曲怡 孫如卿 劉丹

摘? 要： 在智能教育背景下，如何為學(xué)習(xí)者提供精準(zhǔn)化、個(gè)性化學(xué)習(xí)服務(wù)成為研究熱點(diǎn)，而學(xué)習(xí)者模型作為實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的核心部分，受到學(xué)者廣泛關(guān)注。本文以中國(guó)知網(wǎng)（CNKI）數(shù)據(jù)庫(kù)中學(xué)習(xí)者模型相關(guān)文獻(xiàn)為研究對(duì)象，采用Bicomb 2.0、SPSS 22.0、Ucinet 6.0工具對(duì)其進(jìn)行聚類分析和網(wǎng)絡(luò)分析。結(jié)果表明，學(xué)習(xí)者模型主要應(yīng)用于自適應(yīng)學(xué)習(xí)系統(tǒng)中，學(xué)習(xí)者模型、學(xué)習(xí)資源推薦、學(xué)習(xí)路徑推薦等是構(gòu)建自適應(yīng)學(xué)習(xí)系統(tǒng)的研究熱點(diǎn)。最后，文章從完善學(xué)習(xí)者模型和搭建自適應(yīng)學(xué)習(xí)系統(tǒng)兩方面對(duì)未來(lái)研究趨勢(shì)進(jìn)行預(yù)測(cè)。

關(guān)鍵詞： 學(xué)習(xí)者模型;自適應(yīng)學(xué)習(xí)系統(tǒng);研究熱點(diǎn)分析;趨勢(shì)分析

中圖分類號(hào)： TP274? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.041

本文著錄格式：曲怡，孫如卿，劉丹. 國(guó)內(nèi)學(xué)習(xí)者模型研究熱點(diǎn)與趨勢(shì)分析[J]. 軟件，2020，41（10）：161164+174

【Abstract】： In the context of intelligent education， how to provide learners with precise and personalized learning services has become a research hotspot， and learner models， as the core part of achieving personalized learning， have attracted widespread attention from scholars. In this paper， the literature of the learner model in CNKI database is taken as the research object， and the tools of Bicomb 2.0， SPSS 22.0， Ucinet 6.0 are used for cluster analysis and network analysis. The results show that the learner model is mainly used in the adaptive learning system， and the learner model， learning resource recommendation， learning path recommendation， etc. are the research hotspots for building an adaptive learning system. Finally， the article predicts future research trends in terms of improving the learner model and building an adaptive learning system.

【Key words】： Learner model; Adaptive learning system; Research hotspot analysis; Trend analysis

0? 引言

在大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等現(xiàn)代技術(shù)迅速發(fā)展的時(shí)代背景下，各種學(xué)習(xí)資源、教學(xué)模式層出不窮，為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)服務(wù)成為教育領(lǐng)域新議題。我國(guó)在《教育信息化十年發(fā)展規(guī)劃（2011-2020年）》中明確指出，學(xué)校教育教學(xué)方式要在學(xué)生學(xué)習(xí)多樣化、個(gè)性化方面取得突破性變革。而學(xué)習(xí)者模型作為個(gè)性化學(xué)習(xí)的核心內(nèi)容，其質(zhì)量直接影響個(gè)性化學(xué)習(xí)的效果。當(dāng)今，學(xué)習(xí)者模型的研究廣泛集中在個(gè)性化學(xué)習(xí)系統(tǒng)中。在智能系統(tǒng)中，學(xué)習(xí)者模型相當(dāng)人類大腦，通過(guò)追蹤學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的實(shí)時(shí)狀態(tài)而提供個(gè)性化交互。學(xué)習(xí)者模型是智能時(shí)代下的研究熱點(diǎn)，然而關(guān)于學(xué)習(xí)者模型的關(guān)注點(diǎn)和未來(lái)走向尚不明確。為了更好指明學(xué)習(xí)者模型未來(lái)發(fā)展方向，有必要對(duì)學(xué)習(xí)者模型研究熱點(diǎn)和趨勢(shì)進(jìn)行分析。

1? 研究方法與過(guò)程

1.1? 數(shù)據(jù)來(lái)源及研究方法

本研究文獻(xiàn)來(lái)源于中國(guó)知網(wǎng)（CNKI）數(shù)據(jù)庫(kù)，主題詞為“學(xué)習(xí)者模型”或“學(xué)習(xí)者建模”或“學(xué)習(xí)者畫(huà)像”且來(lái)源于期刊全部中文文獻(xiàn)。經(jīng)統(tǒng)計(jì)，本研究共檢索到文獻(xiàn)453篇，剔除重復(fù)及無(wú)關(guān)文獻(xiàn)，獲得有效文獻(xiàn)262篇。本研究將262篇文獻(xiàn)以NoteFirst格式導(dǎo)出，以Ucinet和Bicomb為研究工具，采用知識(shí)圖譜及共詞分析法進(jìn)行分析。

1.2? 研究過(guò)程

本研究先是通過(guò)文獻(xiàn)檢索獲取有效文獻(xiàn)262篇，然后利用Bicomb 2.0、SPSS 22.0、Ucinet 6.0研究工具進(jìn)行聚類分析和網(wǎng)絡(luò)分析，具體研究過(guò)程如圖1所示。

1.3? 研究結(jié)果與分析

（1）高頻關(guān)鍵詞詞頻統(tǒng)計(jì)

將262篇有效文獻(xiàn)導(dǎo)入Bicomb2.0中，提取出594個(gè)關(guān)鍵詞。根據(jù)普賴斯（Priced）定律M=0.749[1]，確定高頻關(guān)鍵詞閾值為5，取得39個(gè)關(guān)鍵詞作為研究對(duì)象如表1所示。由表所示，我國(guó)文獻(xiàn)中出現(xiàn)的高頻關(guān)鍵詞有“學(xué)習(xí)者模型”、“個(gè)性化學(xué)習(xí)”、“在線學(xué)習(xí)”、“教育大數(shù)據(jù)”等，其中最高頻次關(guān)鍵詞為“學(xué)習(xí)者模型”，由此可見(jiàn)，“學(xué)習(xí)者模型”在該研究領(lǐng)域的重要性和基礎(chǔ)性。不同學(xué)習(xí)者之間存在差異性，在學(xué)習(xí)過(guò)程中如何滿足不同層次學(xué)習(xí)者的學(xué)習(xí)需求，為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)服務(wù)成為研究的熱點(diǎn)問(wèn)題。與此同時(shí)，在智慧教育環(huán)境下，如何借助大數(shù)據(jù)技術(shù)精準(zhǔn)識(shí)別學(xué)習(xí)者個(gè)性特征，借助何種技術(shù)手段為在線學(xué)習(xí)者制定個(gè)性化學(xué)習(xí)方案變得尤為重要。

擁有一個(gè)能夠全面描述學(xué)習(xí)者真實(shí)狀態(tài)的特征模型，才能深層挖掘?qū)W習(xí)者潛在學(xué)習(xí)需求，因此無(wú)論在傳統(tǒng)教學(xué)中還是在智慧教學(xué)環(huán)境下對(duì)“學(xué)習(xí)者模型”的研究都是關(guān)鍵內(nèi)容。網(wǎng)絡(luò)學(xué)習(xí)中學(xué)習(xí)者通常采用兩種方式實(shí)現(xiàn)個(gè)性化學(xué)習(xí)，一是通過(guò)自身信息數(shù)據(jù)建立自己的學(xué)習(xí)空間，二是根據(jù)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)記錄學(xué)習(xí)者在學(xué)習(xí)過(guò)程中產(chǎn)生的大量行為數(shù)據(jù)，為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)服務(wù)[2]。二者都是利用平臺(tái)獲取學(xué)習(xí)者認(rèn)知、情感、行為等方面數(shù)據(jù)，通過(guò)數(shù)據(jù)挖掘、學(xué)習(xí)分析等技術(shù)判定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、行為習(xí)慣等特征，進(jìn)而為學(xué)習(xí)者制定個(gè)性化學(xué)習(xí)內(nèi)容、策略，推薦滿足不同層次學(xué)習(xí)者需求的學(xué)習(xí)資源。因此，在學(xué)習(xí)者模型研究中，“個(gè)性化學(xué)習(xí)”、“個(gè)性化推薦”、“教育大數(shù)據(jù)”等關(guān)鍵詞出現(xiàn)頻次較高。

（2）相似矩陣分析

為進(jìn)一步探究高頻關(guān)鍵詞中所隱含的關(guān)聯(lián)信息，本研究利用Bicomb2.0對(duì)39個(gè)高頻關(guān)鍵詞生成共詞矩陣，利用SPSS22將該矩陣轉(zhuǎn)化為相似矩陣，部分相似矩陣如表2所示。

在相似矩陣中，數(shù)值越接近1，兩個(gè)關(guān)鍵詞之間關(guān)系越近。根據(jù)矩陣分析結(jié)果可以看出：相比其它關(guān)鍵詞學(xué)習(xí)者模型與各關(guān)鍵詞之間關(guān)系較為密切，由此說(shuō)明學(xué)習(xí)者模型是 研究的中心。學(xué)習(xí)者模型用于描述學(xué)習(xí)者內(nèi)部與外部學(xué)習(xí)特征，是該領(lǐng)域的研究基礎(chǔ)。此外，在線學(xué)習(xí)分析涉及多個(gè)技術(shù)與領(lǐng)域，如數(shù)據(jù)挖掘等，因此教育數(shù)據(jù)挖掘與在線學(xué)習(xí)、學(xué)習(xí)分析的相關(guān)度較高，相似值分別為0.662和0.647。

利用Ucinet 6得出共現(xiàn)網(wǎng)絡(luò)圖，該圖反應(yīng)高頻關(guān)鍵詞之間緊密聯(lián)系性如圖2所示。通過(guò)節(jié)點(diǎn)反映其中心度高低，節(jié)點(diǎn)越大說(shuō)明該關(guān)鍵詞的中心度越高，同時(shí)也是其他關(guān)鍵詞研究的中心概念，相反節(jié)點(diǎn)越小則中心度越低。從圖中可以看出，“學(xué)習(xí)者模型”和“個(gè)性化學(xué)習(xí)”是中心度較高的兩個(gè)關(guān)鍵詞，同時(shí)二者均是對(duì)應(yīng)頻次表中頻次高于20的高頻關(guān)鍵詞，充分說(shuō)明“學(xué)習(xí)者模型”和“個(gè)性化學(xué)習(xí)”在該領(lǐng)域中影響力較大，學(xué)習(xí)者模型是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的關(guān)鍵，二者具有緊密關(guān)聯(lián)性;同時(shí)其他研究都圍繞這兩個(gè)關(guān)鍵詞展開(kāi)，形成以“在線學(xué)習(xí)”、“學(xué)習(xí)分析”、“個(gè)性化推薦”、“數(shù)據(jù)挖掘”、“自適應(yīng)學(xué)習(xí)”等研究熱點(diǎn)的結(jié)構(gòu)主體。他們大多側(cè)重于理論模型的研究，是連接中心位置關(guān)鍵詞和邊緣位置關(guān)鍵詞的橋梁。最后位于邊緣關(guān)鍵詞如“協(xié)同過(guò)濾”、“多Agent”、“教育數(shù)據(jù)挖掘”等都是比較具體的技術(shù)或所發(fā)的設(shè)計(jì)，同樣也是學(xué)者研究立足點(diǎn)，雖然目前研究相對(duì)較少，但卻為未來(lái)研究指明方向。

2? 研究熱點(diǎn)分析

2.1? 構(gòu)建適應(yīng)性學(xué)習(xí)者模型

針對(duì)學(xué)習(xí)者模型的研究，國(guó)內(nèi)外權(quán)威機(jī)構(gòu)相繼提出學(xué)習(xí)者模型規(guī)范，其中較為典型的有：IMS-LIPS規(guī)范、PAPI規(guī)范、CELTS-11學(xué)習(xí)者模型規(guī)范。從理論角度來(lái)看，這些學(xué)習(xí)者模型規(guī)范較為全面的涵蓋了學(xué)習(xí)者基本信息、學(xué)習(xí)信息等各方面特征性信息，但是缺少對(duì)學(xué)習(xí)者知識(shí)、情感等方面的描述[3]。為了滿足在線學(xué)習(xí)環(huán)境下個(gè)性化學(xué)習(xí)的需求，研究者提出不同的學(xué)習(xí)者模型。Peter教授認(rèn)為，學(xué)習(xí)者模型應(yīng)包括學(xué)習(xí)者背景、知識(shí)、個(gè)性化特征、興趣以及目標(biāo)等[4]。陳仕品等人基于學(xué)習(xí)風(fēng)格和認(rèn)知態(tài)度提出了CS-LS學(xué)習(xí)者模型，將其細(xì)化為學(xué)生描述、認(rèn)知狀態(tài)、學(xué)習(xí)風(fēng)格和學(xué)習(xí)歷史幾個(gè)維度 [5]。Chrysafidi等人在學(xué)習(xí)者模型中提出了情感態(tài)度維度，為學(xué)習(xí)者模型的研究提供了新方向[6]。黃煥認(rèn)為學(xué)習(xí)者模型既要考慮學(xué)習(xí)者本身的特征，又要考慮計(jì)算機(jī)是否便于實(shí)現(xiàn)的問(wèn)題，因此提出了一個(gè)以學(xué)習(xí)者的個(gè)人信息、學(xué)習(xí)歷史、知識(shí)狀態(tài)、學(xué)習(xí)風(fēng)格和情感狀態(tài)為特征因素的學(xué)習(xí)者模型[7]。

由于研究視角不同，研究者對(duì)學(xué)習(xí)者模型的建模方法也具有差異性。Tadlaoui等人以自適應(yīng)超媒體系統(tǒng)為背景，以能夠動(dòng)態(tài)修改系統(tǒng)和學(xué)習(xí)者之間的交互作用為目標(biāo)，提出包含背景與經(jīng)驗(yàn)、認(rèn)知能力、知識(shí)水平、動(dòng)機(jī)狀態(tài)以及偏好信息五個(gè)維度的學(xué)習(xí)者模型[8]。武法提等人從場(chǎng)景感知視角出發(fā)，將學(xué)習(xí)者劃分為基本信息、認(rèn)知水平、學(xué)習(xí)風(fēng)格、興趣偏好、社會(huì)網(wǎng)絡(luò)及情感態(tài)度六個(gè)維度[9]。馬相春等人基于大數(shù)據(jù)視角，認(rèn)為在自適應(yīng)學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)者模型應(yīng)從基本信息、知識(shí)結(jié)構(gòu)、情感態(tài)度以及學(xué)習(xí)歷史四個(gè)方面考慮[10]。

2.2? 設(shè)計(jì)自適應(yīng)學(xué)習(xí)系統(tǒng)

網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下，通過(guò)自適應(yīng)學(xué)習(xí)系統(tǒng)分析學(xué)習(xí)者個(gè)性特征和行為傾向，采用相應(yīng)教學(xué)策略，推薦合適學(xué)習(xí)資源和學(xué)習(xí)路徑，幫助學(xué)習(xí)者獲取精準(zhǔn)化學(xué)習(xí)支持，完成知識(shí)構(gòu)建，提高學(xué)習(xí)效率。系統(tǒng)自適應(yīng)性越好，對(duì)學(xué)習(xí)者分析越透徹，提供給學(xué)習(xí)者的資源和服務(wù)就越能滿足學(xué)習(xí)者需求，學(xué)習(xí)效率則越高[11]。自適應(yīng)學(xué)習(xí)系統(tǒng)主要由三個(gè)部分構(gòu)成：學(xué)習(xí)者模型、領(lǐng)域知識(shí)模型、自適應(yīng)引擎。

從學(xué)習(xí)分析視域出發(fā)，學(xué)習(xí)者模型可分為知識(shí)、認(rèn)知、行為和情感四類重要模型。學(xué)習(xí)者知識(shí)模型是自適應(yīng)學(xué)習(xí)系統(tǒng)實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的重要支持，具有代表性的知識(shí)模型包括覆蓋模型、鉛版模型、偏差模型和貝葉斯網(wǎng)絡(luò)模型等。學(xué)習(xí)者知識(shí)建模的本質(zhì)都是將學(xué)習(xí)者知識(shí)和專家知識(shí)相比較，判定學(xué)習(xí)者知識(shí)掌握情況，進(jìn)而了解學(xué)習(xí)者知識(shí)結(jié)構(gòu)，便于根據(jù)學(xué)習(xí)者實(shí)時(shí)知識(shí)狀態(tài)推薦合適推薦適合的學(xué)習(xí)路徑和學(xué)習(xí)資源。學(xué)習(xí)者認(rèn)知模型是用來(lái)記錄學(xué)習(xí)者認(rèn)知變化和學(xué)習(xí)能力，主要從認(rèn)知能力、認(rèn)知策略、元認(rèn)知能力等維度構(gòu)建學(xué)習(xí)者認(rèn)知模型[12]。三者關(guān)系是學(xué)習(xí)者在學(xué)習(xí)時(shí)需要調(diào)用認(rèn)知能力進(jìn)行學(xué)習(xí)，使用認(rèn)知策略對(duì)已獲取的知識(shí)進(jìn)行深度加工，利用元認(rèn)知能力調(diào)控認(rèn)知能力和認(rèn)知策略，最終完成學(xué)習(xí)任務(wù)[13]。目前關(guān)于學(xué)習(xí)者行為研究采用最多的方法就是數(shù)據(jù)挖掘。例如Kinnebrew等人提出一種識(shí)別、評(píng)價(jià)和比較學(xué)習(xí)者學(xué)習(xí)行為的數(shù)據(jù)挖掘方法，研究表明學(xué)習(xí)行為與學(xué)習(xí)成功存在相關(guān)[14]。Somayeh等人提出一種序列模式挖掘方法來(lái)提取學(xué)習(xí)者頻繁的序列行為模式，用以區(qū)分不同類別學(xué)習(xí)風(fēng)格的學(xué)習(xí)者，結(jié)果表明該方法能夠準(zhǔn)確預(yù)測(cè)學(xué)習(xí)者學(xué)習(xí)風(fēng)格[15]。學(xué)習(xí)者的情感因素會(huì)極大影響學(xué)習(xí)效果，當(dāng)學(xué)習(xí)者處于不同情感態(tài)度進(jìn)行同一內(nèi)容學(xué)習(xí)時(shí)，會(huì)產(chǎn)生截然相反的學(xué)習(xí)結(jié)果。如果不考慮情感因素，則無(wú)法客觀了解學(xué)習(xí)者學(xué)習(xí)狀況，從而影響學(xué)習(xí)進(jìn)程[16]。情感態(tài)度的測(cè)量通常采用自我報(bào)告、手動(dòng)編碼或是借助外部設(shè)備識(shí)別，但目前還處于探索階段。

領(lǐng)域知識(shí)模型有利于知識(shí)資源的展示、查找、評(píng)價(jià)、管理、共享和交互，是開(kāi)展個(gè)性化學(xué)習(xí)的前提[17]。學(xué)習(xí)資源除一些傳統(tǒng)教材、ppt、音頻、視頻、微課等，還有VR體驗(yàn)等不同方式的學(xué)習(xí)資源，以便減輕學(xué)生認(rèn)知負(fù)荷。在學(xué)習(xí)資源多樣化的基礎(chǔ)上， 還要實(shí)現(xiàn)知識(shí)內(nèi)容的多維關(guān)聯(lián)性。每個(gè)知識(shí)點(diǎn)聚合前項(xiàng)、后項(xiàng)以及相關(guān)知識(shí)，形成知識(shí)地圖，新舊知識(shí)形成關(guān)聯(lián)，并以可視化方式呈現(xiàn)給學(xué)習(xí)者，便于學(xué)習(xí)者認(rèn)知建構(gòu)。最后， 系統(tǒng)能根據(jù)學(xué)習(xí)者相關(guān)信息實(shí)現(xiàn)學(xué)習(xí)內(nèi)容和學(xué)習(xí)路徑的自適應(yīng)匹配，向不同認(rèn)知能力學(xué)習(xí)者提供不同組合的學(xué)習(xí)內(nèi)容和學(xué)習(xí)路徑[18]。

自適應(yīng)引擎根據(jù)學(xué)習(xí)者模型，對(duì)學(xué)習(xí)者知識(shí)水平和認(rèn)知能力進(jìn)行分析，適應(yīng)性為學(xué)習(xí)者呈現(xiàn)高切合度的學(xué)習(xí)資源，并對(duì)整個(gè)教學(xué)過(guò)程進(jìn)行監(jiān)測(cè)，同時(shí)不斷調(diào)整學(xué)習(xí)者模型[19]。自適應(yīng)引擎管理整個(gè)自適應(yīng)學(xué)習(xí)系統(tǒng)，不僅要診斷學(xué)習(xí)者學(xué)情，還要推薦學(xué)習(xí)路徑與學(xué)習(xí)資源。學(xué)習(xí)者學(xué)情診斷主要從認(rèn)知水平、學(xué)習(xí)情感兩方面診斷。學(xué)習(xí)路徑推薦分為知識(shí)點(diǎn)學(xué)習(xí)路徑和資源呈現(xiàn)路徑兩個(gè)層次。學(xué)習(xí)資源的推薦主要基于學(xué)習(xí)者模型和領(lǐng)域模型，再利用推薦算法為學(xué)習(xí)者提供合適的學(xué)習(xí)資源。算法是學(xué)習(xí)資源推薦的核心部分，常用的有協(xié)同過(guò)濾、基于內(nèi)容的推薦、基于知識(shí)的推薦、混合推薦算法等，其中協(xié)同過(guò)濾算法應(yīng)用最為廣泛。申晉祥等人針對(duì)大數(shù)據(jù)環(huán)境下協(xié)同過(guò)濾算法存在的數(shù)據(jù)稀疏性這一問(wèn)題，利用聚類設(shè)計(jì)優(yōu)化協(xié)同過(guò)濾算法，該算法改善了數(shù)據(jù)稀疏性的可擴(kuò)展性[20]。

3? 研究趨勢(shì)分析

3.1? 完善學(xué)習(xí)者模型

構(gòu)建學(xué)習(xí)者模型是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的關(guān)鍵。當(dāng)今學(xué)習(xí)者模型的研究主要集中在先驗(yàn)個(gè)性特征和學(xué)習(xí)行為分析，缺乏情感因素及環(huán)境因素對(duì)學(xué)習(xí)者影響的研究。學(xué)習(xí)者情感因素在影響學(xué)習(xí)效果中起不可忽略的作用。就學(xué)習(xí)情感而言，可以簡(jiǎn)單的分為積極和消極兩種情感。積極情感能夠促進(jìn)學(xué)習(xí)，相反消極情感會(huì)對(duì)學(xué)習(xí)產(chǎn)生不良影響。DMello等人通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)投入、沮喪、困惑以及厭倦這四種情緒是出現(xiàn)在學(xué)習(xí)過(guò)程中最為頻繁的四種[21]。雖然有眾多學(xué)者從教育學(xué)角度或是計(jì)算機(jī)情感計(jì)算角度考慮學(xué)習(xí)情緒對(duì)學(xué)習(xí)者的影響，但少有學(xué)者將學(xué)習(xí)者情緒考慮至學(xué)習(xí)者模型構(gòu)建中。學(xué)習(xí)環(huán)境也是影響學(xué)習(xí)者的重要因素，可分為外在硬件設(shè)備、氛圍等及內(nèi)在學(xué)習(xí)資源、軟件設(shè)備等兩大類。

目前，學(xué)習(xí)者模型的構(gòu)建主要集中在個(gè)性特征和行為分析，模型較為局限，不夠完整代表學(xué)習(xí)者。因此在后面的研究中，應(yīng)考慮影響學(xué)習(xí)者的全部要素，并將他們?nèi)谌氲綄W(xué)習(xí)者模型行的構(gòu)建中。

3.2? 搭建自適應(yīng)學(xué)習(xí)系統(tǒng)

自適應(yīng)學(xué)習(xí)系統(tǒng)由學(xué)習(xí)者模型、領(lǐng)域知識(shí)模型和適應(yīng)性引擎三大模塊組成。多位專家學(xué)者基于各自領(lǐng)域做了深入研究。通過(guò)文獻(xiàn)分析，在自適應(yīng)學(xué)習(xí)系統(tǒng)中關(guān)于學(xué)習(xí)者模型、整體建模、系統(tǒng)要素研究較多，關(guān)于自適應(yīng)引擎、領(lǐng)域模型研究較少。例如劉忠寶等人在學(xué)習(xí)者行為數(shù)據(jù)的基礎(chǔ)上，對(duì)學(xué)習(xí)者進(jìn)行建模，并設(shè)計(jì)學(xué)習(xí)資源推薦系統(tǒng)結(jié)構(gòu)[22]。楊淼等人以學(xué)習(xí)者模型為基礎(chǔ)，在大數(shù)據(jù)背景下結(jié)合協(xié)同過(guò)濾等技術(shù)設(shè)計(jì)個(gè)性化學(xué)習(xí)路徑[23]。自適應(yīng)技術(shù)最早應(yīng)用于航天航空工業(yè)，逐漸在汽車制造和工具機(jī)械制造等行業(yè)廣泛使用應(yīng)用，而在教育領(lǐng)域中多為教育技術(shù)專業(yè)的學(xué)者關(guān)注自適應(yīng)學(xué)習(xí)系統(tǒng)，缺乏計(jì)算機(jī)知識(shí)等原因限制，領(lǐng)域模型或自適應(yīng)引擎的研究較難進(jìn)行。未來(lái)教育領(lǐng)域教育技術(shù)專業(yè)將與計(jì)算機(jī)等專業(yè)通力合作，構(gòu)建自適應(yīng)學(xué)習(xí)系統(tǒng)。

自適應(yīng)學(xué)習(xí)平臺(tái)中學(xué)習(xí)者模型大多被應(yīng)用，但基于學(xué)習(xí)者模型的自適應(yīng)學(xué)習(xí)不夠完善。多數(shù)適應(yīng)性學(xué)習(xí)系統(tǒng)機(jī)械的呈現(xiàn)給學(xué)習(xí)者學(xué)習(xí)材料，不能提供個(gè)性化服務(wù)。自適應(yīng)學(xué)習(xí)系統(tǒng)應(yīng)該能夠根據(jù)學(xué)習(xí)者學(xué)習(xí)風(fēng)格和背景知識(shí)呈現(xiàn)學(xué)習(xí)資源，還能根據(jù)學(xué)習(xí)者知識(shí)狀態(tài)提供適應(yīng)性導(dǎo)航。

4? 總結(jié)

學(xué)習(xí)者模型為個(gè)性化學(xué)習(xí)提供理論依據(jù)，完善學(xué)習(xí)者模型能夠促進(jìn)個(gè)性化學(xué)習(xí)的發(fā)展。本文通過(guò)對(duì)中國(guó)知網(wǎng)檢索的國(guó)內(nèi)學(xué)習(xí)者模型相關(guān)文獻(xiàn)進(jìn)行可視化分析，清晰明了的將學(xué)習(xí)者模型的研究現(xiàn)狀與熱點(diǎn)進(jìn)行了分析，同時(shí)結(jié)合已有研究對(duì)未來(lái)研究趨勢(shì)進(jìn)行思考與分析，為后續(xù)研究提供參考。

參考文獻(xiàn)

[1]鐘文娟. 基于普賴斯定律與綜合指數(shù)法的核心作者測(cè)評(píng)——以《圖書(shū)館建設(shè)》為例[J]. 科技管理研究， 2012， 32（2）： 57-60.

[2]鄭勤華， 陳耀華， 孫洪濤， 等. 基于學(xué)習(xí)分析的在線學(xué)習(xí)測(cè)評(píng)建模與應(yīng)用——學(xué)習(xí)者綜合評(píng)價(jià)參考模型研究[J]. 電化教育研究， 2016， 37（9）： 33-40.

[3]武法提， 黃石華， 殷寶媛. 基于場(chǎng)景感知的學(xué)習(xí)者建模研究[J]. 電化教育研究， 2019， 40（03）： 68-74.

[4]Brusilovsky P， Millan E. User models for adaptive hypermedia and adaptive educational systems[M]. The Adaptive Web， Lecture Notes in Computer Science， 2007， 4321： 3-53

[5]陳仕品， 張劍平. 適應(yīng)性學(xué)習(xí)支持系統(tǒng)的學(xué)生模型研究[J]. 中國(guó)電化教育， 2010（5）： 112-117.

[6]Konstantina Chrysafiadi， Maria Virvou. Student modeling approaches： A literature review for the last decade[J]. Expert Systems with Applications[J]. 2013， （40）： 4715-4729

[7]黃煥. 面向e-Learning的學(xué)習(xí)者情感建模及應(yīng)用研究[D]. 武漢： 華中師范大學(xué)教育信息技術(shù)學(xué)院， 2014.

[8]Tadlaoui M A， Aamou S， Khaldi M， Carvalho R N. Learner modeling in adaptive educational systems： a comparative study[J]. Modern education and computer science， 2016， 8（3）： 1-10.