在線教育環(huán)境下基于學習者畫像的成績預測研究

徐 琦 劉興紅 余亞烽 陳 雪 張 涵

一、引言

在線教育以“大規(guī)模、開放、共享”等特點風靡全球[1]。學習者畫像以刻畫和呈現(xiàn)學生信息全貌為特點，近年來已成為遠程教育領域的研究熱點。通過網(wǎng)絡實現(xiàn)的教育過程，不要求師生在時間和空間上嚴格同步，學生很容易形成松散的學習心態(tài)，以致難以收獲良好的學習效果。因此，借助學習者畫像的優(yōu)勢來緩解在線教育中學習成績預測的難題，幫助學生及時調整學習狀態(tài)、提高學習效率，是當前教育界關注的熱點，也是本研究的重點之一。本研究在學習者畫像的指導下進行學習成績預測，一方面可以讓原本無序繁雜的學習數(shù)據(jù)變得有序簡潔，另一方面能讓教師原本缺少視覺線索、無法判斷學習者參與度的現(xiàn)狀得到逐步緩解，有助于促進在線教與學的和諧共生，為更多學習者創(chuàng)造更加個性化的學習體驗。

二、概念界定及研究現(xiàn)狀

（一）學習者畫像

表1從五個維度對“學習者畫像”的相關概念進行了辨析。學習者畫像起源于商業(yè)領域的“用戶畫像”?！坝脩舢嬒瘛币蚱湓诔浞掷玫湫拖M者的特征數(shù)據(jù)（背景、能力、性格、習慣、行為等）后，能定量化發(fā)掘用戶心智與需求而于近幾年被廣泛關注[2]?！皩W習者畫像”可以看作“用戶畫像”在教育領域中的創(chuàng)新應用與嘗試[3]，但目前尚未形成統(tǒng)一的概念。

表1學習者畫像的相近概念辨析

如表1所示，“學習者畫像”與“學習者模型”也有相似之處。它們都是對滿足教育系統(tǒng)需要的部分要素加以描述和表示，但“學習者模型”更強調學習者的動態(tài)特征，這也是個性化學習的核心與關鍵[4]，由于教育系統(tǒng)目標的差異與學習環(huán)境的復雜性，目前并不存在通用的學習者畫像建模方法。由此可見，學習者畫像可以針對某種個性化的學習需求目標（如提升學習效果等），通過采集學習者特征的有關數(shù)據(jù)，運用多種分析手段找出畫像角色之間更深層次的差異（目的、動機、能力等），而不僅僅是學習者是誰（姓名、性別等淺層信息），從而為其提供精準的教學支持。

（二）學習成績預測研究

學習成績量化了學習者的學習成就與收獲，可看作學生在完成一系列教學活動后產(chǎn)生的認知、行為、技能、情感態(tài)度的結果總和。學習成績預測可視為是否進行學習預警和調整教學策略的重要依據(jù)，它是在教學評價等理論的指導下，通過確定學習成績的影響因素，從在線學習平臺等數(shù)據(jù)源中采集相應數(shù)據(jù)，運用預測算法來建立學習成績的數(shù)據(jù)模型，分析不同學生之間的成績差異情況，發(fā)現(xiàn)學習過程中存在的問題，從而助力師生及時調整教與學的狀態(tài)。

學習成績預測研究主要包括以下內(nèi)容：

（1）預測方法研究。根據(jù)學習者客觀的統(tǒng)計數(shù)據(jù)和學習行為數(shù)據(jù)等，沿用計算機領域中的經(jīng)典算法進行預測建模[5]，主要涉及基于概率的成績預測，如樸素貝葉斯；基于傳統(tǒng)機器學習的成績預測，如決策樹、多層感知器和隨機森林等監(jiān)督式數(shù)據(jù)挖掘技術等；基于深度學習的成績預測，如基于特征交互的神經(jīng)網(wǎng)絡框架等[6]。目前，各類預測算法隨學習成績的等級劃分標準具有不同的預測準確率[7]，準確率普遍在70%左右[8]。因此，根據(jù)學習者的有效特征綜合選取預測模型尤為關鍵。趙磊等[9]通過多種預測技術（決策樹、貝葉斯、支持向量機和人工神經(jīng)網(wǎng)絡），解釋了MOOC課程中學習行為（界面交互、內(nèi)容交互、人際交互和參與考核）與學業(yè)成績之間的復雜相關性。可見，在線教育系統(tǒng)中的學習數(shù)據(jù)日漸豐富，教育大數(shù)據(jù)技術的快速發(fā)展，驅動著成績預測模型的比較、篩選和優(yōu)化研究的不斷深入。

（2）預測應用研究。能夠在收集和管理學生數(shù)據(jù)的基礎上，開發(fā)和探索數(shù)據(jù)內(nèi)部結構所蘊含的聯(lián)系，對深入解釋教學現(xiàn)象、發(fā)現(xiàn)教學問題具有重要作用。如Moises等[10]通過LMS日志數(shù)據(jù)創(chuàng)建了學生成績的早期預測模型，發(fā)現(xiàn)LMS交互模式與學生學業(yè)表現(xiàn)有很強的相關性；Agapito等[11]通過預測來自完全在線學習（CO）的本科生成績，發(fā)現(xiàn)互動次數(shù)與學生表現(xiàn)密切相關、年齡與學業(yè)成績成反比；馬玉玲[12]通過學生已完成課程上的學習情況預測了其在下學期待開設課程上的成績，證實了學生的行為習慣與成績之間具有相關性。

綜上所述，學習成績預測的角度大多以課程關聯(lián)度、學習交互等為主，少有研究從學習者畫像的角度來挖掘學習成績影響因素，而學習者的特征也是學習成績影響因素的重要組成部分。學習者畫像研究的興起有望將學習者的特征與學習成績影響因素結合起來，構成學習成績的預測要素，以更加關注學習者的全貌特征來支持學習成績的有效預測，促進學習成績預測研究的深度應用。

三、研究設計

（一）總體設計流程

從在線教育環(huán)境下學習者畫像的角度出發(fā)，提出基于學習者畫像的學習成績預測流程，如圖1，分為確定目標、構建標簽體系和數(shù)據(jù)建模、數(shù)據(jù)采集與預處理、學習者畫像分析與輸出、實施學習成績預測五個主要步驟。該流程是學習者畫像和學習成績預測雙向融合的系統(tǒng)框架，確定本次畫像的構建目標為：（1）通過學習者畫像精準刻畫學習者的在線學習特征；（2）通過學習成績預測對在線學習結果進行評價與反思；（3）進一步反思教學，為學習者提供個性化的服務，助力教師制定預警及干預措施。

在設計學習者畫像標簽體系的過程中，采用結構化的標簽體系設計方式來識別不同的學習者群體，挑選具有價值的學習者數(shù)據(jù)類型，并將學習者的各級標簽與各類型數(shù)據(jù)對應起來，指導開展學習者畫像。在數(shù)據(jù)采集和預處理后，將對學習者個體和群體進行畫像分析，重點輸出學習者畫像的聚類結果。在學習成績預測的實施階段，首先通過比較不同的預測模型，初步篩選出實施預測的最佳算法，然后在構建各類群對應的數(shù)據(jù)模型基礎上評估預測效果，同時深入理解學習者的學習發(fā)生過程和學習變化規(guī)律，最后輸出預測結果，用以驗證本次實踐對總體目標的達成情況，以期更好地反饋教學效果、優(yōu)化教學過程。

圖1基于學習者畫像的學習成績預測流程

（二）學習者畫像的標簽設計及數(shù)據(jù)指標

標簽體系設計是將學習者的各屬性進行維度細分，并與學習數(shù)據(jù)指標對應起來的過程。如表2，從學習者畫像的五個方面確定學習成績的影響因素：

（1）個人屬性對應學習者的基本信息，這些信息是為了幫助教學相關者準確識別每一位學習者，并沒有涉及學習過程的動態(tài)數(shù)據(jù)，故不納入后續(xù)數(shù)據(jù)維度分析中。

（2）交互屬性是對學習交互的描述，分為人機交互和人際交互兩個類目[13]。人機交互體現(xiàn)的是學習者與平臺資源之間的互動過程。人際交互主要表現(xiàn)為學習者與教師和學伴的學習交流[14]，如查看討論、評論、點贊等，這種在線教學對話有助于減少學習孤獨感、增強在線教學聯(lián)系，但也可能包含學習者為了完成學習任務而發(fā)生的被動交互行為，因而不能反映出學習者的綜合能力。

（3）興趣屬性是對在線學習偏好的描述，分為學習興趣和學習風格兩個類目。當學習者的學習興趣較強時，他們會對學習任務表現(xiàn)出積極、專注的學習狀態(tài)；當學習興趣一般或較低時，他們不愿意完成基本的學習任務，學習熱情也會較低。學習風格劃分參考Felder-Silverman模型（FSLSM）[15]，在信息加工過程中將學習者劃分為活躍型和沉思型?；钴S型學習者更喜歡積極地執(zhí)行學習任務，會根據(jù)問題的部分信息或未對問題做透徹的分析就積極做出反應、倉促做出決定，反應速度較快，但容易出現(xiàn)錯誤。沉思型學習者會通過大量的時間安靜地思考和分析問題，能較好地約束自己的行為，權衡各種問題解決方案后做出決定，能在外界要求下對自己的解答做出全面合理的解釋，因而出現(xiàn)的錯誤較少。

（4）能力屬性是對學習者的認知、行為和情感等復雜學習投入情況的描述[16]，分為認知能力、創(chuàng)造實踐和自主學習三個類目。認知能力指學習者在參與課堂活動過程中的記憶、理解、應用三方面的綜合表現(xiàn)，如參加搶答等。創(chuàng)造實踐能反映學習者在分析、評價和創(chuàng)造三方面的能力情況，與學習者積累經(jīng)驗、知識儲備和技能調用的情況有關，如創(chuàng)建話題等。自主學習主要反映學習者能否按照課程目標和個人需求展開自主學習，以及學習頻率如何。能力屬性聚焦學習者的深層投入情況，而非交互屬性中所指的較淺層在線交互，能代表學習者在知識創(chuàng)造、邏輯推理、抽象思維和信息加工等方面的綜合能力。

（5）知識屬性是對學習者在線學習過程的形成性評價，劃分為資源利用率、知識掌握度和目標達成度三個類目。資源利用率用于描述學習者對學習資源的運用情況。知識掌握度體現(xiàn)在平時作業(yè)和隨堂考試中，平時作業(yè)中涉及的知識內(nèi)容少、知識范圍小，可以反映出學生者對具體知識點的掌握情況。目標達成度與課程階段性測驗有關，如期中、期末考試，用于檢驗學習者對課程目標的達成情況，階段性測驗中涉及的知識范疇更廣、綜合性也更強。

表2學習者畫像標簽體系及數(shù)據(jù)指標

四、學習者畫像分析

（一）數(shù)據(jù)采集與預處理

案例樣本來自湖北H大學三門“超星學習通”線上課程《數(shù)字視頻設計與制作》《新媒體技術講座》和《電視節(jié)目編導與制作》，面向來自教育技術學專業(yè)和數(shù)字媒體技術專業(yè)的185名學習者。根據(jù)研究需求，從該平臺導出兩部分數(shù)據(jù)：（1）學習者的基本信息；（2）在線學習數(shù)據(jù)，包括學生綜合完成情況、任務點完成情況、音視頻觀看詳情、討論詳情、章節(jié)學習次數(shù)、成績詳情、章節(jié)測驗統(tǒng)計、作業(yè)統(tǒng)計、考試統(tǒng)計和課程綜合統(tǒng)計，共計10項數(shù)據(jù)表。采用python數(shù)據(jù)處理技術對原始數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)整合和數(shù)據(jù)轉換等，共得到24207條有效學習數(shù)據(jù)。初步統(tǒng)計發(fā)現(xiàn)，各屬性取值范圍均在0至1之間，學習者在能力屬性（M=0.384）、交互屬性（M=0.468）、興趣屬性（M=0.590）、知識屬性（M=0.818）上的均值呈現(xiàn)依次遞增的趨勢，這說明大多數(shù)學習者對在線學習平臺均具有較濃厚的使用興趣，但在交流互動方面還不夠積極主動，在線學習能力也有待加強，學習者在四個屬性上的得分離散程度（SD<0.3）均不大，說明學習者在各維度上的表現(xiàn)比較穩(wěn)定。

（二）個人畫像分析

從樣本中隨機挑選一名學習者進行個人畫像，用該學習者不同維度的數(shù)據(jù)值減去樣本對應維度中的平均水平值，結果作為該學習者所在課程的某項標簽值得分，得到各級標簽可視化詳情如圖2所示。其中，部分維度有三分類標簽值，為獲得清晰方便的結構，均將其用兩級標簽進行展示。

這名學習者在知識屬性上的表現(xiàn)最好，階段測試結果也比較優(yōu)秀，說明他較擅長通過在線學習掌握課程知識，獲得較高分數(shù)，是一名深度學習者。該學習者在興趣屬性和能力屬性上的表現(xiàn)相當，均處于中等偏上的水平。深入分析發(fā)現(xiàn)，他能積極參與各項學習活動，并按時完成簽到等學習任務，學習興趣較濃厚。在能力屬性上，他自主學習的投入度較高，能努力完成各項作業(yè)，是一名課堂學習高手，但在創(chuàng)造實踐方面表現(xiàn)一般。這名學習者在交互屬性上得分的偏低，說明他沒有與其他學伴、教師進行頻繁的交流互動，可推測他不太注重維護線上學習社交關系，傾向獨立學習和觀察學習。

圖2某位學習者的個人畫像

（三）聚類畫像分析

本文采用K-means算法對樣本進行聚類，通過“手肘法”[17]來判定最佳聚類數(shù)K值，其中同時考慮了類內(nèi)距離和類間距離的變化，最后確定最佳聚類數(shù)為4。經(jīng)F檢驗，四個屬性均呈現(xiàn)顯著性差異（p<0.05），驗證了本次聚類的有效性。其中，類群1占總人數(shù)的比例為14%，類群2占比48%，類群3占比30%，類群4占比8%。各屬性對聚類結果的重要程度為：知識屬性（F=168.79）>能力屬性（F=127.73）>交互屬性（F=72.89）>興趣屬性（F=93.70）。

統(tǒng)計發(fā)現(xiàn)，類群1在興趣屬性（M=0.85）和能力屬性（M=0.80）上的得分較高。類群2在交互屬性（M=0.52）和知識屬性（M=0.88）上的表現(xiàn)相對更好。類群3在興趣屬性（M=0.43）、交互屬性（M=0.28）、能力屬性（M=0.25）和知識屬性（M=0.83）上的表現(xiàn)均較穩(wěn)定。而類群4在交互屬性（M=0.11）、興趣屬性（M=0.33）、能力屬性（M=0.12）、知識屬性（M=0.30）上的得分均偏低。

因此，類群1能代表興趣濃厚、能力突出的學習者群體；類群2代表的是善于交流、學習興趣明顯、積極努力的學習者群體；類群3用于代表具有學習潛力、知識技能掌握扎實的學習者群體；類群4則代表的是在交互、興趣、能力和知識方面均表現(xiàn)不佳的學習者群體。根據(jù)上述四個類群的屬性特點，本文對他們進行類型識別并命名，將類群1劃分為主動趕超者，類群2劃分為積極協(xié)作者，類群3劃分為潛在建構者，類群4劃分為被動接受者，具體描述如表3。

表3各類群的描述性特征

五、學習成績預測的實施

（一）學習成績預測模型構建對比

從教務系統(tǒng)中獲取樣本學習成績后，將百分制的學習成績轉換成4個等級，轉換規(guī)則為：學習成績?yōu)?5分以上時為優(yōu)秀，將其劃分為A；學習成績?yōu)?5-75分之間時為良好，將其劃分為B；學習成績?yōu)?5-60分之間時為合格，將其劃分為C；學習成績在60分以下時定義為不合格，將其劃分為D。成績轉換后發(fā)現(xiàn)，優(yōu)秀等級者73名（39%），良好等級者99名（54%），合格等級者9名（5%），不合格等級者4名（2%）。

為了找出適合本次數(shù)據(jù)的預測算法，這里通過Rapid Miner工具對常見的預測算法進行了比較，分別選取樸素貝葉斯、廣義線性模型、Logistics回歸、Fast最大邊緣算法、深度學習、決策樹、隨機森林、梯度增強樹和支持向量機，將185名樣本學習者的學習成績作為預測目標變量，交互、興趣、能力和知識屬性作為輸入自變量，并從準確率（accuracy）[18]和分類錯誤率（classification error）兩個指標來判斷各算法的優(yōu)劣程度，數(shù)據(jù)模型中各屬性所占權重大小用折線表示，如圖3，知識屬性和交互屬性在各模型中均占較高權重，當學習者在這兩類屬性上的得分均較高時，他們更有可能獲得較高的學習成績，這說明這兩類屬性是對學習者影響較大的因素，Logistics回歸、廣義線性模型、Fast最大邊緣算法、決策樹、隨機森林、梯度增強樹的預測準確率達到0.547~0.595，其中Logistics回歸的準確率最高，為0.595，說明該數(shù)據(jù)模型的預測性能最好，即logistics回歸模型能較好地解釋樣本數(shù)據(jù)，因此選擇該模型對四類學習者進行深入預測分析。

圖3預測算法精度比較

（二）預測模型效果檢驗

以學習成績等級（“優(yōu)秀”=A、“良好”=B、“合格”=C、“不合格”=D）為因變量，交互、興趣、能力和知識屬性為自變量，對主動趕超者、積極協(xié)作者、潛在建構者、被動接受者的學習數(shù)據(jù)建立logistic回歸方程，分別對應表4中的模型1、模型2、模型3、模型4。各模型對應的顯著性p值均小于0.05，說明模型構建均具有統(tǒng)計學意義，四個模型對原始學習數(shù)據(jù)的擬合通過檢驗。根據(jù)依次列出的3個偽R2值，模型1、2、3、4的最大偽R2值分別為0.444、0.365、0.364、0.475，這說明模型4和模型1對原始屬性變量變異的解釋程度最好，模型2和模型3對原始屬性變量變異的解釋程度一般，可能還存在一部分信息無法解釋，導致這兩個模型的擬合程度并未達到優(yōu)秀。

表4各模型的擬合信息

（三）各模型預測結果比較

如表5，模型1在預測主動趕超者學習成績等級為“優(yōu)秀”的正確百分比最高，為84%，該模型的整體預測正確率為66.4%，說明主動趕超者的logistic模型預測效果表現(xiàn)良好。模型2在預測學習成績等級為“合格”上也實現(xiàn)了100%的正確預測，該模型在預測積極協(xié)作者學習成績等級為“優(yōu)秀”的正確率高于模型1和模型3的預測效果，且模型2在預測學習成績各等級的總體正確率最高，可推測出模型2對積極協(xié)作者的學習數(shù)據(jù)建模效果最好。模型3在潛在建構者學習成績等級為“合格”的預測正確率高達100%，這說明logistics回歸模型對潛在建構者中的“合格”者能實現(xiàn)完全正確預測，整體上看，模型3對潛在建構者總體變異的解釋能力一般，尤其是對學習成績等級為“優(yōu)秀”的學習者預測效果不太理想，導致該模型的總體預測正確率也偏低。模型4對被動接受者學習成績的預測正確率最高達到了80.0%，這說明被動接受者的學習數(shù)據(jù)也能被良好地建模，且在學習成績等級為“良好”上表現(xiàn)最佳，模型4對學習成績?yōu)椤安缓细瘛钡膶W習者的數(shù)據(jù)也實現(xiàn)了較好的預測效果，預測正確率為75.0%，這將有望在后續(xù)教學實驗中實現(xiàn)早期預警，對大規(guī)模在線教學平臺來說具有較強的實際應用價值。

表5各模型的預測分類情況

（四）學習者各屬性對學習成績的影響

經(jīng)過對四類學習者進行多項logistic回歸分析，以因變量的第一個分類水平（即學習成績等級=“A”）為參照，用其他分類依次與之對比，考察不同水平間的傾向，可得到具體的logistic數(shù)據(jù)模型，各參數(shù)估計值均已通過瓦爾德顯著性檢驗（p<0.05），下面將具體描述。

主動趕超者的數(shù)據(jù)模型可表示為：G11=LOG[P(良好)/P(優(yōu)秀)]=2.219+(-4.473)*交互屬性+(-27.396)*興趣屬性+(-27.899)*能力屬性+(-1.154)*知識屬性；G12=0（對照組）。對于主動趕超者，他們在交互、興趣、知識屬性方面的投入度越高，越有可能獲得較高的成績等級，且興趣屬性和能力屬性對成績等級影響程度較為明顯。這代表著主動趕超者若想要保持較高的成績等級，需要努力提升興趣屬性和能力屬性得分，這不僅需要學習者自主加強邏輯推理、抽象思維等一般性能力的鍛煉，更要結合具體的課程知識，注意積累學習經(jīng)驗，并應用到實驗實踐中去。教師應充分關注該類學習群體的在學習活動中運用的思維與心智等，通過各種方式加強學生的在線專注度、堅持度，促進有意義學習的發(fā)生。

積極協(xié)作者的數(shù)據(jù)模型可表示為：G31=LOG[P(合格)/P(優(yōu)秀)]=110.8+38.568*交互屬性+(-95.853)*興趣屬性+(-167.268)*能力屬性+(-68.614)*知識屬性；G32=LOG[P(良好)/P(優(yōu)秀)]=2.865+(-5.211)*交互屬性+(-3.589)*興趣屬性+4.328*能力屬性+(-0.277)*知識屬性；G33=0（對照組）。對于積極協(xié)作者，合格等級和優(yōu)秀等級者之間的差距主要體現(xiàn)在能力、興趣和知識屬性方面，當積極協(xié)作者在上述三方面表現(xiàn)越好時，他們越有可能獲得優(yōu)秀等級。因此積極協(xié)作者在保持良好交互關系的基礎上，需要進一步提高在線學習能力，并對學習內(nèi)容采取積極穩(wěn)定的學習策略，教師并不需要給予過多的教學干預。良好等級和優(yōu)秀等級者之間的差距主要體現(xiàn)在交互、興趣和能力屬性方面，這也再次表明加強在線學習活動中的交互設計，可能對積極協(xié)作者獲得較高等級的學習成績非常重要。

潛在建構者的數(shù)據(jù)模型可表示為：G21=LOG[P(合格)/P(優(yōu)秀)]=-324.456+(-35.748)*交互屬性+(-101.488)*興趣屬性+16.019*能力屬性+(-384.279)*知識屬性；G22=LOG[P(良好)/P(優(yōu)秀)]=3.199+(-1.892)*交互屬性+0.585*興趣屬性+1.005*能力屬性+(-3.484)*知識屬性；G23=0（對照組）。對于潛在建構者來說，知識屬性對他們成績等級的影響最大，且他們的知識屬性得分越高，越有可能獲得相應更高的成績等級。其次，若潛在建構者中的合格者繼續(xù)加強興趣屬性的培養(yǎng)，即潛在建構者充分調動對各項在線學習任務的積極性，從而強化對課程知識本身的關注，則他們有望上升為優(yōu)秀者；教師也可通過提供獎勵支持來調動他們的外部動機。從良好等級上升為優(yōu)秀等級則需要潛在建構者注重提升交互屬性得分；教師則需要在教學設計中重視課程交互活動的設計，幫助潛在建構者實現(xiàn)從信息加工、感知到理解、分享的過渡。

被動接受者的數(shù)據(jù)模型可表示為：G41=LOG[P(不合格)/P(良好)]=6.857+(-9.511)*交互屬性+(-6.959)*興趣屬性+3.954*能力屬性+(-12.867)*知識屬性；G42=LOG[P(合格)/P(良好)]=-5.511+(-5.966)*交互屬性+(-6.698)*興趣屬性+(-2.412)*能力屬性+(-4.938)*知識屬性；G43=0（對照組）。對于被動接受者，不合格者和良好等級者之間的差距主要體現(xiàn)在知識屬性方面，即資源利用率低、平時課程知識內(nèi)容掌握度差、階段性目標達成度不高等消極因素造成了他們成績不合格。合格者和良好等級者之間的差距在興趣屬性方面表現(xiàn)得更為明顯，一方面，被動接受者對在線學習任務的投入度不高，參與活動的積極性不明顯，這種被動接受的學習方式讓他們很難達成學習目標，繼而導致他們僅能獲得合格的成績等級。因此，教師應該加強對該類群的關注，通過有意義的學習活動逐漸保持被動接受者的在線注意力，為他們創(chuàng)設學習活動的參與機會，鼓勵被動接受者發(fā)揮所長真正參與到學習過程中。

六、研究總結

借助學習者畫像在描述學習者的特征上的優(yōu)勢、學習成績預測在實施教學干預上的價值，提出了基于學習者畫像的學習成績預測流程，然后從個人屬性、交互屬性、興趣屬性、能力屬性和知識屬性五個方面構建了學習者畫像模型，以此展開教學案例實踐。通過個人畫像和聚類畫像，將學習者分為主動趕超者、積極協(xié)作者、潛在建構者和被動接受者四類群體。在此基礎上，采用logistics回歸模型對四類群體進行數(shù)據(jù)建模，深入分析并討論了各類群的學習成績預測效果，為教育工作者深入診斷學習者的學習狀態(tài)并給予精準的教學干預服務提供了參考。在未來研究中，將繼續(xù)在更多學習場景中整合不同類型學習者的學習數(shù)據(jù)，并采用更加智能化的數(shù)據(jù)分析技術，以挖掘學習者畫像及學習成績預測的應用潛力，促進個性化教育與現(xiàn)代信息技術的融合創(chuàng)新發(fā)展。