教育大數(shù)據(jù)挖掘的學(xué)習(xí)者模型設(shè)計與計算研究

張濤 張思

[摘? ?要] 數(shù)據(jù)科學(xué)在教學(xué)實(shí)踐領(lǐng)域的深度融合應(yīng)用，為推動智能化決策和個性化學(xué)習(xí)、實(shí)現(xiàn)精準(zhǔn)施教提供發(fā)展方向。學(xué)習(xí)者模型作為數(shù)字化教育實(shí)踐領(lǐng)域的核心部件，以內(nèi)部心理機(jī)制和外部行為結(jié)構(gòu)理解學(xué)習(xí)者在學(xué)習(xí)實(shí)踐場域中的結(jié)構(gòu)形態(tài)。研究在學(xué)習(xí)實(shí)踐場域下，融合學(xué)習(xí)活動流作用機(jī)制，提出一種學(xué)習(xí)者模型設(shè)計通用框架，關(guān)注模型的結(jié)構(gòu)特征和內(nèi)部層級關(guān)系。結(jié)合粒計算和數(shù)據(jù)分析方法分別對通用框架中的本體模型、知識模型、認(rèn)知模型、行為模型和情感模型進(jìn)行設(shè)計與計算分析。最后，基于有序偶表達(dá)形式構(gòu)造元組間有序遞歸的完整學(xué)習(xí)者模型結(jié)構(gòu)列表，實(shí)現(xiàn)可共享、重組的學(xué)習(xí)者數(shù)據(jù)模型。

[關(guān)鍵詞] 學(xué)習(xí)者模型; 模型設(shè)計與計算; 粒計算; 學(xué)習(xí)活動流

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 張濤（1984—），男，陜西漢中人。講師，碩士，主要從事信息技術(shù)教育、學(xué)習(xí)分析技術(shù)研究。E-mail：slgzhangtao@163.com。張思為通訊作者，E-mail：djzhangsi@mail.ccnu.edu.cn。

一、引? ?言

隨著我國教育信息化一系列重大戰(zhàn)略規(guī)劃的部署和落實(shí)，以及人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動互聯(lián)等新一代信息技術(shù)在教育中的深度融合應(yīng)用，教育現(xiàn)代化新生態(tài)系統(tǒng)得以逐漸形成。數(shù)據(jù)驅(qū)動的智能信息技術(shù)得以在學(xué)習(xí)過程中精準(zhǔn)識別、精準(zhǔn)教學(xué)，為構(gòu)建個性化學(xué)習(xí)支持服務(wù)提供智慧方案。學(xué)習(xí)者模型（Learner Model）是對學(xué)習(xí)者特征屬性的抽象化表示，是個性化學(xué)習(xí)系統(tǒng)的核心部件與關(guān)鍵環(huán)節(jié)[1]。隨著學(xué)習(xí)科學(xué)和數(shù)據(jù)科學(xué)的發(fā)展，教育大數(shù)據(jù)分析學(xué)習(xí)者模型成為精準(zhǔn)施教和個性化學(xué)習(xí)的關(guān)鍵?？陀^準(zhǔn)確刻畫學(xué)習(xí)者模型是開展智慧教育和終身學(xué)習(xí)的基礎(chǔ)。文章在梳理已有學(xué)習(xí)者模型的基礎(chǔ)上，從建模對象視角對學(xué)習(xí)者模型的本體、認(rèn)知、行為、情感、知識五個特征自下而上構(gòu)建模型，以粒計算和數(shù)據(jù)分析方法建立學(xué)習(xí)者數(shù)字畫像，解釋模型間關(guān)聯(lián)邏輯，為個性化學(xué)習(xí)和學(xué)習(xí)者的全面發(fā)展提供智能化教學(xué)決策支持。

二、學(xué)習(xí)者模型的相關(guān)研究

（一）學(xué)習(xí)者信息模型規(guī)范

PAPI學(xué)習(xí)者信息模型作為IEEE1484.2的核心框架內(nèi)容，以特征化描述學(xué)習(xí)者獲取知識的過程，規(guī)范學(xué)習(xí)者信息在不同系統(tǒng)中的數(shù)據(jù)交換，并以語義和句法規(guī)范靜態(tài)特征的學(xué)習(xí)者信息，側(cè)重學(xué)習(xí)者內(nèi)在關(guān)系的呈現(xiàn)[2]。CELTS-11模型在參照PAPI模型基礎(chǔ)上[3]，結(jié)合我國網(wǎng)絡(luò)教育實(shí)際制定學(xué)習(xí)者信息模型規(guī)范。模型涵蓋學(xué)習(xí)者各方面特征信息，特別在網(wǎng)絡(luò)教育需求下，學(xué)習(xí)行為數(shù)據(jù)可在不同應(yīng)用系統(tǒng)中進(jìn)行數(shù)據(jù)交換和重用。IMS LIP（IMS Learner Information Package）作為國際通用學(xué)習(xí)者信息模型之一[4]，采用XML標(biāo)準(zhǔn)數(shù)據(jù)框架支持學(xué)習(xí)者信息與其他類似規(guī)范的映射，描述學(xué)習(xí)者一般特征的數(shù)據(jù)模型，記錄和管理與學(xué)習(xí)者有關(guān)的學(xué)歷、目標(biāo)和成就。模型包含11個核心數(shù)據(jù)類型，以子類間的相互關(guān)系及小粒度信息描述學(xué)習(xí)者的數(shù)據(jù)類型及層次結(jié)構(gòu)。

（二）學(xué)習(xí)者模型研究

學(xué)習(xí)者模型是智能教學(xué)決策的基礎(chǔ)。早期的學(xué)習(xí)者模型主要以知識結(jié)構(gòu)為特征，從建模技術(shù)分別構(gòu)建覆蓋模型（Overlay Model）、攝動模型（Perturbation Model）、偏差模型（Buggy Model）、鉛板模型（Stereotype Model）、貝葉斯模型（Bayesian Model）等反映學(xué)習(xí)者知識狀態(tài)變化的學(xué)習(xí)者模型[5]，通過抽取知識的普適特征描述學(xué)習(xí)者知識水平及掌握程度，但在學(xué)習(xí)實(shí)踐場域中對問題的求解不能準(zhǔn)確描述知識結(jié)構(gòu)的變化及具體認(rèn)知狀態(tài);特別在數(shù)字化學(xué)習(xí)中，移動性、離散化的學(xué)習(xí)形式對深度知識追蹤表現(xiàn)不足，知識流動與創(chuàng)新無從體現(xiàn)。近年來，數(shù)據(jù)挖掘和學(xué)習(xí)分析技術(shù)為學(xué)習(xí)者模型構(gòu)建研究提供了新思路，以學(xué)習(xí)元數(shù)據(jù)和xAPI技術(shù)框架為學(xué)習(xí)者建立數(shù)字畫像，精準(zhǔn)理解其內(nèi)部心理機(jī)制和外部行為變化規(guī)律，構(gòu)建開放、個性化的學(xué)習(xí)者模型?；趫鼍案兄膶W(xué)習(xí)者建模，可以從基本信息、學(xué)習(xí)風(fēng)格、情感狀態(tài)、興趣偏好、社會網(wǎng)絡(luò)、認(rèn)知水平六個維度設(shè)計學(xué)習(xí)者特征分析模型，融合場景感知建模方法和頻繁序列挖掘算法，計算不同學(xué)習(xí)場景下各維度學(xué)習(xí)者特征值，構(gòu)建具有場景特性的個性化學(xué)習(xí)者模型[6];同時借助人工智能技術(shù)實(shí)現(xiàn)基于多模態(tài)感知的全時空多維數(shù)據(jù)采集，對學(xué)習(xí)者“知識、認(rèn)知、情感、交互”等潛在特征進(jìn)行挖掘，實(shí)現(xiàn)對智能教育場域中學(xué)習(xí)者知識構(gòu)建模式、認(rèn)知發(fā)展規(guī)律和情感發(fā)生機(jī)制的深層解析[7];此外，開放學(xué)習(xí)者模型作為一種個性化工具，在自適應(yīng)學(xué)習(xí)環(huán)境中建立具有社會比較可視化功能的學(xué)習(xí)者模型框架，通過可視化的圖形和顏色表征學(xué)習(xí)者對知識的認(rèn)知過程，并以自適應(yīng)知識導(dǎo)航，允許學(xué)習(xí)者查看和反思自己的知識掌握程度，發(fā)現(xiàn)迷思概念，促進(jìn)元認(rèn)知能力提升[8-9]。

（三）學(xué)習(xí)活動流

流（Stream）源于網(wǎng)絡(luò)場域中信息雙向傳輸，離散分布與動態(tài)連續(xù)，支持信息價值再生與回溯。流使學(xué)習(xí)活動通過統(tǒng)一的描述規(guī)范和運(yùn)行機(jī)制跨平臺采集不同學(xué)習(xí)服務(wù)系統(tǒng)的活動信息，反映學(xué)習(xí)者社交狀態(tài)及信息共享。學(xué)習(xí)活動流（Learning Activity Stream）受活動理論關(guān)照，以活動行為呈現(xiàn)社會化學(xué)習(xí)的信息交換和系統(tǒng)服務(wù)，跨越各種學(xué)習(xí)平臺以時間戳記錄學(xué)習(xí)活動發(fā)展脈絡(luò)。Maka Eradze從學(xué)習(xí)理論視角分析數(shù)字化學(xué)習(xí)生態(tài)系統(tǒng)中的交互模式，以Dippull活動流的命題形式顯示主要交互活動，包括活動行為、活動對象、時間戳等學(xué)習(xí)發(fā)生的全過程，支持不同類型的學(xué)習(xí)分析[10]。郁曉華根據(jù)不同學(xué)習(xí)環(huán)境提供的學(xué)習(xí)支持服務(wù)，將學(xué)習(xí)事件匯聚的學(xué)習(xí)活動流以情境化注意元數(shù)據(jù)作為描述學(xué)習(xí)活動流的核心方法，呈現(xiàn)學(xué)習(xí)者在不同學(xué)習(xí)空間的活動軌跡和學(xué)習(xí)情境[11]。

三、學(xué)習(xí)者模型的構(gòu)建

（一）模型的設(shè)計

模型是對客觀對象本質(zhì)特征的描述或塑造。數(shù)字化學(xué)習(xí)環(huán)境下的學(xué)習(xí)者模型應(yīng)考慮三個問題，分別是模型的動態(tài)性、模型間的層級關(guān)系和模型的可計算性。學(xué)習(xí)者信息模型規(guī)范為建立靜態(tài)學(xué)習(xí)者模型提供建模標(biāo)準(zhǔn)，以特征化描述模型內(nèi)部結(jié)構(gòu)和層級關(guān)系;學(xué)習(xí)活動流作為學(xué)習(xí)活動進(jìn)程的雙向流通路徑，在教學(xué)實(shí)踐場域中以跨平臺的時間戳記錄學(xué)習(xí)者的活動發(fā)展脈絡(luò)，呈現(xiàn)學(xué)習(xí)者的知識、認(rèn)知、行為、情感、交互等個體特征。大數(shù)據(jù)和學(xué)習(xí)分析的解析機(jī)制為客觀理解學(xué)習(xí)者個體特征、建立可感知型學(xué)習(xí)者數(shù)字畫像提供技術(shù)保障，實(shí)現(xiàn)學(xué)習(xí)者在認(rèn)知水平、知識結(jié)構(gòu)、行為活動、情感融合等領(lǐng)域多維度特征值的計算與分析。在教育大數(shù)據(jù)與教學(xué)實(shí)踐深度融合應(yīng)用的背景下，為更好地建立學(xué)習(xí)者數(shù)字畫像，支持智能化教學(xué)決策和個性化學(xué)習(xí)支持服務(wù)的優(yōu)化，文章提出學(xué)習(xí)者模型設(shè)計通用框架，該框架在融合學(xué)習(xí)者本體結(jié)構(gòu)、內(nèi)部心理機(jī)制和外部行為特征基礎(chǔ)上，由本體模型、核心模型（認(rèn)知、行為、情感）和知識模型三個模塊組成（如圖1所示）。

（二）模型的動態(tài)結(jié)構(gòu)

系統(tǒng)動力學(xué)為理解復(fù)雜系統(tǒng)結(jié)構(gòu)和動態(tài)行為特征提供新思路，主要取決于系統(tǒng)內(nèi)部動態(tài)結(jié)構(gòu)和反饋機(jī)制[12]。數(shù)字化學(xué)習(xí)環(huán)境中的學(xué)習(xí)者模型具有非線性、高階次、復(fù)雜時變等動力學(xué)特征，特別在學(xué)習(xí)活動流情境中，學(xué)習(xí)環(huán)境、學(xué)習(xí)事件、社會交互等因素影響學(xué)習(xí)者模型的動態(tài)變化。模型的變化以子模型的協(xié)同變化為基礎(chǔ)，呈現(xiàn)某階段的學(xué)習(xí)水平和理解事物的整體程度。變化結(jié)果作為下一層級模型的初始值，引起下一層級模型內(nèi)部結(jié)構(gòu)調(diào)整更新子模型的協(xié)同關(guān)系;反饋機(jī)制作為系統(tǒng)動力學(xué)的重要環(huán)節(jié)，優(yōu)化和修正學(xué)習(xí)者模型內(nèi)部結(jié)構(gòu)，促進(jìn)結(jié)構(gòu)穩(wěn)定發(fā)展;主要表現(xiàn)為社會化交互、學(xué)習(xí)過程數(shù)據(jù)分析和形成性評價。每一層級模型的動態(tài)結(jié)構(gòu)和反饋機(jī)制構(gòu)成學(xué)習(xí)者模型的動力體系和迭代循環(huán)，層級間的模型轉(zhuǎn)化由系列學(xué)習(xí)事件組成的學(xué)習(xí)活動流實(shí)現(xiàn)。

（三）模型間的層級關(guān)系

軟件工程學(xué)運(yùn)用內(nèi)聚和耦合評估系統(tǒng)緊密度，以低耦合、高內(nèi)聚原則提高系統(tǒng)運(yùn)行效率。學(xué)習(xí)者模型由多個相關(guān)子模型組成，每個子模型又有若干個關(guān)聯(lián)元素構(gòu)成。內(nèi)聚從功能視角度量一個模塊內(nèi)各元素的緊密度。學(xué)習(xí)者模型中認(rèn)知模型、行為模型和情感模型作為功能內(nèi)聚，每一模型代表學(xué)習(xí)者某方面功能特征，直接或間接影響其他功能模型的變化;耦合反映各模塊間連接的強(qiáng)弱。學(xué)習(xí)者模型間耦合通過數(shù)據(jù)接口對不同模型數(shù)據(jù)進(jìn)行調(diào)用、傳遞、控制和標(biāo)記。如基于XAPI（Experience API）標(biāo)準(zhǔn)框架對學(xué)習(xí)行為數(shù)據(jù)進(jìn)行規(guī)范化標(biāo)記，分析學(xué)習(xí)者在線學(xué)習(xí)經(jīng)歷。

四、學(xué)習(xí)者模型的理解與計算

（一）學(xué)習(xí)者本體模型

1. 學(xué)習(xí)者本體模型的結(jié)構(gòu)化表示

學(xué)習(xí)者本體模型是學(xué)習(xí)者模型的基礎(chǔ)。本體技術(shù)（Ontology Technology）作為一種結(jié)構(gòu)化表示方式，用規(guī)則描述概念及概念間的關(guān)系。學(xué)習(xí)者本體按邏輯順序開展知識內(nèi)容學(xué)習(xí)，以語義標(biāo)注呈現(xiàn)各知識點(diǎn)的類型;知識點(diǎn)的繼承、泛化、組合等關(guān)聯(lián)關(guān)系由語義節(jié)點(diǎn)完成。當(dāng)學(xué)習(xí)者本體LOMl在學(xué)習(xí)活動流的推進(jìn)下，依據(jù)T時刻知識點(diǎn)類型Ok語義標(biāo)注的更新，學(xué)習(xí)者本體開始自我更新;受時間因素影響，以時間順序組成的學(xué)習(xí)者本體集合逐漸形成，其邏輯關(guān)系表示為：LOMl（Ti）→Ok（Ti）。Ti表示學(xué)習(xí)活動流中的某一時刻;LOMl（Ti）表示學(xué)習(xí)者模型在Ti時刻存在的狀態(tài);Ok（Ti）表示某時刻對應(yīng)的知識點(diǎn)類型。根據(jù)本體技術(shù)和向量空間模型（VSM）表示法，學(xué)習(xí)者本體模型計算實(shí)現(xiàn)過程如下：學(xué)習(xí)者本體模型表示為LOM={基本信息（GL），學(xué)習(xí)風(fēng)格（LS），興趣愛好（LI），學(xué)習(xí)水平（LL），學(xué)習(xí)經(jīng)歷（LE）}，學(xué)習(xí)者本體集合為LOM={Si|0≤i≤N}，其中N表示學(xué)習(xí)者用戶數(shù)。每個Si表示一個向量v={（lom1，Ok1，v），（lom2，Ok2，v），…（lomn，Okn，v）}，lomn表示學(xué)習(xí)者本體，Okn表示知識點(diǎn)類型，v表示學(xué)習(xí)者本體與知識點(diǎn)之間的關(guān)系值。所有學(xué)習(xí)者本體模型的集合特征向量為，V={（lom1，v（lom1）），（lom2，v（lom2）），…（lomt，v（lomt））}，T表示學(xué)習(xí)活動的時間值。

（二）學(xué)習(xí)者核心模型

1. 認(rèn)知模型

在認(rèn)知過程中，大量高度抽象化的信息根據(jù)各自特征和性能被劃分為若干個塊、類、群或組，該過程稱之為粒[13]。粒計算作為人工智能領(lǐng)域的一種方法和計算范式，從不同粒度和側(cè)面對模糊性、不確定性、不完整性信息進(jìn)行處理，以尋找問題解決的相似方案，降低問題求解的復(fù)雜度[14]。認(rèn)知科學(xué)認(rèn)為，人類認(rèn)知過程是自上而下、多層面視角對同一問題的觀察和分析，或以局部特征自下而上不斷凝聚成抽象事物;認(rèn)知過程反映人類以有序遞進(jìn)方式從多粒度和多層次對事物形成理解（如圖2所示），不同粒層對同一事物以不同粒度表示，粒層間的映射形成對事物不同細(xì)節(jié)的描述，即在不同層次粒的細(xì)化中，高層次的粗粒轉(zhuǎn)化為低層次的細(xì)粒，低層次的細(xì)粒從不同視角形成對事物本質(zhì)更豐富的理解;不同層次粒的泛化中，低層次的細(xì)粒轉(zhuǎn)化為高層次的粗粒，形成從具體到抽象的映射關(guān)系，進(jìn)一步揭示抽象概念[15]。

認(rèn)知計算粒模型從數(shù)據(jù)入手，以認(rèn)知行為的層級結(jié)構(gòu)為基礎(chǔ)，描述知識與數(shù)據(jù)間抽象與具象關(guān)系和粒層間切換關(guān)系，試圖解決多粒度信息知識空間的動態(tài)演化、多粒度空間中不確定性、多粒度有效漸進(jìn)式計算、智能計算前置和人機(jī)融合機(jī)制下的認(rèn)知處理等問題。粒認(rèn)知計算分別以自上而下（由粗到細(xì)）和自下而上（由細(xì)到粗）兩種計算方式，為教育大數(shù)據(jù)求解學(xué)習(xí)者認(rèn)知行為及問題求解過程提供了新思路。

2. 行為模型

文章依據(jù)學(xué)習(xí)行為多維屬性特征進(jìn)行數(shù)據(jù)建模，深度理解學(xué)習(xí)行為的模式、行為結(jié)構(gòu)、發(fā)展機(jī)制。通過對網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的數(shù)據(jù)采集、處理、分析，理解和優(yōu)化教學(xué)活動設(shè)計，為教師提供教學(xué)實(shí)踐指導(dǎo)，助力新型教學(xué)模式的構(gòu)建（如圖3所示）。行為數(shù)據(jù)的產(chǎn)生者又是行為模型的構(gòu)建者，使模型運(yùn)行機(jī)制不斷循環(huán)，數(shù)據(jù)迭代更新[16]。

（1）數(shù)據(jù)層。數(shù)據(jù)層以時間特性直接反映學(xué)習(xí)事件的序列過程。數(shù)據(jù)層由操作性數(shù)據(jù)、課程學(xué)習(xí)數(shù)據(jù)和交互數(shù)據(jù)組成。操作性數(shù)據(jù)是學(xué)習(xí)者完成學(xué)習(xí)任務(wù)所進(jìn)行的系列操作性數(shù)據(jù)集，包括登錄次數(shù)、下載資源、瀏覽公告等;課程學(xué)習(xí)數(shù)據(jù)以學(xué)習(xí)活動流為指向，記錄學(xué)習(xí)活動序列過程的數(shù)據(jù)，包括閱讀學(xué)習(xí)內(nèi)容、觀看視頻、辨別學(xué)習(xí)材料等;交互數(shù)據(jù)是以學(xué)習(xí)成果或?qū)W習(xí)資源為階梯促進(jìn)知識資源再生過程，包括反思、總結(jié)、討論等交互數(shù)據(jù)。半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)是數(shù)據(jù)層運(yùn)行的核心，記錄大量課程學(xué)習(xí)數(shù)據(jù)和交互性數(shù)據(jù);通過數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換形成可運(yùn)算數(shù)據(jù)，或是運(yùn)用特殊分析工具解決非結(jié)構(gòu)化數(shù)據(jù)問題。

（2）邏輯分析層。邏輯分析層關(guān)注行為數(shù)據(jù)的解釋機(jī)制。分別從日志分析、學(xué)習(xí)活動分析、交互內(nèi)容分析三個方面解釋學(xué)習(xí)行為挖掘過程。日志分析通過分析日志挖掘系統(tǒng)各模塊的訪問數(shù)據(jù)，抽取有效數(shù)據(jù)形成行為目標(biāo)對象;如發(fā)帖次數(shù)、帖子時間間隔、帖子被引次數(shù)等數(shù)據(jù)與學(xué)習(xí)者協(xié)作知識建構(gòu)產(chǎn)生關(guān)聯(lián)。學(xué)習(xí)活動分析以學(xué)習(xí)活動為流向，記錄每一學(xué)習(xí)事件的組織結(jié)構(gòu)關(guān)系，通過頁面鏈接的多維復(fù)雜關(guān)系推測具有時間和事件雙重特性的活動程序。學(xué)習(xí)事件承載知識流的離散與聚合，為多維層級學(xué)習(xí)活動提供關(guān)聯(lián)路徑[11]。交互內(nèi)容分析是知識結(jié)構(gòu)外化的表現(xiàn)，以知識資源再生與流動促進(jìn)不同利益群體的協(xié)同;語義分析和會話分析以自然語義邏輯實(shí)現(xiàn)交互過程解析，以交互層級和深度衡量交互內(nèi)容質(zhì)量。

（3）結(jié)果層。結(jié)果層為分析結(jié)果的可視化表示，數(shù)字化學(xué)習(xí)系統(tǒng)為不同利益相關(guān)者（家長、教師、同伴、管理者）提供訪問學(xué)習(xí)空間的數(shù)據(jù)接口，針對學(xué)習(xí)行為變化趨勢給予及時干預(yù)，指導(dǎo)學(xué)習(xí)狀態(tài)調(diào)整。對家長而言，為其提供隨時了解孩子學(xué)習(xí)狀態(tài)的通道，鼓勵其積極學(xué)習(xí)，彌補(bǔ)教師角色無法替代的地位;對教師而言，實(shí)時跟蹤學(xué)習(xí)者學(xué)習(xí)進(jìn)度，及時掌握每位學(xué)習(xí)者的整體學(xué)習(xí)情況，了解學(xué)生存在的困難及下一步學(xué)習(xí)計劃，有針對性地開展適宜的教學(xué)干預(yù);對同伴而言，彼此分享學(xué)習(xí)心得，增進(jìn)相互了解，修正和優(yōu)化學(xué)習(xí)行為;對管理者而言，通過學(xué)習(xí)行為與課程績效關(guān)聯(lián)程度，合理配置教育資源，調(diào)整完善教育政策以促進(jìn)教育均衡發(fā)展。

3. 情感模型

文章運(yùn)用多模態(tài)情感分析原理，綜合面部表情、文本情感、音頻情感三類情感表征模塊設(shè)計在線學(xué)習(xí)多模態(tài)情感計算模型（如圖4所示），主要分為情感數(shù)據(jù)采集、情感數(shù)據(jù)處理與識別、多模態(tài)情感融合策略、情感干預(yù)與反饋四個方面。

（1）情感數(shù)據(jù)采集。該部分從文本情感、面部情感和音頻情感多維度采集在線學(xué)習(xí)者情感數(shù)據(jù)。在線文本信息記錄學(xué)習(xí)活動軌跡，反映學(xué)習(xí)者在線交互的知識建構(gòu)過程及文本情感特征，針對語言表達(dá)中的語法與語句、隱式與顯式的上下文信息實(shí)施數(shù)據(jù)采集;視頻技術(shù)可方便采集學(xué)習(xí)活動中學(xué)習(xí)者面部表情和身體活動信息。特殊情況下，學(xué)習(xí)者的無狀態(tài)、無意識動作信息也能表現(xiàn)當(dāng)前情感信息。音頻情感信息通常以視頻或音頻設(shè)備對學(xué)習(xí)者的語音、聲音、韻律等語音信息特征采集。

（2）情感數(shù)據(jù)處理與識別。文本情感分析根據(jù)上下文信息提取情感詞語進(jìn)行編碼，建立共享詞向量表示的情感詞矩陣空間，在空間中以詞的向量實(shí)現(xiàn)詞的組合并結(jié)構(gòu)化表示情感類型;面部表情識別分析基于Ekman面部表情編碼系統(tǒng)FACS（Facial Action Coding System），將面部表情中的喜、怒、哀、惡、驚五種情感特征以活動單元形式表達(dá)面部肌肉動作的情感特征;音頻情感信息根據(jù)聲音特征和情感特征間的聯(lián)系，對基頻、共振峰、梅爾頻率倒譜系數(shù)（MFCCs）、線性預(yù)測倒譜系數(shù)（LPCC）等語音情感特征進(jìn)行抽取，形成基于元音、基頻、時間、振幅和共振峰為結(jié)構(gòu)的韻律組合對不同類型音頻情感信號進(jìn)行識別;降噪處理成為提高音頻特征抽取質(zhì)量的關(guān)鍵，通過提升語音篩選抗噪性較好的語音特征，以模型補(bǔ)償方式優(yōu)化語音信號的特征識別[17]。

（3）多模態(tài)情感融合策略。多模態(tài)情感特征分析從文本、生理信號、視覺、聽覺、視聽混合等異構(gòu)性多模態(tài)數(shù)據(jù)出發(fā)，以情感數(shù)據(jù)計算與度量模擬人腦對情感信息的融合與處理，提升情感分析系統(tǒng)的準(zhǔn)確性，降低單模態(tài)分析對情感識別的偏差。目前，主要有特征層融合策略和決策層融合策略實(shí)現(xiàn)多模態(tài)情感數(shù)據(jù)融合。前者將兩個及以上的情感模態(tài)特征進(jìn)行同時融合處理，構(gòu)建不同模態(tài)特征向量，實(shí)現(xiàn)情感類型分類和計算。后者則先進(jìn)行兩兩模態(tài)特征融合，然后根據(jù)融合結(jié)果和決策融合機(jī)制再與另一種模態(tài)特征進(jìn)行融合，最終獲得統(tǒng)一的情感類型分類結(jié)果。相比于特征層融合策略對情感類型的識別效果，決策層融合策略則以模塊化形式對不同模態(tài)特征進(jìn)行融合，有利于簡化情感模型的建立過程。

（4）情感干預(yù)與反饋。干預(yù)與反饋?zhàn)鳛樵诰€學(xué)習(xí)多模態(tài)情感計算模型的核心部件，面向教師、家長、管理者等利益相關(guān)者依據(jù)情感可視化分析結(jié)果參與學(xué)習(xí)者情感模型的構(gòu)建，提出針對不同學(xué)習(xí)者情感狀態(tài)的支持策略。情感干預(yù)從類型上分為過程性干預(yù)和總結(jié)性干預(yù)。過程性干預(yù)是根據(jù)情感持續(xù)性變化實(shí)施的干預(yù)策略，如對長時間處于消極懈怠的學(xué)習(xí)者給予補(bǔ)償性心理救助，疏導(dǎo)心理障礙建立自信;總結(jié)性干預(yù)是以改善學(xué)習(xí)績效為目的的干預(yù)活動，面向?qū)W習(xí)者推送補(bǔ)償性學(xué)習(xí)資源和學(xué)習(xí)支持服務(wù)內(nèi)容，以情感助手建立情感交互體系。

（三）知識模型

知識元作為知識結(jié)構(gòu)的最小單位[18]，如同生物細(xì)胞不斷分裂與發(fā)展，在形成穩(wěn)定知識結(jié)構(gòu)基礎(chǔ)上與外部環(huán)境彼此作用，生成錯綜復(fù)雜的知識體系，經(jīng)知識傳播與創(chuàng)新逐漸進(jìn)化增值。文章以知識粒度化和知識元為原理，從知識元和知識組織視角試圖呈現(xiàn)學(xué)習(xí)者知識結(jié)構(gòu)組成及知識模型的構(gòu)建（如圖5所示）。

1. 知識元與知識結(jié)構(gòu)

領(lǐng)域知識結(jié)構(gòu)中，知識元作為知識內(nèi)容的基本單位，由語義內(nèi)容和語義鏈接組成獨(dú)立知識實(shí)體，通過上下文語境范疇表達(dá)完整知識體系。文本邏輯的核心是文本層次劃分。提取與學(xué)習(xí)主題中若干連續(xù)段落所共同表達(dá)的主題思想密切相關(guān)的主題詞，設(shè)置權(quán)重函數(shù)，按照有序聚類法以層次結(jié)構(gòu)對相同或相近主題詞權(quán)重值進(jìn)行聚類重組，建立名稱、對象、內(nèi)容、結(jié)論等特征詞性的語義內(nèi)容[19]。文本層次劃分中，描述知識元屬性的鏈接詞被抽取出來，形成語義內(nèi)容特征詞間的關(guān)聯(lián)關(guān)系。語義計算將語義內(nèi)容與語義鏈接組合建立可描述知識元功能的屬性，產(chǎn)生最小粒度的知識元。

2. 知識單元與知識庫

知識單元繼承知識結(jié)構(gòu)的產(chǎn)生結(jié)果，以聚類、聚合度、連通性等知識優(yōu)化組合方式增強(qiáng)知識間橫向關(guān)聯(lián)，形成顆粒度較大的知識結(jié)構(gòu)。知識聚合度是衡量知識穩(wěn)定性、遷移性、聚類性、重構(gòu)性的重要指標(biāo)，度量知識間鏈接的強(qiáng)弱關(guān)系。根據(jù)知識聚合度計算描述知識間的關(guān)聯(lián)程度，并假定知識M1的活動數(shù)為A（M1），知識點(diǎn)M1和知識點(diǎn)M2的活動數(shù)為A（M1，M2），則M1，M2聚合度為I（M1，M2），若多個知識點(diǎn)M1，M2，......Mn的聚合度為I（M1，M2，......Mn），聚合度表達(dá)式為：

知識聚合改變原有知識間的鏈接關(guān)系，使知識間及內(nèi)部結(jié)構(gòu)發(fā)生重組、遷移，形成適應(yīng)不同學(xué)習(xí)環(huán)境需求的知識組織，即新知識的產(chǎn)生以開放問題求解形式不斷迭代與進(jìn)化，促進(jìn)人在不同領(lǐng)域知識群落的形成。知識增值充分挖掘個體隱性知識和顯性知識的協(xié)同效應(yīng)，以問題求解推動知識在個體間、團(tuán)體間、組織間的擴(kuò)散轉(zhuǎn)移，形成知識增值與流動。

五、學(xué)習(xí)者模型的形式化表達(dá)

學(xué)習(xí)者模型計算以對象數(shù)據(jù)為基本單位，自下而上從數(shù)據(jù)細(xì)粒到數(shù)據(jù)泛化的進(jìn)階表征對象屬性特征。文章從五個維度（本體、認(rèn)知、行為、情感、知識）建立模型系統(tǒng)，以模型計算原理自下而上分別表征各子模型的生成，有序偶形式化表達(dá)模型整體結(jié)構(gòu)，即將每一個子模型看作一個元組，元組間有序遞歸構(gòu)造完整模型結(jié)構(gòu)列表[20]。學(xué)習(xí)者模型元組表示為：LM=（LMO，LMC，LMB，LMA，LMK），其中LMO表示學(xué)習(xí)者本體模型，LMC表示學(xué)習(xí)者認(rèn)知模型，LMB表示學(xué)習(xí)者行為模型，LMA表示學(xué)習(xí)者情感模型，LMK表示學(xué)習(xí)者知識模型;每個元組由有序偶< τ，ω，σ，LM >組成，其中τ表示學(xué)習(xí)活動流的時間維度，ω表示學(xué)習(xí)活動流，σ表示學(xué)習(xí)實(shí)踐場域;學(xué)習(xí)者模型形式化表達(dá)為：

學(xué)習(xí)者模型針對現(xiàn)實(shí)情境下的特定問題，在智能化學(xué)習(xí)系統(tǒng)的綜合作用下實(shí)現(xiàn)各子模型的協(xié)同求解過程;特別是在智慧教育和自適應(yīng)環(huán)境下，隨著學(xué)習(xí)主題的變化及個體需求的不同，學(xué)習(xí)者模型表現(xiàn)出智慧性與個性化特征。模型的表征為自適應(yīng)個性化學(xué)習(xí)模型架構(gòu)提供演化框架，準(zhǔn)確識別學(xué)習(xí)者特征，跟蹤學(xué)習(xí)進(jìn)度，定位恰當(dāng)?shù)膶W(xué)習(xí)路徑，匹配符合個性化需求的學(xué)習(xí)內(nèi)容，推送適配的學(xué)習(xí)資源，確立適當(dāng)?shù)脑u價方式，有效提高學(xué)習(xí)者的學(xué)習(xí)效率。

六、結(jié)? ?語

教育信息化2.0深切關(guān)注人的全面、自由、個性化發(fā)展，注重學(xué)習(xí)者技術(shù)使能解決真實(shí)問題、形成高階思維認(rèn)知、全面發(fā)展核心素養(yǎng)的教育價值。教育大數(shù)據(jù)和學(xué)習(xí)分析技術(shù)的發(fā)展推動精準(zhǔn)全面的數(shù)字時代學(xué)習(xí)者畫像，推進(jìn)個性化支持服務(wù)走向深入。學(xué)習(xí)者模型構(gòu)建是數(shù)字化學(xué)習(xí)和教育大數(shù)據(jù)分析的核心，全過程在線學(xué)習(xí)數(shù)據(jù)元為學(xué)習(xí)者模型構(gòu)建提供有力支撐。文章以粒計算和數(shù)據(jù)分析原理，自下而上對學(xué)習(xí)者的本體、認(rèn)知、行為、情感、知識五個維度分別開展模型計算，通過子模型聚合和形式化表達(dá)努力構(gòu)建一種各子模型協(xié)同發(fā)展的學(xué)習(xí)者模型框架，以滿足網(wǎng)絡(luò)教育和個性化教學(xué)的需求。當(dāng)前，該模型尚處于探索階段，后續(xù)將進(jìn)一步對模型進(jìn)行完善與優(yōu)化，在實(shí)踐中驗證模型的有效性。

[參考文獻(xiàn)]

[1] 岳俊芳，陳逸.基于大數(shù)據(jù)分析的遠(yuǎn)程學(xué)習(xí)者建模與個性化學(xué)習(xí)應(yīng)用[J].中國遠(yuǎn)程教育，2017（7）：34-39.

[2] 袁滿，曹陽，陳萍.教育知識圖譜構(gòu)建中的標(biāo)準(zhǔn)詞匯參考模型研究[J].電化教育研究，2020（3）：76-82.

[3] 全國信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會教育技術(shù)分委員會：信息模型[EB/OL].（2019-05-20）[2020-03-15].http：//www.sdei.edu.cn/wcms/Services/AttachDownLoad.jsp？id=250203.

[4] IMS learner information packaging information model specification，final specification， version 1.0.1[EB/OL].（2005-01-04）[2020-03-15].https：//www.imsglobal.org/profiles/lipv1p0p1/imslip_sumcv1p0p1.html.

[5] 徐鵬飛，鄭清華，陳耀華，陳麗.教育數(shù)據(jù)挖掘中的學(xué)習(xí)者建模研究[J].中國遠(yuǎn)程教育，2018（6）：5-11.

[6] 武法提，黃石華，殷寶媛.基于場景感知的學(xué)習(xí)者建模研究[J].電化教育研究，2019（3）：68-74.

[7] 黃濤，王一巖，張浩，等.智能教育場域中的學(xué)習(xí)者建模研究趨向[J].遠(yuǎn)程教育雜志，2020（1）：50-60.

[8] 姜強(qiáng)，潘星竹，趙蔚，等.學(xué)習(xí)者模型可視化認(rèn)同感分析與效能評測[J].電化教育研究，2019（5）：48-54，71.

[9] BULL S， KAY J. Open learner models as drivers for metacognitive processes[C]// International handbook of metacognition and learning technologies.New York：Springer Press， 2013：349-365.

[10] MAKA ERADZE， MART LAANPERE. Analysing learning interactions in digital learning ecosystems based on learning activity streams[J]. The European conference on educational research 2013（9）：259-278.

[11] 郁曉華，顧小清.學(xué)習(xí)活動流：一種學(xué)習(xí)分析的行為模型[J].遠(yuǎn)程教育雜志，2013（4）：20-28.

[12] 鞠雪楠，李小文，孫寶文.數(shù)字教育時代的泛在學(xué)習(xí)模型：系統(tǒng)動力學(xué)視角[J].教育研究與實(shí)驗，2018（1）：49-53.

[13] WANG Y.Cognitive informatics：exploring theoretical foundations for natural intelligence， neural informatics autonomic computing and agent systems[J].The international journal of cognitive informatics and natural intelligence， 2007， 1（1）：1-10.

[14] 張清華，周玉蘭，滕海濤.基于粒計算的認(rèn)知模型[J].重慶郵電大學(xué)學(xué)報，2009（4）：494-501.

[15] ZADEH L. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic[J].Fuzzy sets & systems，1997，90：111-127.

[16] 黃榮懷，高博俊，王歡歡，等.基于教學(xué)過程感知的行為計算[J].電化教育研究，2020（6）：20-25.

[17] 饒元，吳連偉，王一鳴，馮聰.基于語義分析的情感計算基數(shù)研究進(jìn)展[J].軟件學(xué)報，2018（8）：2397-2426.

[18] 溫有奎.基于“知識元”的知識組織與檢索[J].計算機(jī)工程與應(yīng)用，2005（1）：55-57，91.

[19] 王小根，鄧烈君，王露露，范水娣.基于知識元的移動學(xué)習(xí)資源組織模式研究[J].電化教育研究，2017（1）：86-92.

[20] 武法提，黃石華.基于多源數(shù)據(jù)融合的共享教育數(shù)據(jù)模型研究[J].電化教育研究，2020（5）：59-65.