基于學習者畫像的在線開放課程學習預警研究*

成亞玲 譚愛平

（湖南工業(yè)職業(yè)技術學院，湖南 長沙 410208）

2015年以來，教育部出臺了《關于加強高等學校在線開放課程建設應用與管理的意見》等系列政策文件，我國在線開放課程建設取得了矚目的成績，截至2020年，我國慕課數(shù)量及應用規(guī)模居世界第一。[1]目前在線開放課程學習者數(shù)量多，且學習者的認知基礎、學習偏好、學習能力等個體特征差異較大，教師難以精準分析學情。學習者存在課程完成率低、學習成效不高等問題。[2]隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、學習分析等智能技術在教育領域的不斷發(fā)展，以大數(shù)據(jù)為基礎的學習預警日益成為落實因材施教、提高在線開放課程教學質(zhì)量的重要途徑，其運用恰當?shù)姆椒ㄅc模型對學習者的學習過程和學習結果進行評估分析，了解其學習過程、預測可能出現(xiàn)的學習結果，并及時向教師和學習者發(fā)出警示信號；幫助學習者及時自我調(diào)節(jié)，幫助教師適時調(diào)整教學策略、教學方式及教學進度等，為學習者提供適切的教學服務促進其全面發(fā)展。[3]基于此，本研究引入學習者畫像的概念和方法，構建基于學習者畫像的在線開放課程學習預警模型，從學習者的知識掌握情況、學習行為和學習情緒等方面進行學習預警及干預，并將模型運用于超星慕課平臺“C 語言程序設計”課程的混合式教學實踐，以期為在線開放課程實踐改革提供參考。

一、相關文獻綜述

（一）學習者畫像

“學習者畫像”（Learner Persona）是商業(yè)領域中“用戶畫像”（Persona）概念在教育領域的遷移應用。[4]“用戶畫像”這一概念最早由庫珀（Alan Cooper）提出，其本質(zhì)是在對用戶數(shù)據(jù)挖掘提煉的基礎上，將用戶的基本屬性、行為特點、偏好特征等信息生成數(shù)字化標簽和知識體系，盡可能地全面抽象用戶信息、呈現(xiàn)用戶全貌、細化用戶特征，從而為企業(yè)實現(xiàn)精準化服務提供管理決策參考。[5]在商業(yè)領域，用戶畫像有助于分析用戶需求、預測用戶購物行為傾向并進行個性化推薦，從而改進產(chǎn)品服務質(zhì)量與提升用戶體驗。隨著信息技術在教育領域的深入應用，教育大數(shù)據(jù)的收集和挖掘成為可能，教育領域通過吸收“用戶畫像”的經(jīng)驗逐漸構建起“學習者畫像”的概念和方法。學習者畫像在收集學習者基本屬性數(shù)據(jù)、學業(yè)數(shù)據(jù)、學習過程等相關數(shù)據(jù)的基礎上，利用大數(shù)據(jù)挖掘、學習分析等信息技術精準描述學習者的特征、認知基礎、學習興趣、學習偏好以及預測其學習行為，能夠為高質(zhì)量教與學提供數(shù)據(jù)支撐和決策支持服務。[6]

目前，學術界關于學習者畫像的研究主要集中在兩個方面：（1）畫像構建。霍利（Holley）等利用風險預測模型構建學習者畫像，能夠有效地識別出存在學習危機的學習者，并為其提供相應的學習支持服務。[7]肖君等從基本特征、學習行為特征、學習環(huán)境特征等維度構建了高風險學習者畫像。[8][9]孫發(fā)勤等從學習者的一般特征、學習準備、學習風格、行為特征四個方面提出在線學習者畫像描述的總體框架。[10]余明華從能力屬性、行為屬性、興趣屬性等角度構建了個人畫像和群體畫像。[11]喬惠利用xAPI 技術從知識、行為、態(tài)度等維度構建了開放學習者畫像模型。[12]（2）畫像應用。陳海建基于學習者畫像提出個性化教學路徑。[13]唐燁偉等人基于學習者畫像進行精準個性化學習路徑規(guī)劃。[14]王莉莉等人利用學習者畫像實現(xiàn)個性化課程推薦服務，有效提高了課堂教學質(zhì)量。[15]

（二）在線開放課程

在線開放課程因其開放性、規(guī)模性等特點，打破了學習時空限制，滿足了不同學習群體的個性化學習需求，備受研究者、教學者和學習者們青睞。一方面，學習者可以跨越學校邊界甚至跨越地區(qū)和國家邊界，選擇其感興趣的課程；另一方面，在線開放課程的學習者只要在規(guī)定的時間完成學習任務，學習者可以自定步調(diào)進行學習。在線開放課程擁有這些優(yōu)勢的同時也帶來了一些問題：如眾多的學習者選擇同一門課程人數(shù)眾多，且學習者的認知基礎、認知能力等方面差異較大，教師難以對所有學習者的學情做到心中有數(shù)而進行有針對性的教學。因此，研究者和學者們針對上述問題進行了相關研究。如在線開放課程學習行為研究方面，王改花等人對網(wǎng)絡學習者的學習行為與成績進行預測，并構建適應性學習系統(tǒng)學習干預模型，以實施學業(yè)預警。[16]教學質(zhì)量評價指標體系構建方面，如成亞玲等人從課前學情預測、課中迭代監(jiān)測、課后反饋提升等維度構建了基于數(shù)據(jù)驅動的在線開放課程學習質(zhì)量評價體系，為在線開放課程學習評價提供實踐參考。[17]學習結果預測及干預方面，如學者牟智佳從學習內(nèi)容、學習互動、學習評價三個方面對學習者的群體特征表現(xiàn)和學習結果預測進行了相關研究；[18]李彤彤等人基于教育大數(shù)據(jù)和學習分析等技術，構建了“狀態(tài)識別—策略匹配—干預實施—成效分析”四環(huán)節(jié)循環(huán)結構干預模型以提高在線開放課程學習質(zhì)量。[19]以上研究對在線開放課程的學習行為、教學質(zhì)量、學習結果預測及干預等方面進行了有益的探索，但研究的不足之處在于對學習者的需求、偏好、特征沒有精準的定位。因此，所采用的干預措施存在一定錯位的現(xiàn)象。

（三）學習預警

學習預警基于學習者的學習過程對其學習行為及結果進行預測，提前識別學習風險并進行有針對性的干預，能夠有效提高學習者的在線學習質(zhì)量。

目前，國外關于學習預警的研究主要集中在預警系統(tǒng)開發(fā)與應用、可視化工具開發(fā)等方面。美國普渡大學開發(fā)的課程信號系統(tǒng)（Course Signals）[20]從課程成績、努力程度、輟學等方面進行在線學習預警。美國Desire2Learn 機構開發(fā)的學生成功系統(tǒng)（Student Success System）從出勤率、學習任務完成情況、學習參與度與貢獻度等維度進行學習預警。[21]可汗學院開發(fā)的學習儀表盤和澳大利亞伍倫貢大學開發(fā)的社會網(wǎng)絡可視化工具[22]均通過對在線學習行為進行精密追蹤并以數(shù)字、圖表等可視化形式對學習情況進行呈現(xiàn)。美國電子顧問（e Advisor?）系統(tǒng)通過學習者知識點掌握情況及學習路徑等進行學習預警；海星預警系統(tǒng)（Starfish Early Alert System）從學習者努力程度、課程成績等維度進行學習預警。[23]國內(nèi)關于學習預警的研究主要集中在學習預警框架與模型、學習預警方法等方面。（1）學習預警框架與模型。武法提等構建了包含學習內(nèi)容、學習行為、學習預測三個維度的在線學習效果預測框架，并運用關聯(lián)分析、序列分析等方法對學習者學習行為進行分析，從而預測其學習效果。[24]金義富等通過對學習者課前、課中和課后學習數(shù)據(jù)進行追蹤分析，構建了包含知識點掌握程度、學習任務完成率、測驗評價三個維度的預警模型。[25]王林麗等構建了包含知識掌握程度、行為特征、學習情緒波動三個維度的在線學習預警功能模型。[26]（2）學習預警方法。鄒宇航運用機器學習決策樹、聚類等方法構建了在線學習預警系統(tǒng)，對學習者分數(shù)和退課兩個方面進行預警。[27]劉博鵬將Stacking集成學習理論應用于大學生成績預警模型構建方法，有效提升了學習者成績預警的準確性。[28]宗曉萍等人將改進的K-近鄰算法應用于學習預警，對學習者學習結果進行預測并及時干預，研究結果顯示改進后的K-近鄰算法顯著優(yōu)于傳統(tǒng)的K-NN方法。[29]

既有學習預警研究較多關注線上學習，較少關注線上線下混合學習；數(shù)據(jù)來源多為線上數(shù)據(jù)，較少包含線下實體課堂等多模態(tài)數(shù)據(jù)。學習者畫像能夠對在線開放課程學習者的學習狀態(tài)進行客觀表征、動態(tài)預測，幫助學生調(diào)整學習方法、教師調(diào)整教學策略并及時進行教學干預。因此，本研究以學生在線開放課程線上線下學習為研究對象，從學生的基本屬性、知識掌握情況、學習行為、學習情緒四個維度構建起基于學習者畫像的在線開放課程學習預警模型，旨在提高學生在線開放課程學習質(zhì)量。

二、基于學習者畫像的在線開放課程學習預警模型

筆者通過對線上學習平臺數(shù)據(jù)、線下智慧教室數(shù)據(jù)、成績系統(tǒng)數(shù)據(jù)進行數(shù)據(jù)整理與數(shù)據(jù)挖掘，結合學習者基本屬性構建學習者群體畫像和個體畫像；基于學習者畫像對學習者的知識掌握情況、學習行為、學習情緒等方面進行學情診斷并提出預警策略，旨在提高學習者在線開放課程學習質(zhì)量（見圖1）。

圖1 基于學習者畫像的在線開放課程學習預警模型

（一）學習者畫像構建

基于學習者畫像的在線開放課程學習預警框架構建的關鍵在于學習者畫像的獲取。從數(shù)據(jù)處理的角度看，學習者畫像可看成是對原始數(shù)據(jù)進行數(shù)據(jù)挖掘后進行標簽化的過程。學習者畫像構建流程通常包含明確畫像目標、數(shù)據(jù)采集、數(shù)據(jù)存儲與處理、建立標簽體系、畫像生成與可視化輸出五個階段，其中，建立標簽體系是學習者畫像構建的重點。[30]

1.明確畫像目標

學習者畫像圍繞學習者知識掌握情況、學習行為、學習情緒等方面的特征分析展開，其目標可聚焦到學習者群體特征與狀態(tài)識別、學習者個體特征與狀態(tài)識別等方面，以滿足學習者、教師、管理者等利益相關者的需求。

2.數(shù)據(jù)采集

既有研究表明，學習者的基本屬性、知識掌握情況、學習行為、學習情緒是構建學習者畫像的主要維度（見表1）。因此，在本研究中，學習者畫像的數(shù)據(jù)采集包括學習者基本信息、知識掌握情況數(shù)據(jù)、學習行為數(shù)據(jù)、學習情緒數(shù)據(jù)。利用新一代信息技術全面采集學習者線上平臺學習數(shù)據(jù)、線下智慧教室學習數(shù)據(jù)以及學校各類管理系統(tǒng)歷史學業(yè)水平相關數(shù)據(jù)。采集的數(shù)據(jù)包含學習者基本屬性數(shù)據(jù)、作業(yè)與測評數(shù)據(jù)、課堂互動數(shù)據(jù)、論壇交互數(shù)據(jù)、學習情緒數(shù)據(jù)等，這些數(shù)據(jù)具有多源、異構、大體量等特性，給數(shù)據(jù)處理、分析等方面帶來極大挑戰(zhàn)（見表2）。

表1 既有研究中學習者畫像建構維度

表2 在線開放課程學習者畫像構建維度及數(shù)據(jù)內(nèi)涵

3.數(shù)據(jù)存儲與處理

考慮到采集數(shù)據(jù)的異構性、體量大等特點以及后續(xù)學習者畫像對數(shù)據(jù)標簽的抽取等應用，數(shù)據(jù)存儲采用大數(shù)據(jù)Hadoop 體系架構進行數(shù)據(jù)存儲。數(shù)據(jù)處理方面則通過數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉換、數(shù)據(jù)規(guī)約等過程對采集的數(shù)據(jù)在進行處理；同時對數(shù)據(jù)進行聚類分析，形成學習者基本信息、學習行為、學習情緒等數(shù)據(jù)簇，在保持原始數(shù)據(jù)完整性的前提下從海量的數(shù)據(jù)中獲取學習者精簡數(shù)據(jù)集，為在線開放課程學習者畫像提供數(shù)據(jù)基礎。

4.建立標簽體系

將學習者數(shù)據(jù)從不同維度分類并打上標簽、形成標簽體系，是畫像構建的核心工作。在本研究中，根據(jù)學習者的特征將學習者劃分為不同的學習群體并設置標簽，便于教師和學習者能夠直觀地理解群體之間、學習個體之間的差異。[39]本研究的畫像標簽體系包括基本信息、知識點掌握情況、學習行為、學習情緒等四類一級標簽（見表3）。

表3 在線開放課程學習者畫像標簽分類體系及標簽值

5.畫像生成與可視化輸出

基于學習者標簽體系，深入分析標簽數(shù)據(jù)特征，應用統(tǒng)計分析、機器學習等技術抽取標簽形成學習者畫像庫，[40]對學習者畫像進行聚類、學習狀態(tài)診斷分析，精準預測學習成效和實時學習需求。根據(jù)構建畫像的具體目標，采用可視化服務輸出相應的標簽分析結果。

（二）學情診斷及預警

1.學情診斷的方法

（1）知識掌握情況診斷。主要從作業(yè)完成情況、測評成績、測評時長、測評次數(shù)、資源學習情況、學習路徑等方面進行診斷，預測學習者的學習需求以及可能出現(xiàn)的學習困難。（2）學習行為診斷。主要從學習偏好、學習進度、學習投入、學習交互等方面進行綜合診斷，識別學習者屬于哪種學習類型，如積極參與型、保持參與型、潛在輟課型、高度流失型。（3）學習情緒診斷。包括對學習交互和學習情緒狀態(tài)的診斷，主要利用情感識別技術和文本挖掘技術對視頻、語音、肢體姿態(tài)、生理、論壇文本等數(shù)據(jù)進行學習情緒評量，識別學習者處于何種學習情緒狀態(tài)。

2.學習預警的策略

學習者畫像從學習者的基本屬性特征、知識掌握情況、學習行為、學習情緒四個維度對學習者的學情進行了全面描述，并在此基礎上形成學習者的知識掌握情況診斷報告、學習行為診斷報告、學習情緒診斷報告。基于診斷報告進行學習群體預警與學習個體預警。學習群體預警主要從三方面進行：（1）知識掌握情況預警（學業(yè)成就預警）。主要從學習者的學習過程（知識點即時測評）和學習結果（作業(yè)成績、期末考核）測評成績、測評時長等方面綜合分析學習者課程學習目標的完成度，從而判斷其是否已經(jīng)出現(xiàn)或即將出現(xiàn)學習困難，并對其進行學習策略推薦、個性化學習資源和學習路徑規(guī)劃等干預。（2）學習行為預警。主要針對潛在輟課、學習進度拖后、交互程度較低的學習者采取消息提醒等預警措施。（3）學習情緒預警。主要是對消極情緒的學習者進行警示并根據(jù)情緒消極程度對其進行不同程度的干預。學習個體預警主要從學習進度、互動水平、學習情緒、學習成就等方面進行預警。

三、基于學習者畫像的在線開放課程學習預警模型應用

（一）研究對象

為驗證基于學習者畫像的在線開放課程學習預警模型的有效性，課題組從超星慕課平臺選取“C語言程序設計”課程進行應用研究。這門課程是信息技術類專業(yè)的基礎課程，且采取線上+線下混合學習方式進行教學；課程學習人數(shù)較多且學生基本具備線上線下混合式教學模式所需的信息素養(yǎng)。研究組提取了2021年秋季選課的869名學習者的學習全過程數(shù)據(jù)。

（二）學習者畫像構建

線上課堂依托超星慕課平臺展開，線下課堂依托智慧教室展開（智慧教室同步錄播線下課堂，供社會學習者異步學習），因此，數(shù)據(jù)采集包含了線上慕課平臺采集、線下智慧課堂數(shù)據(jù)采集以及學校各類管理系統(tǒng)中與歷史學業(yè)成績相關結構化數(shù)據(jù)等。其中，線上平臺數(shù)據(jù)涵蓋了登錄時間、登錄次數(shù)、導航使用、視頻查看、資源訪問、客觀題答題、主觀題答題、論壇討論、主觀題互評、即時測評、項目考核等；線下智慧課堂數(shù)據(jù)包含考勤、課堂問答、同伴討論、媒體操作、身體姿勢、面部表情、調(diào)查問卷等多模態(tài)數(shù)據(jù)。采集到的海量學習過程大數(shù)據(jù)存儲在基于Hadoop 技術架構的存儲系統(tǒng)中，利用分類、聚類、統(tǒng)計分析和管理規(guī)則分析等對與學習者畫像密切相關的數(shù)據(jù)進行處理。隨后，將學習者數(shù)據(jù)進行分類、標簽化等系列處理工作之后，應用貝葉斯網(wǎng)絡對知識點掌握情況進行標簽化抽取，應用序列和決策樹算法對學習行為數(shù)據(jù)進行標簽化抽取，應用統(tǒng)計分析法對學習者基本信息進行標簽化抽取，形成學習者群體畫像和學習者個體畫像。

（三）學情診斷

學習是一個動態(tài)發(fā)展的過程，對學習者學情進行動態(tài)診斷分析，識別其學習狀態(tài)，并進行相應的教學策略調(diào)整，才能促進其全面發(fā)展。本研究從學習者的基本屬性、知識掌握情況、學習行為、學習情緒四個方面進行學情診斷。

1.學習者基本屬性

對采集樣本數(shù)據(jù)進行分析時使用非參數(shù)檢驗，以檢驗不同性別、年齡、身份的學習者完成課程的差異性。數(shù)據(jù)顯示，參與課程學習人數(shù)為869 人，全部完成課程學習人數(shù)為847人。學習者中，25 歲以下的832 人，且主要是在校生，26～40 歲的35人，41歲以上的2人；在校學生836人，社會學習者33 人；已有編程基礎或接觸編程相關知識的學習者793人；學習者大部分來自湖南、江西等中西部地區(qū)，少部分來自廣東沿海地區(qū)。結果表明，在線開放課程學習者中，在校學生占多數(shù)，因為這門課程是專業(yè)基礎性課程，屬于必修科目；只有少數(shù)社會學習者基于職業(yè)生涯發(fā)展需要或興趣愛好選修了這門課程，這是因為這門課程的學習有一定的門檻要求。此外，因為學習者大部分都是在校學生，這門課程的完成率高達74.7%。

2.學習者知識掌握程度

主要從知識點即時測評、作業(yè)和期末考核三方面對學習者知識點掌握情況進行綜合分析。（1）知識點即時測評情況。學習者知識點即時測評整體通過率為88%，其中積極參與型學習者通過率為100%、保持參與型通過率為98%、潛在輟課型通過率49%、高度流失型通過率為23%。（2）作業(yè)完成情況。86%的學習者作業(yè)成績?yōu)楹细?。?）期末考核方面，全程完成學習并參加期末測試的人數(shù)為825 人，占比94.9%，其中優(yōu)良（85分以上）以上成績占比36.9%。

3.學習者學習行為

主要從學習行為聚類、出勤、學習偏好、交互程度等方面對學習者學習行為進行分析。（1）行為聚類。對學習者的行為進行聚類分析可以將學習者劃分為不同的學習群體，便于教師針對不同群體學習需求采用適切的教學策略、推薦適應的學習路徑等。根據(jù)學習者的學習行為，學習者可以分為積極參與型（占比32%）、保持參與型（占比41%）、潛在輟課型（占比18%）、高度流失型（占比9%）四類。進一步研究發(fā)現(xiàn)：不同的學習者群體在學習行為與學業(yè)成就之間存在著顯著性差異。如積極參與型學習群體的學習動機較高、學習時長較長、積極參與各類學習活動、個人自主學習能力較強、學習成績合格率高、流失的可能性比較小。保持參與型學習群體的成績合格率高、按時完成學習、學習動機處于合適水平、學習交互程度較好。潛在輟課型學習群體的成績合格率不高、學習意愿不強烈、學習時長也比較短、學習成績不好、學習流失的可能性較大。高度流失型學習群體的學習意愿不強烈、較少參與學習互動、缺少學習動機、學業(yè)成績差。（2）出勤?？梢詮某銮跔顟B(tài)和學習時長方面對學習者的出勤情況進行定量分析。其中，出勤狀態(tài)包括從按時上下課的次數(shù)、訪問課件次數(shù)、訪問音視頻學習資源次數(shù)、提交作業(yè)次數(shù)、提交測試次數(shù)等；學習時長方面包括在線觀看視頻時長、作業(yè)時長、測評時長等方面。數(shù)據(jù)顯示，92%的學習者能夠準時參加學習并及時完成作業(yè)，6%的學習者能夠完成作業(yè)但超出規(guī)定時間。（3）學習偏好?？梢詮膶W習資源獲取方式和學習資源類型方面對學習者學習偏好情況進行定量分析。學習資源獲取方式主要包括訪問課件列表次數(shù)、訪問課時內(nèi)容次數(shù)、訪問論壇列表次數(shù)、訪問帖子內(nèi)容次數(shù)、觀看本周視頻次數(shù)、觀看其他視頻次數(shù)等，根據(jù)學習者學習的資源訪問次數(shù)可將學習者知識獲取類型分為直接獲取型（占比90%）和探索學習型（占比10%）。學習資源類型主要包括訪問課件列表次數(shù)、訪問論壇列表次數(shù)、訪問帖子內(nèi)容次數(shù)觀看視頻數(shù)、觀看視頻時長、觀看視頻涉及單元數(shù)等。數(shù)據(jù)顯示，學習者中，喜好視頻類型資源的占比為89%，喜好文本類型資源的占比為11%。（4）交互程度。主要從線上論壇發(fā)帖或回帖、帖子內(nèi)容長度、帖子獲贊數(shù)和線下課堂師生交互次數(shù)、生生交互次數(shù)等方面對學習者交互程度進行定量分析。數(shù)據(jù)顯示，學習者整體交互程度不高，有36%的學習者參與論壇或線下課堂互動活動，32%的學習者并沒有使用論壇或參與教學互動。

4.學習者學習情緒

主要通過主觀測量和客觀測量兩種方式衡量學習者的學習情緒。（1）主觀測量。主要通過量表測量學習者的主觀情緒體驗，既有研究中常用的情緒測量量表有心境形容詞量表（Mood Adjective Check List，MACL）、多重情緒形容詞量表（Multiple Affect Adjective Check List，MAACL）和多項情緒分化量表（Differential Emotions Scale，DES），本研究采用多項情緒分化量表（DES）進行主觀情緒測量。[41]（2）客觀測量。主要包括生理測量和行為測量。其中，生理測量是通過穿戴設備將學習者不同情緒狀態(tài)下的變化進行記錄，以判定其情緒與生理變化的關系。行為測量是通過面部表情、身體動作、論壇文本信息挖掘來判斷學習者情緒。[42]線上學習環(huán)節(jié)主要是通過對學習者的論壇進行文本挖掘分析和發(fā)放多項情緒分化量表問卷兩種方式進行學習情緒分析；線下智慧課堂主要通過面部表情識別、穿戴設備感知等技術對學習者情緒進行評量，由于目前智能穿戴設備在普及率和使用的便捷性等方面還不盡如人意，本研究中暫時沒有將智能穿戴設備采集的心理測量數(shù)據(jù)納入進來。研究結果顯示：學習者的整體積極學習情緒占比為58%，中性學習情緒占比為22%，消極學習情緒占比為20%，且學習情緒與學習內(nèi)容、學習支持服務呈現(xiàn)顯著相關性。

（四）學習預警策略

1.學習行為預警策略

學習行為不僅包括出勤、師生（生生）交互等外顯行為，還包含論壇評論等反映學習者內(nèi)心學習態(tài)度與情緒的內(nèi)隱學習行為，所以學習行為預警從這兩個方面進行考量。在本研究中學習行為預警主要從以下幾個指標進行預警閾值的設定：學習進度拖后2 周、缺勤率較高（達到30%及以上），交互方面（師生、生生、人機之間的交互次數(shù)、交互時長）綜合評分靠后（未達到70%）、學習任務完成度不足70%，論壇評論互動（評論次數(shù)、評論文本字數(shù)、獲贊次數(shù)、被轉載次數(shù)）綜合評分靠后（未達到70%）。當滿足任意一個上述指標條件時，就啟動預警。預警策略：（1）群體預警策略：積極參與型學習群體，不需要預警和干預，向學習者推薦適切的拓展學習資源或推薦更具有挑戰(zhàn)性且難度適中學習任務等。保持參與型學習群體，不需要預警，教師適當進行干預，增加趣味性較強的探究性學習活動，“誘導”學習者更多參與人機交互、生生交互或師生交互進行，進一步提高學習參與度。潛在輟課型學習群體，需要預警并進行教師干預和系統(tǒng)干預，干預強度較強，在學習前、學習中、學習后都需要進行適當干預，并向學習者推送適切的學習資源和學習路徑。高度流失型學習群體，需要預警并進行教師干預和系統(tǒng)干預，干預強度最強；通過消息提醒其學習進度、推薦難度偏低、質(zhì)量高且趣味性較強的學習資源，向其推薦學習伙伴，還可以采取一些激勵措施如簽到獎勵、參與互動獎勵、回答問題正確加倍積分等形式吸引學習者。（2）學習者個體預警策略：當學習者的出勤、登錄學習平臺次數(shù)、回答問題次數(shù)、學習進度等方面觸發(fā)預警時，則發(fā)出郵件、消息提醒或口頭警示，向學習者推送其學習進度可視化提醒和學習軌跡全景圖、推送學習知識點路徑、學習同伴等；當學習者在線上線下課堂中討論交流、論壇互動、學習資源訪問、探究協(xié)同解決問題等方面觸發(fā)預警時，則向其發(fā)送郵件、消息提醒或口頭提醒，推送學習伙伴與適切的個性化學習路徑等。

2.學業(yè)成就預警策略

學習成就主要指知識點掌握情況，其預警主要從學習者平時作業(yè)完成情況、知識點即時測評和期末測評等方面進行綜合預警。首先，將本門課程涉及的知識點標記為概念性知識、事實性知識、程序性知識等類型；將各知識點之間的關系標識為層次關系（平行、兄弟、父子）、依賴關系（前驅、后繼）、關聯(lián)關系（主要知識點與關聯(lián)知識點之間的松散關系），標注知識點要求掌握程度、知識點難度等信息；最終形成本門課程知識地圖（知識圖譜）。然后，根據(jù)學習者即時測評、作業(yè)及期末測評中涉及知識點的掌握情況與課程知識地圖（知識圖譜）中對應知識點需要達到的目標進行比對，判斷其某個知識點或某類知識點是否存在學習困難、是否需要預警。預警策略：（1）群體預警策略：如大部分學習者對某個或某類型知識點掌握不好時，線下課堂教師及時調(diào)整學習進度、降低知識點學習難度、設計情境化的學習任務，促進知識點的理解消化；線上學習方面，系統(tǒng)暫停當前的學習任務，向學習者推送難度較低的個性化學習資源、推薦學習同伴、針對性答疑等以幫助學習者克服學習困難，待該知識點基本掌握后，系統(tǒng)會繼續(xù)向學生推送后續(xù)學習任務。（2）學習者個體預警策略：根據(jù)不同知識點類型（概念性知識、事實性知識、程序性知識）設計不同難易梯度的干預策略。如向概念性知識掌握不好的學生推薦與本知識點相關聯(lián)的其他知識或學習資料，設計一些游戲闖關式的知識概念測試題目，調(diào)動學生的學習主動性；如向程序性知識掌握不好的學生，推薦降低難度的學習資料，將抽象知識以可視化的方式推送給學生，同時教師在教學設計時創(chuàng)設過程情境化的學習項目，讓學生在仿真情境下較好掌握相應知識。

3.學習情緒預警策略

本研究中學習情緒預警主要從發(fā)放多項情緒分化量表問卷的主觀測量和包含面部表情、肢體動作、論壇文本信息等行為測量兩個方面對學習者的情緒進行綜合預警。主觀情緒方面，通過網(wǎng)絡學習平臺不定期地發(fā)放、收集多項情緒分化量表問卷數(shù)據(jù)，當問卷量表統(tǒng)計結果顯示學習者的情緒達到消極情緒時就觸發(fā)預警；行為測量方面，主要通過學習者的面部表情（沉思、苦悶、愉悅、興奮）、肢體動作（頭部、身體、手勢）、反映內(nèi)心情感與學習態(tài)度的論壇文本挖掘信息等方面綜合研判其學習情緒狀態(tài)，當診斷結果為消極情緒時立即觸發(fā)預警。既有研究表明學習情緒會對學習行為和學習效果產(chǎn)生重要的影響；學習情緒與教學互動、學習內(nèi)容是否感興趣、學習內(nèi)容難易程度等因素相關。[43]預警策略：（1）群體預警策略：一是教師在進行教學設計時可以創(chuàng)設“游戲化”學習情境、“闖關式”學習任務，提高教學各環(huán)節(jié)的互動性與趣味性；開發(fā)降低學習難度且質(zhì)量較高趣味性較強的學習資源等途徑，提高學習者的興趣與積極性；二是將學習者的情緒劃分為積極、中性、消極（低級別、高級別）等三大類，積極與中性學習情緒的學習群體不需進行預警，對于消極情緒的學習群體通過系統(tǒng)提醒、郵件通知和教師針對性輔導或交談。（2）學習者個體預警策略：對于高級別消極情緒學習者，可以適當降低學習難度、調(diào)整教學進度并加以個性化輔導，以減小其對學習的畏懼和抵觸情緒；對于低級別消極情緒學習者，可以采用情緒提示、問題引導、資源推送、自適應同伴互助等方式進行人機交互或師生（生生）間的協(xié)作交流，幫助其對知識難點的理解與消化，促使學習者的消極情緒向積極情緒轉變。

（五）應用效果分析與結論

1.應用效果分析

本研究選取2020年秋季和2021年秋季班學生選修的“C語言程序設計”課程成績進行基于學習者畫像的在線開放課程學習預警應用效果的對比分析。其中，面向2020年秋季班（45 人）學生的課堂采用普通混合式教學模式，課程成績?nèi)∑溆?021年1月期末考試的綜合成績；面向2021年秋季班（43 人）學生的課堂，采取基于學習者畫像技術進行課程預警教學實踐，課程成績?nèi)∑溆?022年1月舉行的期末考試的綜合成績。本研究使用軟件SPSS 22.0，采用獨立樣本T檢驗對兩個班級學生的成績差異進行檢驗，結果見表4和表5。

表4 對照班級學生成績差異的獨立樣本檢驗

表5 對照班級學生的成績數(shù)據(jù)統(tǒng)計

從表4可以看出，獨立樣本檢驗結果中的F值=0.051，Sig.值=0.841＞0.05，說明假設方差相等；均值方程T 檢驗值=4.127，Sig.值=0.000＜0.05，拒絕原假設，即證明應用學習者畫像對課程學習預警實施前后在成績上存在顯著差異。2020年秋季班和2021年秋季班學生的成績數(shù)據(jù)統(tǒng)計如表5 所示，可以看出：2020年秋季班學生的成績均值為68.83，而2021年秋季班學生的成績均值為80.67。由此可知，實施了基于學習者畫像的在線開放課程學習預警的2021 秋季班級學生成績高于沒有實施學習者畫像的2020年秋季班學生成績，且超過了顯著水平為5%的顯著性檢驗，說明運用學習者畫像的課程教學實踐效果優(yōu)于沒有利用學習者畫像的課程教學實踐。

2.研究結論

（1）學習者的學習全過程多模態(tài)數(shù)據(jù)采集是構建畫像和實現(xiàn)精準預警的基礎。在物聯(lián)傳感網(wǎng)絡、網(wǎng)絡爬蟲、教育數(shù)據(jù)挖掘等智能技術支持下，伴隨式采集學習者全過程的多模態(tài)、異構學習過程數(shù)據(jù)和學習結果數(shù)據(jù)，記錄學習過程中的學習行為、學習情緒變化等表現(xiàn)，為理解挖掘數(shù)據(jù)背后隱藏的認知規(guī)律、學習行為等方面研究提供了數(shù)據(jù)基礎。

（2）學習者畫像從多個維度對學習者進行全面刻畫，能精準地識別學習狀態(tài)，如知識掌握情況、學習行為、學習情緒等。知識掌握情況維度：根據(jù)學習者即時測評、作業(yè)及期末測評中涉及知識點的掌握情況與課程知識地圖中對應知識點需要達到的目標進行比對，精確判斷出學習者的知識掌握情況。學習行為維度：從學習者的出勤、學習進度、學習交互度、學習投入度、任務貢獻度等方面深度挖掘外顯學習行為和內(nèi)隱學習行為，精準識別學習者屬于哪種學習者類型、具有怎樣的學習特點和習慣等。學習情緒維度：從生理測量（智能穿戴設備測量心電、腦電、皮電等信號）、行為測量（面部表情、肢體動作、論壇評論信息挖掘等數(shù)據(jù)）和發(fā)放量表問卷三種方式對學習者的學習情緒進行綜合判定。

（3）基于學習者畫像預警模型能為學習者提供精準的學習預警和個性化的教學干預。預警模型基于學習者畫像技術，在學習行為、知識掌握情況、學習情緒等方面綜合分析、識別學習者的學習狀態(tài)，實現(xiàn)精準地預警；通過設計不同的預警策略庫，根據(jù)學習者的預警情況匹配相應的預警策略，實施個性化的教學干預，以提高學習效能。還有一點需要強調(diào)的是由于學習是一個動態(tài)適應的復雜過程，教學干預可能需要進行多次才能完成，故教學干預也是一個迭代遞進優(yōu)化的過程。

對在線開放課程學習全過程進行及時預警和干預是提高在線開放課程學習質(zhì)量的重要措施。本研究基于學習者的基本屬性、知識掌握情況、學習行為、學習情緒四個維度對學習者畫像進行建模，形成學習者群體畫像和學習者個體畫像，并針對不同學習群體和學習個體進行學習預警和個性化教學干預，為教學者提供基于“證據(jù)”的教學決策支持服務，通過實踐驗證了其有效性。誠然，研究也還存在一些不足：如研究的學習者畫像偏重知識掌握和學習行為維度，對學習情緒進行畫像構建還存在畫像顆粒度較粗、情感數(shù)據(jù)采集與測量有待進一步加強。同時，實踐應用范圍還應擴展到更多課程中展開研究，這些將是項目團隊進一步的研究方向。