关键词：学习者画像；智慧教学；教育大数据；形成性评价；终结性评价
中图分类号：G434
文献标志码：A
作者简介：李康熙，合肥工业大学外国语学院副教授、硕士生导师，博士(安徽合肥230009);孔梦婷，合肥工业大学外国语学院硕士研究生(安徽合肥230009);孙冬云，合肥工业大学外国语学院硕士研究生(安徽合肥230009)
一、引言
随着信息技术在教育教学中的广泛应用，学生在各种教学、学习甚至社交平台上留下无比丰富的“数字足迹”(digitalfootprint)。基于这些大规模、多维度、长跨度教育大数据(EducationalBigData，EBD)的分析业已成为推动教育教学改革与创新的重要因素之一。[1-3]大数据的优势在于它突破小样本和个案研究的局限，有助于教师发现纷繁复杂的表象背后所隐藏的教育及教学共性问题，从而确定影响教学质量的关键因素并采取有效的干预措施。同时，教师通过分析学习者的过程性评价数据，还能够及时了解教学对象的学习表现和个体差异，从而实现个性化、差异化、精准化的因材施教策略。
鉴于此，本研究通过雨课堂——一款由清华大学和学堂在线联合研发的智慧教学工具——对中国东部地区一所理工科重点大学的英语课程进行数据采集、加工和分析，旨在通过智慧教学平台获得学习者在课内外的多种数据，以便对英语学习者进行精准画像，进而帮助教学管理者了解学情和教情，为教学改革和精准教学提供必要依据。
二、文献综述
(一)学习者画像
学习者画像肇始于艾伦·库珀(AlanCooper)提出的用户画像(persona)。在商业领域中，用户画像常被当成一种刻画目标用户、产品定位、联系用户诉求与设计方向的工具。作为一种学习分析技术，学习者画像亦是基于学生的学习数据特征对其进行分类、刻画与呈现。[5][6]
通过检索科学网(WebofScience,WOS)核心合集数据库，共搜集到10500篇主题词为“profilestudents”的文献。由CiteSpace[7]文献可视化工具的分析可知，学习者画像研究包括12个共引聚类，主要是针对学生的学习动机或学习行为进行分类研究，如表1所示。
表1WOS学习者画像文献的聚类分析
根据节点中心性排名结果，本研究领域内的高影响力作者针对学生的学习动机进行研究，探究学生动机与学习表现之间的关系。[8-11]
有学者以成就目标理论(achievementgoaltheory)和期望价值理论(expectancyvaluetheory)为框架，对美国7个城市1870名中学学生(以越南人和拉丁裔为主)进行聚类分析。[8]研究结果发现，学生的动机信念可分为七种类型。研究者结合目标和价值两种概念，提高对情感和成就的预测效果，并证明现有的线性模型可能会忽视两者之间的复杂互动关系。
有学者对比小学高年级学生，以及大学生的动机、学业表现，发现各年龄段的学习者均具有成就目标(achievementgoal)、任务价值(taskvalue)、能力知觉(perceivedcompetence)等多重动机。[11]因此，对于研究动机对学业表现的影响，综合运用不同的动机理论是必要的。
(二)智慧教学
作为一种新型教育模式，智慧教学以智能设备和智能技术为基础。[21][22]越来越多的研究表明，技术可以辅助学习者的学习，这些技术统称为技术辅助式学习(Technology-enhancedLearning,TEL)。技术辅助式学习为教学模式提供灵活性，[23]为获取学习记录[24]、调查、交流和合作、建设[25]以及评价[26]提供工具或媒介。
在智慧教学或智慧课堂中，会产生大量的数据记录，包括学生的生理、心理、认知行为，以及教、学、考、评、管等活动状态的数据。借助人工智能和教育数据分析技术，再对这些数据进行深度挖掘和处理，可得到有价值的决策信息，从而通过有意义的知识建构形成数据智能。[27]事实上，教育数据挖掘和学习分析已成为教育大数据分析应用的两大方向。
本研究认为，基于智慧课堂学习行为、学习过程、学习结果等大数据的分析，有利于形成不同水平英语学习者的特征画像，从而更清楚地了解不同水平英语学习者的学习行为、学习结果与发展趋势，同时有利于运用各种形成性评价方法与手段，实现从传统的“对课程结果的终结性评价”向“促进课程发展的形成性评价”转变。[28]
三、数据收集
本研究的对象来自中国东部地区某重点高校2020级四个学院1051名非英语专业本科生。按学生入学时所属学院划分，电子科学与应用物理学院296人，汽车与交通工程学院421人，食品与生物工程学院273人，微电子学院61人。
由于不同地区生源的外语水平良莠不齐，该校大学英语课程采取分级教学模式，学生入学后进行分级测试，按测试结果将学生分成两个级别进行教学活动。鉴于此，本研究将二级学生定义为高分组，共282人，一级学生共769人，按入学分级考试成绩进一步细分为中间组和低分组两个组别，其中低分组人数为282人，其他487名学生纳入中间组。如表2所示。
表2不同组别学生初始英语能力对比（按高考成绩和分级成绩）
由表2可知，高分组与中间组、低分组学生的初始英语能力呈显著差异。相邻组别的高考英语成绩平均分差达到7分和13分(注：此处不考虑高考英语试卷类型的差异，所有学生的原始成绩均以150分计)，分级考试平均分差距分别为12分和23分。
该校大学英语采用学分制，每学期2学分，共四学期8学分。各级别使用相同的教材，期末考试使用同一套标准化水平考试试卷。各级别主要差异在于，教师可根据学生的水平、作业、反馈，适当调整教学进度、教学内容和教学方法。此外，本课程教学团队通过雨课堂智慧教学平台的协同教师功能，实现各班级课前预习、课后测试任务的一键布置，提高研究数据的一致性、可及性与可比性。
四、结果及讨论
(一)学习行为变化
表4同组别学生的弹幕统计（平均条数）
表5不同组别学生的投稿统计（平均篇数）
表6不同组别学生雨课堂作业完成率
表7不同组别学生雨课堂作业总时长
表8不同组别学生雨课堂单个作业平均时长
(二)学习成就变化
表9不同组别学生作业平均得分
需要注意的是，第三学期通过雨课堂推送的作业中包含选做部分，即学生可选择完成作业A或者作业B，但在计算作业平均得分时，由于总分包含所有选做部分，导致该学期的数据显著低于其他学期。从平均分看，虽然高分组始终保持着对中间组和低分组的优势，但这种差距在逐渐缩小，尤其在二年级期间表现得更为明显。
本研究认为，高分组学生与其他组学生相比一直能够保持更高的作业平均分，一方面是由于其语言能力的优势，另一方面是由于他们投入更多的学习精力，以保证平时作业的完成质量。在一年级期间，他们为争取更高的平均学分绩点、奖学金或专业调剂机会等，在过程性评价成绩方面付出更多的努力。但在二年级期间，伴随着以上外部学习动机的消失殆尽，他们在平时成绩中的优势则慢慢缩小。
表10不同组别学生期末考试平均得分
(三)外部考试结果
从第二学期开始，高分组及部分在期末考试中成绩位列前茅的中间组学生即获得报名参加CET-4及CET-6考试的资格。本研究发现，尽管该考试相当重要，但仍有部分学生在本研究期间放弃参加考试的资格。各组学生参加CET-4及CET-6的统计如表11、12所示。
表11不同组别学生CET-4考试统计（N=1044）
表12不同组别学生CET-6考试统计（N=811）
从平均分看，高分组、中间组与低分组三者之间保持着非常稳定的、线性的差异，但是，如果以大于等于425分来统计百分比来看，这种规律性就被打破了。以CET-4为例，中间组与高分组的差异几乎可忽略不计，但低分组与中间组的差异则非常显著。这说明，若以425分作为通过CET-4的标准，能够较好地区分低分组学生与其他学生。不仅如此，由于低分组在CET-4中的较差表现，导致他们无法通过甚至没有资格参加后续的CET-6考试。
从CET-6来看，应该指出的是，高分组学生在大学英语存续期间有两次参加CET-6考试的机会，而中间组和低分组除个别学生外，至多有1次参加考试的机会。由表12可知，高分组学生在CET-6考试中达到425分的比例达84.04%，与通过CET-4的比例差异较小;中间组和低分组学生达到425分的比例则大幅降低至31.21%和7.45%。
五、结论
本研究根据学生的入学分级考试成绩将学生分成高分组、中间组与低分组，然后基于雨课堂教学、作业以及期末考试、CET-4及CET-6考试等数据，分别从学习行为和学习结果两方面对大学英语学习者进行画像分析，总结如下：
参考文献：
[1]SHAHB,CHOKSID.Bigdataanalyticsmodelfortheeducationsector[J].InternationalJournalofInnovativeTechnologyandExploringEngineering,2019(8):1785-1789.
[2]MARTINAL,THAWABIEHFA.Theroleofbigdatamanagementandanalyticsinhighereducation[J].Business,ManagementandEconomicsResearch,2017,3(7):85-91.
[3]CHINSOOKK,KHAJONMOTEW,KLINTAWONS,etal.Bigdatainhighereducationforstudentbehavioranalytics(bigdata-HE-SBAsystemarchitecture)[J].HigherEducationStudies,2022,12(1):105-114.
[4]BAIGMI,SHUIBL,YADEGARIDEHKORDIE.Bigdataineducation:astateoftheart,limitations,andfutureresearchdirections[J].InternationalJournalofEducationalTechnologyinHigherEducation,2020,17(1):1-23.
[5]余明华,张治,祝智庭.基于学生画像的项目式学习评价指标体系研究[J].电化教育研究,2021(3):89-95.
[6]黄建国,唐烨伟,范佳荣,等.基于xAPI的在线学习环境中精准师训画像构建研究[J].中国电化教育,2020(4):102-108.
[7]CHENC,IBEKWE-SANJUANF,HOUJ.Thestructureanddynamicsofco-citationclusters:amultiple-perspectiveco-citationcnalysis[J].JournaloftheAmericanSocietyforInformationScienceandTechnology,2010,61:1386-1409.
[8]CONLEYAM.Patternsofmotivationbeliefs:combiningachievementgoalandexpectancy-valueperspectives[J].JournalofEducationalPsychology,2012,104(1):32.
[9]LAZARIDESR,VILJARANTAJ,AUNOLAK,etal.Theroleofparentalexpectationsandstudents’motivationalprofilesforeducationalaspirations[J].LearningandIndividualDifferences,2016,51:29-36.
[10]TUOMINEN-SOINIH,SALMELA-AROK,NIEMIVIRTAM.Achievementgoalorientationsandacademicwell-beingacrossthetransitiontouppersecondaryeducation[J].LearningandIndividualDifferences,2012,22(3):290-305.
[11]LINNENBRINK-GARCIAL,WORMINGTONSV,SNYDERKE,etal.Multiplepathwaystosuccess:anexaminationofintegrativemotivationalprofilesamongupperelementaryandcollegestudents[J].JournalofEducationalPsychology,2018,110(7):1026.
[12]ECCLESWJ.TheCanadianfrontier[M].UNMPress,1983:1534-1760.
[13]AMESC.Classrooms:goals,structures,andstudentmotivation[J].JournalofEducationalPsychology,1992,84(3):261.
[14]DWECKCS,LEGGETTEL.Asocial-cognitiveapproachtomotivationandpersonality[J].PsychologicalReview,1988,95(2):256.
[15]LINNENBRINK-GARCIAL,PATALLEA,PEKRUNR.Adaptivemotivationandemotionineducation:researchandprinciplesforinstructionaldesign[J].PolicyInsightsfromtheBehavioralandBrainSciences,2016,3(2):228-236.
[16]WIGFIELDA,CAMBRIAJ.Students’achievementvalues,goalorientations,andinterest:definitions,development,andrelationstoachievementoutcomes[J].DevelopmentalReview,2010,30(1):1-35.
[17]赵婷婷,郭玉婷.超越传统成绩单:数字技术重塑大学生学习“画像”[J].中国高教研究,2022(5):20-26.doi:10.16298/j.cnki.1004-3667.2022.05.04.
[18]唐烨伟,茹丽娜,范佳荣,等.基于学习者画像建模的个性化学习路径规划研究[J].电化教育研究,2019(10):53-60.
[19]RESCIGNORC.Practicalimplementationofeducationaltechnology,thegte/gtelsmart-classroom,thehuenemeschooldistrictexperience[J].AcademicAchievement,1988,27.
[20]KIMT,CHOJY,LEEBG.Evolutiontosmartlearninginpubliceducation:acasestudyofKoreanpubliceducation[C]//OpenandSocialTechnologiesforNetworkedLearning:IFIPWG3.4InternationalConference,OST2012,Tallinn,Estonia,July30–August3,2012,RevisedSelectedPapers.SpringerBerlinHeidelberg,2013:170-178.
[21]LEEJ,ZOH,LEEH.SmartlearningadoptioninemployeesandHRDmanagers[J].BritishJournalofEducationalTechnology,2014,45(6):1082-1096.
[22]KIMS,SONGSM,YOONYI.Smartlearningservicesbasedonsmartcloudcomputing[J].Sensors,2011,11(8):7835-7850.
[23]ZHUZT,YUMH,RIEZEBOSP.Aresearchframeworkofsmarteducation[J].SmartLearningEnvironments,2016(3):1-17.
[24]DANIELJ.MakingsenseofMOOCs:musingsinamazeofmyth,paradoxandpossibility[J].JournalofInteractiveMediainEducation,2012(3).
[25]BRUCEBC,LEVINJA.Educationaltechnology:mediaforinquiry,communication,construction,andexpression[J].JournalofEducationalComputingResearch,1997,17(1):79-102.
[26]MEYERB,LATHAMN.Implementingelectronicportfolios:benefits,challenges,andsuggestions[J].EducauseQuarterly,2008,31(1):34.
[27]刘邦奇,李鑫.智慧课堂数据挖掘分析与应用实证研究[J].电化教育研究,2018(6):41-47.doi:10.13811/j.cnki.eer.2018.06.008.
[28]教育部高等学校大学外语教学指导委员会.大学英语教学指南[M].北京:高等教育出版社,2020.
ProfilingEFLLearnersintheContextofIntelligentTeaching
KangxiLI,MengtingKONG,DongyunSUN
(SchoolofForeignStudies,HefeiUniversityofTechnology,Hefei230009,Anhui)
Keywords:Learnerprofile;Intelligentteaching;Educationalbigdata;Formativeassessment;Summativeassessment