学习者数据肖像支撑下的个性化学习路径破解*——学习计算的价值赋予

牟智佳

（江南大学　人文学院，江苏无锡 214122）

学习者数据肖像支撑下的个性化学习路径破解*——学习计算的价值赋予

牟智佳

（江南大学人文学院，江苏无锡 214122）

随着自适应学习技术、学习计算、机器学习等先进学习分析技术的逐步成熟，以改善学习体验和促进学生个性发展为目标的个性化学习路径，有了可实现的契机。为此，通过对数据集驱动下的学习工程学研究范式的解读，揭示了数据分析对学习理论和技术增强下的学习材料的应用价值。之后，对个性化学习服务的实施阶段和外部新技术支持进行了阐述，对基于学习行为数据的个性化学习特征进行解析，并进一步设计了基于数字化学习环境下的学习者数据肖像模型。在此基础上，对个性化学习路径的内涵与特征进行了剖析，提出基于数据肖像模型的个性化学习路径实施框架。通过研究设计个性化学习路径系统平台结构，明确各功能层服务定位，可以为该类平台的开发提供有益的启示。

个性化学习；学习计算；数据肖像；自适应学习技术；机器学习；个性化学习路径；情感计算；学习分析

一、个性化学习服务的现实需求与发展契机

移动技术、自适应技术和推送技术的发展与成熟使得个性化学习有了较为可靠的技术支撑，数字化环境下的学习体验得到进一步提升。根据美国高等教育信息化协会创新学习组织 （Educause Initiative Learning）所调查的 “2016年教与学的关键问题”，将自适应学习作为其中一个重要议题，认为要开展自适应学习算法探索和内容设计以提供个性化学习服务[1]。

美国“2016国家教育技术计划”——《未来学习准备：重塑技术在教育中的角色》在其学习部分中指出：在技术增强的学习环境、学习数据分析、网络与移动终端的支持下，开展个性化学习有了更多现实发展潜力[2]。可以看出，个性化学习将成为继移动学习、泛在学习之后的新型学习方式。而以个性化学习资源推送、个性化学习路径生成、个性化学习社群推荐为主要构成内容的个性化学习服务，将随着个性化学习方式的兴起逐步要求到位。

当前，有关个性化学习的实践探索主要体现在自定步调学习、个别化指导、学习内容的自适应上，尚未实现在整个学习流程上提供具有差异化的学习内容、学习活动、社群网络、学习评价和学习路径等服务。阻碍实现这类服务的其中一个主要问题，在于未能整合以学习者为中心的学习数据，以及基于这些数据分析得出能够反映个性特征和优势的学习者肖像模型，而个性化学习服务需要个性化信息和数据肖像作为基础数据支撑。

近年来，可穿戴技术、情感计算和机器学习的快速发展，使得我们在整合学习者生物数据及其计算分析上有了实现的可能性。学习计算正是在大数据技术、数据科学和学习分析背景下产生的，它是以学习全过程数据链为分析来源，以学习科学下的教与学理论为支撑，对学习过程和学习结果进行计算分析，以揭示学习者真实学习状态的一种分析理念。基于学习计算理念，我们可以通过整合学习者眼动行为、脸部行为、心理行为、脑部行为等个性行为数据，为每个学生个体刻画出数字化学习肖像特征，进而为学习者提供精准的个性化学习服务。

基于这样的背景，本研究将从学习计算视角下，对学习者肖像模型设计及其基础之上的个性化学习路径进行探讨，以便为个性化学习研究提供有益的启示。

在该研究范式指导下，本研究着重探索基于数据的个性化学习分析与路径设计，通过对学习者的生物数据和学习数据进行计算分析，从而刻画出学习者的数据化肖像特征，为个性化学习路径的设计和推送，提供数据支持。

二、数据集驱动下的学习工程学研究范式

在大数据技术、数据科学和信息计算等领域的共同驱动下，数据集驱动的研究已经在地球科学、生物科学、医疗科学、计算机科学和天文学等学科开始了较为广泛的实践探索。以数据搜集、分析和互操作为特征的数据集驱动研究，已经被认为是科学探索中的第四个研究范式[3]。该类研究包括超越存储要求的数据资源、计算密度和复杂度。

随着教育大数据和学习分析的兴起，教育领域内数据集驱动的研究开始进入学界视野。教育大数据涉及不同层面，包括微观层数据（如，学习者点击流行为数据）、中观层数据（如，教学模式与策略行为数据）和宏观层数据（如，整合教与学结果的管理分析数据）。在这些数据的支持下，有研究者认为，教育领域中应该形成基于数据集的学习工程学研究范式[4]，如图1所示。

图1　数据集驱动的学习工程学研究范式

通过数据分析，一方面，我们可以揭示数字化学习环境下的学习理论；另一方面，可以促进数字化学习材料的优化改善。而基于数据分析得出的学习理论，可以更好地指导学习平台和材料设计，所形成的技术增强下的学习资源，则生成新一轮数据以支持分析。数据集驱动下的学习工程学，能够快速精准的确定特定环境下的优缺点，并通过分析学习点击流数据和学习情感数据进行优化，最终依据学习科学对基本教与学假设进行验证，将反馈结果应用于教学材料设计和教学实践。

三、学习行为数据支撑下的个性特征分析与肖像模型设计

学习者肖像是对反映其基本特征的个人数据进行搜集和描述，主要通过数据挖掘和机器学习算法的过程建构进行实现[5]。由于学习者在个人学习偏好、兴趣、背景和目标上存在一定的差异，对其进行肖像分析，可以提供自适应和个性化学习环境，以最大化改善其学习效果和效率。整体而言，学习者肖像反映的是其个性化学习心理和外在表现特征，因此，基于不同类型的学习行为数据分析个性化学习特征，有助于刻画出立体化的学习肖像。

（一）个性化学习服务的实施阶段

个性化学习是技术与学习深度融合的高级阶段，需要教育者在未来很长一段时间内进行理论和实践探索，以形成设计和实施解决方案。近年来，新媒体技术的发展，加快了教育工作者对个性化学习探索的步伐，也使得个性化学习在实践层面上有了可操作性。而在个性化学习服务的实施和发展阶段上，Samir Bolar认为应该包含三个阶段，如图2所示，各阶段从内到外依次递进且涵盖前一阶段内容[6]。

图2　个性化学习服务的实施阶段

阶段一：技术驱动学习，基于移动终端和网络开展数字化学习；阶段二：混合式学习，在无缝学习环境下为学习者提供自适应学习内容和学习反馈；阶段三：基于掌握的学习，制定个性化学习计划，由学生进行自我导向学习，并通过掌握评价方式让学生自定学习步调，最后基于学习过程数据进行预测分析和干预。

在实践操作上，Samir Bolar认为第一年需要做三方面的活动：（1）开发与提高教师和学生的数字化素养技能；（2）在课程中设计自适应数字化内容；（3）个性化学习计划的原型设计和应用测试。

可以看出，在推荐系统、自适应技术、学习数据集的支持下，教育实践中可以在一定程度上为学习者提供差异化的学习服务。然而，要提供更加精准的个性化学习服务，还需要进一步整合前沿技术以进行深度分析。

（二）实现个性化学习服务的外部新技术支持

各类新媒体技术的产生，为个性化学习服务提供了层级式的支持：在学习方式上，自带设备的普及为个性化学习提供了终端支持；在学习平台上，自适应学习技术的逐步成熟为学习者获取个性化学习内容和活动提供了教学支持[7]；在学习数据上，可穿戴技术和情感计算的兴起为学习者的体征行为数据搜集提供数据源支持；在学习计算上，先进的学习分析技术和机器学习则为分析个性化行为数据提供理论和算法支持。

1.自带设备

新媒体联盟的 《地平线报告》（2016高等教育版）把自带设备作为未来一年内将要普及的一项技术[8]。学习者通过手持笔记本电脑、平板电脑、智能手机等自带设备进行无缝学习，正逐步成为常态。而网络学习平台的跨终端性和各类教育APP的快速增长，使得学习者在不同学习环境承接的基础上，可以实现学习内容的无缝、便捷衔接。学习者的学习时间、学习内容、学习环境和学习空间得到进一步拓展，这一切都为个性化学习提供了技术支持。

2.自适应学习技术

根据学习行为习惯和学习偏好自动调整学习内容的自适应学习技术，开始在网络学习平台中进行应用，如，Knewton个性化网络学习平台[9]、Smart Sparrow自适应网络学习平台[10]、Cerego个性化学习服务平台[11]。自适应学习技术，改善了学习者的数字化学习体验，使得学习内容由传统的统一固定方式传授转变成差异化按需推送[12]。在该技术的支持下，教师可以由原来的课程讲授角色，转变成基于学习报告的个别化指导角色。

3.可穿戴技术

可穿戴技术包括腕带、智能手表、头戴设备和智能穿戴。在医疗保健市场中基于健康的腕带得到广泛应用，该技术通过追踪人体活动进行数据统计和分析，并依托APP返回结果[13]。随着生物计量传感器的发展，可穿戴技术正逐渐能够追踪到人体的生物数据，包括压力和情绪波动。在教育领域中，应用不同类型的可穿戴技术，可搜集到学习者注意力、学习情绪、学习压力等方面的数据，从而为个性化学习特征分析提供了数据源支持。

4.情感计算

情感计算是指通过机器对人类情感进行识别、翻译和仿真[14]。它是随着计算机通过摄像头对人脸和手势行为进行捕捉，并应用算法进行探测分析演变而来的。尽管其当前应用主要集中在捕获和分析情绪反应，以改善产品或媒体测试的效率和有效性，但该技术在开发社交和情绪技能上（如，同理心、自我意识和人际关系）具有较大的潜力。在个性化学习上，可以通过情感计算对学习者的情绪特征和社交关系进行解析。

5.先进的学习分析与机器学习

先进学习分析理论和技术，开始逐步在教育领域中渗透，新兴网络学习平台开始融入能够分析学习活动和行为的教学仪表盘，以帮助教师更好地监控和指导学生[15]。而机器学习的兴起，则在学习数据预测、学习行为模式识别和学习群体特征分析等方面发挥着重要作用，通过大量训练集和测试集，可以生成较为稳定的学习预测模型。在个性化学习分析方面，通过整合学习分析理论和机器学习算法，可以得出反映个性特征的学习者模型，为个性化学习服务提供推送依据。

（三）基于学习行为数据的个性化学习特征分析

在上述各种终端、平台、数据、算法和理论等方面的支持下，当前，我们需要进一步对学习者的内在和外在行为数据进行搜集，并通过计算分析得出学生的个性化学习特征。

1.基于眼动行为的学习注意力判断

学习注意力是反映学习者参与度和关注内容的重要分析指标。在数据捕获上，在正式学习环境中，可以通过台式机电脑和眼动仪来追踪学习者眼动数据；而在非正式学习环境下，可通过平板电脑和智能手机中的摄像头来捕获眼动数据。在分析内容上，基于眼动数据我们既可以分析学习者注意力类型，如，持续性注意力、选择性注意力、转移性注意力和分配性注意力[16]；又可以判断学习者的内容和媒体类型偏好，为个性化学习资源在时间和媒体类型设计上提供依据。

2.基于脸部行为的学习表情识别

脸部表情识别，是近年来计算机视觉和机器学习领域的一项研究热点。通过脸部运动单元分析、隐马尔科夫模型、模式识别等不同算法，可以对学习者在网络学习过程中所表现出的厌恶、愤怒、高兴、惊奇等表情特征进行分析[17]。当前，脸部识别技术在分析算法的复杂度上和识别精确度上都有了进一步提高，能够对静态图像和动态画面进行识别分析。即通过整合脸部表情识别技术，结合学习者当前的学习内容和学习活动类型，我们可以分析并得出学习偏好和学习兴趣。

3.基于心理行为的学习情绪分析

进一步地说，脸部表情识别，可以分析学习者的外在学习行为表现，而当学习者在学习过程中未表现出表情特征时，则需要通过监测其心理状态来了解其情绪特征。目前，通过心电图（Electrocardiogram，ECG）、肌电图（Electromyography，EMG）和皮肤电反应（Galvanic Skin Response，GSR）等设备，可以分析学生的心理状态变化，从而可以了解学生的内在情绪状态[18]。该技术的应用，有助于分析学习内容设计的难度和适切性。

4.基于脑部行为的学习心智推理

心智模式是由苏格兰心理学家Kenneth Craik提出来的，它是一种内在心理机制，影响人们的观察、赋义、设计和行动[19]。脑认知科学、神经科学和生物科学的合作探索，使得我们可以对人类的脑部行为特征和状态进行测量分析。在数据搜集上，现在可以通过脑电图描记器（Electroencephalo Graph，EEG）对学习者大脑活动数据进行有效监测。基于这些数据，可以尝试探索不同学习者的学习风格、思维习惯、认知特征等，进而确定学习者的个体体征。

（四）数字化学习环境下的学习者数据肖像模型设计

前面对支持个性化学习服务的相关技术和基于行为数据的个性化学习特征，分别进行了分析，明晰了与学习者相关的各项数据和内容。然而，各项数据反映的只是学习者某一方面特征，且数据间存在内容相关性[20]，学习者在实际学习过程中会产生多维度的行为数据，且学习数据的产生具有并发性。因此，需要整合心理和行为数据进行统筹分析，来刻画学习者数据化肖像模型。为此，我们依据个性化心理学、学习分析和个性化学习理论，在学习计算视域下提出了数字化学习环境的学习者数据肖像模型，如图3所示。

图3　数字化学习环境下的学习者数据肖像模型

该模型以学习者为中心，以个性特征、学习体征和社交特征作为个体特征识别，以认知行为、心智行为、眼动行为、脸部行为、交流行为和语言行为作为行为数据源，通过情感计算、行为分析、知识分析和社群计算，解析出以个性优势、学习情绪、个人网络等为代表的个性化学习特征。数字化学习肖像模型的设计，是对学习计算和机器学习背景下通过人工智能实现个性化学习的一种再审视。但要实现学习内容的自适应、学习资源推送的个性化、学习评价的差异化，还需要底层具有个性特征的学习者肖像模型作为服务支撑。因此，肖像模型解决的是各类个性化学习服务的核心依据问题，基于该模型才能提供个性化学习路径服务。

（五）基于区块链技术和语义知识解析个性化学习需求

外部技术设备为实现个别化学习和个体全息数据提供了技术支撑，而数据肖像模型则从个体生物特征层面进一步表征了个体学习画像，实现了基于全活动过程数据链的“千人千面”。然而，要了解学习者对知识的掌握情况与个性化需求，还需要借助关联数据和语义知识，形成以“学习交互类型—行为数据—知识点内容—个性特征”为关键数据库的区块链，进而使数据在时间上实时动态更新，在空间上产生语义关联，最终将数据、知识和个体建立内在联系。

个性化的学习需求，是针对个体学习能力和偏好实现其所能达到的目标状态，不同类型数据及其与知识点的语义关联分析促使达成这一目标。例如，当学习者学习某一知识内容时，通过表情数据获取学习者的情绪特征，眼动数据获取其注意内容，脑电波数据获取其心理状态。与此同时，提取所学内容对应的知识点及其难度，在整合一系列数据的基础上，解析出学习者当前的内容偏好和学习状态。而通过交互行为数据，可以了解当前学习内容的结果（是否完成、是否通过），基于过程状态和学习结果，可对下一步所学内容做出判断，进而实现对个性化学习需求的精准定位。

四、基于学习者数据肖像模型的个性化学习路径框架设计

个性化学习路径，是对个体学习者所开展符合其个性特征的系列活动内容的路线总称，在实践探索前需要把握其关键特征，并设计实施框架以更好地指导实践。

（一）个性化学习路径内涵解析

学习路径是学习者在学习过程中选择或被选择的一系列概念和活动的序列集合[21]。在已有的数字化学习系统中，学习路径和内容是由教学设计者制定的，因此，学习者在学习进度上是同一步调的，在学习内容上是统一的，而这种学习方式无法满足学习者需求[22-23]。个性化学习路径则是基于学习者个性优势设计满足其学习需求的学习目标，并提供符合其学习偏好的学习内容和学习活动，由学习者自定步调和掌控的学习序列组合。

美国高等教育信息化协会（EDUCAUSE）等组织在其对个性化学习的工作定义中，将个性化学习路径作为其构成要素，认为个性化学习路径要满足三方面要求[24]：（1）基于个人学习进度、学习动机和目标开展；（2）基于个性优势的学习计划；（3）具有不同的学习体验，探索符合学习目标和学习偏好的任务设计和学习策略；（4）学习者能够调整和管理自己的学习路径。

此外，学习分析知名专家George Siemens对基于传统课程学习和联通主义学习环境下的学习路径进行了对比[25]，如图4所示。

图4　传统课程和联通主义下的学习路径对比

在传统序列课程中，教学时间线是由讲座内容、学习活动、学习评价和结业证书构成的，学习者由此开展的是震荡型学习路径，涉及知识传递和知识内化。而在联通主义学习环境下，学习者是基于知识的链接和掌握为目标，在学习内容、活动和评价上开展的是个性化学习路线，以知识连接和内容为中心。

通过以上分析我们可以看出，个性化学习路径不仅是学习者学习路线的差异化，也是学习目标、学习内容、学习活动和学习评价的差异化。

（二）个性化学习路径应具备的特征

基于上述对学习者肖像模型设计和个性化学习路径的内涵解析，我们可对个性化学习路径应具备的特征进行总结分析，其涵盖学习目标与计划、学习活动与社交网络、学习方式与策略、学习反馈与评价和学习路径的主动权等方面。

1.基于个性特征的学习目标与计划

当前，数字化学习环境下的学习目标和计划是由教师统一制定，缺少差异化。而要创建个性化学习路径，首先需要设定基于个性特征的学习目标和计划。在目标的制定上，要基于个人能力设计符合其学习兴趣和个性优势的学习内容。在能力培养上，要注重对学习者问题解决、批判性思维、协作能力等方面内容的设计，以使其掌握21世纪学生应具备的竞争力技能。此外，学习计划的设计还需考虑不同学习情境的差异性和连续性，使学习者能够在无缝学习环境中实现知识掌握与能力增长。

2.基于兴趣特征的学习活动与社交网络

学习者在学习资源选择、活动类型和组织上有不同的偏好，提供其满足学习需求和学习兴趣的学习资源和活动，可以提高数字化学习参与度和沉浸度，有助于学习者进行深度学习。在学习活动开展过程中离不开互动交流和协作，为学习者推送具有相同兴趣爱好的学习同伴，能够促使学习者在内容上的讨论和协作产生有意义的互动，进而形成具有差异化和专业化的社群网络[26]。

3.基于认知特征的差异化学习方式与策略

个体心智模式的差异，决定了学习者在心理层面上表现出不同的认知特征。当前，对于认知特征的分析还主要通过任务—绩效度量法、问卷法、投射法等方式进行分析，对于基于心理—生理指标的分析还较少。在学习计算的背景下，通过对心理变化数据的分析可以较为准确地定位学习者的认知特征，基于此设计的学习方式和策略更加符合数字化学习行为习惯，有助于提高数字化学习效率和效果[27]。

4.基于概念掌握的实时评价与反馈

当前，无论是传统课堂学习还是网络学习，都是以时间作为常量，学生的个人学习内容作为变量，教学设计内容和授课是基于时间流程开展，在不同时间段讲授不同学习内容，学生的学习结果则呈现出不同水平。个性化学习路径在学习评价上应当进行翻转，即将时间作为变量，学习内容作为常量，开展基于掌握的实时评价。只有当学习者掌握当前知识点时才能学习后面的内容，该模式是以概念掌握为导向，而不是以时间为导向。此外，在进行评价过程中，还需为学习者提供实时反馈信息，以确保学习者能够获得所需要的支持以及促使对所学内容进行反思。

5.学习者对学习路径的主动权

数字化学习肖像特征分析和个性化学习路径的内涵都强调以学习者为中心，其目的不仅是围绕学习者开展设计和分析，也强调学习者能够对学习路径和内容进行掌控，让学习者感受到其主体地位的存在。在实践中，可以通过让学习者选择所感兴趣的学习活动和学习资源以及参与学习评价来实现，而不是被动的接受活动和内容。在整个路径的设计和规划中，也允许学习者根据个人时间和能力对学习序列做出调整，以最大化改善其学习体验。

（三）学习者数据肖像模型支撑下的个性化学习路径实施框架

通过对个性化学习路径的特征分析，明晰了数字化学习环境下为学习者提供个性化学习服务的方向，而要在实践中设计和应用个性化学习路径，则需要实施框架作为指导。由此，我们提出基于学习者肖像模型的个性化学习路径实施框架，如图5所示。

图5　个性化学习路径实施框架

该框架以个性特征、学习特征和社交特征，作为学习者数据化肖像特征，以提供底层数据分析支持，基于这些个性化学习特征设计以学习目标、学习内容、学习活动、社群网络、学习评价等为代表的数字化学习序列内容。受学习偏好、学习兴趣、学习风格等个性因素影响，学习者的学习路径是基于上述环节、内容的个性化组合，因此，在环节组织上并没有采用线性流程箭头标明具体的实施流程。在最外层，以基于概念的掌握、数据启示分析、实时反馈、自定步调学习作为实施原则，来为个性化学习路径的实施操作提供理念支撑。

个性化学习路径实施框架，旨在为在实践中探索学习路径设计和应用提供宏观指导。然而，为学习者提供差异化的学习路径和服务，并不等于学习技能的改善和学习效果的提升。在实施过程中，既要提供符合个性特征的学习服务，也要对应用效果和能力发展进行观测，以实时调整学习路径内容，形成个性化学习路径在应用流程上的闭环。在实施效果监测上，更要关注学习者在认知发展与概念掌握度、学习情感和参与度、社交活动和群体粘度等方面的行为和状态变化，以实现学习者肖像数据的动态更新。通过将设计路径和应用效果进行整合分析，可以生成新的学习路径，以获得更好地学习体验。

五、实现个性化学习路径的智能网络学习系统设计

个性化学习路径强调学习对象的差异性和学习内容的自适应性[28]，这种以学习个体为出发点，为众多学习者提供差异化学习服务的系统化工程，若仅靠教师分析和设计是较难实现的，特别是在大规模开放在线课程的情境下，有限人数的学习支持服务团队，无法为世界范围内的学习者提供满足个性需求的学习资源和学习活动，授课教师也很难对每个学生做出较为科学、准确的学习评价。在这种背景下，需要设计和开发具有个性化学习分析、学习内容自适应和推送服务的智能网络学习系统，该系统要能够基于学习者肖像特征，创建符合个性特征的学习路径，并依据学习者生成的实时行为数据，对学习路径进行调整；同时，支持学习者对学习路径进行调整和管理。

（一）自适应与个性化网络学习平台的前沿动态与问题分析

当前，我们在个性化和自适应网络学习平台方面，已经有一些探索和实践应用，除了前面提到的Knewton、Smart Sparrow、Cerego等自适应网络学习平台，在智能课件设计和个性化学习上，Acrobatiq平台能够提供个性化多媒体课件、基于目标的实践和反馈、实时监测学习过程、动态呈现学习状态等学习服务，其设计整合了学习目标、形成性实践和评价、基于活跃参与度的教学内容等理念，通过自适应和数据驱动来提供个性化学习体验[29]。比如，由个性化学习组织Education Elements设计的Highlight平台，能够对学习行为模式进行识别并提供推送服务[30]。在学习评价上，Taskstream平台能够对学习者参与的项目和活动进行追踪，并提供交互式的行为表现报告和学习评价[31]。

当前，尽管智能网络学习平台已经在个性化和自适应方面具备相关功能，但还存在以下三方面的问题：

第一，侧重某一方面的学习分析和评价，缺少对整个学习链的支撑分析和服务。已有的平台强调在内容制作、学习分析和学习评价等某一方面的功能优势，在系统环节支持上则比较薄弱。

第二，缺少学习者肖像特征数据的支持，平台中的学习分析仅是依据学习者在线学习活动产生的行为进行分析，忽视了学生个人信息和个性优势数据搜集，而这些数据有利于精确定位学习个性，为推送个性化学习服务提供依据。

第三，仅在某一具体学习内容、活动和评价上提供相关内容推送，未能基于个性特征提供整合内容、活动和评价的个性化学习路径推送服务。

针对上述问题，在个性化学习路径实施框架的指导下，我们尝试设计能够生成和动态更新个性化学习路径的智能化网络学习系统。

（二）个性化学习路径系统平台结构设计

个性化学习路径系统平台的设计，不仅要能够提供个性化学习分析、学习内容自适应、学习资源推送和学习路径生成等服务，同时，要能够承续当前常见数字化学习过程和习惯，延续已有的学习体验。在数据采集上，要将学习档案数据、学习生物数据、学习行为数据等异构数据源中的信息数据进行抽取整合，通过清洗、转换、集成加载到底层数据仓库中。在系统技术上，要整合自适应技术、推送技术、语义分析、预测分析、模式识别等人工智能分析和大数据挖掘技术，以支持学习计算和学习路径生成和推送。在学习服务上，基于个性数据和学习分析技术在学习模块上提供个性化学习资源推送服务，在学习流程上为其提供个性化学习路径推送服务。

基于上述分析，我们提出个性化学习路径系统平台结构设计，如图6所示。该结构框架通过各个功能层，依次提供层级式学习服务。

图6　个性化学习路径系统平台结构

（三）个性化学习路径系统平台的功能层解析

1.基础数据与接口层

基础服务层包括学习者肖像数据和基础接口，主要为系统平台提供底层数据存储和服务接口支撑。其中肖像数据储存学习者初始化数据和学习过程数据，在初始化状态下形成初步肖像模型，随着数据的积累该模型将逐步完善，以提供精准化学习服务。基础接口主要是实现不同系统服务之间的衔接和组合，在云计算和分布式管理背景下，通过模块化服务满足不同地区平台建设的差异化需求，通过基础接口实现数据存储、基础计算和应用服务之间的无缝对接。

2.系统服务层

系统服务层主要通过模块化形式支持网络学习的各类系统，该层包括底层应用服务和基础学习服务。底层应用服务包括账号与权限管理、建立系统公用业务术语库及术语间关系和知识管理工具。基础学习服务包括视频点播系统、学习资源系统、作业与考试系统、互动交流系统、电子学档系统、学习社区系统和学习管理系统，其中学习管理系统用于对其它系统进行整合和调用，学习档案系统用于跟踪记录学生在平台中的学习行为及相关数据，并形成个性化的学习档案袋。

3.学习计算与推送层

该层包括学习分析技术、学习计算引擎和学习推送技术。学习分析技术用于对学习档案数据进行可视化输出，并进行学习结果的预测和个性优势分析。学习推送技术则是基于个性化分析结果，为学习者提供涵盖学习内容、学习评价和学习互动的推送服务。而学习计算引擎，则是为学习分析和学习推送提供学习肖像模型的计算更新和学习行为中的模式识别与知识推理支持，各技术模块通过双向交换实现数据的互联互通。

4.学习路径生成层

该层在整合前面所有服务功能的基础上，为学习者推送符合个性特征的学习路径。其内容是依据前面在个性化学习路径实施框架中所设计的数字化学习序列内容，进行自组织生成。系统服务层面的模块化设计，为差异化课程类型设计提供功能自组织支持，而每个模块下的知识点学习标注、主题分类、测评题类型、知识点和难度等属性标注，为学习活动序列生成提供内容自组织支持。受学习偏好、个性优势和行为习惯影响，学习路径在形式上呈现出非连续性、复杂化、多样化特征，因此，采用双向箭头支持路径的跳跃和回溯。在生成过程上，依据学习者在每一学习模块中的行为特征表现抽取模块内容，并进行语义关联[32]。在实际学习过程中，将依据具体学习结果对后面路径内容进行动态调整，以实现学习路径在流程和内容上的自适应。

六、结语

个性化学习路径是个性化学习服务中的重要组成部分，在学习计算的背景下，随着教育大数据的逐步完善、自适应技术和人工智能技术的日渐成熟，使得基于个性特征和优势的学习路径生成和推送将成为可能。

本研究通过对个性学习行为数据分析和学习者肖像模型设计，明确了基于学习者肖像特征定义个性化学习服务的设计思路。而对个性化学习路径特点、实施框架和系统平台结构设计的分析，则进一步在操作层面上明确了在实践中开展个性化学习路径探索的方向。未来，将针对个性化学习路径的功能原型设计和系统平台中的关键技术作进一步探索，以更好地改善数字化学习体验。

[1]Educause.Key Issues in Teaching and Learning 2016[DB/OL].[2016-02-05].http://www.educause.edu/eli/initiatives/key-issues-in-teaching-and-learning.

[2]王媛媛，何高大.美国《国家教育技术计划》的创新及其启示——基于五轮（1996-2016）教育技术发展规划的比较与分析[J].远程教育杂志，2016（2）：11-18.

[3]Hey T，Tansley S&Tolle K.The Fourth Paradigm:Data-Intensive Scientific Discovery.Microsoft Research[M].Redmond，Washington，2009:11-12.

[4]Brian L Zuckerman，Abigail R Azari，William E J Doane.Advancing Technology-Enhanced Education:A Workshop Report[R].Washington，D.C.:Institute for Defense Analyses，2013.

[5]U.S.Department of Education，Office of Educational Technology. Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics:An Issue Brief[R].Washington，D.C.，2012.

[6]Samir Bolar.The Path to Personalization[DB/OL].[2016-02-11].http: //masterydesign.org/2014/02/11/the-path-to-personalization/.

[7]Colace F，De Santo M，Greco L.E-Learning and Personalized Learning Path:A Proposal Based on the Adaptive Educational Hypermedia System[J].International Journal of Emerging Technologies in Learning，2014，9（2）:9-16.

[8]金慧，刘迪，高玲慧，宋蕾.新媒体联盟《地平线报告》（2016高等教育版）解读与启示[J].远程教育杂志，2016（2）:3-10.

[9]Knewton.Personalized learning-made smart，easy，and free[DB/OL]. [2016-02-07].https://www.knewton.com/.

[10]Smart Sparrow.Adaptive Learning Technology[DB/OL].[2016-03-10].https://www.smartsparrow.com/.

[11]Cerego.The easiest way to learn faster and remember longer[DB/ OL].[2016-04-15].https://cerego.com/.

[12]Jyothi N，Bhan K，Mothukuri U，et al.A recommender system assisting instructor in building learning path for personalized learning system[C].IEEE Fourth International Conference on Technology for Education，2012:228-230.

[13]The Economist.Fitness-tracking devices:Shaking up the wearables [DB/OL].[2016-08-26].http://www.economist.com/news/businessand-finance/21613925-potential-market-personal-fitness-tracking-devices-over-hyped-shedding-wearables.

[14]Massachusetts Institute of Technology.Affective Computing[DB/OL]. [2016-05-27].http://affect.media.mit.edu/index.php.

[15]Abel T D，Evans M.Cross-disciplinary Participatory&Contextual Design Research:Creating a Teacher Dashboard Application[J].Interaction Design and Architecture，2014，19（2）:63-76.

[16]Cain J，Black E P，Rohr J.An audience response system strategy toimprove student motivation，attention，and feedback[J].American Journal of Pharmaceutical Education，2009，73（2）:1-7.

[17]Zhang W，Zhang Y，Ma L，et al.Multimodal learning for facial expression recognition[J].Pattern Recognition，2015，48（10）:3191-3202.

[18]Calvo R A，D'Mello S，Gratch J，Kappas A.The Oxford handbook of affective computing[M].New York:Oxford University Press，2015:204-205.

[19]Johnson Laird P N.Mental models:Towards a cognitive science of language，inference，and consciousness[M].Cambridge:Harvard U-niversity Press，1983:2-3.

[20]Cocea M，Magoulas G D.Participatory learner modelling design:a methodology for iterative learner models development[J].Information Sciences，2015，321（10）:48-70.

[21]Kardan A A，Ebrahim M A，Imani M B.A new personalized learning path generation method:ACO-Map[J].Indian Journal of Scientific Research，2014，5（1）:17-24.

[22]Lin C F，Yeh Y，Hung Y H，et al.Data mining for providing a personalized learning path in creativity:An application of decision trees[J].Computers&Education，2013，68（10）:199-210.

[23]Fischer P，Kastenmüller A，Greitemeyer T.Media violence and the self:The impact of personalized gaming characters in aggressive video games on aggressive behavior[J].Journal of Experimental Social Psychology，2010，46（1）:192-195.

[24]The Bill&Melinda Gates Foundation，the Michael and Susan Dell Foundation，EDUCAUSE，etc.Personalized Learning:A Working Definition[J].Education Week，2014，34（9）:7-8.

[25]Siemens G.Personal Learning Graphs（PLeG）[DB/OL].[2016-07-02].http://www.elearnspace.org/blog/2015/07/02/personal-learninggraphs-pleg/.

[26]Carchiolo V，Longheu A，Malgeri M.Reliable peers and useful resources:Searching for the best personalized learning path in a trustand recommendation-aware environment[J].Information Sciences，2010，180（10）:1893-1907.

[27]Benedetti C.Online instructors as thinking advisors:A model for online learner adaptation[J].Journal of College Teaching&Learning，2015，12（4）:171-175.

[28]Hwang G J，Kuo F R，Yin P Y，et al.A heuristic algorithm for planning personalized learning paths for context-aware ubiquitous learning[J].Computers&Education，2010，54（2）:404-415.

[29]Acrobatiq.Adaptive Learning Authoring and Delivery Platform[DB/ OL].[2016-06-11].http://acrobatiq.com/.

[30]Education Elements.Highlight:Personalized Learning Platform[DB/ OL].[2016-07-12].https://www.edelements.com/personalized-learning-platform.

[31]Taskstream.Assessment，Accreditation，e-Portfolios to Improve student learning[DB/OL].[2016-07-20].https://www.taskstream.com/.

[32]Chen C M.Ontology-based concept map for planning a personalized learning path[J].British Journal of Educational Technology，2009，40（6）:1028-1058.

牟智佳，北京师范大学教育技术学院在读博士，江南大学人文学院讲师，主要研究方向：新媒体学习技术与学习分析等。

The Personalized Learning Path Cracking Sustained by Data Portrait of Learners:The Given Value of Learning Computing

Mou Zhijia
（School of Humanities，Jiangnan University，Wuxi Jiangsu 214122）

With the gradual maturity of advanced learning analytics technology that including adaptive learning technology，learning computing and machine learning，there is an opportunity to achieve it for personalized learning path whose objective is to improve learning experience and promote the development of students’personality.Through the introduction of the study paradigm of learning engineering driven by data set，the paper reveals the application value of the data analysis to learning theory and technology enhanced learning materials.Then，the implementation phase and external new technologies’support of personalized learning service are described and personalized learning characteristic based on learning behavior data is explained.The digital portrait model of digital learning environment is further designed.In addition，we analyze the connotation and characteristic of personalized learning path and put forward the implementation framework of personalized learning path based on the digital portrait model.Finally，we design the platform structure of personalized learning path system and define the functional level of service orientation for the purpose of providing useful inspiration for the platform development.

Individualized learning；Learning computing；Digital portrait；Adaptive learning technology；Machine learning；Personalized learning path；Emotion computing；Study analysis

G420

A

1672—0008（2016）06—0011—09

本文系全国教育科学“十二五”规划教育部重点课题“基于教育大数据的学习分析工具设计与应用研究”（课题编号：DCA140230）和中央高校基本科研业务费专项资金资助重点课题 “电子书包中基于大数据的学生个性化信息挖掘与应用研究”（课题编号：00305-310400080）阶段性研究成果。

2016年9月23日

责任编辑：陶侃