王莉莉 郭威彤 楊鴻武

[摘? ?要] 在“互聯網+”在線學習環(huán)境下，探索符合學習習慣和偏好的個性化推薦路徑能夠降低學習者學習的盲目性、提升學習者在線學習體驗。文章提出了一種基于學習者畫像的個性化課程推薦方法，首先，利用爬蟲技術獲得Bilibili網站30多萬名學習者的數據，然后對學習者學習數據進行定量分析，尤其是在個性化特征最明顯的情感表達方面，采用了基于注意力機制的雙向長短時記憶網絡進行情感分析，從而構建了包含學習者基本信息、行為和彈幕文本三個維度的學習者畫像特征模型。在此基礎上，利用深度神經網絡建立了教學資源與學習者畫像之間的關系模型，用該模型預測學習者新的學習需求。實驗結果表明，當學習者登錄后，輸入要選擇的課程，模型能夠根據學習者畫像推薦相似學習者學習過的課程，提供個性化課程推薦服務，且推薦評價指標也表明該模型能夠提高推薦性能。

[關鍵詞] 學習者畫像; 深度神經網絡; 個性化推薦; 非正式學習平臺; 教育大數據挖掘

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 王莉莉（1994—），女，甘肅蘭州人。博士研究生，主要從事學習者學情分析研究。E-mail：1335502737@qq.com。

一、引? ?言

在“互聯網+”時代，大規(guī)模在線學習平臺在為學習者帶來便利的同時，也產生了“信息爆炸”等問題，導致學習者很可能迷失在浩瀚如煙的學習課程中，很難快速地從大量的學習課程中找到自己想要的課程。首先，大多數在線課程平臺針對同一知識點提供了多個學習視頻，給學習者帶來選擇困擾。其次，學習者在檢索在線課程時，由于輸入的檢索關鍵詞表達不準確，導致檢索結果中的資源并不與學習者的需求相吻合。最后，現有的大多數面向課程的搜索引擎并不關注學習者個性化的需求，任何學習者輸入相同的檢索關鍵詞總會返回相同的課程列表。因此，學習者希望搜索引擎能夠根據自己的需要提供課程。這樣能夠節(jié)約學習者尋找所需資源的時間，搜索到的個性化課程對學習也有一定的針對性，能更好地提高學習效率。

二、利用學習者畫像實現個性化課程推薦的

研究現狀及問題

（一）學習者畫像

資源信息推薦服務的重要方法是用戶畫像的刻畫[1]。在教育領域，研究者借鑒用戶畫像的方法和思想，提出了學習者畫像的概念，從學習者畫像的構成要素、分析技術和可視化三個方面進行了研究。在學習者畫像的構成要素方面，主要從學習動機、學習認知水平和學習風格進行研究。如Mahammed等研究發(fā)現，在英語學習方面女生比男生更有學習動力[2];劉三女牙團隊通過分析SPOC論壇的話語數據，建議教師可對不同群體的認知目標、討論內容和互動形式進行調適或指導，促進學習群體的互動、學習積極性及認知水平的提升[3];Jaswinder等通過研究獸醫(yī)學學生的學習風格，發(fā)現有三分之一的學生具有明顯的個人風格[4]。在學習者畫像的分析技術方面，主要采用回歸分析、聚類分析和預測分析等方法。張雪等追蹤了慕課上中國學生學習一門國際全英文慕課的過程，采用聚類分析和LASSO回歸分析方法揭示了非母語學生群體在線學習的類別差異性[5];Schroeder等使用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的影響程度[6];Piech等采用循環(huán)神經網絡算法對學習者的認知水平進行信息預測[7]。在學習者畫像可視化分析方面，多采用統(tǒng)計圖繪制技術、文本可視化技術、關聯關系可視化技術和人機交互技術等，還有研究將以上方法融合使用[8-9]，為學習者提供幫助，為教師提供教學建議。

（二）個性化課程推薦

目前，針對個性化課程推薦服務的研究主要處于理論層面探討和小規(guī)模技術嘗試階段。在理論層面，主要通過提出智能化、人性化的支持服務模型，進而設計教育資源個性化推薦策略的實現路徑[10]。在技術層面，通過常用的推薦算法進行課程推薦，主要包括基于內容的推薦算法[11]、基于關聯規(guī)則的推薦算法[12]和基于協(xié)同過濾的推薦算法[13]?；趦热莸耐扑]算法推薦結果直觀，具有較好的可解釋性，但是容易推薦已經看過的課程，而且很難根據新注冊的學習者的需求進行推薦;基于關聯規(guī)則的推薦算法優(yōu)點是能夠發(fā)現新的興趣點，缺點是規(guī)則抽取難且耗時，個性化程度低;基于協(xié)同過濾的推薦算法目前應用較多，個性化和自動化程度高，但是推薦質量取決于歷史數據，剛開始推薦時推薦質量差。

（三）基于學習者畫像的個性化課程推薦

利用學習者畫像構建學習資源個性化推薦的研究主要在理論層面上對學習者特征進行標簽化，然后基于學習者畫像探討個性化教學和個性化推薦服務的應用[14-15]。在技術層面上，多側重于學習者畫像的構建，對于資源的個性化推薦較少[16]，且采用手動的數據分析方法。

通過梳理學習者畫像和個性化推薦技術，本文發(fā)現：首先，利用學習者畫像實現個性化課程推薦的研究大多停留在理論模型建構上，基本是以學習成績?yōu)閷虻恼綄W習者的畫像構建，針對非正式學習平臺學習者的畫像關注較少。其次，對個性化推薦技術的研究相對較少，一方面多采用通用型推薦算法，該算法沒有考慮學習者與學習資源之間的交互關系;另一方面，現有的推薦技術沒有考慮學習者基本信息和學習者行為數據等多元化特征，缺乏個性化的推薦。最后，現有的研究缺乏學習者畫像與個性化推薦路徑相結合的技術實現。

三、構建學習者畫像實現個性化課程推薦的模型

鄭永和教授認為，目前產生了“數據驅動”的研究范式[17]，教育大數據正催生個性化推薦，通過人工智能算法發(fā)現學習者畫像和個性化推薦之間的關聯，從而輔助學習者減少“迷航”問題。因此，本研究從計算教育學的視角出發(fā)，結合深度神經網絡，構建學習者畫像實現個性化課程推薦，模型框架如圖1所示。框架劃分為三個階段，每個階段具有獨立功能，且上個階段的輸出是下個階段的輸入。第一階段是明確畫像目標，收集學習者在非正式學習平臺產生的學習者數據并進行清洗;第二階段是學習者畫像的構建，對學習者學情進行分析，建立學習者行為數據和畫像目標之間的邏輯關系;第三階段是個性化課程推薦，構建符合學習者畫像和課程信息相融合的深度神經網絡來深入挖掘教學資源個性化推薦服務的本質特征，實現非正式教育資源與學習者之間的精準匹配，為大數據背景下開展非正式教育資源個性化推薦服務提供參考。

（一）學習者學習數據的獲取

學習者學習數據的獲取，一方面通過數據發(fā)現模型，預測人類行為的概率性和趨勢性，從而增強個性化課程推薦研究的預測功能;另一方面通過數據分析提升個性化課程推薦研究的科學性，使課程的推薦趨于客觀化、形成性、全局化和智能化。因此，筆者采用爬蟲技術從Bilibili 彈幕視頻網站（簡稱“B站”）獲取學習者在B站產生的各種行為數據。之所以選擇B站，首先，該平臺除了學習資源外，還包括各種娛樂視頻，所以學習者很容易迷失在大量的信息中;其次，該平臺的學習沒有受到教師的督促，沒有課程必須完成的壓力，也沒有課程結業(yè)證書等激勵措施，學習者的學習動機純粹來源于學習者本身，所以，學習者在該平臺發(fā)表的聽課感受、課程評價和對教學內容的吐槽等更容易表達學習者自己的感受，這樣的數據更有利于實時分析在線課程的內容及學習者的真實反饋，能夠更好地根據學習者的情感反應等實現教育資源的個性化推薦;最后，該網站最新財報顯示[18]：2020年第三季度社區(qū)月均活躍者1.972億，日均活躍者5330萬，月均互動數達到52億次，日均視頻播放量達到13億次，表明該網站已經積累了大量的學習者，具備學習者黏性和學習者忠誠度。

筆者利用Python語言，以視頻網址為種子頁，通過Chrom開發(fā)工具獲取B站學習者的真實數據，利用正則表達式和LXML解析庫進行網頁解析，共采集B站25門課程中學習者的基本信息和各類行為日志（見表1和表2）。在數據導入過程中，由于數據量過大，存在異常值和缺失值，所以對數據進行了切分、清洗、補充和刪除等操作。

（二）學習者畫像的構建

學習者畫像是對依據學習者的基本特征數據和學習行為數據抽象出的學習者特征打標簽的過程，是對現實世界中學習者屬性的描繪，基于數據構建的學習者畫像可以幫助實現個性化課程的推薦，為教學利益相關者提供信息，但對于學習者畫像的構建，不同研究者有不同的構建方式。武法提教授依據Edx平臺學習者的個人特征、社交網絡、情感狀態(tài)和在線環(huán)境中學習者的體征分析構建了數字化環(huán)境下個性化行為分析模型[19]。牟智佳等依據《學習者模型規(guī)范 CELTS-11》將學習者學習信息分成不同層次以構建學習者畫像[20]。陳海建等人從學習者的基本屬性、學習風格偏好、學習者類型和知識點興趣等方面來構建學習者畫像[13]。學習者畫像的構建均基于在線學習數據，一方面是學習者在學習平臺注冊的個人信息，另一方面是學習者與同伴、教師之間的交互信息，學習者交互行為的情感能夠在一定程度上反映學習者的認知水平，會拉近學習者之間的距離，增加他們的社區(qū)歸屬感。因此，學習者畫像的構建流程遵循大數據驅動的研究范式，將非正式學習平臺可獲取的學習者畫像特征數據源作為信息素，根據在線學習者行為，在武法提教授提出的“目標—過程—結果”指導下，從知識水平、學習活動和交互能力三個維度出發(fā)，考慮數據采集的可行性，以及非正式平臺與課程本身的特點，通過個性化學習分析理論來指導分析學習者知識水平、學習活動完成度和參與度，以監(jiān)控學習活動過程。采用社會認知理論指導分析交互層次，以了解學生的最終學習結果和情感表達。從數據出發(fā)，首先，按照學習者基本信息和學習者行為信息得到這2個維度下的11項子維度，刻畫學習者學習方式偏好和認知;其次，依據情感對交互的影響，得到情感分析維度下的3個子維度，精確分析學習者學習喜好、問題解決與學習者的情感，具體見表3，但是對于構建的初始學習者畫像是否能夠準確有效地支撐個性化課程推薦，本研究對初始刻畫的三維學習者畫像進行了子維度的分析。

1. 學習者基本信息分析

為了解學習者的基本情況，從學習者ID、學習者性別、是否為VIP、學習者等級、粉絲數與關注數等子維度統(tǒng)計分析，判斷該維度是否適合構建學習者畫像。

學習者ID：是學習者在B站中相對唯一的標識，相當于是一種“身份證”，當學習者登錄系統(tǒng)后，系統(tǒng)會根據學習者ID推薦相關的課程，故認為該維度是必須存在的。

學習者性別：對采集數據中學習者的性別進行分析，發(fā)現男性學習者占42%，女性學習者占33%，且有25%的學習者不愿意透露自己的性別，可以看出性別具有差異性，有研究也表明性別對學習者具有影響[21]，因此，性別是學習者畫像構建的一個重要因素。

是否為VIP：對學習者是否為VIP進行統(tǒng)計分析，發(fā)現不是VIP的人數達到了99.99%，只有個別學習者是VIP，所以，看出學習者大多不在意是否為VIP，故在構建學習者畫像時可以忽略該維度。

學習者等級：反映的是會員在社區(qū)的活躍性，是評估學習者活躍度和黏性的一個重要屬性?？赏ㄟ^登錄、課程學習、投幣、分享等方式獲得等級提升，所以，學習者在社區(qū)內參與程度越高，學習者等級就越高。對學習者的等級進行了分析，等級為3的學習者有91371個，等級為4的有49725個，而等級為6的只有624個，通過統(tǒng)計得出學習者等級具有較大的差異性，不同等級的學習者觀看課程的需求也會根據等級數有所不同，因此，學習者等級可以作為學習者畫像的子維度。

粉絲數與關注數：學習者粉絲數是指其他學習者關注該學習者的人數，代表了學習者的權威性;關注數是學習者所關注的人，代表學習者的興趣廣度。據統(tǒng)計，粉絲數均值為46.56，關注數均值為53.33，可以看出學習者并不是一些意見領袖。粉絲數標準差為897.12，極大值為78291;關注數標準差為897.12，極大值為1896，極小值均為0，可以得出學習者之間在權威性和興趣廣度之間差異性較大，所以，對于不同學習者，需要推薦不同質量和內容的教學資源，因此，粉絲數與關注數可作為構建學習者畫像的一個重要維度。

2. 學習者行為分析

為了解學習者在彈幕發(fā)送時的行為，筆者對學習者在發(fā)送彈幕時的行為進行了詳細的分析，以期找出數據之間的關聯性，深層次地挖掘數據含義，為學習者畫像提供數據支撐。

彈幕顏色分布：將獲得的數據表中的八進制顏色代碼經過十六進制轉碼后發(fā)現，共產生了20種顏色，其中，97.80%的學習者發(fā)送彈幕的字體顏色均為默認色。由此可以說明，學習者并不像普通彈幕視頻的觀看者更注重字體顏色，而是更注重學習內容，所以，彈幕顏色不作為學習者畫像的子維度。

彈幕模式分布：目前B站有滾動彈幕、頂端彈幕、底端彈幕和使用代碼操作的高級彈幕。統(tǒng)計發(fā)現，96.80%的學習者選擇默認模式，沒有高級彈幕的發(fā)送者，該維度不作為學習者畫像的子維度。

字體大小分布：通過分析學習者彈幕字體的選擇，發(fā)現使用默認字體25號字體的學習者占到99.96%，而使用18號字體的學習者僅有0.04%，說明彈幕字體的大小不能用作區(qū)分學習者的特征，故不考慮該維度來進行畫像構建。

時間序列分析：彈幕參數中包含自然時間維度和視頻時間維度兩個參數，由于自然時間的一致性，本文通過自然時間來考察彈幕行為的時間分布。從圖2（a）中學習者發(fā)送彈幕數量的日分布情況可知，彈幕交互行為存在較大的波動性，不同學習者有不同的學習時間習慣，可以根據學習者的作息時間提供不同類型的課程。從圖2（b）中可得出，每天彈幕發(fā)送量的波動趨勢呈一致性和周期性，可以通過相似學習者的學習習慣為新的學習者推送相似檢索的課程內容，因此，時間序列是學習者畫像的一個重要維度。

彈幕的數量：隨機抽取一門“概率論與數理統(tǒng)計”課程，該課程中共有173342條彈幕，50982個獨立ID，經過統(tǒng)計人均發(fā)送彈幕的數量約為3.4條，發(fā)送一條彈幕的學習者占總體的54%，發(fā)送3條的占6%，發(fā)送10條以上的占7%，學習者有自己的表達習慣，可以根據學習者發(fā)送彈幕的習慣構建學習者畫像，推薦不同彈幕數量的視頻。

3. 彈幕文本分析

彈幕表達多為口語化的瑣碎文字，在鍵盤上易編輯操作，且采用縮略形式，語義簡潔，但是用詞混雜，在表達上充滿幽默和活力，筆者對彈幕文本子維度進行了分析。

彈幕的字數：對彈幕文字長度進行統(tǒng)計，其中，字數在10以內的彈幕數量有231428，占總體彈幕數量的70.46%，字數在50字以上的占比0.38%，可以看出彈幕文本以短小精悍為主基調，但是也有學習者發(fā)比較長的字符串來表達自己更深層的見解與討論，所以，根據學習者發(fā)表彈幕文本字數的多少將學習者進行劃分，匹配不同的彈幕課程，加深學習者的交互，因此，彈幕字數的分布可作為構建學習者畫像的一個子維度。

字符的類型：對彈幕字符類型進行統(tǒng)計，發(fā)現彈幕文本中有249300個特殊字符，136782個中文字符，120666個英文字符，表明彈幕文字的表達方式能夠體現出不同學習者的不同表達習慣。通過該習慣，可以推薦同一類型表達方式較多的視頻，進一步促進生生交流，讓學生有臨場感，因此，該特征可作為構建學習者畫像的一個子維度。

彈幕情感表達：彈幕文本數據所表達的情感趨勢和觀點對課程的選擇更具有參考性，更能滿足對情節(jié)內容的視頻檢索需求，對于課程的選擇具有一定意義。因此，筆者對彈幕文本表達的情感進行了分析。由于缺乏成熟開源的彈幕情感分析方法，因此，筆者針對彈幕文本的情感分析提出了一種基于雙向長短時記憶網絡加注意力機制（Bi-directional Long Short-Term Memory and Attention Mechanism，BiLSTM_AM）的彈幕文本情感分析方法，從彈幕文本中判斷學生的情感，從而進行課程的推薦。該模型首先通過BiLSTM層從評論中提取文本特征。其次，使用注意力機制（Attention Mechanism，AM）層來計算網絡的權值。最后，引入線性輸入層和Softmax層進行非線性操作，以獲得學生對課程的情感狀態(tài)。模型結構如圖3所示，包含預處理層、輸入層、隱含層和輸出層。預處理層主要是對彈幕評論進行分詞，根據停用詞表去除低頻詞，該詞表中包含了本實驗B站彈幕分析中需要剔除的非關鍵詞，共計2192個詞條。輸入層使用Word2vec工具包的Skip-gram模型，將得到的詞列表轉換為詞向量矩陣，然后將詞向量矩陣輸入隱含層BiLSTM模型中，在這一層中，我們采用了AM進行權重計算，權重表示重要數據被選擇的程度，權重越大，表明情感維度越高。最后在輸出層通過Softmax層進行情感預測。實驗結果表明，該神經網絡模型在數據集上的準確率為90.28%，損失值為0.23，時間代價為2469秒，驗證了BiLSTM_AM模型的有效性。

用該方法分析了所采集的328436條彈幕文本所表達的情感，其中，積極情感占51.22%，消極情感占37.12%，還有11.66%的彈幕文本表達的情感為中性，情感表達能夠比較明顯地反映對一門課程的喜愛程度，因此，該特征可作為構建學習者畫像的一個重要子維度。

針對以上數據的分析，遵循“按需設計且不做無限細化”的構建原則，得出在學習者維度下需要的子維度為學習者ID、學習者性別、學習者等級以及粉絲數和關注數，對于學習者是否為VIP可以忽略。在行為維度需要關注的子維度是時間序列分布和彈幕數量與學習者之間的關系，可省略彈幕顏色分布、彈幕模式分布和字體大小分布等子維度。在彈幕文本維度，需要關注的子維度是彈幕的字數、字符的類型和彈幕情感表達。通過對學習者畫像的研究，可以把學習者群體標簽化，以便能更好地識別不同學習者，為個性化推薦提供支持服務。

四、利用學習者畫像實現個性化課程推薦

筆者在實驗環(huán)境中實現了基于學習者畫像的個性化課程推薦，包括學習者畫像的標簽化處理、深度神經網絡模型的構建和簡單的評測過程，實驗結果驗證了基于學習者畫像的個性化課程推薦的可行性。

（一）深度神經網絡模型的構建

構建好學習者畫像后，通過梳理現有的個性化推薦算法，發(fā)現神經網絡具有強大的非線性擬合力、強特征提取力、高維數據處理力和強容錯率，因此，采用深度神經網絡進行課程推薦，結構流程如圖4所示。

在數據輸入模型之前，需要對學習者畫像進行標簽化處理。將學習者畫像中的學習者ID、學習者性別、學習者等級、粉絲數、關注數、時間序列分布、彈幕數量、彈幕的字數、字符的類型和彈幕情感表達等維度分別進行數字化表示，彈幕內容用詞向量進行表示。要實現個性化課程推薦，還需要將獲得的在線課程表中的課程ID、課程名稱、課程上線時間、課程類型和課程簡介進行標簽化處理，其中，課程ID、課程上線時間、課程類型通過數據字典轉化為數字，課程名稱和課程簡介轉化為向量。

對學習者畫像和課程信息進行標簽化處理后，在圖4學習者特征提取模塊中，首先，在輸入層輸入構建的學習者畫像標簽;其次，通過嵌入層將學習者畫像標簽特征屬性矩陣分別轉成向量矩陣以實現數字化，接著，將嵌入層產生的向量矩陣分別送入隱含層，在該層對學習者畫像的信息做相應加權處理;最后，將處理后的隱含層矩陣合并送入輸出層， 生成聚合的學習者個性化特征。在圖4所示的課程特征提取模塊中，首先，在輸入層輸入課程標簽特征，產生課程基本信息特征;其次，對其做卷積處理，初始化卷積核的參數和偏置參數，指定卷積的大小和步長;然后，將卷積后的向量矩陣數據輸入池化層以獲得課程的全連接矩陣，此處池化層選用最大池化，激活函數選用ReLU函數;最后，通過全連接層輸出學習課程特征。在圖4所示的特征融合模塊中，對學習者特征提取模塊提取的學習者個性化特征和課程特征模塊提取的學習課程特征進行特征加權計算，獲得個性化課程推薦的預測評分，如公式（1）所示：

Pinference=∑∑（w0×A+w1×B）+b（1）

其中，Pinference表示預測評分，A為學習者特征，B為課程特征，b為偏差，考慮到預測評分中學習者特征與學習視頻特征所占比例可能存在不平衡性，為A，B設置權重w0，w1。實驗中，w0，w1，b的值分別為1、1、0。

（二）基于學習者畫像的個性化課程推薦評估

當上述深度神經網絡模型通過計算機訓練后，獲得訓練好的模型，進行實驗室測試，結果如圖5所示。首先，以學習者的ID和選擇的課程ID作為初始輸入，根據學習者在線活動的學習畫像，提取學習者的學習行為后，系統(tǒng)自動對比已有的相似學習者的學習經歷，根據已有課程，自動計算相關性，依次從高到低進行推薦，也可以手動設置每次推薦前多少個課程，從而實現個性化的推薦。

其次，對推薦結果進行客觀評價，使用推薦系統(tǒng)中常用的兩個評價指標，即命中率（Hit Ratio，HR）和歸一化折損累積增益（Normalize Discount Cumulative Gain，NDCG）來衡量課程推薦的性能，表達式分別如式（2）和式（3）所示：

其中，p表示某一課程，TK表示推薦的課程列表，

|t|表示測試集中課程數量，reli表示i位置推薦課程的相關性，|REL|為課程相關度的個數，K表示向用戶推薦預測概率最大的前K門課程。HR，NDCG的值越大，說明推薦的效果越好。

當K等于N時，表示向學習者推薦概率最大的前N門課程。本文計算HR5、NDCG5和HR10、NDCG10的值分別為0.487、0.345和0.651、0.431，可以看出當K值越大，推薦的課程數量就越多，包含學習者喜歡的課程的概率就越大。通過與已有的不添加學習者畫像的深度神經網絡的課程推薦[22]結果相比較，當K為10時，該文獻中HR10和NDCG10分別為0.572和0.354，也可以說明我們提出的利用學習者畫像的個性化課程推薦研究能夠有效提高課程推薦的命中率。

最后，選取了30名志愿者對模型進行了主觀評測，每位志愿者登錄系統(tǒng)后輸入想要檢索的課程，從非常符合、符合、一般符合、不符合和非常不符合五個選項中選擇模型推薦結果是否符合自己的需求。筆者統(tǒng)計得出，30%的人認為推薦課程非常符合自己的需求;50%的人認為符合自己的需求;20%的人認為不符合，沒有人認為推薦的課程非常不符合自己的需求。說明筆者提出的方法能夠實現個性化課程推薦，同時通過動態(tài)更新學習者畫像和課程信息，能夠使深度神經網絡不斷識別出學習者新的學習需求，從而推薦新的個性化課程資源。

五、結? ?語

本文結合人工智能技術，利用學習者畫像實現了個性化課程推薦服務，從模型的測試、客觀評測和主觀評測三個方面說明了利用學習者畫像實現個性化課程推薦服務的可行性。但依然存在以下不足：首先，學習者畫像指標的確立需要進一步細化完善;其次，神經網絡的超參數需要進一步計算，同時要提高主觀評測的有效性。未來將進一步改進個性化課程推薦服務，使其能夠應用到B站課程推薦中，減少學習者“迷航”問題。

[參考文獻]

[1] 劉海鷗，孫晶晶，蘇妍嫄.國內外用戶畫像研究綜述[J].情報理論與實踐，2018，41（11）：155-160.

[2] MAHAMMED A， RAWIAN R M. English learning motivation of first-year students in universiti sultan zainal abidin（unisza）[J]. Asian Tefl journal of language teaching and applied lingus， 2018， 1（1）： 79-90.

[3] 劉智，楊重陽，劉三女牙.SPOC學習者認知行為及序列模式的差異性分析[J].開放教育研究，2019，25（2）：44-52.

[4] JASWINDER S， NIRMAL S， VERMA HK. A scoping study on learning style， gender and academic performance of veterinary students of punjab， india[J]. Indian journal of extension education. 2020，56（1）：70-76.

[5] 張雪，檀悅穎，羅恒.在線學習非母語學習者群體研究：類別畫像與行為特征分析[J].現代遠距離教育，2019（1）：18-26.

[6] SCHROEDER N L， FAN Y， TANVI B， et al. The influence of learners' perceptions of virtual humans on learning transfer[J]. Computers and education， 2018，126（11）：170-182.

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

[8] ZHANG J H， ZHANG Y X， ZOU Q， HUANG S. What learning analytics tells us： group behavior analysis and individual learning diagnosis based on long-term and large-scale data[J]. Educational technology and society，2018（1）：245-258.

[9] 肖君，喬惠，李雪嬌.基于xAPI的在線學習者畫像的構建與實證研究[J].中國電化教育，2019，384（1）：128-134.

[10] 余勝泉，陳敏.泛在學習資源建設的特征與趨勢——以學習元資源模型為例[J].現代遠程教育研究，2011（6）：14-22.

[11] LI Y， SHAO Z， WANG X， et al. A concept map-based learning paths automatic generation algorithm for adaptive learning systems[J]. Quality control， transactions， 2019（7）：245-255.

[12] WANG P， WOLFRAM D， ZHANG J， et al. Mining web search behaviors： strategies and techniques for data modeling and analysis[J]. Proceedings of the american society for information science and technology， 2010， 44（1）：1-8.

[13] 陳海建，戴永輝，韓冬梅，馮彥杰，黃河笑.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017，23（3）：105-112.

[14] 牟智佳，李雨婷，商俊超.教育大數據環(huán)境下基于學習畫像的個性化學習路徑設計研究[J].中國教育信息化，2019（11）：55-59，65.

[15] 唐燁偉，茹麗娜，范佳榮.基于學習者畫像建模的個性化學習路徑規(guī)劃研究[J].電化教育研究，2019，40（10）：53-60.

[16] 師亞飛，彭紅超，童名文.基于學習畫像的精準個性化學習路徑生成性推薦策略研究[J].中國電化教育，2019，388（5）：84-91.

[17] 王晶瑩，楊伊，鄭永和.從大數據到計算教育學：概念，動因和出路[J].中國電化教育，2020（1）：85-92.

[18] 尹子璇.B站發(fā)布三季度財報：單月活躍用戶破2億，營收32.3億元再創(chuàng)新高[EB/OL].[2021-08-01].https：//new.qq.com/omn/20201119/20201119A0391J00.html，2020-11-19.

[19] 武法提，牟智佳.基于學習者個性行為分析的學習結果預測框架設計研究[J].中國電化教育，2016（1）：41-48.

[20] 牟智佳，武法提.電子書包中基于學習者模型的個性化學習資源推薦研究[J].電化教育研究，2015，36（1）：69-76.

[21] 張成龍，李麗嬌，李建鳳.基于MOOCs的混合式學習適應性影響因素研究——以Y高校的實踐為例[J].中國電化教育，2017（4）：60-66.

[22] 卜祥鵬.基于GRU和課程關聯關系的推薦模型[J].軟件，2020，41（6）：137-142.