基于用户画像的在线学习干预研究与实践
来源:用户上传
作者:
摘 要：用户画像作为一种信息化工具已开始应用于教育领域，基于用户画像的在线学习干预可进一步提升在线学习质量。通过采集在线学习用户相关数据，对数据进行预处理与挖掘，形成在线学习人群属性标签、用户关联关系标签、用户活跃度标签和用户学习偏好标签等标签体系。基于用户标签体系，采用非结构化关键词法对在线学习用户进行画像构建，形成在线学习用户画像库。然后，对在线学习用户画像进行聚类、学习状态诊断分析，精准预测在线学习用户实时学习需求，采用不同干预方式对在线学习用户实施在线学习全过程干预，从而激发学生的内生学习动力，提高学生个性化学习能力。
关键词：用户画像;在线学习;干预研究
中图分类号：G434 文献标识码：A 文章编号：2095-7394（2020）02-0045-06
没有教育信息化就没有教育现代化，随着教育信息化的全面推进，传统教育教学模式受到前所未有的冲击。各类在线学习平台如潮水般涌现，这种由在线教学平台、网络学习课程及海量教学资源构成的全新在线学习方式得到了广大学生的青睐[1]，不仅较好地激发了学生的内生学习动力，还有效地培养了学生的个性化学习能力。但近年来各类在线学习平台监管是否到位？在线教学方式是否符合教学要求？在线学习效果是否达到预期目标？这些问题不得不引起我们的重视和深思。用户画像作为一种勾画目标用户、联系用户诉求与设计方向的有效工具已开始应用于教育领域，基于用户画像的在线学习干预可进一步提升学习平台服务能力，改善在线学习质量，解决学生在线学习效率低下、教师个性化教学能力欠缺、在线监管和评价不及时等问题，为提升在线教学质量提供了一种新方法，为实施个性化教学模式提供了一种新途径，对在线教育的发展具有一定的借鉴意义。
1 在线学习用户画像库的构建
在线学习用户画像库的构建主要由在线学习用户画像数据采集、用户画像数据处理和用户画像标签化处理三部分构成，通过用户画像标签化体系，采用非结构化关键词法对在线学习用户进行画像构建，形成在线学习用户画像库。
1.1 在线学习用户画像数据采集
用户在线学习过程中会产生大量数据，根据用户画像构建需要，需从在线学习平台采集用户基本属性数据、用户学习偏好数据、用户网络互动数据、用户会话数据及其他数据等五类数据。在线学习用户基本属性数据包含用户姓名账号、年龄性别、学历专业、地域分布及联系方式等;用户学习偏好数据包含用户专业方向、课程内容、学习工具、学习时段、学习时长、付费意愿及选择偏好等;用户网络互动数据包含在线学习内容预习、课堂交流互动、学习内容评价、在线作业布置及作业答疑批阅等;用户会话数据包含会话登录ID号、连接会话IP地址、用户会话对象、单次会话时长及会话内容记录等;其他数据包含构建在线学习用户画像库所需的其他相关数据。
1.2 在线学习用户画像数据处理
1.2.1在线学习用户数据预处理
为给在线学习用户数据处理提供完整的基础数据，首先，针对在线学习平台采集的基础数据进行清洗，发现数据中不完整的、有噪声的、记录内容不一致的数据，进行遗漏数据处理和噪声数据处理;其次，对数据进行集成处理，将来自不同平台的数据形成在线学习用户统一数据集合，解决不同平台数据集成问题、数据属性推演冗余问题、数据值冲突检测与消除问题等[2];然后，对数据进行转换处理，将集成数据转换成一个适合数据处理的描述形式，帮助去除在线学习用户数据中的噪声，形成用户数据立方并对数据进行多粒度分析，用更抽象的概念来取代低层次或数据层的用户数据对象;最后，对数据进行消减处理，在保持原始数据完整性的前提下从平台海量数据中获取用户精简数据集，为在线学习用户数据挖掘提供基础。
1.2.2在线学习用户画像数据挖掘
采用非结构化标签关键词处理在线学习用户数据，通过数据挖掘技术，对采集的用户数据进行系统分类处理，按照非结构化标签关键词方法给采集的用户数据分别贴上标签，以用户数据分类标签来区分归类;然后，通过用户数据标签分类找出用户之间存在的聚集性数据进行数据聚类处理;最后，通过用户数据分类取值之间存在的数据规律性和隐藏关联性，找出用户数据之间的时序关联和因果关联，并对用户数据进行时间序列分析和处理[3]。通过在线学习用户数据预处理和数据挖掘，得出在线学习用户属性值的特征标识，再将用户属性的所有标识综合起来，为用户画像标签化处理打下基础。
1.3 在线学习用户画像标签化处理
1.3.1在线学习人群属性标签
根据在线学习用户基础数据中的学习人群年龄性别、学历专业、学习栏目和人群地域分布等特点，建立学习人群标签化结构，将在线学习人群划分为扎实型学习人群、一般型学习人群和应付型学习人群，或专业技能型学习人群和学术型学习人群，或付费型学习人群和免费型学习人群等。
1.3.2在线学习用户关联关系标签
根据在线学习用户基础数据中的相同或相近年龄段、相同或相近地域分布、相同或相近学习专业、相同或相近学习栏目、相同或相近学习时间段等规律，搭建用户与用户之间的关联关系，并为相同或相近用户非结构化关键词设置关联关系标签，挖掘用户標签之间的关联关系，建立用户关联关系矩阵，自动为相同或相近用户精准推送学习资源。
1.3.3在线学习用户活跃度标签
根据用户访问平台次数、访问平台时长、签到打卡速度、内容收藏指数、交流互动积极性等因素，将用户分别贴上活跃用户标签或不活跃用户标签。其中，活跃用户又分为忠诚用户、活跃用户、回流用户和新增用户，不活跃用户又分为流失用户和停滞用户。再结合每个用户不同需求和关注点，使用活跃度衡量标准筛选出满足条件的用户数量，然后计算满足条件的用户在整体学习用户中的占有比，从而给不同学习用户分层分类，制定有针对性的推送时间、推送频率和推送内容[4]。 1.3.4在线学习用户学习偏好标签
根据用户在平台中的学习痕迹和学习习惯，分析并推算出用户的学习偏好，一般把用户学习偏好分为学习资源偏好、交流互动偏好、学习情感偏好、操作习惯偏好等。这些学习偏好决定了用户在平台中所做出的学习行为和选择。
2 基于用户画像的在线学习干预流程设计
基于用户画像的在线学习干预流程按照“两段七步法”设计。第一个阶段由用户画像数据采集、用户画像数据处理和用户画像标签化处理三个步骤来生成在线学习用户画像库，获取用户学习风格、学习进度、学习能力和学习成绩等信息。第二阶段由用户学习需求预测、学习干预方式确定、学习干预实施和学习干预效果分析四个步骤来完成用户画像的在线学习全过程干预。具体如图1所示。
2.1 在线学习用户学习需求预测
2.1.1用户画像聚类
按照用户画像标签化体系把用户数据集聚合成不同用户数据簇，使同一个数据簇内数据对象最大可能地具有相似性;同时，使不同数据簇内数据对象之间的差异也尽可能大。目的在于使用户之间的相似对象分到同一组，再基于用户画像对在线学习用户分群进行用户群体分析与个性化干预，进而扩大活跃用户数量规模，同时激活部分不活跃用户，并制定个性化在线学习干预策略。
2.1.2用户学习状态诊断
在线学习状态直接影响用户的学习效率，平台结合用户学习动机、学习能力和学习方法，把学习状态分为良好学习状态和不良学习状态。良好学习状态主要表现为在线学习时间长、签到打卡积极、交流互动频繁、作业提交及时等;不良学习状态主要表现为在线学习过程中随意退出平台、签到打卡不积极、交流互动较少、作业提交不及时等[5]。
2.1.3用户学习需求预测
由于在线学习平台没有地域和时间限制，可随时随地在平台上进行学习，既支持电脑PC端学习又支持手机移动端学习。因此，根据用户画像聚类和学习状态诊断，把用户学习需求预测分为多终端学习需求、在线考核需求、在线练习需求、在线互动答疑需求、自动推送资料需求、自动分析学习进度需求、自动统计班级排名需求及学习记录查询需求等[6]。
2.2 在线学习干预方式确定
为使用户及时跟进在线学习进度达到预期学习目标，平台根据不同用户情况选择不同干预方式。在线学习干预分为学习平台自动干预、学习平台提醒干预和学习用户自主干预三种方式。
2.2.1学习平台自动干预
学习平台自动干预是指平台通过大数据分析实时掌握用户学习动态，结合平台目标学习推进干预策略[7]，自动对用户实施的一系列干预操作，学习平台自动干预无须用户操作，由后台自动完成。
2.2.2学习平台提醒干预
学习平台提醒干预是指平台在实时监测过程中发现用户异常情况时，特别是发生随意退出学习平台、交流互动不积极、作业提交不及时或不提交等厌学和不学现象时，平台将结合学习提醒干预策略。对此类用户实施的一系列提醒干预操作，学习平台提醒干预需通过用户选择后，后台才执行对应操作。
2.2.3学习用户自主干预
学习用户自主干预是指学习用户为达到某种学习目标，通过学习平台提供的自主选择干预策略，有选择性地对自己在学习过程中执行一系列干预操作[8]，学习用户自主干预由用户本身选择完成。
2.3 在线学习干预实施
2.3.1学习平台自动干预实施
学习平台自动干预主要实施于整体干预中，如平台各类通知公告的自动推送，班级学习资料的自动推送，班级成员学习成绩排名，用户学习进度自动记忆，用户学习效果自动统计分析，用户各类加减分项目排名等。通过平台自动干预实施完成平台批量工作，达到用户全员知晓、相互激励的目的。
2.3.2学习平台提醒干预实施
学习平台提醒干预主要实施于个体干预中，如用户学习行為提醒，用户签到打卡提醒，用户学习进度提醒，用户作业完成预警提醒，用户学习锁屏提醒等，提醒干预又分为友情提醒、警告提醒和处罚提醒三个级别，平台根据提醒级别其提醒频率也会随之变化。通过平台实施提醒干预，可及时有效地提醒部分学习兴趣不足、学习积极性不高的用户，使之跟进学习进度并端正学习态度。
2.3.3学习用户自主干预实施
学习用户自主干预主要实施于用户个性化学习中，用户根据自身学习习惯、学习偏好、学习能力、学习速度和学习基础等特点来制定所需的自主学习方式，平台再根据用户自行制定的学习方式来安排用户学习内容、学习难易、学习快慢和学习方法等。通过用户自主干预实施，能最大限度挖掘用户学习潜能，充分发挥用户个性化学习效果。
3 基于用户画像的在线学习干预效果分析
以“超星泛雅”网络教学平台湖南软件职业学院软件技术专业“Python程序设计”在线课程为例，进行基于用户画像的在线学习干预效果分析。该在线课程为学生选修课程，共开设8个学习班级，每个班级40人，班级学生由平台随机分配，课程周次为16周，学时数为64学时，每周4学时，期末成绩按照4：2：4比率百分制计分，即在线学习内容完成情况占40%，在线学习作业完成情况占20%，在线课程期末考试成绩占40%。8个学习班级中1至4班实行平台全程自动干预在线学习模式，首先针对以上4个班级160名学生基本情况进行用户画像数据处理，然后根据用户画像数据对160名学生分别进行人群属性、用户关联关系、用户活跃度和用户偏好标签化处理，并结合用户标签进行用户画像聚类、用户学习状态诊断和用户学习需求预测。重点对以上4个班级在线学习实施课前辅导资料自动推送、上课签到打卡显示公开、课中交流互动激励加分、课后作业完成质量排名、学生优秀作品线上展示等一系列自动干预，同时，对1至4班部分学习态度不端正、学习积极性不高的学生实施平台提醒服务干预，重点对打卡不及时、作业完成不理想、缺乏交流互动和随意退出平台的学生实施提醒干预，根据情节严重程度分别给予友情提醒、警告提醒和处罚提醒干预。另外5至8班160名学生采用常规在线教学模式，即未对学生进行用户画像分析处理，也未实施相关在线学习干预。最后8个班该门在线学习课程平均分为81.25分，其中1至4班在平台实施用户画像干预情况下平均分为86.40分，5至8班在平台常规在线教学模式下平均分为76.10分。8个班级90分以上学生42人，其中1至4班90分以上学生32人，5至8班90分以上学生10人。由此得出，平台实施用户画像干预的班级平均分超出常规在线教学班级10.30分，90分以上的学生人数多出22人（以上数据来源于超星泛雅网络教学平台，从“Python程序设计”在线课程期末成绩数据中获取），有学习过程干预的班级成绩明显好于未有学习过程干预的班级。特别针对学习基础和学习习惯较差的高职学生，利用平台对学生实施在线学习过程干预，不仅可改变高职学生学习习惯，还可促进学生专业技术技能水平的掌握。分析其原因主要有以下几点：一是通过用户画像聚类可及时诊断学生学习状态，掌握学生在线学习实际需求;二是通过大数据实时跟踪统计分析学生学习动态，有利于平台对用户实施精准干预;三是平台对在线学习用户实施自动干预，有利于激发学生在线学习内生动力，加深巩固在线课程学习内容;四是平台对部分学习落后用户实施提醒干预，有利于及时提醒并纠正用户在线学习态度，提高用户在线学习自觉性;五是平台提供用户自主干预模式，有利于充分发挥用户个性化学习需求，不断挖掘用户个性化学习潜能。 4 结语
在线教育以其独特优势正慢慢改变着人们对教育行业的定义，从传统的面对面教育，到“互联网+教育”的全面推进，用户画像、虚拟仿真、区块链等一批新兴技术与教育教学的深度融合，不仅创新了教学形态，而且推进了在线教育的兴起，使在线教育朝着学习灵活性、课程多样性、个性化定制和深度学习方式转变的趋势发展。基于用户画像的在线学习干预将在未来在线学习教育中发挥更加重要的作用，同时也将面临更多的机遇和挑战：一是在线学习用户画像标签体系科学性问题，用户画像标签体系的质量决定着用户画像在线学习干预的效果，随着在线学习用户群体越来越复杂，未来标签体系的设计不仅要便于检索，还需精准有效;二是在线学习用户兴趣偏好多样性问题，在线学习用户在一定周期内兴趣偏好会呈现一定的趋势变化，存在稀疏性、多样性和异构性等特点[9]，未来在线学习实施个性化干预是新的挑战，以最大限度挖掘用户个性化学习潜能，提高用户个性化学习水平，切实达到在线学习个性化培养的目标。
参考文献：
[1] 夏玲.大数据环境下远程教育平台的学习干预[J].延边教育学院学报，2018（6）：64-66.
[2] 殷宝媛，武法提.学习习惯在线干预的原理与模型设计[J].电化教育研究，2019（12）：72-79.
[3] 张静，王欢.基于ISM的在线教育平台学习者持续学习行为的影响因素研究[J].中国电化教育，2018（10）：123-130.
[4] 郭飞雁.增强现实技术在泛在学习中的应用研究[J].电脑知识与技术，2017（20）：232-233.
[5]杨雪，姜强，赵蔚，等.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，2017（7）：51-57.
[6]郭飞雁，罗校清.基于用户画像的高职智造类工匠人才培养路径[J].河北职业教育，2019（4）：91-94.
[7] 查英华，朱其慎.基于个性化推荐的移动学习模式探究：以高职学生为例[J].职教论坛，2015（23）：57-60.
[8] 赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017（1）：62-69.
[9] 罗校清.使用角度选择策略的第二代Pareto强度进化算法[J].计算机应用与软件，2018（7）：290-298.
责任编辑 祁秀春
Research and Practice of Online Learning Intervention
Based on User Portraits
LUO Xiaoqing
（Training Center，Hunan Software Vocational College，Xiangtan 411100，China）
Abstract： User portraits have been used in education as an information tool and online learning interventions based on user portraits can further improve the quality of online learning. By collecting relevant data of online learning users，preprocessing and mining the data，a label system such as online learning crowd attribute tags，user association tags， user activity tags and user learning preference tags are formed. Based on the user tag system，an unstructured keyword method is used to construct portraits of online learning users to form an online learning user portrait database. Subsequently，the online learning user portraits are clustered and the learning status is diagnosed and analyzed to accurately predict the real-time learning needs of online learning users. Various intervention methods are used to implement online learning process interventions for online learning users to stimulate the endogenous learning motivation of students and improve personalized learning ability of students.
Key words： user portraits;online learning;intervention research
收稿日期：2020-03-02
基金項目：2020年度湖南省社会科学成果评审委员会一般课题“基于用户画像的在线学习干预研究与实践” （XSP20YBC253）;2019年湖南省教育厅科学研究一般项目“‘用户画像’技术在高职工匠型人才培养中的应 用研究”（19C0997）
作者简介：罗校清，高级实验师，主要研究方向为高职院校教育信息化、实训基地建设。
转载注明来源:https://www.xzbu.com/1/view-15331169.htm
