)習(xí)內(nèi)容評價、在線作業(yè)布置及作業(yè)答疑批閱等;用戶會話數(shù)據(jù)包含會話登錄ID號、連接會話IP地址、用戶會話對象、單次會話時長及會話內(nèi)容記錄等;其他數(shù)據(jù)包含構(gòu)建在線學(xué)習(xí)用戶畫像庫所需的其他相關(guān)數(shù)據(jù)。

1.2 ?在線學(xué)習(xí)用戶畫像數(shù)據(jù)處理

1.2.1在線學(xué)習(xí)用戶數(shù)據(jù)預(yù)處理

為給在線學(xué)習(xí)用戶數(shù)據(jù)處理提供完整的基礎(chǔ)數(shù)據(jù)，首先，針對在線學(xué)習(xí)平臺采集的基礎(chǔ)數(shù)據(jù)進行清洗，發(fā)現(xiàn)數(shù)據(jù)中不完整的、有噪聲的、記錄內(nèi)容不一致的數(shù)據(jù)，進行遺漏數(shù)據(jù)處理和噪聲數(shù)據(jù)處理;其次，對數(shù)據(jù)進行集成處理，將來自不同平臺的數(shù)據(jù)形成在線學(xué)習(xí)用戶統(tǒng)一數(shù)據(jù)集合，解決不同平臺數(shù)據(jù)集成問題、數(shù)據(jù)屬性推演冗余問題、數(shù)據(jù)值沖突檢測與消除問題等[2];然后，對數(shù)據(jù)進行轉(zhuǎn)換處理，將集成數(shù)據(jù)轉(zhuǎn)換成一個適合數(shù)據(jù)處理的描述形式，幫助去除在線學(xué)習(xí)用戶數(shù)據(jù)中的噪聲，形成用戶數(shù)據(jù)立方并對數(shù)據(jù)進行多粒度分析，用更抽象的概念來取代低層次或數(shù)據(jù)層的用戶數(shù)據(jù)對象;最后，對數(shù)據(jù)進行消減處理，在保持原始數(shù)據(jù)完整性的前提下從平臺海量數(shù)據(jù)中獲取用戶精簡數(shù)據(jù)集，為在線學(xué)習(xí)用戶數(shù)據(jù)挖掘提供基礎(chǔ)。

1.2.2在線學(xué)習(xí)用戶畫像數(shù)據(jù)挖掘

采用非結(jié)構(gòu)化標(biāo)簽關(guān)鍵詞處理在線學(xué)習(xí)用戶數(shù)據(jù)，通過數(shù)據(jù)挖掘技術(shù)，對采集的用戶數(shù)據(jù)進行系統(tǒng)分類處理，按照非結(jié)構(gòu)化標(biāo)簽關(guān)鍵詞方法給采集的用戶數(shù)據(jù)分別貼上標(biāo)簽，以用戶數(shù)據(jù)分類標(biāo)簽來區(qū)分歸類;然后，通過用戶數(shù)據(jù)標(biāo)簽分類找出用戶之間存在的聚集性數(shù)據(jù)進行數(shù)據(jù)聚類處理;最后，通過用戶數(shù)據(jù)分類取值之間存在的數(shù)據(jù)規(guī)律性和隱藏關(guān)聯(lián)性，找出用戶數(shù)據(jù)之間的時序關(guān)聯(lián)和因果關(guān)聯(lián)，并對用戶數(shù)據(jù)進行時間序列分析和處理[3]。通過在線學(xué)習(xí)用戶數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘，得出在線學(xué)習(xí)用戶屬性值的特征標(biāo)識，再將用戶屬性的所有標(biāo)識綜合起來，為用戶畫像標(biāo)簽化處理打下基礎(chǔ)。

1.3 ?在線學(xué)習(xí)用戶畫像標(biāo)簽化處理

1.3.1在線學(xué)習(xí)人群屬性標(biāo)簽

根據(jù)在線學(xué)習(xí)用戶基礎(chǔ)數(shù)據(jù)中的學(xué)習(xí)人群年齡性別、學(xué)歷專業(yè)、學(xué)習(xí)欄目和人群地域分布等特點，建立學(xué)習(xí)人群標(biāo)簽化結(jié)構(gòu)，將在線學(xué)習(xí)人群劃分為扎實型學(xué)習(xí)人群、一般型學(xué)習(xí)人群和應(yīng)付型學(xué)習(xí)人群，或?qū)I(yè)技能型學(xué)習(xí)人群和學(xué)術(shù)型學(xué)習(xí)人群，或付費型學(xué)習(xí)人群和免費型學(xué)習(xí)人群等。

1.3.2在線學(xué)習(xí)用戶關(guān)聯(lián)關(guān)系標(biāo)簽

根據(jù)在線學(xué)習(xí)用戶基礎(chǔ)數(shù)據(jù)中的相同或相近年齡段、相同或相近地域分布、相同或相近學(xué)習(xí)專業(yè)、相同或相近學(xué)習(xí)欄目、相同或相近學(xué)習(xí)時間段等規(guī)律，搭建用戶與用戶之間的關(guān)聯(lián)關(guān)系，并為相同或相近用戶非結(jié)構(gòu)化關(guān)鍵詞設(shè)置關(guān)聯(lián)關(guān)系標(biāo)簽，挖掘用戶標(biāo)簽之間的關(guān)聯(lián)關(guān)系，建立用戶關(guān)聯(lián)關(guān)系矩陣，自動為相同或相近用戶精準(zhǔn)推送學(xué)習(xí)資源。

1.3.3在線學(xué)習(xí)用戶活躍度標(biāo)簽

根據(jù)用戶訪問平臺次數(shù)、訪問平臺時長、簽到打卡速度、內(nèi)容收藏指數(shù)、交流互動積極性等因素，將用戶分別貼上活躍用戶標(biāo)簽或不活躍用戶標(biāo)簽。其中，活躍用戶又分為忠誠用戶、活躍用戶、回流用戶和新增用戶，不活躍用戶又分為流失用戶和停滯用戶。再結(jié)合每個用戶不同需求和關(guān)注點，使用活躍度衡量標(biāo)準(zhǔn)篩選出滿足條件的用戶數(shù)量，然后計算滿足條件的用戶在整體學(xué)習(xí)用戶中的占有比，從而給不同學(xué)習(xí)用戶分層分類，制定有針對性的推送時間、推送頻率和推送內(nèi)容[4]。

1.3.4在線學(xué)習(xí)用戶學(xué)習(xí)偏好標(biāo)簽

根據(jù)用戶在平臺中的學(xué)習(xí)痕跡和學(xué)習(xí)習(xí)慣，分析并推算出用戶的學(xué)習(xí)偏好，一般把用戶學(xué)習(xí)偏好分為學(xué)習(xí)資源偏好、交流互動偏好、學(xué)習(xí)情感偏好、操作習(xí)慣偏好等。這些學(xué)習(xí)偏好決定了用戶在平臺中所做出的學(xué)習(xí)行為和選擇。

2 ? 基于用戶畫像的在線學(xué)習(xí)干預(yù)流程設(shè)計

基于用戶畫像的在線學(xué)習(xí)干預(yù)流程按照“兩段七步法”設(shè)計。第一個階段由用戶畫像數(shù)據(jù)采集、用戶畫像數(shù)據(jù)處理和用戶畫像標(biāo)簽化處理三個步驟來生成在線學(xué)習(xí)用戶畫像庫，獲取用戶學(xué)習(xí)風(fēng)格、學(xué)習(xí)進度、學(xué)習(xí)能力和學(xué)習(xí)成績等信息。第二階段由用戶學(xué)習(xí)需求預(yù)測、學(xué)習(xí)干預(yù)方式確定、學(xué)習(xí)干預(yù)實施和學(xué)習(xí)干預(yù)效果分析四個步驟來完成用戶畫像的在線學(xué)習(xí)全過程干預(yù)。具體如圖1所示。

2.1 ?在線學(xué)習(xí)用戶學(xué)習(xí)需求預(yù)測

2.1.1用戶畫像聚類

按照用戶畫像標(biāo)簽化體系把用戶數(shù)據(jù)集聚合成不同用戶數(shù)據(jù)簇，使同一個數(shù)據(jù)簇內(nèi)數(shù)據(jù)對象最大可能地具有相似性;同時，使不同數(shù)據(jù)簇內(nèi)數(shù)據(jù)對象之間的差異也盡可能大。目的在于使用戶之間的相似對象分到同一組，再基于用戶畫像對在線學(xué)習(xí)用戶分群進行用戶群體分析與個性化干預(yù)，進而擴大活躍用戶數(shù)量規(guī)模，同時激活部分不活躍用戶，并制定個性化在線學(xué)習(xí)干預(yù)策略。

2.1.2用戶學(xué)習(xí)狀態(tài)診斷

在線學(xué)習(xí)狀態(tài)直接影響用戶的學(xué)習(xí)效率，平臺結(jié)合用戶學(xué)習(xí)動機、學(xué)習(xí)能力和學(xué)習(xí)方法，把學(xué)習(xí)狀態(tài)分為良好學(xué)習(xí)狀態(tài)和不良學(xué)習(xí)狀態(tài)。良好學(xué)習(xí)狀態(tài)主要表現(xiàn)為在線學(xué)習(xí)時間長、簽到打卡積極、交流互動頻繁、作業(yè)提交及時等;不良學(xué)習(xí)狀態(tài)主要表現(xiàn)為在線學(xué)習(xí)過程中隨意退出平臺、簽到打卡不積極、交流互動較少、作業(yè)提交不及時等[5]。

2.1.3用戶學(xué)習(xí)需求預(yù)測

由于在線學(xué)習(xí)平臺沒有地域和時間限制，可隨時隨地在平臺上進行學(xué)習(xí)，既支持電腦PC端學(xué)習(xí)又支持手機移動端學(xué)習(xí)。因此，根據(jù)用戶畫像聚類和學(xué)習(xí)狀態(tài)診斷，把用戶學(xué)習(xí)需求預(yù)測分為多終端學(xué)習(xí)需求、在線考核需求、在線練習(xí)需求、在線互動答疑需求、自動推送資料需求、自動分析學(xué)習(xí)進度需求、自動統(tǒng)計班級排名需求及學(xué)習(xí)記錄查詢需求等[6]。

2.2 ?在線學(xué)習(xí)干預(yù)方式確定

為使用戶及時跟進在線學(xué)習(xí)進度達到預(yù)期學(xué)習(xí)目標(biāo)，平臺根據(jù)不同用戶情況選擇不同干預(yù)方式。在線學(xué)習(xí)干預(yù)分為學(xué)習(xí)平臺自動干預(yù)、學(xué)習(xí)平臺提醒干預(yù)和學(xué)習(xí)用戶自主干預(yù)三種方式。

2.2.1學(xué)習(xí)平臺自動干預(yù)

學(xué)習(xí)平臺自動干預(yù)是指平臺通過大數(shù)據(jù)分析實時掌握用戶學(xué)習(xí)動態(tài)，結(jié)合平臺目標(biāo)學(xué)習(xí)推進干預(yù)策略[7]，自動對用戶實施的一系列干預(yù)操作，學(xué)習(xí)平臺自動干預(yù)無須用戶操作，由后臺自動完成。

2.2.2學(xué)習(xí)平臺提醒干預(yù)

學(xué)習(xí)平臺提醒干預(yù)是指平臺在實時監(jiān)測過程中發(fā)現(xiàn)用戶異常情況時，特別是發(fā)生隨意退出學(xué)習(xí)平臺、交流互動不積極、作業(yè)提交不及時或不提交等厭學(xué)和不學(xué)現(xiàn)象時，平臺將結(jié)合學(xué)習(xí)提醒干預(yù)策略。對此類用戶實施的一系列提醒干預(yù)操作，學(xué)習(xí)平臺提醒干預(yù)需通過用戶選擇后，后臺才執(zhí)行對應(yīng)操作。

2.2.3學(xué)習(xí)用戶自主干預(yù)

學(xué)習(xí)用戶自主干預(yù)是指學(xué)習(xí)用戶為達到某種學(xué)習(xí)目標(biāo)，通過學(xué)習(xí)平臺提供的自主選擇干預(yù)策略，有選擇性地對自己在學(xué)習(xí)過程中執(zhí)行一系列干預(yù)操作[8]，學(xué)習(xí)用戶自主干預(yù)由用戶本身選擇完成。

2.3 ?在線學(xué)習(xí)干預(yù)實施

2.3.1學(xué)習(xí)平臺自動干預(yù)實施

學(xué)習(xí)平臺自動干預(yù)主要實施于整體干預(yù)中，如平臺各類通知公告的自動推送，班級學(xué)習(xí)資料的自動推送，班級成員學(xué)習(xí)成績排名，用戶學(xué)習(xí)進度自動記憶，用戶學(xué)習(xí)效果自動統(tǒng)計分析，用戶各類加減分項目排名等。通過平臺自動干預(yù)實施完成平臺批量工作，達到用戶全員知曉、相互激勵的目的。

2.3.2學(xué)習(xí)平臺提醒干預(yù)實施

學(xué)習(xí)平臺提醒干預(yù)主要實施于個體干預(yù)中，如用戶學(xué)習(xí)行為提醒，用戶簽到打卡提醒，用戶學(xué)習(xí)進度提醒，用戶作業(yè)完成預(yù)警提醒，用戶學(xué)習(xí)鎖屏提醒等，提醒干預(yù)又分為友情提醒、警告提醒和處罰提醒三個級別，平臺根據(jù)提醒級別其提醒頻率也會隨之變化。通過平臺實施提醒干預(yù)，可及時有效地提醒部分學(xué)習(xí)興趣不足、學(xué)習(xí)積極性不高的用戶，使之跟進學(xué)習(xí)進度并端正學(xué)習(xí)態(tài)度。

2.3.3學(xué)習(xí)用戶自主干預(yù)實施

學(xué)習(xí)用戶自主干預(yù)主要實施于用戶個性化學(xué)習(xí)中，用戶根據(jù)自身學(xué)習(xí)習(xí)慣、學(xué)習(xí)偏好、學(xué)習(xí)能力、學(xué)習(xí)速度和學(xué)習(xí)基礎(chǔ)等特點來制定所需的自主學(xué)習(xí)方式，平臺再根據(jù)用戶自行制定的學(xué)習(xí)方式來安排用戶學(xué)習(xí)內(nèi)容、學(xué)習(xí)難易、學(xué)習(xí)快慢和學(xué)習(xí)方法等。通過用戶自主干預(yù)實施，能最大限度挖掘用戶學(xué)習(xí)潛能，充分發(fā)揮用戶個性化學(xué)習(xí)效果。

3 ? 基于用戶畫像的在線學(xué)習(xí)干預(yù)效果分析

以“超星泛雅”網(wǎng)絡(luò)教學(xué)平臺湖南軟件職業(yè)學(xué)院軟件技術(shù)專業(yè)“Python程序設(shè)計”在線課程為例，進行基于用戶畫像的在線學(xué)習(xí)干預(yù)效果分析。該在線課程為學(xué)生選修課程，共開設(shè)8個學(xué)習(xí)班級，每個班級40人，班級學(xué)生由平臺隨機分配，課程周次為16周，學(xué)時數(shù)為64學(xué)時，每周4學(xué)時，期末成績按照4：2：4比率百分制計分，即在線學(xué)習(xí)內(nèi)容完成情況占40%，在線學(xué)習(xí)作業(yè)完成情況占20%，在線課程期末考試成績占40%。8個學(xué)習(xí)班級中1至4班實行平臺全程自動干預(yù)在線學(xué)習(xí)模式，首先針對以上4個班級160名學(xué)生基本情況進行用戶畫像數(shù)據(jù)處理，然后根據(jù)用戶畫像數(shù)據(jù)對160名學(xué)生分別進行人群屬性、用戶關(guān)聯(lián)關(guān)系、用戶活躍度和用戶偏好標(biāo)簽化處理，并結(jié)合用戶標(biāo)簽進行用戶畫像聚類、用戶學(xué)習(xí)狀態(tài)診斷和用戶學(xué)習(xí)需求預(yù)測。重點對以上4個班級在線學(xué)習(xí)實施課前輔導(dǎo)資料自動推送、上課簽到打卡顯示公開、課中交流互動激勵加分、課后作業(yè)完成質(zhì)量排名、學(xué)生優(yōu)秀作品線上展示等一系列自動干預(yù)，同時，對1至4班部分學(xué)習(xí)態(tài)度不端正、學(xué)習(xí)積極性不高的學(xué)生實施平臺提醒服務(wù)干預(yù)，重點對打卡不及時、作業(yè)完成不理想、缺乏交流互動和隨意退出平臺的學(xué)生實施提醒干預(yù)，根據(jù)情節(jié)嚴(yán)重程度分別給予友情提醒、警告提醒和處罰提醒干預(yù)。另外5至8班160名學(xué)生采用常規(guī)在線教學(xué)模式，即未對學(xué)生進行用戶畫像分析處理，也未實施相關(guān)在線學(xué)習(xí)干預(yù)。最后8個班該門在線學(xué)習(xí)課程平均分為81.25分，其中1至4班在平臺實施用戶畫像干預(yù)情況下平均分為86.40分，5至8班在平臺常規(guī)在線教學(xué)模式下平均分為76.10分。8個班級90分以上學(xué)生42人，其中1至4班90分以上學(xué)生32人，5至8班90分以上學(xué)生10人。由此得出，平臺實施用戶畫像干預(yù)的班級平均分超出常規(guī)在線教學(xué)班級10.30分，90分以上的學(xué)生人數(shù)多出22人（以上數(shù)據(jù)來源于超星泛雅網(wǎng)絡(luò)教學(xué)平臺，從“Python程序設(shè)計”在線課程期末成績數(shù)據(jù)中獲?。?，有學(xué)習(xí)過程干預(yù)的班級成績明顯好于未有學(xué)習(xí)過程干預(yù)的班級。特別針對學(xué)習(xí)基礎(chǔ)和學(xué)習(xí)習(xí)慣較差的高職學(xué)生，利用平臺對學(xué)生實施在線學(xué)習(xí)過程干預(yù)，不僅可改變高職學(xué)生學(xué)習(xí)習(xí)慣，還可促進學(xué)生專業(yè)技術(shù)技能水平的掌握。分析其原因主要有以下幾點：一是通過用戶畫像聚類可及時診斷學(xué)生學(xué)習(xí)狀態(tài)，掌握學(xué)生在線學(xué)習(xí)實際需求;二是通過大數(shù)據(jù)實時跟蹤統(tǒng)計分析學(xué)生學(xué)習(xí)動態(tài)，有利于平臺對用戶實施精準(zhǔn)干預(yù);三是平臺對在線學(xué)習(xí)用戶實施自動干預(yù)，有利于激發(fā)學(xué)生在線學(xué)習(xí)內(nèi)生動力，加深鞏固在線課程學(xué)習(xí)內(nèi)容;四是平臺對部分學(xué)習(xí)落后用戶實施提醒干預(yù)，有利于及時提醒并糾正用戶在線學(xué)習(xí)態(tài)度，提高用戶在線學(xué)習(xí)自覺性;五是平臺提供用戶自主干預(yù)模式，有利于充分發(fā)揮用戶個性化學(xué)習(xí)需求，不斷挖掘用戶個性化學(xué)習(xí)潛能。

4 ? 結(jié)語

在線教育以其獨特優(yōu)勢正慢慢改變著人們對教育行業(yè)的定義，從傳統(tǒng)的面對面教育，到“互聯(lián)網(wǎng)+教育”的全面推進，用戶畫像、虛擬仿真、區(qū)塊鏈等一批新興技術(shù)與教育教學(xué)的深度融合，不僅創(chuàng)新了教學(xué)形態(tài)，而且推進了在線教育的興起，使在線教育朝著學(xué)習(xí)靈活性、課程多樣性、個性化定制和深度學(xué)習(xí)方式轉(zhuǎn)變的趨勢發(fā)展?；谟脩舢嬒竦脑诰€學(xué)習(xí)干預(yù)將在未來在線學(xué)習(xí)教育中發(fā)揮更加重要的作用，同時也將面臨更多的機遇和挑戰(zhàn)：一是在線學(xué)習(xí)用戶畫像標(biāo)簽體系科學(xué)性問題，用戶畫像標(biāo)簽體系的質(zhì)量決定著用戶畫像在線學(xué)習(xí)干預(yù)的效果，隨著在線學(xué)習(xí)用戶群體越來越復(fù)雜，未來標(biāo)簽體系的設(shè)計不僅要便于檢索，還需精準(zhǔn)有效;二是在線學(xué)習(xí)用戶興趣偏好多樣性問題，在線學(xué)習(xí)用戶在一定周期內(nèi)興趣偏好會呈現(xiàn)一定的趨勢變化，存在稀疏性、多樣性和異構(gòu)性等特點[9]，未來在線學(xué)習(xí)實施個性化干預(yù)是新的挑戰(zhàn)，以最大限度挖掘用戶個性化學(xué)習(xí)潛能，提高用戶個性化學(xué)習(xí)水平，切實達到在線學(xué)習(xí)個性化培養(yǎng)的目標(biāo)。

參考文獻：

[1] 夏玲.大數(shù)據(jù)環(huán)境下遠程教育平臺的學(xué)習(xí)干預(yù)[J].延邊教育學(xué)院學(xué)報，2018（6）：64-66.

[2] 殷寶媛，武法提.學(xué)習(xí)習(xí)慣在線干預(yù)的原理與模型設(shè)計[J].電化教育研究，2019（12）：72-79.

[3] 張靜，王歡.基于ISM的在線教育平臺學(xué)習(xí)者持續(xù)學(xué)習(xí)行為的影響因素研究[J].中國電化教育，2018（10）：123-130.

[4] 郭飛雁.增強現(xiàn)實技術(shù)在泛在學(xué)習(xí)中的應(yīng)用研究[J].電腦知識與技術(shù)，2017（20）：232-233.

[5]楊雪，姜強，趙蔚，等.大數(shù)據(jù)時代基于學(xué)習(xí)分析的在線學(xué)習(xí)拖延診斷與干預(yù)研究[J].電化教育研究，2017（7）：51-57.

[6]郭飛雁，羅校清.基于用戶畫像的高職智造類工匠人才培養(yǎng)路徑[J].河北職業(yè)教育，2019（4）：91-94.

[7] 查英華，朱其慎.基于個性化推薦的移動學(xué)習(xí)模式探究：以高職學(xué)生為例[J].職教論壇，2015（23）：57-60.

[8] 趙慧瓊，姜強，趙蔚，等.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績效預(yù)警因素及干預(yù)對策的實證研究[J].電化教育研究，2017（1）：62-69.

[9] 羅校清.使用角度選擇策略的第二代Pareto強度進化算法[J].計算機應(yīng)用與軟件，2018（7）：290-298.

責(zé)任編輯 ? ?祁秀春

Research and Practice of Online Learning Intervention

Based on User Portraits

LUO Xiaoqing

（Training ?Center，Hunan Software Vocational College，Xiangtan 411100，China）

Abstract： User portraits have been used in education as an information tool and online learning interventions based on user portraits can further improve the quality of online learning. By collecting relevant data of online learning users，preprocessing and mining the data，a label system such as online learning crowd attribute tags，user association tags， user activity tags and user learning preference tags are formed. Based on the user tag system，an unstructured keyword method is used to construct portraits of online learning users to form an online learning user portrait database. Subsequently，the online learning user portraits are clustered and the learning status is diagnosed and analyzed to accurately predict the real-time learning needs of online learning users. Various intervention methods are used to implement online learning process interventions for online learning users to stimulate the endogenous learning motivation of students and improve personalized learning ability of students.

Key ?words： user portraits;online learning;intervention research

收稿日期：2020-03-02

基金項目：2020年度湖南省社會科學(xué)成果評審委員會一般課題“基于用戶畫像的在線學(xué)習(xí)干預(yù)研究與實踐” ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（XSP20YBC253）;2019年湖南省教育廳科學(xué)研究一般項目“‘用戶畫像技術(shù)在高職工匠型人才培養(yǎng)中的應(yīng) ? ? ? ? ? ? ? ? ? ? ? ? ? ? 用研究”（19C0997）

作者簡介：羅校清，高級實驗師，主要研究方向為高職院校教育信息化、實訓(xùn)基地建設(shè)。