教育數(shù)據(jù)挖掘中的學習者建模研究

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習等人工智能技術(shù)的飛速發(fā)展給學習者模型的研究和應(yīng)用帶來了新的機遇和挑戰(zhàn)。目前，教學數(shù)據(jù)中蘊含的大量價值亟待挖掘，而實踐中絕大部分教學環(huán)境對學習者的理解、狀態(tài)跟蹤和自適應(yīng)性仍處于初級階段。如何從數(shù)據(jù)中建立學習者模型、如何在教學環(huán)境中設(shè)計和使用學習者模型是下一階段教育變革的核心技術(shù)問題。為此，本文從知識狀態(tài)模型、認知行為模型、情感模型和綜合模型四個類別分別闡述了具有代表性的學習者模型及其主要應(yīng)用場景。研究認為，深度學習未來將在學習者模型的研究和實踐中扮演重要角色，而基于各種學習者數(shù)據(jù)對學生進行全面而綜合性建模的綜合模型應(yīng)用是大勢所趨。

【關(guān)鍵詞】 在線教育；在線學習；學習者模型；學習分析；教育數(shù)據(jù)挖掘

【中圖分類號】 G40-057 【文獻標識碼】 A 【文章編號】 1009-458x（2018）6-0005-7

一、引言

當前，我國的教育信息化發(fā)展進入到以有效支持教與學、促進學生個性化發(fā)展為核心訴求的新階段。《教育信息化十年發(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，學校教育教學方式的變革要在學生多樣性、個性化學習的改變上取得突破?！秶抑虚L期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》也指出，“關(guān)心每個學習者，促使學生更加主動積極地發(fā)展，尊重教育規(guī)劃和學生身心發(fā)展規(guī)律，為每個學生提供適合的教育”。在這一進程中，對學習者模型的研究尤為重要。

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

構(gòu)建一個學習者模型的初期要考慮的主要因素包括作為數(shù)據(jù)來源和應(yīng)用場景的教學環(huán)境、所選擇建模的學習者特征以及所采用的建模技術(shù)（Chrysafiadi & Virvou， 2013），因此學習者模型可以從教學環(huán)境、建模對象、建模技術(shù)這三個角度進行分類。本文采取的分類方式是按照建模對象，即“以學習者的哪一個方面作為基準進行建模”來進行分類。本文將按照學習者知識狀態(tài)模型、學習者認知行為模型、學習者情感模型和學習者綜合模型這四個類別，分別介紹目前一些具有代表性的學習者模型，為相關(guān)研究人員和從業(yè)者提供參考。

二、以知識狀態(tài)為基準的學習者模型

以知識狀態(tài)為基準的學習者模型所關(guān)注的是學習者在學習的過程中其知識狀態(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）、貝葉斯知識跟蹤模型（Corbett & Anderson 1994）等。覆蓋模型是把學生所擁有的知識集看作是專家知識的子集，通過將學生知識子集與原集進行比較，可以根據(jù)學生的知識缺陷向其推送適當?shù)膶W習內(nèi)容和學習策略。鉛版模型一個簡單的分組用戶模型，將用戶分成幾組，每組學生包含學生知識、偏好、興趣、學習目標、學習歷史等。偏差模型記錄學生的問題解決路徑與專家路徑的偏差，這些偏差描述了學生在特定知識點中的某種不足，并且能夠根據(jù)偏差的類型給出具體的補救措施。張舸等（2012）評述了上述幾種典型的學習者模型建模方法，而本小節(jié)將重點介紹基于貝葉斯知識跟蹤的學習者知識狀態(tài)模型（Corbett & Anderson， 1994）。

貝葉斯知識跟蹤（Bayesian Knowledge Tracing， BKT）模型假設(shè)每項知識（或技能）有四個參數(shù)：初始概率、習得概率、猜對概率、疏忽概率（如表1所示）。初始概率p（L0）是學生在與學習系統(tǒng)產(chǎn)生交互之前“已掌握”該技能的概率；p（T）是學生在每次學習機會（或問題）之后，從“未掌握”狀態(tài)轉(zhuǎn)移到“已掌握”狀態(tài)的概率；p（G）是學生在“未掌握”狀態(tài)下猜對相關(guān)問題答案的概率；p（S）是學生在“已掌握”狀態(tài)下答錯問題答案的概率。前兩個參數(shù)與知識掌握相關(guān)，而后兩個參數(shù)則與答題表現(xiàn)相關(guān)。BKT是一個相當簡單和受限的隱馬爾科夫模型：其隱式節(jié)點代表知識點掌握情況，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)點代表學生完成練習的情況，也是“0”和“1”兩種狀態(tài)，分別代表“錯誤”和“正確”。

表1 貝葉斯知識跟蹤（BKT）的四個參數(shù)

[參數(shù) 說明 解釋 p（L0） 初始概率 學生在與學習系統(tǒng)交互前掌握知識點的概率 p（T） 習得概率 學生從不會到會的轉(zhuǎn)移概率 p（G） 猜對概率 學生在不會的狀態(tài)下仍然猜對的概率 p（S） 疏忽概率 學生在會的狀態(tài)下仍然做錯的概率 ]

基本BKT模型中的四個參數(shù)分別是針對各個技能點和題目設(shè)置的，并沒有考慮學生個體在能力上的差異。針對該局限性，Wang和Heffernan （2012）、Pardos和Heffernan （2010）分別對BKT模型提出了多種擴展，通過增加隱式節(jié)點使模型能夠模擬學習者在個體能力上的差異。Yudelson、Koedinger和Gordon （2013）通過比較各種個性化擴展的方式，發(fā)現(xiàn)在習得概率p（T）上的個性化對模型的預測效果有較大的作用；相比之下，針對p（L0）的個性化對模型的預測效果的提升較小。

基本BKT模型的另一個缺點是需要依賴專家建立的技能模型，并需要對每個問題進行標注，將其映射到相關(guān)技能或主題。除了知識跟蹤模型外，技能模型還可以用于其他場景，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)標注是一項具有挑戰(zhàn)性且耗時耗力的工作，而且在實際中練習與技能之間的映射關(guān)系并不總是簡單清晰的，可能是復雜而模糊的，這一方面會提高知識跟蹤模型的構(gòu)建成本，另一方面也會限制知識跟蹤模型的應(yīng)用場景。因此，研究者基于題目中包含的文本和學習者的交互數(shù)據(jù)，嘗試采用主題建模（Thai-Nghe， Horváth， & Schmidt-Thieme， 2010）或技能分解（Desmarais， 2012）等方式來自動發(fā)現(xiàn)技能或?qū)栴}進行標注。盡管目前看來自動化技能發(fā)現(xiàn)和問題標注的效果與專家手動方式的效果相比還有一定差距（Slater， Baker， Almeda， Bowers， & Heffernan， 2017），但隨著自然語言處理、知識圖譜和人工智能等領(lǐng)域的發(fā)展，這種方式可能會逐步代替?zhèn)鹘y(tǒng)方式，從而使知識跟蹤模型更加便捷和通用。

學習者模型近年來也受到深度學習熱潮的席卷。Piech等（2015） 認為即便加上諸多擴展BKT依然有其局限性，例如在BKT模型中學生對知識的理解或技能的掌握是二值的，學生的響應(yīng)數(shù)據(jù)（對答案的標記）也是二值的；這兩個假設(shè)在許多場景下也許不太現(xiàn)實，限制了BKT的建模等能力。Piech等（2015） 提出了深度知識跟蹤模型（Deep Knowledge Tracing， DKT），它使用循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于學生的測驗數(shù)據(jù)對學生進行連續(xù)性的隱式建模。和BKT不同的是，DKT對技能掌握和學生響應(yīng)采用了連續(xù)的表示。從實驗結(jié)果來看，DKT對學生表現(xiàn)的預測更加準確，并且不依賴專家構(gòu)建的領(lǐng)域知識結(jié)構(gòu)和相關(guān)標注。DKT的主要缺點是可解釋性不如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擴展進行適當組合后，獲得了非常接近的效果。從他們的實驗結(jié)果來看，深度模型在學習者建模領(lǐng)域還沒有像在某些領(lǐng)域那樣取得很大的領(lǐng)先優(yōu)勢。但毫無疑問，DKT是深度學習方法在學習者建模領(lǐng)域的一次成功的具有突破性的嘗試，有力地促進了知識跟蹤模型領(lǐng)域的研究。

三、以認知行為為基準的學習者模型

學習者知識狀態(tài)模型一般僅僅基于學習者的測評數(shù)據(jù)進行建模，但實際上學習者在教學環(huán)境中留下的數(shù)字足跡遠不止測評數(shù)據(jù)，這一點在學習管理系統(tǒng)（LMS）和大規(guī)模在線學習環(huán)境下尤為明顯。彭文輝等（2006）從信息檢索學習行為、信息加工學習行為、信息發(fā)布學習行為、人際溝通交流行為、基于問題解決的學習行為五個維度構(gòu)建了多維度的網(wǎng)絡(luò)學習行為模型。Veeramachaneni等（2013） 則將MOOCs下學習者的行為分為觀察、提交、協(xié)作三類。觀察類行為指的是學習者瀏覽和觀察網(wǎng)站上的資源，如維基、論壇、授課視頻和電子書等的行為；提交類行為指的是學習者提交自己生成的內(nèi)容和反饋，如作業(yè)、考試、測驗、練習、筆記、實驗等；在協(xié)作類下，學習者與其他學習者產(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。盡管學習者認知行為模型的研究和應(yīng)用并不僅僅受限于MOOCs這一個學習環(huán)境，但MOOCs由于其較大的學生規(guī)模、多樣并開放的交互方式，無疑為學習者認知行為模型的研究提供了非常好的土壤。

依據(jù)學習者的行為數(shù)據(jù)，我們可以選取合適的特征對學習者進行分組。例如，Anderson等（2014） 根據(jù)觀看視頻和提交作業(yè)的情況，將學習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類別。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，至于有沒有觀看則無從知曉；局外型則是注冊了課程但整體行為量低于一定閾值的不活躍用戶。宗陽等（2016）基于學習平臺上記錄的行為數(shù)據(jù)和RFM模型將學習者分為八個學習者價值類型，每個類型都具有不同的行為特征。

我們也可以基于行為數(shù)據(jù)對學習者的認知行為從某個角度進行量化。例如，Sinha等（2014） 認為學習者與教學視頻的交互數(shù)據(jù)是MOOCs環(huán)境下覆蓋學習者最多的一類數(shù)據(jù)，而且僅僅通過這單項數(shù)據(jù)就可以對學習者進行有效的認知行為建模。他們從三個層面研究了學習者觀看授課視頻時產(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、向后滾動、加速和減速八種點擊操作；第二層是有認知含義的行為性動作，包含重看、跳過、快看、慢看、理清概念、核對參考和速率改變；第三層是代表認知投入水平的信息處理指數(shù)，由對第二層的動作進行加權(quán)重求和得到。該模型顯示從最底層的點擊數(shù)據(jù)可以派生出一組有認知意義的度量，并可用于預測學習者的高層行為和學業(yè)表現(xiàn)。提交和協(xié)作類的數(shù)據(jù)，比如論壇數(shù)據(jù)，雖然可能量相對不大，但可能包含了觀察類數(shù)據(jù)所反映不了的重要信息。例如，學習者在協(xié)作過程中所形成的社會網(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)則可以用計算語言學的工具進行深入的分析。例如，Dowell等（2015） 基于文本數(shù)據(jù)建立了一個面向語言和語篇的學習者模型，并用它來預測學習者的社會網(wǎng)絡(luò)中心性和學業(yè)表現(xiàn)，是一項很有意思的工作。他們認為盡管社會網(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)模在線課程的開放性，MOOCs中的社會網(wǎng)絡(luò)分析需要更細致的解釋。例如，在社會網(wǎng)絡(luò)中心性和學業(yè)表現(xiàn)的相關(guān)性上研究者在少量實驗上得出的結(jié)論可能是相互矛盾的。他們使用計算語言學工具來對每個學習者所貢獻的文本數(shù)據(jù)分別從敘事性、深度銜接性、指稱銜接性、句法復雜性、詞匯具體性五個維度進行量化，進而對學習者進行建模。實驗發(fā)現(xiàn)，學業(yè)表現(xiàn)出眾的人群和處于社會網(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、深度銜接性和指稱銜接性這三個維度。處于社會網(wǎng)絡(luò)中心的人群的敘事性較強，而詞匯和想法的重合較少；相比之下，學業(yè)出眾人群的語篇更偏向說明性而非敘事性，詞匯和想法的銜接較多。相比其他學習者，這兩組人群的共同特點是句法更簡單、詞匯較抽象。這項工作構(gòu)建的學習者模型反映了學習者語言和語篇的差別，實驗證明該模型可以更好地預測和解釋學業(yè)表現(xiàn)和社會網(wǎng)絡(luò)中心性這兩個研究者特別關(guān)注的點。

和深度知識跟蹤模型（DKT）類似，Tang等（2016） 也提出了面向?qū)W習者行為的深度模型。該深度行為模型可以根據(jù)學習者的歷史行為來預測學習者下一步的行為，實驗顯示和傳統(tǒng)模型相比，深度模型在預測準確率上有一定的優(yōu)勢。該深度模型和深度知識跟蹤模型（DKT）一樣采用循環(huán)神經(jīng)網(wǎng)絡(luò)來表示學習者，但該行為模型考慮了學習者所有類別的行為數(shù)據(jù)，而不僅僅是DKT所考慮的評測數(shù)據(jù)。此類模型的應(yīng)用場景可能包括自動化推薦系統(tǒng)：系統(tǒng)可以根據(jù)學習者的歷史行為來預測其下一步行為，評估該行為是否會達到理想的學習結(jié)果，并進一步選擇是否干預以及合適的推薦內(nèi)容。

四、以情感為基準的學習者模型

研究者發(fā)現(xiàn)情感與認知、動機和行為密切相關(guān)，在學習過程中扮演關(guān)鍵角色。根據(jù)建構(gòu)主義理論框架，學習者的情感狀態(tài)可能會系統(tǒng)性地影響他們處理新資料的方式 （Craig， Graesser， Sullins， & Gholson， 2004）。如果教師和教學環(huán)境能幫助最小化學習者的恐懼、受挫、壓力等負面情緒，促進學習者的開心、享受等正面情緒，學習者將更有可能成功實現(xiàn)學習目標。因此，在線教學環(huán)境中的學習者情感建模受到了越來越多的重視。學習者情感模型可以從幾個角度進行分類。根據(jù)模型在時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習者在關(guān)鍵時間點，如學習前和學習后的情感；連續(xù)式情感模型則對學習者在學習過程中的情感變化進行連續(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)可能來源于學習者通過問卷調(diào)查、訪談等方式自己報告的數(shù)據(jù)；客觀情感模型的數(shù)據(jù)來源于學習者與學習環(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)的進步，客觀連續(xù)的情感模型受到越來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） 通過一系列定性的案例研究發(fā)現(xiàn)，學習者最常報告的是正面情感是享受、希望、自豪和放松，而最常報告的負面情感是焦慮、憤怒、無聊和羞愧。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） 用一個手動情感編碼系統(tǒng)觀察到在智能輔導系統(tǒng)中出現(xiàn)了沮喪、無聊、興趣、迷惑、歡欣和中性六種情感狀態(tài)。Kort、Reilly和Picard （2002） 提出一個結(jié)合情感維度和學習階段的四象限螺旋式模型。其中，橫向的情感坐標軸可能跨越多個情感集的負面情緒和正面情緒，如焦慮-信心、無聊-入迷、泄氣-欣快、沮喪-鼓勵、恐懼-興奮等。豎軸是學習軸，表示了從“反學習”的狀態(tài)到建構(gòu)式學習的轉(zhuǎn)變。該模型認為學習者的狀態(tài)在不同的象限間移動，教師或者學習環(huán)境應(yīng)該跟蹤該移動路徑來決定合適的干預策略。知識維度也可以作為第三個坐標軸加入該模型中。

情感模型的數(shù)據(jù)來源可以是多種多樣的。例如，Ekman和Friesen （1982） 用臉部動作編碼系統(tǒng)研究了情感的表現(xiàn)形式，這套系統(tǒng)認為基本情感可以用臉部的特定特征來編碼，這些臉部模式可以用來識別六種基本情感，包括快樂、悲傷、驚訝、厭惡、憤怒和恐懼。這項工作是許多學習環(huán)境使用人臉圖像進行情感建模的重要參考（Afzal & Robinson， 2010； Ez-Zaouia， Lavou， & Elise， 2017）。但僅僅通過臉部表情或聲調(diào)變化來進行情感建?？赡艽嬖谝欢ǖ木窒扌浴１热缫粋€內(nèi)向的學習者可能會控制其情感的顯示，而導致算法無法檢測其內(nèi)心的情感波動。由于情感狀態(tài)也會影響生物指標，如心率、血壓、皮膚電傳導、顏色和溫度 （Picard， 1997）。學習者通常難以控制這些生物指標，因此它們可以為情感建模提供可靠的信息。但單個生物指標往往不足以識別特定情感，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確性。例如，Kapoor、Burleson和Picard （2007） 在實驗室環(huán)境下使用相機、壓力傳感椅、壓力鼠標和皮膚電傳導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，在情感的表達中也具有非常重要的作用，因此學習者在論壇或微博上的文本也可以作為學習者情感模型的數(shù)據(jù)來源（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器學習領(lǐng)域的模型和技術(shù)來處理多模態(tài)數(shù)據(jù)的復雜性和情感識別過程中的不確定性。例如，Kapoor、Burleson和Picard （2007）采用特征提取和情感分類兩個模塊從多模態(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、心跳等數(shù)據(jù)，采用動態(tài)貝耶斯網(wǎng)絡(luò)來監(jiān)控學習者情感?？偟膩碚f，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，用于分類器的輸入；另一種是決策層融合，每個模態(tài)都有自己單獨的分類器，而這些分類器的結(jié)果將組合在一起用作一個最終分類器的輸入。盡管特征層融合有可能獲得更好的識別效果（Caridakis et al.， 2008），但是決策層融合無疑具有更加模塊化的優(yōu)勢 （Pantic， 2005）。采用決策層融合的策略，開發(fā)者可以直接調(diào)用第三方提供的情感識別API，從而大大簡化了情感模型的構(gòu)建。

目前，在學習者情感模型中常用的特征有人臉圖像或視頻、語音和文本等（Ez-Zaouia， Lavou， & Elise， 2017）?？梢灶A見，隨著普適計算、穿戴式設(shè)備、情感計算和人工智能等領(lǐng)域的發(fā)展，學習者情感模型將更加多模化與智能化，其應(yīng)用場景也更為廣闊。

五、學習者綜合模型

學習者綜合模型指的是對學習者多個方面進行綜合而建立的整體性模型。例如，在自適應(yīng)學習系統(tǒng)中可以通過對學習者的知識水平、認知能力、偏好信息進行綜合性建模，提高自適應(yīng)學習系統(tǒng)適應(yīng)學習者的能力（賈冰， 2010）。除了在自適應(yīng)學習系統(tǒng)中的應(yīng)用外，學習者綜合模型還有兩類比較典型的應(yīng)用場景。一類是預測性模型，這類模型為了提高預測準確率而綜合考慮了學習者的多種信息；另一類是評價性模型，這類模型為了提高評價的客觀性和全面性，也盡可能多地考慮學習者的多種信息。

預測性學習者綜合模型的一個典型應(yīng)用場景是MOOCs環(huán)境下的退學預測（Nagrecha， Dillon， & Chawla， 2017）。因為高退學率是MOOCs最顯著的一個缺點，所以退學預測一直是MOOCs研究的一個重要主題。退學預測的大多數(shù)研究采用的是監(jiān)督式分類的方法，系統(tǒng)可以采用點擊流、作業(yè)評分、社會網(wǎng)絡(luò)甚至人口學信息等多種數(shù)據(jù)源，通過特征工程和機器學習算法來優(yōu)化預測準確率。這類學習者綜合模型雖然綜合了學習者在多個方面的信息，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測性模型的可解釋性：第一種方法是需要采用線性模型、決策樹等可解釋的分類技術(shù)，這種方式可能要損失一定的預測表現(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)。

評價性學習者綜合模型的提出則主要為學生評價服務(wù)，需要以教學目標作為價值判斷的依據(jù)和準繩。例如，鄭勤華等（2016）以學生綜合評價為目標，通過理論演繹和專家訪談構(gòu)建了以投入度、完成度、調(diào)控度、聯(lián)通度和主動性為核心的五維度綜合評價參考理論模型，并通過學習行為數(shù)據(jù)聚合特征變量，構(gòu)建了相應(yīng)的計算模型，如圖1所示。其中，投入度從活躍性、持續(xù)性等方面對學生在線學習的投入程度進行評價；完成度以課程的教學目標為標準對學生實際完成情況進行評價，對于不同類型的課程教學目標的側(cè)重點不同，完成度的指標以及權(quán)重設(shè)置也會進行相應(yīng)調(diào)整；主動性包括完成自主學習任務(wù)的主動性、參與教師指定教學活動的主動性以及進行交互的主動性等，主動性在一定程度上表征了學習者的學習動機水平與變化情況；調(diào)控度從學習的規(guī)律性、持續(xù)性、效率等方面對學生調(diào)控自己學習過程的水平進行評價，是對學生認知策略、自主學習能力進行表征和評價的重要維度；聯(lián)通度則對學生建立社會化認知網(wǎng)絡(luò)的能力進行評價，包括建立連接的能力、維護連接的能力等。聯(lián)通度的評價核心是交互，包括學生與資源的交互、學生與教師及其他學習同伴的交互。

六、討論和建議

學習者模型是一個涉及認知心理學、教育學、計算機科學等多個學科的領(lǐng)域。學習者模型最初來源于智能教學系統(tǒng)（Intelligent Tutor System，ITS），由于智能教學系統(tǒng)強調(diào)在學習過程中診斷學習者的知識，因此早期的學習者模型主要用于描述學習者的知識狀態(tài)。我們可以看到隨著學習環(huán)境的變革、相關(guān)技術(shù)的進步、認知理論的發(fā)展，學習者模型也在不斷地發(fā)展和演化?，F(xiàn)在，學習者模型的表示范疇已不僅限于知識狀態(tài)，它可能涵蓋了學習者的情感、認知、元認知等多個方面。

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

學習者模型的構(gòu)建方式也在逐漸變化。在傳統(tǒng)的智能輔導系統(tǒng)中，知識狀態(tài)跟蹤模型的先決條件是領(lǐng)域知識結(jié)構(gòu)以及問題與知識的映射關(guān)系的建立，而這項工作傳統(tǒng)上是專家手動完成的。與之類似的是，在傳統(tǒng)的分組和預測應(yīng)用中，特征的選取也往往由專家手動完成。而隨著自然語言處理和深度學習等技術(shù)的發(fā)展，這些專家手動完成的工作可能將逐步被半自動或全自動的數(shù)據(jù)驅(qū)動的程序所代替。深度知識跟蹤模型（Piech et al.， 2015）是此趨勢的一個比較典型的案例。在此趨勢下，學習者模型的構(gòu)建將更多地依賴智能的程序和大量的數(shù)據(jù)，而非專家的領(lǐng)域知識。為充分享受到學習者建模技術(shù)的變革成果，從業(yè)機構(gòu)可以從兩個方面著手來應(yīng)對上述趨勢：一是根據(jù)在機構(gòu)內(nèi)部根據(jù)實際情況進行相關(guān)的數(shù)據(jù)和人才儲備；二是充分了解并借助機構(gòu)外部的相關(guān)資源，例如人臉表情識別等人工智能云服務(wù)。

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

[參考文獻]

黃煥. 2014. 面向e-Learning的學習者情感建模及應(yīng)用研究[D]. 武漢：華中師范大學國家數(shù)字化學習工程技術(shù)研究中心.

賈冰. 2010. 自適應(yīng)學習系統(tǒng)中學習者模型的表示及特征值獲取方法研究[D]. 長春：東北師范大學教育部數(shù)字化學習支撐技術(shù)工程研究中心.

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

疏鳳芳，趙呈領(lǐng)，萬力勇，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)學習系統(tǒng)中學習者特征模型及建模方法述評[J]. 現(xiàn)代教育技術(shù)，22（5）：77-82.

鄭勤華，陳耀華，孫洪濤，等. 2016. 基于學習分析的在線學習測評建模與應(yīng)用——學習者綜合評價參考模型研究[J]. 電化教育研究（9）：33-40.

宗陽，鄭勤華，陳麗. 2016. 中國moocs學習者價值研究——基于RFM模型的在線學習行為分析[J]. 現(xiàn)代遠距離教育（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

作者簡介：徐鵬飛，博士，講師，北京師范大學信息科學與技術(shù)學院（100875）。

鄭勤華，博士，副教授，碩士生導師；陳耀華，博士研究生；陳麗，博士，教授，博士生導師。北京師范大學遠程教育研究中心（100875）。

責任編輯 郝 丹