徐鵬飛 鄭勤華 陳耀華 陳麗

【摘 要】 近五年網(wǎng)絡(luò)教育的變革和深度學(xué)習(xí)等人工智能技術(shù)的飛速發(fā)展給學(xué)習(xí)者模型的研究和應(yīng)用帶來(lái)了新的機(jī)遇和挑戰(zhàn)。目前，教學(xué)數(shù)據(jù)中蘊(yùn)含的大量?jī)r(jià)值亟待挖掘，而實(shí)踐中絕大部分教學(xué)環(huán)境對(duì)學(xué)習(xí)者的理解、狀態(tài)跟蹤和自適應(yīng)性仍處于初級(jí)階段。如何從數(shù)據(jù)中建立學(xué)習(xí)者模型、如何在教學(xué)環(huán)境中設(shè)計(jì)和使用學(xué)習(xí)者模型是下一階段教育變革的核心技術(shù)問(wèn)題。為此，本文從知識(shí)狀態(tài)模型、認(rèn)知行為模型、情感模型和綜合模型四個(gè)類(lèi)別分別闡述了具有代表性的學(xué)習(xí)者模型及其主要應(yīng)用場(chǎng)景。研究認(rèn)為，深度學(xué)習(xí)未來(lái)將在學(xué)習(xí)者模型的研究和實(shí)踐中扮演重要角色，而基于各種學(xué)習(xí)者數(shù)據(jù)對(duì)學(xué)生進(jìn)行全面而綜合性建模的綜合模型應(yīng)用是大勢(shì)所趨。

【關(guān)鍵詞】 在線教育；在線學(xué)習(xí)；學(xué)習(xí)者模型；學(xué)習(xí)分析；教育數(shù)據(jù)挖掘

【中圖分類(lèi)號(hào)】 G40-057 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1009-458x（2018）6-0005-7

一、引言

當(dāng)前，我國(guó)的教育信息化發(fā)展進(jìn)入到以有效支持教與學(xué)、促進(jìn)學(xué)生個(gè)性化發(fā)展為核心訴求的新階段?！督逃畔⒒臧l(fā)展規(guī)劃（2011-2020年）》在基礎(chǔ)教育信息化發(fā)展水平框架中提出，學(xué)校教育教學(xué)方式的變革要在學(xué)生多樣性、個(gè)性化學(xué)習(xí)的改變上取得突破?！秶?guó)家中長(zhǎng)期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》也指出，“關(guān)心每個(gè)學(xué)習(xí)者，促使學(xué)生更加主動(dòng)積極地發(fā)展，尊重教育規(guī)劃和學(xué)生身心發(fā)展規(guī)律，為每個(gè)學(xué)生提供適合的教育”。在這一進(jìn)程中，對(duì)學(xué)習(xí)者模型的研究尤為重要。

學(xué)習(xí)者模型是對(duì)真實(shí)學(xué)習(xí)者的一種抽象表示，代表了學(xué)習(xí)者的知識(shí)技能、認(rèn)知行為、情感體驗(yàn)等方面的水平和特征（Chrysafiadi & Virvou， 2013）。在智能輔導(dǎo)系統(tǒng)中，學(xué)習(xí)者模型扮演著大腦的角色，它可以在學(xué)習(xí)者學(xué)習(xí)的過(guò)程中跟蹤其狀態(tài)的變化，并自適應(yīng)地給學(xué)習(xí)者提供合適的交互。而在大規(guī)模在線學(xué)習(xí)環(huán)境中，學(xué)習(xí)者模型可以對(duì)大規(guī)模的學(xué)習(xí)者進(jìn)行定性或定量描述，為教師和學(xué)習(xí)環(huán)境設(shè)計(jì)人員的決策提供重要參考。在大數(shù)據(jù)和人工智能的時(shí)代，學(xué)習(xí)者模型有著非常廣闊的研究空間和應(yīng)用場(chǎng)景。

構(gòu)建一個(gè)學(xué)習(xí)者模型的初期要考慮的主要因素包括作為數(shù)據(jù)來(lái)源和應(yīng)用場(chǎng)景的教學(xué)環(huán)境、所選擇建模的學(xué)習(xí)者特征以及所采用的建模技術(shù)（Chrysafiadi & Virvou， 2013），因此學(xué)習(xí)者模型可以從教學(xué)環(huán)境、建模對(duì)象、建模技術(shù)這三個(gè)角度進(jìn)行分類(lèi)。本文采取的分類(lèi)方式是按照建模對(duì)象，即“以學(xué)習(xí)者的哪一個(gè)方面作為基準(zhǔn)進(jìn)行建?！眮?lái)進(jìn)行分類(lèi)。本文將按照學(xué)習(xí)者知識(shí)狀態(tài)模型、學(xué)習(xí)者認(rèn)知行為模型、學(xué)習(xí)者情感模型和學(xué)習(xí)者綜合模型這四個(gè)類(lèi)別，分別介紹目前一些具有代表性的學(xué)習(xí)者模型，為相關(guān)研究人員和從業(yè)者提供參考。

二、以知識(shí)狀態(tài)為基準(zhǔn)的學(xué)習(xí)者模型

以知識(shí)狀態(tài)為基準(zhǔn)的學(xué)習(xí)者模型所關(guān)注的是學(xué)習(xí)者在學(xué)習(xí)的過(guò)程中其知識(shí)狀態(tài)的變化。從建模技術(shù)角度看，常用的方法有覆蓋模型（Stansfield， Carr， & Goldstein， 1976）、鉛版模型（Rich， 1979）、偏差模型（Mayo， 2001）、貝葉斯知識(shí)跟蹤模型（Corbett & Anderson 1994）等。覆蓋模型是把學(xué)生所擁有的知識(shí)集看作是專(zhuān)家知識(shí)的子集，通過(guò)將學(xué)生知識(shí)子集與原集進(jìn)行比較，可以根據(jù)學(xué)生的知識(shí)缺陷向其推送適當(dāng)?shù)膶W(xué)習(xí)內(nèi)容和學(xué)習(xí)策略。鉛版模型一個(gè)簡(jiǎn)單的分組用戶(hù)模型，將用戶(hù)分成幾組，每組學(xué)生包含學(xué)生知識(shí)、偏好、興趣、學(xué)習(xí)目標(biāo)、學(xué)習(xí)歷史等。偏差模型記錄學(xué)生的問(wèn)題解決路徑與專(zhuān)家路徑的偏差，這些偏差描述了學(xué)生在特定知識(shí)點(diǎn)中的某種不足，并且能夠根據(jù)偏差的類(lèi)型給出具體的補(bǔ)救措施。張舸等（2012）評(píng)述了上述幾種典型的學(xué)習(xí)者模型建模方法，而本小節(jié)將重點(diǎn)介紹基于貝葉斯知識(shí)跟蹤的學(xué)習(xí)者知識(shí)狀態(tài)模型（Corbett & Anderson， 1994）。

貝葉斯知識(shí)跟蹤（Bayesian Knowledge Tracing， BKT）模型假設(shè)每項(xiàng)知識(shí)（或技能）有四個(gè)參數(shù)：初始概率、習(xí)得概率、猜對(duì)概率、疏忽概率（如表1所示）。初始概率p（L0）是學(xué)生在與學(xué)習(xí)系統(tǒng)產(chǎn)生交互之前“已掌握”該技能的概率；p（T）是學(xué)生在每次學(xué)習(xí)機(jī)會(huì)（或問(wèn)題）之后，從“未掌握”狀態(tài)轉(zhuǎn)移到“已掌握”狀態(tài)的概率；p（G）是學(xué)生在“未掌握”狀態(tài)下猜對(duì)相關(guān)問(wèn)題答案的概率；p（S）是學(xué)生在“已掌握”狀態(tài)下答錯(cuò)問(wèn)題答案的概率。前兩個(gè)參數(shù)與知識(shí)掌握相關(guān)，而后兩個(gè)參數(shù)則與答題表現(xiàn)相關(guān)。BKT是一個(gè)相當(dāng)簡(jiǎn)單和受限的隱馬爾科夫模型：其隱式節(jié)點(diǎn)代表知識(shí)點(diǎn)掌握情況，只有“0”和“1”兩種狀態(tài)，分別代表“未掌握”和“已掌握”；其顯式節(jié)點(diǎn)代表學(xué)生完成練習(xí)的情況，也是“0”和“1”兩種狀態(tài)，分別代表“錯(cuò)誤”和“正確”。

表1 貝葉斯知識(shí)跟蹤（BKT）的四個(gè)參數(shù)

[參數(shù) 說(shuō)明 解釋 p（L0） 初始概率 學(xué)生在與學(xué)習(xí)系統(tǒng)交互前掌握知識(shí)點(diǎn)的概率 p（T） 習(xí)得概率 學(xué)生從不會(huì)到會(huì)的轉(zhuǎn)移概率 p（G） 猜對(duì)概率 學(xué)生在不會(huì)的狀態(tài)下仍然猜對(duì)的概率 p（S） 疏忽概率 學(xué)生在會(huì)的狀態(tài)下仍然做錯(cuò)的概率 ]

基本BKT模型中的四個(gè)參數(shù)分別是針對(duì)各個(gè)技能點(diǎn)和題目設(shè)置的，并沒(méi)有考慮學(xué)生個(gè)體在能力上的差異。針對(duì)該局限性，Wang和Heffernan （2012）、Pardos和Heffernan （2010）分別對(duì)BKT模型提出了多種擴(kuò)展，通過(guò)增加隱式節(jié)點(diǎn)使模型能夠模擬學(xué)習(xí)者在個(gè)體能力上的差異。Yudelson、Koedinger和Gordon （2013）通過(guò)比較各種個(gè)性化擴(kuò)展的方式，發(fā)現(xiàn)在習(xí)得概率p（T）上的個(gè)性化對(duì)模型的預(yù)測(cè)效果有較大的作用；相比之下，針對(duì)p（L0）的個(gè)性化對(duì)模型的預(yù)測(cè)效果的提升較小。

基本BKT模型的另一個(gè)缺點(diǎn)是需要依賴(lài)專(zhuān)家建立的技能模型，并需要對(duì)每個(gè)問(wèn)題進(jìn)行標(biāo)注，將其映射到相關(guān)技能或主題。除了知識(shí)跟蹤模型外，技能模型還可以用于其他場(chǎng)景，比如檢查技能與投入度的關(guān)系（Doddannara， Gowda， Baker， Gowda， & Carvalho， 2013）。但是，技能模型本身的創(chuàng)建和相關(guān)標(biāo)注是一項(xiàng)具有挑戰(zhàn)性且耗時(shí)耗力的工作，而且在實(shí)際中練習(xí)與技能之間的映射關(guān)系并不總是簡(jiǎn)單清晰的，可能是復(fù)雜而模糊的，這一方面會(huì)提高知識(shí)跟蹤模型的構(gòu)建成本，另一方面也會(huì)限制知識(shí)跟蹤模型的應(yīng)用場(chǎng)景。因此，研究者基于題目中包含的文本和學(xué)習(xí)者的交互數(shù)據(jù)，嘗試采用主題建模（Thai-Nghe， Horváth， & Schmidt-Thieme， 2010）或技能分解（Desmarais， 2012）等方式來(lái)自動(dòng)發(fā)現(xiàn)技能或?qū)?wèn)題進(jìn)行標(biāo)注。盡管目前看來(lái)自動(dòng)化技能發(fā)現(xiàn)和問(wèn)題標(biāo)注的效果與專(zhuān)家手動(dòng)方式的效果相比還有一定差距（Slater， Baker， Almeda， Bowers， & Heffernan， 2017），但隨著自然語(yǔ)言處理、知識(shí)圖譜和人工智能等領(lǐng)域的發(fā)展，這種方式可能會(huì)逐步代替?zhèn)鹘y(tǒng)方式，從而使知識(shí)跟蹤模型更加便捷和通用。

學(xué)習(xí)者模型近年來(lái)也受到深度學(xué)習(xí)熱潮的席卷。Piech等（2015） 認(rèn)為即便加上諸多擴(kuò)展BKT依然有其局限性，例如在BKT模型中學(xué)生對(duì)知識(shí)的理解或技能的掌握是二值的，學(xué)生的響應(yīng)數(shù)據(jù)（對(duì)答案的標(biāo)記）也是二值的；這兩個(gè)假設(shè)在許多場(chǎng)景下也許不太現(xiàn)實(shí)，限制了BKT的建模等能力。Piech等（2015） 提出了深度知識(shí)跟蹤模型（Deep Knowledge Tracing， DKT），它使用循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于學(xué)生的測(cè)驗(yàn)數(shù)據(jù)對(duì)學(xué)生進(jìn)行連續(xù)性的隱式建模。和BKT不同的是，DKT對(duì)技能掌握和學(xué)生響應(yīng)采用了連續(xù)的表示。從實(shí)驗(yàn)結(jié)果來(lái)看，DKT對(duì)學(xué)生表現(xiàn)的預(yù)測(cè)更加準(zhǔn)確，并且不依賴(lài)專(zhuān)家構(gòu)建的領(lǐng)域知識(shí)結(jié)構(gòu)和相關(guān)標(biāo)注。DKT的主要缺點(diǎn)是可解釋性不如BKT。有趣的是，在分析了DKT的成功后，Khajah、Lindsey和Mozer （2016） 用已提出的BKT擴(kuò)展進(jìn)行適當(dāng)組合后，獲得了非常接近的效果。從他們的實(shí)驗(yàn)結(jié)果來(lái)看，深度模型在學(xué)習(xí)者建模領(lǐng)域還沒(méi)有像在某些領(lǐng)域那樣取得很大的領(lǐng)先優(yōu)勢(shì)。但毫無(wú)疑問(wèn)，DKT是深度學(xué)習(xí)方法在學(xué)習(xí)者建模領(lǐng)域的一次成功的具有突破性的嘗試，有力地促進(jìn)了知識(shí)跟蹤模型領(lǐng)域的研究。

三、以認(rèn)知行為為基準(zhǔn)的學(xué)習(xí)者模型

學(xué)習(xí)者知識(shí)狀態(tài)模型一般僅僅基于學(xué)習(xí)者的測(cè)評(píng)數(shù)據(jù)進(jìn)行建模，但實(shí)際上學(xué)習(xí)者在教學(xué)環(huán)境中留下的數(shù)字足跡遠(yuǎn)不止測(cè)評(píng)數(shù)據(jù)，這一點(diǎn)在學(xué)習(xí)管理系統(tǒng)（LMS）和大規(guī)模在線學(xué)習(xí)環(huán)境下尤為明顯。彭文輝等（2006）從信息檢索學(xué)習(xí)行為、信息加工學(xué)習(xí)行為、信息發(fā)布學(xué)習(xí)行為、人際溝通交流行為、基于問(wèn)題解決的學(xué)習(xí)行為五個(gè)維度構(gòu)建了多維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型。Veeramachaneni等（2013） 則將MOOCs下學(xué)習(xí)者的行為分為觀察、提交、協(xié)作三類(lèi)。觀察類(lèi)行為指的是學(xué)習(xí)者瀏覽和觀察網(wǎng)站上的資源，如維基、論壇、授課視頻和電子書(shū)等的行為；提交類(lèi)行為指的是學(xué)習(xí)者提交自己生成的內(nèi)容和反饋，如作業(yè)、考試、測(cè)驗(yàn)、練習(xí)、筆記、實(shí)驗(yàn)等；在協(xié)作類(lèi)下，學(xué)習(xí)者與其他學(xué)習(xí)者產(chǎn)生交互，如論壇模塊內(nèi)的討論、維基模塊內(nèi)的協(xié)同編輯等。盡管學(xué)習(xí)者認(rèn)知行為模型的研究和應(yīng)用并不僅僅受限于MOOCs這一個(gè)學(xué)習(xí)環(huán)境，但MOOCs由于其較大的學(xué)生規(guī)模、多樣并開(kāi)放的交互方式，無(wú)疑為學(xué)習(xí)者認(rèn)知行為模型的研究提供了非常好的土壤。

依據(jù)學(xué)習(xí)者的行為數(shù)據(jù)，我們可以選取合適的特征對(duì)學(xué)習(xí)者進(jìn)行分組。例如，Anderson等（2014） 根據(jù)觀看視頻和提交作業(yè)的情況，將學(xué)習(xí)者按照投入模式分為觀察型、解題型、全面型、收集型和局外型五個(gè)類(lèi)別。觀察型主要觀看視頻，很少提交作業(yè)；解題型與其相反，主要行為是提交作業(yè)，而觀看視頻行為則很少；全面型綜合了觀察型和解題型，既觀看視頻也提交作業(yè)；收集型也很少提交作業(yè)，但他們主要是下載視頻，至于有沒(méi)有觀看則無(wú)從知曉；局外型則是注冊(cè)了課程但整體行為量低于一定閾值的不活躍用戶(hù)。宗陽(yáng)等（2016）基于學(xué)習(xí)平臺(tái)上記錄的行為數(shù)據(jù)和RFM模型將學(xué)習(xí)者分為八個(gè)學(xué)習(xí)者價(jià)值類(lèi)型，每個(gè)類(lèi)型都具有不同的行為特征。

我們也可以基于行為數(shù)據(jù)對(duì)學(xué)習(xí)者的認(rèn)知行為從某個(gè)角度進(jìn)行量化。例如，Sinha等（2014） 認(rèn)為學(xué)習(xí)者與教學(xué)視頻的交互數(shù)據(jù)是MOOCs環(huán)境下覆蓋學(xué)習(xí)者最多的一類(lèi)數(shù)據(jù)，而且僅僅通過(guò)這單項(xiàng)數(shù)據(jù)就可以對(duì)學(xué)習(xí)者進(jìn)行有效的認(rèn)知行為建模。他們從三個(gè)層面研究了學(xué)習(xí)者觀看授課視頻時(shí)產(chǎn)生的交互數(shù)據(jù)：最底層是基本操作，包括播放、暫停、向前搜尋、向后搜尋、向前滾動(dòng)、向后滾動(dòng)、加速和減速八種點(diǎn)擊操作；第二層是有認(rèn)知含義的行為性動(dòng)作，包含重看、跳過(guò)、快看、慢看、理清概念、核對(duì)參考和速率改變；第三層是代表認(rèn)知投入水平的信息處理指數(shù)，由對(duì)第二層的動(dòng)作進(jìn)行加權(quán)重求和得到。該模型顯示從最底層的點(diǎn)擊數(shù)據(jù)可以派生出一組有認(rèn)知意義的度量，并可用于預(yù)測(cè)學(xué)習(xí)者的高層行為和學(xué)業(yè)表現(xiàn)。提交和協(xié)作類(lèi)的數(shù)據(jù)，比如論壇數(shù)據(jù)，雖然可能量相對(duì)不大，但可能包含了觀察類(lèi)數(shù)據(jù)所反映不了的重要信息。例如，學(xué)習(xí)者在協(xié)作過(guò)程中所形成的社會(huì)網(wǎng)絡(luò)是研究者非常關(guān)注的主題 （Joksimovi et al.， 2016）。

論壇、維基等模塊中包含的文本數(shù)據(jù)則可以用計(jì)算語(yǔ)言學(xué)的工具進(jìn)行深入的分析。例如，Dowell等（2015） 基于文本數(shù)據(jù)建立了一個(gè)面向語(yǔ)言和語(yǔ)篇的學(xué)習(xí)者模型，并用它來(lái)預(yù)測(cè)學(xué)習(xí)者的社會(huì)網(wǎng)絡(luò)中心性和學(xué)業(yè)表現(xiàn)，是一項(xiàng)很有意思的工作。他們認(rèn)為盡管社會(huì)網(wǎng)絡(luò)分析具有完善的理論基礎(chǔ)并且在教育領(lǐng)域有成熟的應(yīng)用，但由于大規(guī)模在線課程的開(kāi)放性，MOOCs中的社會(huì)網(wǎng)絡(luò)分析需要更細(xì)致的解釋。例如，在社會(huì)網(wǎng)絡(luò)中心性和學(xué)業(yè)表現(xiàn)的相關(guān)性上研究者在少量實(shí)驗(yàn)上得出的結(jié)論可能是相互矛盾的。他們使用計(jì)算語(yǔ)言學(xué)工具來(lái)對(duì)每個(gè)學(xué)習(xí)者所貢獻(xiàn)的文本數(shù)據(jù)分別從敘事性、深度銜接性、指稱(chēng)銜接性、句法復(fù)雜性、詞匯具體性五個(gè)維度進(jìn)行量化，進(jìn)而對(duì)學(xué)習(xí)者進(jìn)行建模。實(shí)驗(yàn)發(fā)現(xiàn)，學(xué)業(yè)表現(xiàn)出眾的人群和處于社會(huì)網(wǎng)絡(luò)中心的人群并不一樣，這兩組人群在上述模型上的差異主要體現(xiàn)在敘事性、深度銜接性和指稱(chēng)銜接性這三個(gè)維度。處于社會(huì)網(wǎng)絡(luò)中心的人群的敘事性較強(qiáng)，而詞匯和想法的重合較少；相比之下，學(xué)業(yè)出眾人群的語(yǔ)篇更偏向說(shuō)明性而非敘事性，詞匯和想法的銜接較多。相比其他學(xué)習(xí)者，這兩組人群的共同特點(diǎn)是句法更簡(jiǎn)單、詞匯較抽象。這項(xiàng)工作構(gòu)建的學(xué)習(xí)者模型反映了學(xué)習(xí)者語(yǔ)言和語(yǔ)篇的差別，實(shí)驗(yàn)證明該模型可以更好地預(yù)測(cè)和解釋學(xué)業(yè)表現(xiàn)和社會(huì)網(wǎng)絡(luò)中心性這兩個(gè)研究者特別關(guān)注的點(diǎn)。

和深度知識(shí)跟蹤模型（DKT）類(lèi)似，Tang等（2016） 也提出了面向?qū)W習(xí)者行為的深度模型。該深度行為模型可以根據(jù)學(xué)習(xí)者的歷史行為來(lái)預(yù)測(cè)學(xué)習(xí)者下一步的行為，實(shí)驗(yàn)顯示和傳統(tǒng)模型相比，深度模型在預(yù)測(cè)準(zhǔn)確率上有一定的優(yōu)勢(shì)。該深度模型和深度知識(shí)跟蹤模型（DKT）一樣采用循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)表示學(xué)習(xí)者，但該行為模型考慮了學(xué)習(xí)者所有類(lèi)別的行為數(shù)據(jù)，而不僅僅是DKT所考慮的評(píng)測(cè)數(shù)據(jù)。此類(lèi)模型的應(yīng)用場(chǎng)景可能包括自動(dòng)化推薦系統(tǒng)：系統(tǒng)可以根據(jù)學(xué)習(xí)者的歷史行為來(lái)預(yù)測(cè)其下一步行為，評(píng)估該行為是否會(huì)達(dá)到理想的學(xué)習(xí)結(jié)果，并進(jìn)一步選擇是否干預(yù)以及合適的推薦內(nèi)容。

四、以情感為基準(zhǔn)的學(xué)習(xí)者模型

研究者發(fā)現(xiàn)情感與認(rèn)知、動(dòng)機(jī)和行為密切相關(guān)，在學(xué)習(xí)過(guò)程中扮演關(guān)鍵角色。根據(jù)建構(gòu)主義理論框架，學(xué)習(xí)者的情感狀態(tài)可能會(huì)系統(tǒng)性地影響他們處理新資料的方式 （Craig， Graesser， Sullins， & Gholson， 2004）。如果教師和教學(xué)環(huán)境能幫助最小化學(xué)習(xí)者的恐懼、受挫、壓力等負(fù)面情緒，促進(jìn)學(xué)習(xí)者的開(kāi)心、享受等正面情緒，學(xué)習(xí)者將更有可能成功實(shí)現(xiàn)學(xué)習(xí)目標(biāo)。因此，在線教學(xué)環(huán)境中的學(xué)習(xí)者情感建模受到了越來(lái)越多的重視。學(xué)習(xí)者情感模型可以從幾個(gè)角度進(jìn)行分類(lèi)。根據(jù)模型在時(shí)間軸上的粒度可以分為快照式情感模型和連續(xù)式情感模型：快照式情感模型只建模學(xué)習(xí)者在關(guān)鍵時(shí)間點(diǎn)，如學(xué)習(xí)前和學(xué)習(xí)后的情感；連續(xù)式情感模型則對(duì)學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感變化進(jìn)行連續(xù)的跟蹤。情感模型還可以根據(jù)模型數(shù)據(jù)收集的方式分為主觀情感模型和客觀情感模型：主觀情感模型的數(shù)據(jù)可能來(lái)源于學(xué)習(xí)者通過(guò)問(wèn)卷調(diào)查、訪談等方式自己報(bào)告的數(shù)據(jù)；客觀情感模型的數(shù)據(jù)來(lái)源于學(xué)習(xí)者與學(xué)習(xí)環(huán)境的交互數(shù)據(jù)、視頻數(shù)據(jù)、音頻數(shù)據(jù)等。隨著技術(shù)的進(jìn)步，客觀連續(xù)的情感模型受到越來(lái)越多的重視并得到很大的發(fā)展，因此下文將主要關(guān)注客觀連續(xù)的情感模型。

情感模型在所關(guān)注的情感維度上可能存在一定差異。例如，Pekrun （2005） 通過(guò)一系列定性的案例研究發(fā)現(xiàn)，學(xué)習(xí)者最常報(bào)告的是正面情感是享受、希望、自豪和放松，而最常報(bào)告的負(fù)面情感是焦慮、憤怒、無(wú)聊和羞愧。Ekman和Friesen （1978） 則集中于和面部表情相關(guān)的基本情感。Craig、Graesser、Sullins和Gholson （2004） 用一個(gè)手動(dòng)情感編碼系統(tǒng)觀察到在智能輔導(dǎo)系統(tǒng)中出現(xiàn)了沮喪、無(wú)聊、興趣、迷惑、歡欣和中性六種情感狀態(tài)。Kort、Reilly和Picard （2002） 提出一個(gè)結(jié)合情感維度和學(xué)習(xí)階段的四象限螺旋式模型。其中，橫向的情感坐標(biāo)軸可能跨越多個(gè)情感集的負(fù)面情緒和正面情緒，如焦慮-信心、無(wú)聊-入迷、泄氣-欣快、沮喪-鼓勵(lì)、恐懼-興奮等。豎軸是學(xué)習(xí)軸，表示了從“反學(xué)習(xí)”的狀態(tài)到建構(gòu)式學(xué)習(xí)的轉(zhuǎn)變。該模型認(rèn)為學(xué)習(xí)者的狀態(tài)在不同的象限間移動(dòng)，教師或者學(xué)習(xí)環(huán)境應(yīng)該跟蹤該移動(dòng)路徑來(lái)決定合適的干預(yù)策略。知識(shí)維度也可以作為第三個(gè)坐標(biāo)軸加入該模型中。

情感模型的數(shù)據(jù)來(lái)源可以是多種多樣的。例如，Ekman和Friesen （1982） 用臉部動(dòng)作編碼系統(tǒng)研究了情感的表現(xiàn)形式，這套系統(tǒng)認(rèn)為基本情感可以用臉部的特定特征來(lái)編碼，這些臉部模式可以用來(lái)識(shí)別六種基本情感，包括快樂(lè)、悲傷、驚訝、厭惡、憤怒和恐懼。這項(xiàng)工作是許多學(xué)習(xí)環(huán)境使用人臉圖像進(jìn)行情感建模的重要參考（Afzal & Robinson， 2010； Ez-Zaouia， Lavou， & Elise， 2017）。但僅僅通過(guò)臉部表情或聲調(diào)變化來(lái)進(jìn)行情感建模可能存在一定的局限性。比如一個(gè)內(nèi)向的學(xué)習(xí)者可能會(huì)控制其情感的顯示，而導(dǎo)致算法無(wú)法檢測(cè)其內(nèi)心的情感波動(dòng)。由于情感狀態(tài)也會(huì)影響生物指標(biāo)，如心率、血壓、皮膚電傳導(dǎo)、顏色和溫度 （Picard， 1997）。學(xué)習(xí)者通常難以控制這些生物指標(biāo)，因此它們可以為情感建模提供可靠的信息。但單個(gè)生物指標(biāo)往往不足以識(shí)別特定情感，因此多模態(tài)的數(shù)據(jù)采集和融合有助于情感建模的準(zhǔn)確性。例如，Kapoor、Burleson和Picard （2007） 在實(shí)驗(yàn)室環(huán)境下使用相機(jī)、壓力傳感椅、壓力鼠標(biāo)和皮膚電傳導(dǎo)傳感器等多種傳感器。此外，文字作為信息傳播的一種主要形式，在情感的表達(dá)中也具有非常重要的作用，因此學(xué)習(xí)者在論壇或微博上的文本也可以作為學(xué)習(xí)者情感模型的數(shù)據(jù)來(lái)源（黃煥， 2014； 疏鳳芳等， 2012）。

在采集多模態(tài)的數(shù)據(jù)之后，情感建模往往需借助機(jī)器學(xué)習(xí)領(lǐng)域的模型和技術(shù)來(lái)處理多模態(tài)數(shù)據(jù)的復(fù)雜性和情感識(shí)別過(guò)程中的不確定性。例如，Kapoor、Burleson和Picard （2007）采用特征提取和情感分類(lèi)兩個(gè)模塊從多模態(tài)數(shù)據(jù)中構(gòu)建情感建模。而Conati （2002）則基于人臉、皮膚電傳導(dǎo)、心跳等數(shù)據(jù)，采用動(dòng)態(tài)貝耶斯網(wǎng)絡(luò)來(lái)監(jiān)控學(xué)習(xí)者情感?？偟膩?lái)說(shuō)，有兩種多模態(tài)數(shù)據(jù)的融合策略：一種是特征層融合，基于不同模態(tài)構(gòu)建特征向量，用于分類(lèi)器的輸入；另一種是決策層融合，每個(gè)模態(tài)都有自己?jiǎn)为?dú)的分類(lèi)器，而這些分類(lèi)器的結(jié)果將組合在一起用作一個(gè)最終分類(lèi)器的輸入。盡管特征層融合有可能獲得更好的識(shí)別效果（Caridakis et al.， 2008），但是決策層融合無(wú)疑具有更加模塊化的優(yōu)勢(shì) （Pantic， 2005）。采用決策層融合的策略，開(kāi)發(fā)者可以直接調(diào)用第三方提供的情感識(shí)別API，從而大大簡(jiǎn)化了情感模型的構(gòu)建。

目前，在學(xué)習(xí)者情感模型中常用的特征有人臉圖像或視頻、語(yǔ)音和文本等（Ez-Zaouia， Lavou， & Elise， 2017）?？梢灶A(yù)見(jiàn)，隨著普適計(jì)算、穿戴式設(shè)備、情感計(jì)算和人工智能等領(lǐng)域的發(fā)展，學(xué)習(xí)者情感模型將更加多?；c智能化，其應(yīng)用場(chǎng)景也更為廣闊。

五、學(xué)習(xí)者綜合模型

學(xué)習(xí)者綜合模型指的是對(duì)學(xué)習(xí)者多個(gè)方面進(jìn)行綜合而建立的整體性模型。例如，在自適應(yīng)學(xué)習(xí)系統(tǒng)中可以通過(guò)對(duì)學(xué)習(xí)者的知識(shí)水平、認(rèn)知能力、偏好信息進(jìn)行綜合性建模，提高自適應(yīng)學(xué)習(xí)系統(tǒng)適應(yīng)學(xué)習(xí)者的能力（賈冰， 2010）。除了在自適應(yīng)學(xué)習(xí)系統(tǒng)中的應(yīng)用外，學(xué)習(xí)者綜合模型還有兩類(lèi)比較典型的應(yīng)用場(chǎng)景。一類(lèi)是預(yù)測(cè)性模型，這類(lèi)模型為了提高預(yù)測(cè)準(zhǔn)確率而綜合考慮了學(xué)習(xí)者的多種信息；另一類(lèi)是評(píng)價(jià)性模型，這類(lèi)模型為了提高評(píng)價(jià)的客觀性和全面性，也盡可能多地考慮學(xué)習(xí)者的多種信息。

預(yù)測(cè)性學(xué)習(xí)者綜合模型的一個(gè)典型應(yīng)用場(chǎng)景是MOOCs環(huán)境下的退學(xué)預(yù)測(cè)（Nagrecha， Dillon， & Chawla， 2017）。因?yàn)楦咄藢W(xué)率是MOOCs最顯著的一個(gè)缺點(diǎn)，所以退學(xué)預(yù)測(cè)一直是MOOCs研究的一個(gè)重要主題。退學(xué)預(yù)測(cè)的大多數(shù)研究采用的是監(jiān)督式分類(lèi)的方法，系統(tǒng)可以采用點(diǎn)擊流、作業(yè)評(píng)分、社會(huì)網(wǎng)絡(luò)甚至人口學(xué)信息等多種數(shù)據(jù)源，通過(guò)特征工程和機(jī)器學(xué)習(xí)算法來(lái)優(yōu)化預(yù)測(cè)準(zhǔn)確率。這類(lèi)學(xué)習(xí)者綜合模型雖然綜合了學(xué)習(xí)者在多個(gè)方面的信息，但模型的可解釋性存在一定的挑戰(zhàn)。目前主要有兩種方法可以保留預(yù)測(cè)性模型的可解釋性：第一種方法是需要采用線性模型、決策樹(shù)等可解釋的分類(lèi)技術(shù)，這種方式可能要損失一定的預(yù)測(cè)表現(xiàn)；第二種方法是使用Parzen （Baehrens et al.， 2009） 或LIME （Ribeiro， Singh， & Guestrin， 2016）等模型解釋技術(shù)。

評(píng)價(jià)性學(xué)習(xí)者綜合模型的提出則主要為學(xué)生評(píng)價(jià)服務(wù)，需要以教學(xué)目標(biāo)作為價(jià)值判斷的依據(jù)和準(zhǔn)繩。例如，鄭勤華等（2016）以學(xué)生綜合評(píng)價(jià)為目標(biāo)，通過(guò)理論演繹和專(zhuān)家訪談構(gòu)建了以投入度、完成度、調(diào)控度、聯(lián)通度和主動(dòng)性為核心的五維度綜合評(píng)價(jià)參考理論模型，并通過(guò)學(xué)習(xí)行為數(shù)據(jù)聚合特征變量，構(gòu)建了相應(yīng)的計(jì)算模型，如圖1所示。其中，投入度從活躍性、持續(xù)性等方面對(duì)學(xué)生在線學(xué)習(xí)的投入程度進(jìn)行評(píng)價(jià)；完成度以課程的教學(xué)目標(biāo)為標(biāo)準(zhǔn)對(duì)學(xué)生實(shí)際完成情況進(jìn)行評(píng)價(jià)，對(duì)于不同類(lèi)型的課程教學(xué)目標(biāo)的側(cè)重點(diǎn)不同，完成度的指標(biāo)以及權(quán)重設(shè)置也會(huì)進(jìn)行相應(yīng)調(diào)整；主動(dòng)性包括完成自主學(xué)習(xí)任務(wù)的主動(dòng)性、參與教師指定教學(xué)活動(dòng)的主動(dòng)性以及進(jìn)行交互的主動(dòng)性等，主動(dòng)性在一定程度上表征了學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)水平與變化情況；調(diào)控度從學(xué)習(xí)的規(guī)律性、持續(xù)性、效率等方面對(duì)學(xué)生調(diào)控自己學(xué)習(xí)過(guò)程的水平進(jìn)行評(píng)價(jià)，是對(duì)學(xué)生認(rèn)知策略、自主學(xué)習(xí)能力進(jìn)行表征和評(píng)價(jià)的重要維度；聯(lián)通度則對(duì)學(xué)生建立社會(huì)化認(rèn)知網(wǎng)絡(luò)的能力進(jìn)行評(píng)價(jià)，包括建立連接的能力、維護(hù)連接的能力等。聯(lián)通度的評(píng)價(jià)核心是交互，包括學(xué)生與資源的交互、學(xué)生與教師及其他學(xué)習(xí)同伴的交互。

六、討論和建議

學(xué)習(xí)者模型是一個(gè)涉及認(rèn)知心理學(xué)、教育學(xué)、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科的領(lǐng)域。學(xué)習(xí)者模型最初來(lái)源于智能教學(xué)系統(tǒng)（Intelligent Tutor System，ITS），由于智能教學(xué)系統(tǒng)強(qiáng)調(diào)在學(xué)習(xí)過(guò)程中診斷學(xué)習(xí)者的知識(shí)，因此早期的學(xué)習(xí)者模型主要用于描述學(xué)習(xí)者的知識(shí)狀態(tài)。我們可以看到隨著學(xué)習(xí)環(huán)境的變革、相關(guān)技術(shù)的進(jìn)步、認(rèn)知理論的發(fā)展，學(xué)習(xí)者模型也在不斷地發(fā)展和演化?，F(xiàn)在，學(xué)習(xí)者模型的表示范疇已不僅限于知識(shí)狀態(tài)，它可能涵蓋了學(xué)習(xí)者的情感、認(rèn)知、元認(rèn)知等多個(gè)方面。

關(guān)于學(xué)習(xí)者模型的一個(gè)重要趨勢(shì)是其應(yīng)用場(chǎng)景越來(lái)越多樣化。除了自適應(yīng)學(xué)習(xí)系統(tǒng)這一典型應(yīng)用外，學(xué)習(xí)者模型還可以用于對(duì)學(xué)習(xí)者的分組（Anderson等， 2014）、對(duì)學(xué)業(yè)表現(xiàn)和重要事件的預(yù)測(cè)（Nagrecha， Dillon， & Chawla， 2017）、對(duì)學(xué)習(xí)者的綜合評(píng)價(jià)（鄭勤華， 等， 2016）、儀表盤(pán)（Ez-Zaouia， Lavou， & Elise， 2017）等不同的應(yīng)用場(chǎng)景。在不同應(yīng)用場(chǎng)景下，模型使用者對(duì)學(xué)習(xí)者模型的訴求是存在差異的。例如，在預(yù)測(cè)性應(yīng)用場(chǎng)景中，模型使用者更關(guān)注模型預(yù)測(cè)的準(zhǔn)確率，而較少關(guān)注模型的復(fù)雜度與可解釋性；在儀表盤(pán)和分組等應(yīng)用中，模型的可解釋性就顯得更為重要，模型的復(fù)雜度必須在可控的范圍內(nèi)?？傊?，學(xué)習(xí)者模型是對(duì)真實(shí)學(xué)習(xí)者的抽象表示，根據(jù)不同的應(yīng)用場(chǎng)景和實(shí)際情況，選擇合適的學(xué)習(xí)者表示方式和建模技術(shù)至關(guān)重要。

學(xué)習(xí)者模型的構(gòu)建方式也在逐漸變化。在傳統(tǒng)的智能輔導(dǎo)系統(tǒng)中，知識(shí)狀態(tài)跟蹤模型的先決條件是領(lǐng)域知識(shí)結(jié)構(gòu)以及問(wèn)題與知識(shí)的映射關(guān)系的建立，而這項(xiàng)工作傳統(tǒng)上是專(zhuān)家手動(dòng)完成的。與之類(lèi)似的是，在傳統(tǒng)的分組和預(yù)測(cè)應(yīng)用中，特征的選取也往往由專(zhuān)家手動(dòng)完成。而隨著自然語(yǔ)言處理和深度學(xué)習(xí)等技術(shù)的發(fā)展，這些專(zhuān)家手動(dòng)完成的工作可能將逐步被半自動(dòng)或全自動(dòng)的數(shù)據(jù)驅(qū)動(dòng)的程序所代替。深度知識(shí)跟蹤模型（Piech et al.， 2015）是此趨勢(shì)的一個(gè)比較典型的案例。在此趨勢(shì)下，學(xué)習(xí)者模型的構(gòu)建將更多地依賴(lài)智能的程序和大量的數(shù)據(jù)，而非專(zhuān)家的領(lǐng)域知識(shí)。為充分享受到學(xué)習(xí)者建模技術(shù)的變革成果，從業(yè)機(jī)構(gòu)可以從兩個(gè)方面著手來(lái)應(yīng)對(duì)上述趨勢(shì)：一是根據(jù)在機(jī)構(gòu)內(nèi)部根據(jù)實(shí)際情況進(jìn)行相關(guān)的數(shù)據(jù)和人才儲(chǔ)備；二是充分了解并借助機(jī)構(gòu)外部的相關(guān)資源，例如人臉表情識(shí)別等人工智能云服務(wù)。

學(xué)習(xí)者模型應(yīng)用場(chǎng)景多樣化、構(gòu)建方式自動(dòng)化這兩大趨勢(shì)都離不開(kāi)數(shù)據(jù)這一推手。大規(guī)模在線學(xué)習(xí)環(huán)境可以采集到大量的學(xué)習(xí)行為數(shù)據(jù)，為學(xué)習(xí)者模型的構(gòu)建提供了有力的數(shù)據(jù)支撐，同時(shí)也為學(xué)習(xí)者模型提供了新的應(yīng)用場(chǎng)景。傳感技術(shù)的發(fā)展，也在不斷地延伸著學(xué)習(xí)者模型的數(shù)據(jù)來(lái)源和應(yīng)用場(chǎng)景?；诟鞣N學(xué)習(xí)者數(shù)據(jù)，全面對(duì)學(xué)生進(jìn)行綜合性建模的綜合模型具有更廣的應(yīng)用前景。近年來(lái)，人工智能尤其是深度學(xué)習(xí)的發(fā)展，使得大規(guī)模數(shù)據(jù)的利用效率、智能模型的學(xué)習(xí)能力得到了很大的提升，為構(gòu)建更強(qiáng)大的學(xué)習(xí)者模型提供了有力支持。

[參考文獻(xiàn)]

黃煥. 2014. 面向e-Learning的學(xué)習(xí)者情感建模及應(yīng)用研究[D]. 武漢：華中師范大學(xué)國(guó)家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心.

賈冰. 2010. 自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者模型的表示及特征值獲取方法研究[D]. 長(zhǎng)春：東北師范大學(xué)教育部數(shù)字化學(xué)習(xí)支撐技術(shù)工程研究中心.

彭文輝，楊宗凱，黃克斌. 2006. 網(wǎng)絡(luò)學(xué)習(xí)行為分析及其模型研究[J]. 中國(guó)電化教育（10）：31-35.

疏鳳芳，趙呈領(lǐng)，萬(wàn)力勇，等. 2012. 基于qq群的網(wǎng)絡(luò)課堂交互特性研究. 現(xiàn)代教育技術(shù)，22（7）：83-88.

張舸，周東岱，葛情情. 2012. 自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者特征模型及建模方法述評(píng)[J]. 現(xiàn)代教育技術(shù)，22（5）：77-82.

鄭勤華，陳耀華，孫洪濤，等. 2016. 基于學(xué)習(xí)分析的在線學(xué)習(xí)測(cè)評(píng)建模與應(yīng)用——學(xué)習(xí)者綜合評(píng)價(jià)參考模型研究[J]. 電化教育研究（9）：33-40.

宗陽(yáng)，鄭勤華，陳麗. 2016. 中國(guó)moocs學(xué)習(xí)者價(jià)值研究——基于RFM模型的在線學(xué)習(xí)行為分析[J]. 現(xiàn)代遠(yuǎn)距離教育（2）：21-28.

Afzal， S. & Robinson， P. （2010）. Modelling affect in learning environments-motivation and methods. IEEE international conference on advanced learning technologies， 438-442.

Anderson， A.， Huttenlocher， D.， Kleinberg， J.， & Leskovec， J. （2014）. Engaging with massive online courses， International conference on World Wide Web， 687-698.

Baehrens， D.， Schroeter， T.， Harmeling， S.， Kawanabe， M.， Hansen， K.， & Müller， K. R. （2009）. How to explain individual classification decisions. Journal of Machine Learning Research， 11（9）， 1803-1831.

Caridakis， G.， Castellano， G.， Kessous， L.， Raouzaiou， A.， Malatesta， L.， Asteriadis， S.， & Karpouzis， K. （2008）. Multimodal emotion recognition from expressive faces， body gestures and speech. International Federation for Information Processing， 247， 375-388.

Chrysafiadi， K. & Virvou， M. （2013）. Student modeling approaches： a literature review for the last decade. Expert Systems with Applications， 40（11）， 4715-4729.

Conati， C. （2002）. Probabilistic assessment of users emotions in educational games. Applied Artificial Intelligence， 16（7-8）， 555-575.

Corbett， A. T. & Anderson， J. R. （1994）. Knowledge tracing： modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction， 4（4）， 253-278.

Craig， S.， Graesser， A.， Sullins， J.， & Gholson， B. （2004）. Affect and learning： an exploratory look into the role of affect in learning with Auto-Tutor. Journal of Educational Media， 29（3）， 241-250.

Desmarais， M. C. （2012）. Mapping question items to skills with non-negative matrix factorization. ACM KDD-Explorations， 13 （2）， 30-36.

Doddannara， L. S.， Gowda， S. M.， Baker， R. S. J. D.， Gowda， S. M.， & Carvalho， A. M. J. B. D. （2013）. Exploring the Relationships between Design， Students Affective States， and Disengaged Behaviors within an ITS. Artificial Intelligence in Education. Springer Berlin Heidelberg， 31-40.

Dowell， N. M.， Skrypnyk， O.， Joksimovic， S.， Graesser， A. C.， Dawson， S.， Ga?evic， D.， Kovanovic， V. （2015）. Modeling learners social centrality and performance through language and discourse. International Conference on Educational Data Mining， 250-257.

Ekman， P. & Friesen， W. （1978） Facial Action Coding System， Consulting Psychologist Press， Palo Alto， CA.

Ez-Zaouia， M.， Lavou， & Elise. （2017）. Emoda： a tutor oriented multimodal and contextual emotional dashboard. International Conference on learning analytics & knowledge， 429-438.

Joksimovi?， S.， Manataki， A.， Ga?evi?， D.， Dawson， S.， Kovanovi?， V.， & De Kereki， I. F. （2016）. Translating network position into performance： importance of centrality in different network configurations， International Conference on Learning Analytics & Knowledge， 314–323.

Kapoor， A.， Burleson， W.， & Picard， R. W. （2007）. Automatic prediction of frustration. International Journal of Human-Computer Studies， 65（8）， 724-736.

Khajah， M.， Lindsey， R. V.， & Mozer， M. C. （2016）. How deep is knowledge tracing？ arXiv preprint arXiv：1604.02416.

Kort， B.， Reilly， R.， & Picard， R. W. （2002）. An affective model of interplay between emotions and learning： reengineering educational pedagogy-building a learning companion. IEEE international conference on Advanced Learning Technologies， 43-46.

Mayo， M. J. （2001）. Bayesian student modelling and decision-theoretic selection of tutorial actions in intelligent tutoring systems. University of Cantebury， New Zealand.

Nagrecha， S.， Dillon， J. Z.， & Chawla， N. V. （2017）. MOOC dropout prediction： lessons learned from making pipelines interpretable. International Conference on World Wide Web， 351-359.

Pardos， Z. A. & Heffernan， N. T. （2010）. Modeling individualization in a bayesian networks implementation of knowledge tracing. International Conference on User Modeling， Adaptation， and Personalization， 6075（12）， 255-266.

Pantic， M. （2005）. Affective multimodal human-computer interaction. ACM International Conference on Multimedia， 669-676.

Pekrun， R. （2005）. Progress and open problems in educational emotion research. Learning & Instruction， 15（5）， 497-506.

Picard， R. W. （1997）. Affective computing. MIT Press.

Piech， C.， Spencer， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas， L.， & Sohl-Dickstein， J. （2015）. Deep knowledge tracing. Computer Science， 3（3）， 19-23.

Ribeiro， M. T.， Singh， S.， & Guestrin， C. （2016）. "Why Should I Trust You？"： explaining the predictions of any classifier. ACM SIGKDD， 1135-1144.

Rich， E. （1979）. User modeling via stereotypes. Cognitive Science， 3（4）， 329-354.

Sinha， T.， Jermann， P.， Li， N.， & Dillenbourg， P. （2014）. Your click decides your fate： inferring information processing and attrition behavior from mooc video clickstream interactions. EMNLP Workshop on Modelling Large Scale Social Interaction in Massive Open Online Courses.

Slater， S.， Baker， R.， Almeda， M. V.， Bowers， A.， & Heffernan， N. （2017）. Using correlational topic modeling for automated topic identification in intelligent tutoring systems. International Conference on Learning Analytics & Knowledge， 393-397.

Stansfield， J. L.， Carr， B. P.， & Goldstein， I. P. （1976）. Wumpus advisor I： A first implementation of a program that tutors logical and probabilistic reasoning skills. At Lab Memo 381， Massachusetts Institute of Technology， Cambridge， Massachusetts.

Tang， S.， Peterson， J. C.， & Pardos， Z. A. （2016）. Modelling student behavior using granular large scale action data from a mooc. arXiv preprint arXiv：1608.04789.

Thai-Nghe， N.， Horváth， T.， & Schmidt-Thieme， L. （2010）. Factorization models for forecasting student performance. International Conference on Educational Data Mining， 11-20.

Veeramachaneni， K.， Dernoncourt， F.， Taylor， C.， Pardos， Z.， & OReilly， U. M. （2013）. MoocDB： developing data standards for mooc data science. AIED workshops， 17.

Wang， Y. & Heffernan， N. T. （2012）. The student skill model. International conference on intelligent tutoring systems， 399-404.

Yudelson， M. V.， Koedinger， K. R.， & Gordon， G. J. （2013）. Individualized Bayesian knowledge tracing models. International conference on artificial intelligence in education， 171-180.

收稿日期：2017-11-20

定稿日期：2018-01-17

作者簡(jiǎn)介：徐鵬飛，博士，講師，北京師范大學(xué)信息科學(xué)與技術(shù)學(xué)院（100875）。

鄭勤華，博士，副教授，碩士生導(dǎo)師；陳耀華，博士研究生；陳麗，博士，教授，博士生導(dǎo)師。北京師范大學(xué)遠(yuǎn)程教育研究中心（100875）。

責(zé)任編輯 郝 丹