陳 珂，湯 鑫，楊業(yè)壯

(蘇州市職業(yè)大學，江蘇 蘇州 215004)

0 引言

隨著大數(shù)據(jù)、機器學習等技術(shù)的迅速發(fā)展，美國、英國、澳大利亞等國家已發(fā)布各自利用技術(shù)促進學習的相關計劃，《中國教育現(xiàn)代化2035》中也明確指出要努力推動信息技術(shù)與教育教學的深度融合，可見用信息技術(shù)改變教育已成為各國教育研究者關注的焦點。教育領域倡導以學習者為中心，為學習者提供精準化服務，隨著網(wǎng)絡在線課程的發(fā)展和教育應用軟件的升級，學習者畫像[1]的研究逐漸進入學界視野，與學習者畫像定義相關的更多是以“學習者畫像”“學生畫像”“數(shù)字畫像”“學習者肖像”等名詞呈現(xiàn)，這使得學習者畫像在教育領域[2]的應用更加貼切于教育教學的實際情境。

本文對學習者畫像構(gòu)建[3]進行研究，將圍繞研究目標設計在線學習者畫像模型及其構(gòu)建流程，并在此基礎上將其應用于在線學習過程，用于展現(xiàn)在線學習者的多維度特征[4]，幫助學習者直觀明了地了解自己的整體學習情況，有利于促進學習者的參與度和學習效果。本研究獲取學習者學習過程中的行為數(shù)據(jù)，并利用該行為數(shù)據(jù)和在線評測結(jié)果數(shù)據(jù)為學習者畫像，從而客觀地揭示學習者狀態(tài)，對使用在線教學系統(tǒng)的學習者提高教學質(zhì)量、提高學習水平起到重要作用。

1 數(shù)據(jù)預處理

本文首先對在線學習者的學習行為痕跡進行了清洗和預處理，數(shù)據(jù)清洗主要包括去重、去空和刪除異常值等步驟，數(shù)據(jù)預處理是對清洗后的數(shù)據(jù)做處理匯總，得出分析處理后的數(shù)據(jù)。本文編寫MapReduce程序?qū)W習痕跡數(shù)據(jù)做清洗和預先處理，然后將學習行為數(shù)據(jù)導出為csv文件，以便為后續(xù)的學習者畫像分析做準備，這些學習行為數(shù)據(jù)的結(jié)構(gòu)包括用戶ID、學習天數(shù)、學習總時長、學習的章節(jié)數(shù)和在線測試成績等字段。具體的實現(xiàn)方法如下。

1.1 Map()函數(shù)實現(xiàn)數(shù)據(jù)清洗

Map()利用并行化思想來對數(shù)據(jù)進行有意義的篩選，去除csv文件中第1行的字段名和空值，提取登錄時間、學習時長、章節(jié)名稱等相關數(shù)據(jù)。Map輸出的鍵值對經(jīng)過shuffle過程，聚成后，會交給reduce()函數(shù)。

if (key.get()==0){

System.out.println(value.toString());

return;//拋棄第一行數(shù)據(jù)，

}

String rowvalue = value.toString();

if (rowvalue.equals("") ∣∣ rowvalue =="") {

return;//數(shù)據(jù)中存在空字符串

}

String[] strs = rowvalue.split("");

//由登錄時間、學習時長、章節(jié)名稱組成的字符串

String text =strs[1]+","+strs[2]+","+strs[3];

key.set(strs[0]);//用戶id

value.set(text);

context.write(key,value);

1.2 Reducer()函數(shù)統(tǒng)計學習者的登錄次數(shù)，學習總時長和學習章節(jié)數(shù)

Map過程輸出的鍵值對先經(jīng)過shuffle過程把key值相同的所有value值聚集起來形成values，此時values是對應key字段的由登錄時間、學習時長、章節(jié)名稱組成的字符串的列表，然后將輸入reduce方法，reduce方法只要遍歷values后進行字符串分割后分別對學習時長求和以及求總天數(shù)、章節(jié)數(shù)求和、用戶名，即可得到某個學習者的行為數(shù)據(jù)。

List logintime = new ArrayList();//存放登錄時間

List duration = new ArrayList();//存放學習時長

Set chaptername =new HashSet();//存放章節(jié)名稱，去除重復章節(jié)名

List list = new ArrayList();

for(Text t:values)

list.add(t.toString());

for(String str:list){

String[] strs = str.split(",");

logintime.add(strs[0]);

duration.add(strs[1]);

chaptername.add(strs[2]);

}

long dur_sum=0;

for(String d :duration){

dur_sum += Long.parseLong(d);//統(tǒng)計學習總時長

}

//用戶id、學習總時長、學習天數(shù)、學習的章節(jié)數(shù)、在線測試成績，組成一個字符串

String recordstr = key.toString()+""+dur_sum+""+ dur_sum /24+""+chaptername.size()+""+score;

text.set(recordstr);

context.write(text,NullWritable.get());

1.3 Job對象負責管理和運行MapReduce的一個計算任務

在main()主函數(shù)中新建一個Job對象，負責管理和運行MapReduce的一個計算任務，并設定任務的輸出和輸入路徑，將預處理后的數(shù)據(jù)保存為csv文件。

2 建立機器學習模型

經(jīng)過MapReduce清洗和預處理后的在線學習者的學習行為數(shù)據(jù)將用于構(gòu)建機器學習模型。為了挖掘?qū)W習行為與學業(yè)表現(xiàn)的相關性，本文運用Scikit-Learn庫中K-means模型，對學生各行為指標和學習績效指標進行相關分析[5]。學習者的參與程度和努力程度將會對學習者的學習質(zhì)量產(chǎn)生影響，因此了解學生的學習投入情況是至關重要的，并對學習投入程度過低的學習者進行有針對性的干預。本文確定了學習者2個特征指標，如表1所示。

表1 學習者特征要素

K-means是一種典型的聚類算法，該算法是基于不同對象特征值間的相似度，來確定對象的歸屬問題。本文使用K-means模型對預處理后的數(shù)據(jù)文件takypen.csv中數(shù)據(jù)進行聚類，以便分析成績與學習投入之間關系。takypen.csv文件包含有4個特征，分別如下：day_mean(學習天數(shù))；play_mean(學習時長)；chapters_mean(學習章節(jié)數(shù))；score(在線測試成績)。前3個字段對應學習投入指標，score字段對應學習績效指標，通過KMeans模型訓練得到預測列type，該列即為預測出的學習投入度。

2.1 Scikit-Learn庫中K-means模型的結(jié)構(gòu)

sklearn.cluster.KMeans(n_clusters=8,init='k-means++',n_init=10,max_iter=300,tol=0.0001,

precompute_distances='auto',verbose=0,random_state=None,

copy_x=True,n_jobs=1,algorithm='auto')

2.2 建立K-means聚類模型

kmeans=KMeans(n_clusters=3,n_init=10,tol=0.0002, random_state=0).fit(X)

2.3 模型評估

#屬性Labels_是獲取每個點的分類

labels=kmeans.labels_

acc = float((labels==y).sum())/len(y)

print('KMeans 準確率為：%.2f' %(acc))

3 學習行為畫像的實現(xiàn)

3.1 基于高斯樸素貝葉斯模型的學習者分類預測

本文使用Scikit-Learn庫提供的高斯樸素貝葉斯模型構(gòu)建分類器，根據(jù)學習天數(shù)、學習時長、學習的章節(jié)數(shù)等行為特征來判斷學習者屬于哪一類，為學習者加一個分類標簽。takypen.csv文件中存放了學習行為特征數(shù)據(jù)，使用GaussianNB類建立高斯樸素貝葉斯模型并進行學習者分類預測，實現(xiàn)方法如下。

(1)數(shù)據(jù)歸一化處理，并建立訓練數(shù)據(jù)集。

數(shù)據(jù)歸一化處理對于大部分機器學習算法而言都是一種常規(guī)要求，如果單個特征沒有或多或少地接近于標準正態(tài)分布，那么它可能并不能在模型中表現(xiàn)出很好的性能。利用preprocessing類的MinMaxScaler()提前對特征數(shù)據(jù)進行歸一化后再使用高斯樸素貝葉斯模型做訓練，模型準確率將會大大提升，即數(shù)據(jù)歸一化處理對模型評分會有一定程度的提升。

data_csv = pd.read_csv('takypen.csv')

X_train = preprocessing. MinMaxScaler (data_csv.drop(['type'],axis=1))

y_train = np.ravel(data_csv[['type']])

(2)通過訓練集，構(gòu)建高斯樸素貝葉斯模型。

gb= GaussianNB()

model_GaussinaNB = gb.fit(X_train,y_train)

y_predict_GaussianNB= model_GaussinaNB.predict(X_test)

print("y_predict_GaussianNB: ",y_predict_GaussianNB)

(3)將一個新的測試數(shù)據(jù)(33，40，10)帶入模型得到預測結(jié)果如圖2所示，該模塊預測出學習者的標簽為簡單體驗者(Easy_learning)，如圖1所示。

圖1 運行結(jié)果

z_data ={'day_mean':['33'],'play_mean':['40'],'chapters_mean':['10']}

Z_data =pd.DataFrame(z_data,columns=['day_mean','play_mean','chapters_mean'])

print('Test_data: ',Z_data)

Z_model_predict=model_GaussinaNB.predict(Z_data)

#每個標簽下樣本最大的概率

Z_model_proba=model_GaussinaNB.predict_proba(Z_data)

print('Test_predict:',Z_model_predict)

print('Test_probability:',Z_model_proba)

(4)預測結(jié)果的平均值和預測正確率，如圖1所示。

y_test_mean=np.mean(y_predict_GaussianNB==y_test)

print('y_test_GaussianNB_mean:%.2f '%y_test_mean)

print('y_test_GaussianNB_ave_accuracy:%.2f '%gb.score(X_test,y_test))

本研究以準確性、召回率和F1這3個指標對高斯樸素貝葉斯模型在分類任務上的性能進行評估，如圖2所示。

圖2 分類任務評估

由圖2可知，本研究通過高斯樸素貝葉斯分類器對測試樣本分類，可以得到平均準確率、平均召回率以及平均F1指標，分別為0.79，0.78和0.78。

3.2 用戶畫像實現(xiàn)

本文選取了用戶學習過程中12天的數(shù)據(jù)作為樣本進行研究，在前端JS文件中引用echarts.js來獲取學習者行為數(shù)據(jù)，使用折線圖和柱狀圖進行展示。圖3可以很直觀地看出用戶訪問的次數(shù)和學習時長的總和及平均值分析結(jié)果。

圖3 學習者畫像展示

4 學習效果畫像的實現(xiàn)

4.1 基于K-means算法的群體畫像分析

采用構(gòu)建的K-means模型對takypen.csv中的數(shù)據(jù)進行訓練，得到的訓練結(jié)果中包含4個特征值列和1個目標值列。其中，目標值列包含了3個數(shù)字0，1，2，分別對應的分類標簽為：Highl-yinvestment，Moderateinvestment，Lowinvestment。本文根據(jù)107個結(jié)果樣本數(shù)據(jù)中的這4個特征以及3類標簽來研究學習者的學習投入度與在線測試成績之間的關系[6]，實現(xiàn)方法如下。

4.1.1 導入數(shù)據(jù)并提取特征值和目標值

訓練數(shù)據(jù)是由107個樣本和4列特征值組成，其中4列特征值為day_mean，play_mean，chapters_mean和score，學習投入度標簽Highlyinvestment，Moderatei-nvestment，Lowinvestment分別用數(shù)字0，1，2表示，type列是由標簽數(shù)組轉(zhuǎn)換成的數(shù)字數(shù)組。

4.1.2 數(shù)據(jù)解析

本研究通過describe()函數(shù)對每一個特征列數(shù)據(jù)進行統(tǒng)計，包括計數(shù)、均值、標準偏差、最小值、最大值、各個分位數(shù)等，執(zhí)行print(takypen.describe())后的運行結(jié)果如圖4所示。

4.2 學習投入指標與學習表現(xiàn)

本研究以三維散點圖分析各特征變量對學習成績的影響，并借助3個維度特征來反映學習者的學習效果，這三維特征分別是：在線測試成績、學習次數(shù)和學習時長。學習者群體畫像的三維散點圖如圖5所示。

圖4 運行結(jié)果

由圖5可知，學習者的學習投入偏高時，知識點掌握水平多為優(yōu)秀；學習投入中等偏低時，知識點掌握水平為中等水平；學習投入偏低時，知識點掌握水平則較差。綜上，聚類為高度投入的學習者整體學習情況優(yōu)秀，聚類為中度投入的學習者整體學習情況良好，聚類為低投入的學習者的整體學習情況較差。

5 結(jié)語

首先，本文通過MapReduce程序?qū)υ诰€學習者的痕跡數(shù)據(jù)進行數(shù)據(jù)清洗和預處理，從而得到了學習者的學習行為數(shù)據(jù)。其次，構(gòu)建K-means聚類模型為學習者生成學習投入度和學習效果的畫像信息，并根據(jù)學習天數(shù)、學習總時長、學習章節(jié)數(shù)等行為特征指標，使用高斯樸素貝葉斯模型構(gòu)建分類器對學習者分類，并采用K-means回歸方法對學習者進行了群體畫像分析，形成了3類學習者的群體畫像標簽。最后，本文使用Echarts和Seaborn生成相關數(shù)據(jù)圖表，以便對學習者畫像進行可視化展示。因為采集的學習者行為數(shù)據(jù)樣本數(shù)量不夠，所以本文選擇了高斯樸素貝葉斯的模型，該模型的特點就是對訓練數(shù)據(jù)量要求不大，如果訓練數(shù)據(jù)量比較大，還可以選擇其他的分類模型。

圖5 群體畫像三維散點圖