摘 ? ?要：用戶畫像作為一種信息化工具已開始應用于教育領域，基于用戶畫像的在線學習干預可進一步提升在線學習質(zhì)量。通過采集在線學習用戶相關數(shù)據(jù)，對數(shù)據(jù)進行預處理與挖掘，形成在線學習人群屬性標簽、用戶關聯(lián)關系標簽、用戶活躍度標簽和用戶學習偏好標簽等標簽體系?；谟脩魳撕烍w系，采用非結(jié)構化關鍵詞法對在線學習用戶進行畫像構建，形成在線學習用戶畫像庫。然后，對在線學習用戶畫像進行聚類、學習狀態(tài)診斷分析，精準預測在線學習用戶實時學習需求，采用不同干預方式對在線學習用戶實施在線學習全過程干預，從而激發(fā)學生的內(nèi)生學習動力，提高學生個性化學習能力。

關鍵詞：用戶畫像;在線學習;干預研究

中圖分類號：G434 ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ?文章編號：2095-7394（2020）02-0045-06

沒有教育信息化就沒有教育現(xiàn)代化，隨著教育信息化的全面推進，傳統(tǒng)教育教學模式受到前所未有的沖擊。各類在線學習平臺如潮水般涌現(xiàn)，這種由在線教學平臺、網(wǎng)絡學習課程及海量教學資源構成的全新在線學習方式得到了廣大學生的青睞[1]，不僅較好地激發(fā)了學生的內(nèi)生學習動力，還有效地培養(yǎng)了學生的個性化學習能力。但近年來各類在線學習平臺監(jiān)管是否到位？在線教學方式是否符合教學要求？在線學習效果是否達到預期目標？這些問題不得不引起我們的重視和深思。用戶畫像作為一種勾畫目標用戶、聯(lián)系用戶訴求與設計方向的有效工具已開始應用于教育領域，基于用戶畫像的在線學習干預可進一步提升學習平臺服務能力，改善在線學習質(zhì)量，解決學生在線學習效率低下、教師個性化教學能力欠缺、在線監(jiān)管和評價不及時等問題，為提升在線教學質(zhì)量提供了一種新方法，為實施個性化教學模式提供了一種新途徑，對在線教育的發(fā)展具有一定的借鑒意義。

1 ? 在線學習用戶畫像庫的構建

在線學習用戶畫像庫的構建主要由在線學習用戶畫像數(shù)據(jù)采集、用戶畫像數(shù)據(jù)處理和用戶畫像標簽化處理三部分構成，通過用戶畫像標簽化體系，采用非結(jié)構化關鍵詞法對在線學習用戶進行畫像構建，形成在線學習用戶畫像庫。

1.1 ?在線學習用戶畫像數(shù)據(jù)采集

用戶在線學習過程中會產(chǎn)生大量數(shù)據(jù)，根據(jù)用戶畫像構建需要，需從在線學習平臺采集用戶基本屬性數(shù)據(jù)、用戶學習偏好數(shù)據(jù)、用戶網(wǎng)絡互動數(shù)據(jù)、用戶會話數(shù)據(jù)及其他數(shù)據(jù)等五類數(shù)據(jù)。在線學習用戶基本屬性數(shù)據(jù)包含用戶姓名賬號、年齡性別、學歷專業(yè)、地域分布及聯(lián)系方式等;用戶學習偏好數(shù)據(jù)包含用戶專業(yè)方向、課程內(nèi)容、學習工具、學習時段、學習時長、付費意愿及選擇偏好等;用戶網(wǎng)絡互動數(shù)據(jù)包含在線學習內(nèi)容預習、課堂交流互動、學習內(nèi)容評價、在線作業(yè)布置及作業(yè)答疑批閱等;用戶會話數(shù)據(jù)包含會話登錄ID號、連接會話IP地址、用戶會話對象、單次會話時長及會話內(nèi)容記錄等;其他數(shù)據(jù)包含構建在線學習用戶畫像庫所需的其他相關數(shù)據(jù)。

1.2 ?在線學習用戶畫像數(shù)據(jù)處理

1.2.1在線學習用戶數(shù)據(jù)預處理

為給在線學習用戶數(shù)據(jù)處理提供完整的基礎數(shù)據(jù)，首先，針對在線學習平臺采集的基礎數(shù)據(jù)進行清洗，發(fā)現(xiàn)數(shù)據(jù)中不完整的、有噪聲的、記錄內(nèi)容不一致的數(shù)據(jù)，進行遺漏數(shù)據(jù)處理和噪聲數(shù)據(jù)處理;其次，對數(shù)據(jù)進行集成處理，將來自不同平臺的數(shù)據(jù)形成在線學習用戶統(tǒng)一數(shù)據(jù)集合，解決不同平臺數(shù)據(jù)集成問題、數(shù)據(jù)屬性推演冗余問題、數(shù)據(jù)值沖突檢測與消除問題等[2];然后，對數(shù)據(jù)進行轉(zhuǎn)換處理，將集成數(shù)據(jù)轉(zhuǎn)換成一個適合數(shù)據(jù)處理的描述形式，幫助去除在線學習用戶數(shù)據(jù)中的噪聲，形成用戶數(shù)據(jù)立方并對數(shù)據(jù)進行多粒度分析，用更抽象的概念來取代低層次或數(shù)據(jù)層的用戶數(shù)據(jù)對象;最后，對數(shù)據(jù)進行消減處理，在保持原始數(shù)據(jù)完整性的前提下從平臺海量數(shù)據(jù)中獲取用戶精簡數(shù)據(jù)集，為在線學習用戶數(shù)據(jù)挖掘提供基礎。

1.2.2在線學習用戶畫像數(shù)據(jù)挖掘

采用非結(jié)構化標簽關鍵詞處理在線學習用戶數(shù)據(jù)，通過數(shù)據(jù)挖掘技術，對采集的用戶數(shù)據(jù)進行系統(tǒng)分類處理，按照非結(jié)構化標簽關鍵詞方法給采集的用戶數(shù)據(jù)分別貼上標簽，以用戶數(shù)據(jù)分類標簽來區(qū)分歸類;然后，通過用戶數(shù)據(jù)標簽分類找出用戶之間存在的聚集性數(shù)據(jù)進行數(shù)據(jù)聚類處理;最后，通過用戶數(shù)據(jù)分類取值之間存在的數(shù)據(jù)規(guī)律性和隱藏關聯(lián)性，找出用戶數(shù)據(jù)之間的時序關聯(lián)和因果關聯(lián)，并對用戶數(shù)據(jù)進行時間序列分析和處理[3]。通過在線學習用戶數(shù)據(jù)預處理和數(shù)據(jù)挖掘，得出在線學習用戶屬性值的特征標識，再將用戶屬性的所有標識綜合起來，為用戶畫像標簽化處理打下基礎。

1.3 ?在線學習用戶畫像標簽化處理

1.3.1在線學習人群屬性標簽

根據(jù)在線學習用戶基礎數(shù)據(jù)中的學習人群年齡性別、學歷專業(yè)、學習欄目和人群地域分布等特點，建立學習人群標簽化結(jié)構，將在線學習人群劃分為扎實型學習人群、一般型學習人群和應付型學習人群，或?qū)I(yè)技能型學習人群和學術型學習人群，或付費型學習人群和免費型學習人群等。

1.3.2在線學習用戶關聯(lián)關系標簽

根據(jù)在線學習用戶基礎數(shù)據(jù)中的相同或相近年齡段、相同或相近地域分布、相同或相近學習專業(yè)、相同或相近學習欄目、相同或相近學習時間段等規(guī)律，搭建用戶與用戶之間的關聯(lián)關系，并為相同或相近用戶非結(jié)構化關鍵詞設置關聯(lián)關系標簽，挖掘用戶標簽之間的關聯(lián)關系，建立用戶關聯(lián)關系矩陣，自動為相同或相近用戶精準推送學習資源。

1.3.3在線學習用戶活躍度標簽

根據(jù)用戶訪問平臺次數(shù)、訪問平臺時長、簽到打卡速度、內(nèi)容收藏指數(shù)、交流互動積極性等因素，將用戶分別貼上活躍用戶標簽或不活躍用戶標簽。其中，活躍用戶又分為忠誠用戶、活躍用戶、回流用戶和新增用戶，不活躍用戶又分為流失用戶和停滯用戶。再結(jié)合每個用戶不同需求和關注點，使用活躍度衡量標準篩選出滿足條件的用戶數(shù)量，然后計算滿足條件的用戶在整體學習用戶中的占有比，從而給不同學習用戶分層分類，制定有針對性的推送時間、推送頻率和推送內(nèi)容[4]。

1.3.4在線學習用戶學習偏好標簽

根據(jù)用戶在平臺中的學習痕跡和學習習慣，分析并推算出用戶的學習偏好，一般把用戶學習偏好分為學習資源偏好、交流互動偏好、學習情感偏好、操作習慣偏好等。這些學習偏好決定了用戶在平臺中所做出的學習行為和選擇。

2 ? 基于用戶畫像的在線學習干預流程設計

基于用戶畫像的在線學習干預流程按照“兩段七步法”設計。第一個階段由用戶畫像數(shù)據(jù)采集、用戶畫像數(shù)據(jù)處理和用戶畫像標簽化處理三個步驟來生成在線學習用戶畫像庫，獲取用戶學習風格、學習進度、學習能力和學習成績等信息。第二階段由用戶學習需求預測、學習干預方式確定、學習干預實施和學習干預效果分析四個步驟來完成用戶畫像的在線學習全過程干預。具體如圖1所示。

2.1 ?在線學習用戶學習需求預測

2.1.1用戶畫像聚類

按照用戶畫像標簽化體系把用戶數(shù)據(jù)集聚合成不同用戶數(shù)據(jù)簇，使同一個數(shù)據(jù)簇內(nèi)數(shù)據(jù)對象最大可能地具有相似性;同時，使不同數(shù)據(jù)簇內(nèi)數(shù)據(jù)對象之間的差異也盡可能大。目的在于使用戶之間的相似對象分到同一組，再基于用戶畫像對在線學習用戶分群進行用戶群體分析與個性化干預，進而擴大活躍用戶數(shù)量規(guī)模，同時激活部分不活躍用戶，并制定個性化在線學習干預策略。

2.1.2用戶學習狀態(tài)診斷

在線學習狀態(tài)直接影響用戶的學習效率，平臺結(jié)合用戶學習動機、學習能力和學習方法，把學習狀態(tài)分為良好學習狀態(tài)和不良學習狀態(tài)。良好學習狀態(tài)主要表現(xiàn)為在線學習時間長、簽到打卡積極、交流互動頻繁、作業(yè)提交及時等;不良學習狀態(tài)主要表現(xiàn)為在線學習過程中隨意退出平臺、簽到打卡不積極、交流互動較少、作業(yè)提交不及時等[5]。

2.1.3用戶學習需求預測

由于在線學習平臺沒有地域和時間限制，可隨時隨地在平臺上進行學習，既支持電腦PC端學習又支持手機移動端學習。因此，根據(jù)用戶畫像聚類和學習狀態(tài)診斷，把用戶學習需求預測分為多終端學習需求、在線考核需求、在線練習需求、在線互動答疑需求、自動推送資料需求、自動分析學習進度需求、自動統(tǒng)計班級排名需求及學習記錄查詢需求等[6]。

2.2 ?在線學習干預方式確定

為使用戶及時跟進在線學習進度達到預期學習目標，平臺根據(jù)不同用戶情況選擇不同干預方式。在線學習干預分為學習平臺自動干預、學習平臺提醒干預和學習用戶自主干預三種方式。

2.2.1學習平臺自動干預

學習平臺自動干預是指平臺通過大數(shù)據(jù)分析實時掌握用戶學習動態(tài)，結(jié)合平臺目標學習推進干預策略[7]，自動對用戶實施的一系列干預操作，學習平臺自動干預無須用戶操作，由后臺自動完成。

2.2.2學習平臺提醒干預

學習平臺提醒干預是指平臺在實時監(jiān)測過程中發(fā)現(xiàn)用戶異常情況時，特別是發(fā)生隨意退出學習平臺、交流互動不積極、作業(yè)提交不及時或不提交等厭學和不學現(xiàn)象時，平臺將結(jié)合學習提醒干預策略。對此類用戶實施的一系列提醒干預操作，學習平臺提醒干預需通過用戶選擇后，后臺才執(zhí)行對應操作。

2.2.3學習用戶自主干預

學習用戶自主干預是指學習用戶為達到某種學習目標，通過學習平臺提供的自主選擇干預策略，有選擇性地對自己在學習過程中執(zhí)行一系列干預操作[8]，學習用戶自主干預由用戶本身選擇完成。

2.3 ?在線學習干預實施

2.3.1學習平臺自動干預實施

學習平臺自動干預主要實施于整體干預中，如平臺各類通知公告的自動推送，班級學習資料的自動推送，班級成員學習成績排名，用戶學習進度自動記憶，用戶學習效果自動統(tǒng)計分析，用戶各類加減分項目排名等。通過平臺自動干預實施完成平臺批量工作，達到用戶全員知曉、相互激勵的目的。

2.3.2學習平臺提醒干預實施

學習平臺提醒干預主要實施于個體干預中，如用戶學習行為提醒，用戶簽到打卡提醒，用戶學習進度提醒，用戶作業(yè)完成預警提醒，用戶學習鎖屏提醒等，提醒干預又分為友情提醒、警告提醒和處罰提醒三個級別，平臺根據(jù)提醒級別其提醒頻率也會隨之變化。通過平臺實施提醒干預，可及時有效地提醒部分學習興趣不足、學習積極性不高的用戶，使之跟進學習進度并端正學習態(tài)度。

2.3.3學習用戶自主干預實施

學習用戶自主干預主要實施于用戶個性化學習中，用戶根據(jù)自身學習習慣、學習偏好、學習能力、學習速度和學習基礎等特點來制定所需的自主學習方式，平臺再根據(jù)用戶自行制定的學習方式來安排用戶學習內(nèi)容、學習難易、學習快慢和學習方法等。通過用戶自主干預實施，能最大限度挖掘用戶學習潛能，充分發(fā)揮用戶個性化學習效果。

3 ? 基于用戶畫像的在線學習干預效果分析

以“超星泛雅”網(wǎng)絡教學平臺湖南軟件職業(yè)學院軟件技術專業(yè)“Python程序設計”在線課程為例，進行基于用戶畫像的在線學習干預效果分析。該在線課程為學生選修課程，共開設8個學習班級，每個班級40人，班級學生由平臺隨機分配，課程周次為16周，學時數(shù)為64學時，每周4學時，期末成績按照4：2：4比率百分制計分，即在線學習內(nèi)容完成情況占40%，在線學習作業(yè)完成情況占20%，在線課程期末考試成績占40%。8個學習班級中1至4班實行平臺全程自動干預在線學習模式，首先針對以上4個班級160名學生基本情況進行用戶畫像數(shù)據(jù)處理，然后根據(jù)用戶畫像數(shù)據(jù)對160名學生分別進行人群屬性、用戶關聯(lián)關系、用戶活躍度和用戶偏好標簽化處理，并結(jié)合用戶標簽進行用戶畫像聚類、用戶學習狀態(tài)診斷和用戶學習需求預測。重點對以上4個班級在線學習實施課前輔導資料自動推送、上課簽到打卡顯示公開、課中交流互動激勵加分、課后作業(yè)完成質(zhì)量排名、學生優(yōu)秀作品線上展示等一系列自動干預，同時，對1至4班部分學習態(tài)度不端正、學習積極性不高的學生實施平臺提醒服務干預，重點對打卡不及時、作業(yè)完成不理想、缺乏交流互動和隨意退出平臺的學生實施提醒干預，根據(jù)情節(jié)嚴重程度分別給予友情提醒、警告提醒和處罰提醒干預。另外5至8班160名學生采用常規(guī)在線教學模式，即未對學生進行用戶畫像分析處理，也未實施相關在線學習干預。最后8個班該門在線學習課程平均分為81.25分，其中1至4班在平臺實施用戶畫像干預情況下平均分為86.40分，5至8班在平臺常規(guī)在線教學模式下平均分為76.10分。8個班級90分以上學生42人，其中1至4班90分以上學生32人，5至8班90分以上學生10人。由此得出，平臺實施用戶畫像干預的班級平均分超出常規(guī)在線教學班級10.30分，90分以上的學生人數(shù)多出22人（以上數(shù)據(jù)來源于超星泛雅網(wǎng)絡教學平臺，從“Python程序設計”在線課程期末成績數(shù)據(jù)中獲取），有學習過程干預的班級成績明顯好于未有學習過程干預的班級。特別針對學習基礎和學習習慣較差的高職學生，利用平臺對學生實施在線學習過程干預，不僅可改變高職學生學習習慣，還可促進學生專業(yè)技術技能水平的掌握。分析其原因主要有以下幾點：一是通過用戶畫像聚類可及時診斷學生學習狀態(tài)，掌握學生在線學習實際需求;二是通過大數(shù)據(jù)實時跟蹤統(tǒng)計分析學生學習動態(tài)，有利于平臺對用戶實施精準干預;三是平臺對在線學習用戶實施自動干預，有利于激發(fā)學生在線學習內(nèi)生動力，加深鞏固在線課程學習內(nèi)容;四是平臺對部分學習落后用戶實施提醒干預，有利于及時提醒并糾正用戶在線學習態(tài)度，提高用戶在線學習自覺性;五是平臺提供用戶自主干預模式，有利于充分發(fā)揮用戶個性化學習需求，不斷挖掘用戶個性化學習潛能。

4 ? 結(jié)語

在線教育以其獨特優(yōu)勢正慢慢改變著人們對教育行業(yè)的定義，從傳統(tǒng)的面對面教育，到“互聯(lián)網(wǎng)+教育”的全面推進，用戶畫像、虛擬仿真、區(qū)塊鏈等一批新興技術與教育教學的深度融合，不僅創(chuàng)新了教學形態(tài)，而且推進了在線教育的興起，使在線教育朝著學習靈活性、課程多樣性、個性化定制和深度學習方式轉(zhuǎn)變的趨勢發(fā)展?；谟脩舢嬒竦脑诰€學習干預將在未來在線學習教育中發(fā)揮更加重要的作用，同時也將面臨更多的機遇和挑戰(zhàn)：一是在線學習用戶畫像標簽體系科學性問題，用戶畫像標簽體系的質(zhì)量決定著用戶畫像在線學習干預的效果，隨著在線學習用戶群體越來越復雜，未來標簽體系的設計不僅要便于檢索，還需精準有效;二是在線學習用戶興趣偏好多樣性問題，在線學習用戶在一定周期內(nèi)興趣偏好會呈現(xiàn)一定的趨勢變化，存在稀疏性、多樣性和異構性等特點[9]，未來在線學習實施個性化干預是新的挑戰(zhàn)，以最大限度挖掘用戶個性化學習潛能，提高用戶個性化學習水平，切實達到在線學習個性化培養(yǎng)的目標。

參考文獻：

[1] 夏玲.大數(shù)據(jù)環(huán)境下遠程教育平臺的學習干預[J].延邊教育學院學報，2018（6）：64-66.

[2] 殷寶媛，武法提.學習習慣在線干預的原理與模型設計[J].電化教育研究，2019（12）：72-79.

[3] 張靜，王歡.基于ISM的在線教育平臺學習者持續(xù)學習行為的影響因素研究[J].中國電化教育，2018（10）：123-130.

[4] 郭飛雁.增強現(xiàn)實技術在泛在學習中的應用研究[J].電腦知識與技術，2017（20）：232-233.

[5]楊雪，姜強，趙蔚，等.大數(shù)據(jù)時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017（7）：51-57.

[6]郭飛雁，羅校清.基于用戶畫像的高職智造類工匠人才培養(yǎng)路徑[J].河北職業(yè)教育，2019（4）：91-94.

[7] 查英華，朱其慎.基于個性化推薦的移動學習模式探究：以高職學生為例[J].職教論壇，2015（23）：57-60.

[8] 趙慧瓊，姜強，趙蔚，等.基于大數(shù)據(jù)學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017（1）：62-69.

[9] 羅校清.使用角度選擇策略的第二代Pareto強度進化算法[J].計算機應用與軟件，2018（7）：290-298.

責任編輯 ? ?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年度湖南省社會科學成果評審委員會一般課題“基于用戶畫像的在線學習干預研究與實踐” ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（XSP20YBC253）;2019年湖南省教育廳科學研究一般項目“‘用戶畫像技術在高職工匠型人才培養(yǎng)中的應 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 用研究”（19C0997）

作者簡介：羅校清，高級實驗師，主要研究方向為高職院校教育信息化、實訓基地建設。