基于学习分析的在线学习用户画像研究

发布时间：2021-09-18 16:41

　　画像技术在当前精准营销中的应用非常广泛,而其在教育领域尤其是在线学习者的特征识别方面研究较少。文章从学习者的一般特征、学习准备、学习风格、行为特征四个方面对学习者进行分析,提出在线学习者画像描述的总体框架。同时,通过机器学习对在线学习行为数据进行挖掘,文章分别从以上四个方面对学习者画像进行建模研究,重点讨论了学习风格的建模过程,并通过对在线学习者个案分析,阐述了学习者画像在指导学习资源精准推荐、评估在线学习者学业失败或退出风险等方面的应用,为个性化教育实施提供了实践案例。 

【文章来源】：现代教育技术. 2020,30(04)北大核心CSSCI

【文章页数】：7 页

【部分图文】：

在线学习用户画像研究框架

图1 在线学习用户画像研究框架通过对学习者在网络学习过程中产生的大量学习数据与行为日志进行挖掘，本研究分析了学习者的学习初始能力、信息处理偏好及学习时间频次等相关信息，辅以在线问卷获取学习动机、人口属性等信息，从一般特征、学习准备、学习风格及行为特征等方面对学习者画像；之后通过画像集成获得学习者在线学习的画像标签集，结合学习效果数据与个性化方案库综合生成个性化学习（干预）方案，作用于学习者以改进其学习行为；经历一定的时间周期后，对改进的学习行为再次进行学习效果分析，并结合专家意见优化个性化方案库，最终形成以学习者画像为基础的在线学习者学习行为生成、分析、集成、反馈（干预）的优化闭环，如图1所示。

利用得到的“信息处理”自动标签识别模型对全部样本进行预测，本研究得到学习风格“信息处理”维度标签预测为“冲动”的置信度概率分布密度，如图3所示。其中，最右侧预测为“冲动”的置信度为100%，即该部分学习者的“信息处理”类型为“冲动”；而最左侧预测为“冲动”的置信度为0%，即该部分学习者的“信息处理”类型为“沉思”。图3显示，在线学习的学习者大部分信息处理的类型比较均衡，但从总体上来说，偏“冲动”的学习者略多（图中高斯分布曲线右侧上方密度分布明显多于左侧）。图4 某在线学习者的画像标签图

【参考文献】：
期刊论文
[1]基于学习分析的在线学业成就影响因素研究[J]. 孙发勤,冯锐.  中国电化教育. 2019(03)
[2]面向情境化推荐服务的图书馆用户画像研究[J]. 刘海鸥,黄文娜,谢姝琳.  图书馆学研究. 2018(20)
[3]我国用户画像研究的知识网络与热点领域分析[J]. 吴加琪.  现代情报. 2018(08)
[4]学业成就与学业风险的预测——基于学习分析领域中预测指标的文献综述[J]. 范逸洲,汪琼.  中国远程教育. 2018(01)
[5]开放式教学下的学习者画像及个性化教学探讨[J]. 陈海建,戴永辉,韩冬梅,冯彦杰,黄河笑.  开放教育研究. 2017(03)
[6]智慧教育环境下学习资源推送服务模型的构建[J]. 李宝,张文兰.  远程教育杂志. 2015(03)



本文编号：3400481