余明華 張治 祝智庭

摘要：研究性學習是一種培養(yǎng)學生實踐能力和創(chuàng)新思維的學習模式。一方面在線學習形式普遍存在教師難以及時掌握學情導致指導困難、學生缺少指導和評價容易放棄探究等現(xiàn)實問題;另一方面，在線學習平臺積累了大量數(shù)據(jù)，如何發(fā)揮數(shù)據(jù)的價值服務于師生，是當前亟需解決的問題。為了解決以上問題，采用可視化學習分析和用戶畫像技術對研究性學習學生畫像構建展開了研究。參考已有文獻，結合研究性學習特點，提出了基于可視化學習分析的研究性學習學生畫像流程框架，包括確定畫像構建目標、數(shù)據(jù)采集與預處理、定量畫像和定性畫像、以及畫像輸出等步驟，明晰了畫像構建的流程。其中，構建目標旨在對能力屬性、行為屬性和興趣屬性進行呈現(xiàn)。通過基于xAPI的研究性學習行為記錄庫采集數(shù)據(jù)，采用定量畫像方法對數(shù)據(jù)進行分析和建模，以確定畫像的顆粒度;采用定性畫像方法基于定量畫像結果通過人工刻畫實現(xiàn)學生信息標簽化。最后，借助數(shù)據(jù)可視化技術呈現(xiàn)了面向學生的個人畫像和面向教師的群體畫像。該研究基于可視化學習分析技術，對學生畫像構建流程、實施路徑和方法、呈現(xiàn)內容和形式進行了系統(tǒng)論述，旨在為開展相關研究提供參考。

關鍵詞：可視化學習分析;研究性學習;學生畫像;畫像建模;數(shù)據(jù)可視化

中圖分類號：G434

文獻標識碼：A

一、引言

研究性學習是一種圍繞項目或課題組織的學習模式[1]，旨在培養(yǎng)學生的問題解決能力、批判性思維和創(chuàng)新能力等。雖然技術支持隨時隨地開展研究性學習，但是也存在一些問題：一方面，教師評價和指導困難、無法即時掌握學生學情，以致難以即時指導學生，而學生缺乏指導、遇到困難容易產(chǎn)生厭學情緒放棄探究等[2];另一方面，研究性學習平臺已經(jīng)累積了大量學生的學習經(jīng)歷數(shù)據(jù)，如何發(fā)揮這些數(shù)據(jù)的價值，更好地支持和服務于師生，是大數(shù)據(jù)時代下研究性學習研究領域亟需解決的問題。

學習分析技術通過收集、分析和報告數(shù)據(jù)，理解和優(yōu)化學習及其產(chǎn)生的環(huán)境，能夠為解決上述問題提供技術方案?？梢暬尸F(xiàn)是學習分析技術的重要特征[3][4]，而學生畫像作為一種可視化學習分析技術，其作用在于通過學生信息標簽化的形式呈現(xiàn)學習分析結果，不僅能夠更直觀地理解學生，還有助于降低大量數(shù)據(jù)給師生帶來的認知負荷[5]，支持師生更好地理解學習分析結果[6]。

目前，已有的畫像研究聚焦于依賴個人經(jīng)驗或數(shù)據(jù)驅動進行數(shù)據(jù)分析，缺乏教育理論對整個構建流程的指導和調控。并且，國內較少有研究對能力畫像的構建進行深入探討。本研究采用可視化學習分析和畫像構建技術，結合研究性學習理論和特點，構建了研究性學習學生畫像流程框架，在此基礎上，對構建學生畫像展開了具體研究，最后通過可視化技術設計并呈現(xiàn)了面向教師的學生群體畫像和面向學生的個人畫像。

二、研究綜述

（一）可視化學習分析相關研究

學習分析的概念正式出現(xiàn)于2011年，通過“測量、收集、分析和報告學生及其學習環(huán)境的數(shù)據(jù)，用以理解和優(yōu)化學習及其產(chǎn)生的環(huán)境”[7]。教育大數(shù)據(jù)為學習分析的發(fā)展提供了機會。大量可用的數(shù)據(jù)讓研究者更多地關注如何通過收集和分析學習數(shù)據(jù)以洞察學生的學習活動[8][9]。學習分析過程一般包括數(shù)據(jù)采集、數(shù)據(jù)分析、結果可視化呈現(xiàn)和反饋應用等[10][11]。

可視化學習分析是結合學習分析和可視化分析的一個新興交叉研究領域，通過強調計算機自動化分析和可視化優(yōu)勢支持人類推理和決策過程，理解復雜的學習現(xiàn)象和解決復雜的學習問題[12]?？梢暬治鲞^程包括數(shù)據(jù)采集與預處理、可視化表征、建立模型與驗證假設、獲取知識等，是一種非線性過程[13][14]。與其相比，可視化學習分析過程更強調發(fā)揮學習理論的指導和調節(jié)作用[15]，不是單純地依賴數(shù)據(jù)驅動或人類經(jīng)驗，其流程模型如圖1所示[16]。

在國外，可視化學習分析不僅支持理解教育現(xiàn)象[17]，也支持啟發(fā)教育決策[18]。Van Aalst[19]結合可視化分析技術開發(fā)了基于知識論壇服務器數(shù)據(jù)的形成性評估工具，為教師和學生提供關于自我評估和反思的知識構建動態(tài)信息。Ched20]采用可視化分析技術支持課堂話語分析，促進教師專業(yè)學習和發(fā)展。在國內，學習儀表盤是典型的可視化學習分析工具。張琪和武法提[21]、包昊罡等[22]對學習儀表盤的設計展開了研究。相比學習儀表盤強調呈現(xiàn)學生的學習行為，學生畫像以刻畫和呈現(xiàn)學生信息全貌為特點，近年來已逐漸成為研究的熱點。

（二）學生畫像相關研究

用戶畫像的概念最早由Cooper提出，是指建立在一系列真實數(shù)據(jù)之上的目標用戶模型[23]。主要有三種構建方法，包括定性用戶畫像方法、基于定性研究的定量用戶畫像方法和經(jīng)定量檢驗的定性用戶畫像方法[24]。

學生畫像是用戶畫像在教育領域中的應用，也是一種可視化學習分析技術。一般認為學生畫像的概念來源于用戶畫像，但其在教育領域早已有相關概念，如學習者建模、電子學檔和學習儀表盤等。這類概念的共同點旨在反映學習者的行為特征和信息等（如表1所示）。

在理解以上概念的基礎上，本研究認為學生畫像的實質是，在分析學生學習數(shù)據(jù)的基礎上，從不同維度全面、細致地對學生的信息全貌進行抽提和刻畫的學生模型，通過反映學生的知識能力水平、行為特征、興趣偏好和潛在需求等，為其提供精準的個性化服務。

在國外，有研究構建用戶畫像作為教學代理應用于教學設計[30]。作為教學代理的用戶畫像既可以作為知識導師促進學生學習，也可以在學習過程中為學生提供富有情感、類似人類的互動[31]，還能夠為學生提供總結性描述。在國內，大部分研究聚焦于學生的交互行為數(shù)據(jù)，根據(jù)行為特征對學生群體進行劃分[32-34]，以支持個性化學習[35][36];也有研究對教師畫像構建展開了研究，以支持精準教研[37][38]。通過梳理文獻可知.目前大部分研究主要關注學生的學習參與度、積極性和學習動機等特征，聚焦于淺層學生畫像構建;較少有研究結合學習理論關注學生的能力或素養(yǎng)構建深度學生畫像。

三、基于可視化學習分析的學生畫像流程框架

在參考以上文獻的基礎上，本研究基于可視化學習分析技術，采用基于定性研究的定量用戶畫像構建方法，提出了基于可視化學習分析的研究性學習學生畫像流程框架，如圖2所示，以具體指導學習畫像的分析、刻畫和呈現(xiàn)。

（一）畫像構建目標

明確學生畫像的構建目標，有助于劃分其構成要素和模型構建，從而確定畫像的指標輸入和輸出結果。通過文獻和需求調研，本研究將研究性學習學生畫像劃分為能力屬性、行為屬性和興趣屬性三個維度。

其中，能力屬性是畫像的核心部分，通過對研究性學習過程及評價內容的解析，對學生在研究過程中運用問題解決能力處理項目或課題任務的外在行為表現(xiàn)進行表征，支持學生調整學習行為，教師開展有針對性的指導。行為屬性是對學生的交互行為表現(xiàn)（如學習參與度、學習動機、學習積極性等）進行表征，幫助學生自我監(jiān)控學情和表現(xiàn)。興趣屬性是對學生的研究興趣進行表征，支持教師基于學生興趣提供個性化資源，助其發(fā)揮專長。

（二）數(shù)據(jù)采集與預處理

數(shù)據(jù)采集是學習分析和畫像構建的基礎。為了保證能力畫像構建的質量，本研究前期構建了研究性學習評價指標體系以指導學習數(shù)據(jù)的具體采集，采集來源于基于xAPI的研究性學習行為記錄庫。

數(shù)據(jù)的預處理也會直接影響學習分析的質量，因此有必要先進行數(shù)據(jù)預處理?；趚API的行為記錄庫所采集的數(shù)據(jù)初始格式為JSON格式嵌套的Statements語句，需要先將其轉換為CSV格式，以便研究人員更好地理解和分析。轉換后的數(shù)據(jù)還需進行數(shù)據(jù)清洗，選取與評價指標體系相關的屬性值后，清洗處理其中的缺失值、錯誤值、冗余值和不確定性數(shù)據(jù)等。最后，對數(shù)據(jù)進行極端值和標準化歸一處理，以保證數(shù)據(jù)量綱一致。

本研究對1550名高中生及其開展的493項課題的相關數(shù)據(jù)進行了采集和預處理。預處理后的數(shù)據(jù)被分為四類，即學生的基本信息、課題數(shù)據(jù)、交互行為數(shù)據(jù)和興趣特征數(shù)據(jù)。其中課題數(shù)據(jù)是學生基于研究支架的過程性數(shù)據(jù);交互行為數(shù)據(jù)包括常規(guī)操作（登錄、登出、點擊訪問、瀏覽下載、保存刪除等）、協(xié)作交流（師生、生生）、查看、分享和評論資源（課題和學習資源等）、記筆記等;興趣特征數(shù)據(jù)包括搜索、點贊和收藏資源、以及多元智能測試結果等。

（三）圓像構建

畫像構建包括定量畫像和定性畫像，其中定量畫像主要考慮畫像的顆粒度;定性畫像主要實現(xiàn)標簽化。

1.定量畫像：數(shù)據(jù)分析與建模

為了確定畫像的顆粒度，需要基于采集的數(shù)據(jù)繼續(xù)細化畫像的子維度內容。其中，能力畫像呈現(xiàn)學生的研究能力及其表現(xiàn)，分為畫像類型、能力展示和研究進展三個子維度;行為畫像呈現(xiàn)學生學習風格中信息加工和信息輸入的表現(xiàn)，分為學習風格、學習參與度、學習意志三個子維度;興趣畫像分為興趣偏好、潛在研究需求兩個子維度。

學習分析采用因子分析、聚類分析和基于xAPI的畫像建模三種方法。其中，因子分析旨在劃分研究性學習的過程，以支持呈現(xiàn)學生在不同過程階段的能力表現(xiàn)及進展。聚類分析旨在識別不同研究能力的學生群體[39]，以支持呈現(xiàn)和刻畫學生的畫像類型。基于xAPI的畫像建模旨在通過映射基于xAPI Statement語句的畫像行為指標捕捉學生的學習數(shù)據(jù)，以支持動態(tài)呈現(xiàn)學生的研究進展、行為畫像和興趣畫像。

2.定性畫像：標簽提取與刻畫

定性畫像的核心工作是為不同學生群體打標簽。學生畫像的標簽有兩個重要特征：語義化和短文本。其中，語義化方便教師和學生理解每個標簽的描述和意義，通過標簽快速讀出其中蘊含的信息，使得學生畫像模型具備實際意義;而短文本能夠為機器提取標準化信息提供便利，支持機器做標簽提取、聚合分析。標簽既可以是文字，也可以是數(shù)字[40]。學生信息標簽化主要基于定量畫像結果構建標簽體系，并結合數(shù)據(jù)特征分別刻畫靜態(tài)標簽和動態(tài)標簽。

（四）畫像輸出

學生畫像作為一種可視化表征形式，其呈現(xiàn)需要依賴數(shù)據(jù)可視化技術。圖標圖形能夠較好地支持文本型數(shù)據(jù)和畫像標簽的呈現(xiàn)。幾何圖形是結構化數(shù)據(jù)可視化領域的研究方向，柱狀圖、線圖、餅圖等是教育領域常用的數(shù)據(jù)可視化形式，用于展示多維數(shù)據(jù)屬性。因此，在畫像輸出部分，具體結合數(shù)據(jù)類型特征，選取適當?shù)目梢暬夹g對面向學生的個體畫像和面向教師的群體畫像進行設計和呈現(xiàn)。

四、研究性學習學生畫像的構建與呈現(xiàn)

（一）研究性學習行為維度劃分

為了確定和劃分研究性學習的過程維度，基于課題數(shù)據(jù)開展了同質性檢驗和探索性因素分析。同質性檢驗分析結果表明，課題數(shù)據(jù)項的整體信度系數(shù)是0.692，接近0.7，說明信度適中;所用數(shù)據(jù)項的共同性和因素載荷均在標準范圍內。

在探索性因素分析中，KMO值為0.748（大于0.6），且Bartlett球形檢驗近似卡方值為1372.238（p<0.001）達到顯著水平，說明數(shù)據(jù)適合做因子分析。采用主成分分析法進行探索性因子分析，使用正交方法對因素進行旋轉。經(jīng)反復實驗，當設定因子數(shù)為5作因子分析，刪除“歸納觀點或結論r13”時，所得到的結果符合前期構建的研究性學習評價指標體系中的過程維度，可解釋方程累積貢獻率為65.774%。旋轉后的成分矩陣如表2所示。其中，由于在線行為采集的特殊性，雖然因子5只有1個觀測變量，在實踐中也可進行分析。

根據(jù)數(shù)據(jù)項的屬性特征，結合研究性學習評價指標體系，對5個因素分別進行命名。最終確定，研究性學習過程維度包括“提出問題”“理解問題”“收集資源”“分析推理”“總結反思”五個階段。

（二）不同能力水平的學生群體識別

為了識別和劃分不同問題解決能力水平的學生類別，選用K-means聚類法對課題數(shù)據(jù)進行聚類分析。聚類分析前，先對總體數(shù)據(jù)進行描述。分析結果表明，數(shù)據(jù)量綱相同，分布于0-1之間，平均值約在0.009-0.607之間，標準差約在0.064-0.288之間，說明數(shù)據(jù)集分布差異合理，可進行聚類分析。

聚類分析前，一般由分析者自行決定聚類的類別數(shù)，類別數(shù)將決定后期畫像構建的類型數(shù)，一般以3-4個畫像最佳。本研究通過多次分析后發(fā)現(xiàn)，當聚類數(shù)為4時，得到的學生行為特征和數(shù)目最為適宜。在嘗試不同聚類數(shù)時，為確保所有變量在各類之間均有差異性，根據(jù)對各變量類之間的比較，刪除類間無差異變量r10、r11和r12（p>0.05）。同時發(fā)現(xiàn)課題樣本中存在2個離群值。因此，刪除類間無差異變量和離群值后，最終剩余10個數(shù)據(jù)項、491份課題的數(shù)據(jù)樣本用于分析。最終各類聚類中心距離分布均勻，如表3所示。

最終聚類中心數(shù)據(jù)能夠用于描述各個類別的特征。為了更好地理解不同行為特征的群體并對其進行準確描述，本研究根據(jù)最終聚類中心數(shù)據(jù)中各行為變量在各個類別中的平均值與整體平均值相對比，得到4類能力特征的學生聚類，如圖3所示。

由上頁圖3可見，聚類1和聚類4在各步驟的行為表現(xiàn)普遍都高于聚類2和聚類3，其中聚類1在r4、r6表現(xiàn)較好，聚類4在r5和r14表現(xiàn)較好，聚類3在各步驟的行為表現(xiàn)最弱，基本都低于總體平均水平，聚類2總體水平與平均值持平，但是在r4、r5、r6的行為表現(xiàn)低于平均值，而在r14超過了其他類別的所有學生，說明聚類2的學生對理解問題方面存在困難，但是總結呈現(xiàn)的能力較強。

結合不同聚類學生在不同過程維度上的表現(xiàn)，參考PISA等級命名及其相關描述[41]，將聚類1、2、3、4初步命名為“善于推理和決策的問題解決者” “基本的問題解決者” “解決問題的新手”“善于反思和表達的問題解決者”。

（三）學生畫像標簽體系建立

本研究采用以數(shù)據(jù)分析結果為主、人工手段為輔的方法對研究性學習學生畫像進行標簽化，構建相應的畫像標簽體系，如表4所示。

1.能力屬性標簽

基于聚類分析結果，對四類學生群體的畫像類型和能力展示進行標簽刻畫。

“解決問題的新手”總體表現(xiàn)是所有學生中最差的，各步驟行為表現(xiàn)都低于平均水平。因此，將該群體命名為“新手學生”，其標簽包括“問題解決新手”“解決簡單問題”“基本完成任務”“推理能力弱”。

“基本的問題解決者”總體表現(xiàn)水平略高于新手學生，但是在理解問題和收集資料階段的行為表現(xiàn)最差，在提出問題和分析探究階段表現(xiàn)一般，但是在總結反思階段是所有學生群體中表現(xiàn)最好的。因此，將該群體命名為“基本類學習者”，其標簽包括“基本的問題解決者”“方案制定困難”“收集資料困難”“樂于表達和反思”。

“善于推理和決策的問題解決者”總體表現(xiàn)比前兩類更好，超出平均水平，且各階段的行為表現(xiàn)都高于平均水平，尤其在理解問題階段的行為表現(xiàn)是所有學生中最好的。因此，將該群體命名為“能手類學習者”，其標簽包括“解決問題能手” “善于提問”“善于分析”“資源整合能力強”。

“善于反思和表達的問題解決者”的總體表現(xiàn)是所有學生中最好的，各階段的行為表現(xiàn)均衡，尤其在理解問題和總結反思階段的行為表現(xiàn)在所有學生中最為優(yōu)秀，推斷該群體學生在制定計劃方面表現(xiàn)突出，能夠嚴格遵照方案執(zhí)行任務;并且以總結反思階段的行為表現(xiàn)推斷其在歸納和反思方面也表現(xiàn)突出。因此，將該群體命名為“高手類學習者”，其標簽包括“解決問題的高手”“善于規(guī)劃”“善于推理”“善于反思”。

2.行為屬性標簽

行為屬性畫像包括學習風格、學習參與度、學習意志三個子維度。其中，學習風格標簽參考Felder-Silverman的學習風格模型[42]，根據(jù)學生在信息輸入和信息加工兩方面的行為表現(xiàn)進行刻畫。信息輸入以查看和訪問資源的行為數(shù)據(jù)為判斷依據(jù)，信息加工以分享和評論資源、協(xié)作交流的行為數(shù)據(jù)為指標。因此，該類標簽包括“視覺型”“言語型”“沉思型”“活躍型”。

學習參與度標簽根據(jù)學生使用系統(tǒng)各功能模塊的頻次進行判斷，該類標簽包括“積極參與在線學習”和“未積極參與在線學習”。

學習意志綜合學生在查看資源、查看研究方法、參與討論和課題研究四個方面的頻次和時長進行判斷。采用四分位法，當學生四個方面的總體表現(xiàn)是所有學生前25%，認為該生的學習意志力強，后25%的學生認為其意志力弱，其他學生認為意志力一般。因此，該類標簽包括“學習意志力強”“學習意志力一般”“學習意志力弱”。

3.興趣屬性標簽

興趣屬性畫像包括興趣偏好和潛在需求兩個子維度。其中，興趣偏好維度基于學生多元智能測試結果、所選的興趣標簽、以及研究課題所屬領域、課題名稱等文本型數(shù)據(jù)，采用文本挖掘，呈現(xiàn)詞頻最高的三個關鍵詞。該類標簽根據(jù)文本挖掘結果直接輸出。

潛在需求維度基于學生搜索資源和課題的關鍵詞、以及所瀏覽的資源和課題的名稱，采用文本挖掘，呈現(xiàn)詞頻最高的三個關鍵詞。該類標簽也根據(jù)文本挖掘結果直接輸出。

其中，能力屬性的標簽結合數(shù)據(jù)分析結果進行人工刻畫后，系統(tǒng)對學生的學習數(shù)據(jù)進行聚類識別后自動匹配;行為屬性和興趣屬性的標簽結合畫像模型中不同指標的行為水平進行人工刻畫，系統(tǒng)基于表單實時捕捉分析后映射標簽庫形成。

（四）畫像輸出

結合標簽體系的內容和畫像精準應用的需求，主要對面向學生的個人畫像和面向教師的群體畫像進行輸出呈現(xiàn)。

1.面向學生的個人畫像

面向學生的個人畫像有助于學生個人進行自我監(jiān)測、提高自我效能感、及時調整個人學習行為，以提高學習效率和學習效果。學生能力畫像是研究性學習學生畫像最重要的部分，如圖4所示。圖上半部分展示了學生所屬的畫像類型及其能力屬性標簽，學生可以查看自己的畫像類型及標簽以了解自己的行為表現(xiàn)。 “能力展示”部分是對學生個體研究能力的展示，基于已完成課題數(shù)據(jù)呈現(xiàn)其在不同研究階段中任務完成的水平。該部分不僅呈現(xiàn)本人的個人表現(xiàn)，還呈現(xiàn)全校、全市學生在不同階段的平均表現(xiàn)，支持學生直觀了解和對比，從而調整自身學習行為，以提高探究能力。

“研究進展”部分是對學生當前在課題研究進展情況的展示。如圖5所示，橫向柱狀代表學生在不同階段的行為表現(xiàn)，其中右側柱狀說明該生在該階段行為表現(xiàn)超過同期課題平均水平，反之左側柱狀則說明低于平均水平。這樣呈現(xiàn)旨在讓學生更直觀地了解研究進度以調整學習節(jié)奏，而教師可以針對學生薄弱階段進行有針對性的干預和指導。

2.面向教師的群體畫像

教師是學生畫像重要的利益相關者之一，能夠根據(jù)學生畫像對學生學情進行客觀實時的監(jiān)控，及時調整教學策略;發(fā)現(xiàn)有困難的學生，及時進行有針對性的指導和干預;根據(jù)學生的興趣屬性推送個性化資源。因此，面向教師的學生群體畫像包括學生畫像統(tǒng)計、學生研究進展和學生個人畫像，如下頁圖6所示。

由下頁圖6可見， “學生畫像統(tǒng)計”部分呈現(xiàn)了教師正在指導的學生不同畫像類型人數(shù)。 “學生研究進度”部分根據(jù)所有學生的研究進展情況，將學生劃分為“正?！焙汀拔ｋU”兩個群體，其中，“正常”學生研究進展與同期學生群體相比無落后情況， “危險”學生研究進展則落后于其他同期學生。教師重點關注“危險”學生，點擊“危險”學生的進度條，可以進一步查看相應的學生列表及其個人畫像，從而進行有針對性的指導。

五、總結與展望

基于可視化學習分析技術和畫像構建方法，結合研究性學習特點，本研究對1550名高中生基于xAPI的研究性學習經(jīng)歷數(shù)據(jù)進行了分析建模及畫像輸出。由畫像輸出結果可知，學生畫像能夠客觀、直觀、及時地反映學生在研究性學習中的能力表現(xiàn)、行為特征和興趣偏好等，而這些信息往往隱藏在數(shù)據(jù)中無法被學生和教師直接發(fā)現(xiàn)。

不同于其他學習模式，研究性學習強調學生實踐能力和創(chuàng)新精神的培養(yǎng)，如何分析并呈現(xiàn)研究性學習數(shù)據(jù)以支持學生能力在不同過程階段的行為表現(xiàn)，支持學生進行自我診斷和評價、教師進行有針對性地指導，是研究性學習可視化分析的重點。本文的創(chuàng)新點在于，基于可視化學習分析技術，結合研究性學習理論及特點，通過采集和分析基于xAPI的研究性學習數(shù)據(jù)，劃分了研究性學習過程維度，識別了不同能力特征的學生群體，以此為基礎輸出的學生畫像能夠精準地呈現(xiàn)學生的能力特征及其在不同過程維度上的行為表現(xiàn)，以支持學生有針對性地調整行為，教師能夠提供精準化的干預和指導。

在后續(xù)研究中，將主要關注兩個方面：（1）進一步完善畫像的精準度。由于不同學校開展研究性學習的周期不同，造成學生在行為特征數(shù)據(jù)方面存在不同程度的缺失，這直接影響到行為分析結果及畫像呈現(xiàn)的精準度。因此，一方面調整行為數(shù)據(jù)的采集和處理，另一方面設計提升有效行為指標操作的激勵機制。（2）基于學生畫像標簽實現(xiàn)個性化資源精準推薦。一方面繼續(xù)優(yōu)化畫像構建技術，另一方面通過深度學習等人工智能模型基于學生能力特征及畫像標簽等，實現(xiàn)個性化學習精準服務。

參考文獻：

[1] Thomas J W.A review of research on project-hased learning [R].SanRafaeI.Califomia：Autodesk Foundation.2000.

[2]張治，劉小龍等.研究型課程自適應學習系統(tǒng)：理念、策略與實踐[J]中國電化教育，20187（4）：119-130.

[3]吳永和，陳丹等.學習分析：教育信息化的新浪潮[J].遠程教育雜志，20137（4）：11-19.

[4]牟智佳，武法提等.國外學習分析領域的研究現(xiàn)狀與趨勢分析[J].電化教育研究，20167（4）：18-25.

[5][13] Keim D A.Mansmann F.et aI.Visual analytics：Scope and challenges [A].Simoff S.Bohlen M H.et aI.Visual data mining：theory，techniques and tools for visual analytics [C].Berlin，Heidelberg：Springer，2008.

[6l[12][16]胡立如，陳高偉.可視化學習分析：審視可視化技術的作用和價值[J].開放教育研究，2020.（ 2）：63-74.

[7] LAK.Shaping the future of the field [EB/OL].https：//lak20.solaresearch.org/2020-05-10.

[8] Ferguson R.Learning analytics：drivers，developments andchallenges [J].lnternational Journal of Technology EnhancedLearning，2012，4（5/6）：304-3 17.

[9] Siemens C，Long P.Penetrating the fog：Analytics in learning andeducation [J].EDUCAUSE review.2011，46（5）：30-32+34+36+3 8+40.

[10] Siemens G.Learning analytics：rrhe emergence of a discipline [J].American Behavioral Scientist.2013.57（10）： 13 80- 1400.

[11] Chatti M A，Dyckhoff A L.et aI.A reference model for learninganalytics [Jl.lnternational Journal of 'rechnology EnhancedLearning，2012，4（5-6）：3 18-331.

[14] Keim D A，Mansmann F，et aI.Visual analytics [A].ln L.LIU&M.T.ZSU（Eds.）.Enc.yrlopedia of Database Systems [C].Boston，MA：Springer US，2009.

[15] Wise A F，ShafferD W.Why theory matters more than ever in the ageof big data [J].Journal of Learning Analytics，2015，2（2）：5-13.

[17] Vieira C7Parsons P，ef al.Visual learning analytics of educational data：Asystematic literature review and research agenda [J].Computers&Education.2018.122：119-135.

[18][20] Chen G.Visual learning analytics to support classroom discourseanalysis for teacher professional learning and development [A].MercerN，Wegerif R，et al.The Routledge International Handbook of Researchon Dialogic Education [C].London：Routledge，2019.

[19] Van Aalst J.Chan C.et aI.The knowledge connections analyzer [Al.VanAalst，et al.The future of learning：Proceedings of the lOth internationalconference of the leaming sciences [C].Sydney，Australia：ISLS，2012.

[21]張琪，武法提.學習儀表盤個性化設計研究[J]電化教育研究，2018.39（2）：39-44+52.

[22]包昊罡，邢爽等.在線協(xié)作學習中面向教師的可視化學習分析工具設計與應用研究[J].中國遠程教育（綜合版），2019，（6）：13-21.

[23][28] Cooper A.The inmates are running the asylum：Why high-tech products drive us crazy and how to restore the sanity [M].Indianapolis：Sams.2004.

[24] Mulder S，Yaar Z.The user is always right [M].New York：PearsonEducation.2007.

[25]祝智庭.現(xiàn)代教育技術——走近教育信息化[M].北京：高等教育出版社，2001.

[26]馬志強，蘇珊.學習分析視域下的學習者模型研究脈絡與進展[J]現(xiàn)代遠距離教育，20167（4）：44-50.

[27]姜強，趙蔚等.基于大數(shù)據(jù)的學習分析儀表盤研究[J].中國電化教育，2017，（1）：112-120.

[29][35]陳海建，戴永輝等.開放式教學下的學生畫像及個性化教學探 討[J]開放教育研究，2017，23（3）：105-112.

[30] Baumann，B_User-Centered Design Through Leamer Personas [EB/OL]. https：//trainingindustry.com/articles/content-development/user-centered-design-through-learner-personas/.2020-01-29.

[31] Ryu，J..Baylor.A.L.The psychometric structure of pedagogicalagent persona [J].Technology Instruction Cognition andLearning，2005，2（4）：291-3 15.

[32] Dinh D P，Harada F，et aI.Directing All Leamers to Course Coal withEnforcement of Discipline Utilizing Persona Motivation[J].IEICETRANSACTIONS on Information and Systems.2013，96（6）：1332-1343.

[33]王改花，傅鋼善.數(shù)據(jù)挖掘視角下網(wǎng)絡學習者行為特征聚類分析[J].現(xiàn)代遠程教育研究，2018，（4）：106-112.

[34] Khalil M，Ebner M.Clustering patterns of engagement in MassiveOpen Online Courses（MOOCs）：the use of learning analytics toreveal student categories [J].Journal of Computing in HigherEducation.2017.29（1）：114-132.

[36]肖君，喬惠等.大數(shù)據(jù)環(huán)境下在線學習者畫像的構建[J]開放教育研究，2019，（4）：111-120.

[37]胡小勇，林梓柔.精準教研視域下的教師畫像研究[J].電化教育研究，2019，（7）：84-91.

[38]黃建國，唐燁偉等.基于xAPI的在線學習環(huán)境中精準師訓畫像構建[J].中國電化教育，2020，（4）：102-108.

[39] Cabedo R，Tovar E.et aI.A Benchmarking Study of Clustenng TechniquesApplied toa Set of Characteristics of MOOC Paticipants [A].ASEE's 123rdAnnual Conference&Exposition [C].New Orleans，LA：ASEE.2016.

[40]李映坤.大數(shù)據(jù)背景下用戶畫像的統(tǒng)計方法實踐研究[D].北京：首都經(jīng)濟貿易大學，2016.

[41]陸秋，徐斌艷.問題解決能力的等級水平及其評價-PISA2003的亮點[J]現(xiàn)代教學，2007，（4）：51-53.

[42]姜強，趙蔚等.基于網(wǎng)絡學習行為模式挖掘的用戶學習風格模型建構研究[J].電化教育研究，2012，（11）：57-63.

作者簡介：

余明華：博士，師資博士后，研究方向為學習分析與教育數(shù)據(jù)挖掘、人工智能教育應用（minghuayu117@163.com）o

張治：正高級教師，博士，上海市特級教師，館長，基礎教育資源中心主任，研究方向為教育管理、教育信息化、研究性學習（87476088@qq.com）。

祝智庭：終身教授，博士生導師，研究方向為教育信息化系統(tǒng)架構與技術標準、信息化促進教學變革與創(chuàng)新、技術使能的智慧教育、面向信息化的教師能力發(fā)展、技術文化（ztzhu@dec.ecnu。edu.cn）。