北京工业大学信息化建设与管理中心，北京
收稿日期：2023年1月24日；录用日期：2023年2月21日；发布日期：2023年2月28日
摘要
关键词
交互，在线学习行为，学习者画像
ConstructionoftheLearnerPortraitBasedonOnlineLearningBehavior
YuGuo,YanqingYang
InformationConstructionandManagementCenter,BeijingUniversityofTechnology,Beijing
Received:Jan.24th,2023;accepted:Feb.21st,2023;published:Feb.28th,2023
ABSTRACT
Learnerportraitisaproductionintheeraofbigdata.Itpresentsthelearningcharacteristicsoflearnersthroughtheanalysisoflearner-relateddata,soastobetterservetoimprovethequalityofonlinelearning.Howtomineandanalyzetherelevantdataoflearnerstoconstructlearnerportraitsisacommonconcernofcurrentresearch.ThisresearchtakestheonlinelearningbehaviordataintheRixinXuetangonlinelearningplatformasthestartingpoint,andclassifiestheexistingonlinelearningbehaviordatabasedontheinteractiveperspective,anddividesthedimensionsofthelearnerportraitaccordingly.Afterfurtherclarifyingthelabeloflearnerportraits,threetypesoflearnerportraitsareformedbyusingk-meansclusteringmethod,andfurthernamedashighimmersionlearners,mediumimmersionlearnersandlowimmersionlearners.Theirportraitsaredescribedtopresentthelearningbehaviorcharacteristicsofthethreetypesoflearners.Finally,itisproposedthatlearningearlywarningisanimportantapplicationdirectionoflearnerportrait.
Keywords:Interaction,OnlineLearningBehavior,LearnerPortrait
ThisworkislicensedundertheCreativeCommonsAttributionInternationalLicense(CCBY4.0).
1.引言
随着信息科学技术的发展，信息化成为现代社会的重要标志，高校也在积极推进信息技术与教学的融合，推进在线学习模式在高校的展开，使在线学习成为教学新常态。然而在线学习中还存在的诸多问题，如学生学习倦怠[1]、参与性低、难以进入深度学习[2]、学习投入不足[3]等，都将导致学生的高流失率和低完成率[4]，让在线学习质量面临着诸多挑战。
学习者画像作为学习分析技术的典型应用，其潜力被逐渐挖掘，价值被日益证实。学习者画像可以通过对教育大数据的分析与处理来挖掘隐性信息，来为在线学习提供支持服务。对于学习者个体而言，学习者画像能精准判断学习者的学习状态[5]；能反映风险学习者的行为表现和学习路径特征[4]；能促进学习者自身认知与发展[6]。对于教育管理者而言，学习者画像能实现自适应精准推荐，驱动教育管理者循证决策。
在线学习行为是学习者与在线学习环境交互过程中产生的行为，既关乎学习者的学习活动，又关乎学习者的社会化特征。本研究的目标是构建基于在线学习行为的学习者画像，从具体的在线学习行为中挖掘学习者的行为特征。为此，本研究首先要厘清学习者的在线学习行为类型，对在线学习行为进行分类。
2.1.在线学习行为分类
在线学习行为是复杂多样的，目前研究者们对于在线学习行为分类的方法主要是理论演绎，通过对理论的梳理来确定学习行为的层次和类别，并进一步明确学习行为的特征和表征方式[8]。典型的在线学习行为分类如吴林静等根据学习者与网络学习空间的学习系统、学习资源、人的相互关系，将学习者的在线学习行为分为四类：独立学习行为、系统交互行为、资源交互行为和社会交互行为[9]；王丽娜根据学习者的交互情况将学习者的在线学习行为分为两类：个性化交互学习行为和社会性交互学习行为两类[10]；彭文辉结合学习行为的OCCP层次分类模型，建立在线学习行为的S-F-T三维分类模型，从三个维度对学习者的在线学习行为进行分类：行为结构层次维度、行为方式维度、行为功能维度[11]。
以上研究者在对在线学习行为进行分类时或从与教学要素的交互角度，或从个体性和社会性的交互角度，或者结合已有框架从多角度对在线学习行为的分类进行理论演绎。虽然维度不同，但研究者间的观点仍然存在共性。例如以上研究者在谈及在线学习行为分类时，均提到了“交互”的概念，在此处“交互”概念或是狭义上的人与人的互动，或是广义上的人与环境的互动。
2.2.基于交互视角的在线学习行为分类
Table1.Classificationofonlinelearningbehaviour
3.基于在线学习行为的学习者画像构建
学习者画像的价值在于使得隐性信息得到挖掘。在明确在线学习行为分类后，更重要的是基于此进行学习者画像的构建，从而更好地分析和利用学习者数据，为实现学习者的风险干预和个性化学习、提高在线学习质量奠定基础。本研究将从明确画像目标、划分画像维度、确定画像标签、进行数据分析、验证画像准确性、形成群体画像这几个步骤来进行学习者画像的构建。
3.1.明确画像目标
3.2.划分画像维度
学习者画像是基于对学习者数据的分析建立的。在线学习中，学习者的数据一般而言可以分为人口学数据、心理数据、行为数据、学习结果数据等多种类型，已有研究对学习者画像维度的划分也主要一般主要是从这几个维度展开。
Figure1.Portraitdimension
3.3.确定画像标签
标签是一种简要标示，学习者画像中标签的作用在于用简洁、精准的文本来标示学习者的特征。学习者画像标签从数据中产生，画像标签的设计要结合数据的实际情况进行。
Table2.Portraitlabelsanddataindicators
3.4.进行数据分析
Table3.Dataandinformationoftheselectedcourses
在明确数据范围后，本研究进一步对数据进行预处理。数据预处理是数据分析的前期准备工作，是进一步研究开展的基础。在数据处理工具上，本研究选择Excel、SPSS作为数据处理的主要工具。在数据处理方式上，本研究通过清洗来筛除无关数据和极值数据，通过归一化来统一数据形式。经过预处理后，学习者的不同学习行为被量化成画像标签的具体数值，数据变得统一完整，便于下一步的分析。
首先，本研究通过使用手肘法，发现在k=3时出现明显拐点，即确定最优k值为3，当聚类数为3时聚类效果最好。此时共形成三个类簇，即形成三个学习群体。
Table4.Meanvaluesofportraitlabelvalues
最后，本研究根据均值分析的结果来对学习者群体进行命名。本研究在参考已有研究者对学习者的分类上，借鉴王改花等人对学习者的聚类[13]，对本研究聚类的三类学习者进行命名和特征描述。具体而言，本研究将学习者群体命名为高沉浸性学习者、中沉浸性学习者、低沉浸性学习者。高沉浸性学习者的在线学习行为表现最好，低沉浸性学习者的在线学习行为表现最差，中沉浸性学习者的在线学习行为表现处于二者之间。
3.5.验证画像准确性
画像的准确性是指学习者画像具有明确的区分度，能反映不同类型学习者的特征。学习者画像是否准确关系着相应举措能否精准施行，关系着在线学习质量能否有效提升。在明确学习者画像的维度和标签后，本研究应进一步验证画像的准确性。
Table5.Testofnormality
Table6.Correlationanalysis
3.6.形成群体画像
在形成三类学习者群体之后，为更直观地呈现学习者的行为特征，还应通过可视化的方式来对学习者画像进行输出。本研究主要形成三类学习者群体画像。
Figure2.Labelvaluesofthehighlyimmersivelearners’portrait
Figure3.Comparisonofthemeanlabelsofhighlyimmersivelearners’portrait
Figure4.Labelvaluesofthemediumimmersivelearners’portrait
Figure5.Comparisonofthemeanlabelsofmediumimmersivelearners’portrait
Figure6.Labelvaluesofthelowlyimmersivelearners’portrait
Figure7.Comparisonofthemeanlabelsoflowlyimmersivelearners’portrait
本研究通过以上对三个画像维度和六个画像标签的分析，形成了三类学习者画像，分别是高沉浸性学习者、中沉浸性学习者、低沉浸性学习者。这三类学习者具有明显的差别，在前文中已经进行阐述。除了差别之外，这三类学习者也存在一定的共性。最明显的便是在互动频次和互动深度上，虽然这三类学习者有数量上的区别，但是就总量而言，三种学习者类型的总量都偏少，很多学习者很少甚至是不参与人际互动。人际互动总量较低是该平台的学习者在线学习时所面临的突出问题，这或许可以给我们提示，应在增强平台的互动性，如通过采取弹幕、参与交互获得积分等方式来鼓励学习者积极参与互动。
4.学习者画像的应用展望
本研究首先基于交互视角对学习者的在线学习行为进行分类，并在此基础上探究学习者画像的维度划分。其次，在明确学习者画像的维度之后，结合日新学堂在线学习平台中的在线学习行为数据进行数据分析，通过K-means聚类方法来形成三类学习者群体。最后，通过对三类学习者群体的描述和可视化呈现，形成三类学习者画像。
在形成学习者画像之后，还应进行更深入的探究。学习预警是学习者画像的重要应用方向。预警要对事物进行前兆性预测，学习预警的作用便在于对学习者的学习过程进行风险识别，并通过相应的干预措施，将学习风险降到最低，从而提高学习成绩，提升学习质量。在学习者画像的应用上，可以基于学习者画像进行学习预警的研究，根据不同类型学习者群体提出相应的预警措施和方案，从而帮助学习者进行风险识别和过程干预，辅助其提升在线学习效果，提升在线学习质量。