基于学习者画像建模的个性化学习路径规划研究

唐烨伟 茹丽娜 范佳荣 庞敬文 钟绍春

基于学习者画像建模的个性化学习路径规划研究

唐烨伟1，  茹丽娜1，  范佳荣1，  庞敬文1，  钟绍春2

（1.东北师范大学 信息科学与技术学院， 吉林 长春   130117;

2.教育部数字化学习支撑技术工程研究中心， 吉林 长春   130117）

[摘   要] 信息时代的飞速发展使教育大数据成为研究的热点，也使得教学正在向个性化、精准性转型。文章基于大量文献对学习者画像和学习路径相关研究进行了综述，同时，基于教育大数据中的学习者基本情况大数据、学习过程大数据和学习结果大数据构建了学习者画像模型，并利用关键技术描述了共性特征库的建立方法和个性化画像的输出、迭代。最终设计了一种基于学习者画像的精准个性化学习路径规划框架。该框架由学习目标、学习内容、学习活动、学习评价四个基本要素和学习者、知识图谱、主流学习路径、学习者大数据、学习者画像、个性化学习路径六大部分组成，其中学习者画像处于整个框架的核心位置，体现了“以学习者为中心”的思想，关注学习者自身特点与个性差异，以期满足学习者可以根据需要学习、按照适合的方式学习、找到最佳的环境和伙伴学习。

[关键词] 学习者大数据; 学习者画像; 个性化学习; 学习路径; 个性化学习路径规划

[中图分类号] G434            [文献标志码] A

[作者简介] 唐烨伟（1987—），男，安徽合肥人。讲师，博士，主要从事智慧学习环境研究。E-mail：308793656@qq.com。

一、引   言

中共中央、国务院印发的《中国教育现代化2035》提出，推进教育现代化要“更加注重因材施教的教育理念”，并将“加快信息化时代教育变革，利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合”作为重要的战略任务[1]。教育现代化要求教育为学生提供高品质的个性化学习，让学习者能够主动学习、根据自己的需要学习、按照适合自己的方式学习、找到适合自己的环境和伙伴学习、得到最适合自己的教师帮助其学习，逐步形成系统的思维能力和创新性思维能力[2]。但是，大数据时代，网络学习资源爆炸式增长，信息过载与网络迷航成为学习者个性化学习的阻碍，常态教育中也存在学习者学习需求的诊断、共性学习路径的寻找、个性学习路径的引导等诸多制约个性化学习有效发生的瓶颈性问题。因此，基于学习者画像为学习者规划个性化的学习路径是促进其个性化发展的有效方法与关键途径。

二、相关研究综述

（一）学习者画像

在构建学习者画像过程中，需要对学习者学习过程和学习结果大数据进行数据挖掘和有效分析，并通过可视化的方式形成学习者画像。国内外大量学者对此进行了深入的研究，见表1。例如：学习者画像数据挖掘的重要组成部分包括学习者的学习风格、知识水平、学习动机。运用Bayesian网络算法高精度检测学生的学习风格[3];知识水平的挖掘采用多层次聚类算法对数据进行预处理、挖掘活动数据与认知能力的关联[4];学习动机上运用神经网络和贝叶斯数据简化算法（BDRA）对数据进行处理、简化和分类[5]。学习者画像学习分析主要有多元分析、聚类分析、预测分析等方法。多元分析通过多元线性回归分析算法探究影响某一因素的多个变量，确定影响学生学业成绩的因素[6];聚类分析使用k-means聚类算法，分析学习迁移测试中聚类成员对参与者分数的影响程度[7]。预测分析运用循环神经网络（RNN）算法对学习者的认知水平进行信息预测[8]。学习者画像可视化需要进行数据关联、同步处理和数据可视化。基于Shapelet算法分析数据序列的趋势特征以及数据间的时序数据，对数据进行同步跟踪，将学习者个性画像数据以及知识能力数据动态关联[9-10]。也有学者提出了一种利用时间序列数据构造可视化图的有效非递归算法处理数据集之中数据间存在的时间关系，将相应的实时数据进行同步处理[11]。利用Visibility Graph算法将动态实时变化的学习者知识能力数据流转化为网络图[12-13]，从而实现学习者画像及个性化知识与能力三维立体图谱的可视化。

综上所述，学习者画像的构建需要大数据的支持，学习者画像不仅可以根据群体特征划分学习者，还能为学习者提供个性化学习服务。国内外学者对学习者画像的相关研究包括学习者画像的构成要素、分析技术以及可视化三个方面，侧重于关注利用数据挖掘和学习分析技术，对个性化学习行为进行构建，主要集中在对知识层面的刻画，反映学习者个性化学习心理和外在表现特征，但缺乏对学习者能力的刻画。将学习者的基本属性、学习方式、认知特点和学习结果与学习者能力相结合，基于学习大数据判定学习者系统和创新思维能力还需要进一步研究。

（二）学习路径

关于学习路径的研究，国外有：（1）基于相关模型建立学习路径。例如：提出一种基于图论的学习設计推荐系统的构建模型，挖掘教育数据相关新特性，使用小团体概念帮助学习者在学习过程中找到合适的学习对象，建立有效的学习路径[14]。（2）基于学习者相关特点或本体规划学习路径。例如：基于学生学习方式的需求，应用群体智能模型和蚁群优化方法，在静态和动态学习单元中寻找合适的学习路径[15];将本体作为一种结构化的知识表示方案，基于生成的本体概念图提出一种基于遗传的课程排序方案，从而为学习者规划合适的学习路径[16]。

国内关于学习路径的研究主要集中在基于学习者学习大数据或本体、情境推荐学习路径。例如：牟智佳基于学习者的行为数据，通过数据挖掘和机器学习算法，分析学习者的个性化特征，刻画学习者数据肖像模型，并基于该模型设计个性化学习路径实施框架[17];赵蔚等人基于Moodle平台中的学习过程数据采用学习分析技术，挖掘不同学习风格、学习成绩、学习偏好学习者的学习路径，根据路径分析结果为学习者自我调节提供反馈[18];黄志芳等人分析影响适应性学习路径推荐的情境要素，采用本体的方法对情境要素和学科知识进行形式化表示，构建学习情境本体模型和学科领域本体库，设计了基于情境感知技术的适应性学习路径推荐模型框架[19]。

通过比较国内外关于学习路径的研究可以发现：国外研究侧重于使用智能优化算法，对学习者的学习方式、知识本体进行分析并应用于学习路径的研究;国内则侧重于使用数据挖掘和学习分析等技术分析学习者的个性特征和学习大数据，或使用本体技术和情境感知技术对情境要素和学科知识进行形式化表示，以研究学习路径。此外，我们还可以发现，国内外学者大多以学习者为研究对象，将学习者的个体特征和行为数据、学习过程数据作为研究学习路径的切入点，体现了“以学习者为中心”的思想。仅有少数学者将知识本体和情境因素作为研究学习路径的方向。笔者认为，尽管学科知识本体和情境因素是研究学习路径的一个重要契机，但是，研究学习者的个体特征和学习大数据更有助于为学习者规划学习路径、提供个性化学习服务。

三、学习者画像建模

人工智能和大数据的发展加速了个性化学习的实现，与传统的教学方式不同，个性化学习需要解决根据不同类型的学习者的特点，对其学习行为进行准确个性化评价的问题[20]。学习者画像是一种包含多種子结构的标签的用户概念模型，是对反映其基本特征的个人数据进行搜集和描述，研究学习者画像是为了将学习者群体标签化，以便更好地识别不同学习者，提供个性化学习者支持服务[21]。学习者画像为进一步精准、快速地分析学习者的问题解决与任务完成结果、知识获取与能力形成方式、学习过程所善于使用的支撑手段和交互方式、知识掌握与能力形成程度、系统和创新思维能力形成程度、偏好与认知水平等提供了足够的数据基础，完美地抽象出了学习者的信息全貌，可以看作个性化学习中应用大数据的根基。

（一）学习者画像设计

Alan Cooper（交互设计之父）最早提出了用户画像（Persona）的概念，用来勾画目标用户、进行产品定位、联系用户诉求与设计方向[22]。本文中学习者画像是学习者的标签化，依据学习者的基本属性和学习过程、学习结果特征而抽象出标签化的学习者模型。能够最大限度地表现出学习者的学习需求和偏好，以便应用于推荐个性化学习路径。本文从学习者的基本属性、学习过程和学习结果三个维度设计学习者画像，如图1所示。

图1   三个维度的学习者画像

学习者的基本属性是对于学习者姓名、年龄、性别等一些基本性质的描述，通过一个标签对学习者进行高度精炼的特征标识，有效地对这一阶段的学习者进行共性分析。提炼学习者学习过程大数据，分析学习者学习方式偏好和认知特点;提取学习者学习结果大数据，精确分析学习者基础知识的掌握程度、学习方法的掌握程度、问题解决与任务完成程度和能力形成程度。

（二）学习者画像建模

1. 基于学习者基本属性的学习者画像建模

学习者基本属性用以区分和识别学习者，包括学习者编号（ID）、姓名（Name）、年龄（Age）、性别（Gen）、学科（Sub）、学段（Sec）。首先，对学习者进行编号，使每个学习者具有唯一的标识。然后，获取对应编号的学习者的姓名、年龄、性别、学科和学段信息，形成一个目标信息库D，即学习者集合，D={ID1，ID2，……，IDn}，即n个学习者构成的集合，利用聚类算法可以将文本聚合成多个小而充分的内聚类，每个内聚类包含一个或多个共同特征。挑选4个聚类中心矢量{Age，Gen，Sub，Sec};对于目标信息库D中的每个ID对应的文本，使用K-means算法依次计算每个ID对应的文本与每个初始聚类中心Age、Gen、Sub、Sec的相似度。若某个ID对应的文本与某个聚类中心矢量（Age，Gen，Sub，Sec）具有最大相似性，则将这个ID对应的信息分为以某个聚类中心矢量（如Age）为中心的簇N，从而在D中获得簇向量N（Age）={（ID1，Name1，Age1，Gen1，Sub1，Sec1），（ID2，Name2，Age1，Gen2，Sub2，Sec2），……，（IDn，Namen，Age1，Genn，Subn，Secn）}。相应地，以性别矢量为聚类中心在信息库D得到簇向量N（Gen），以学科矢量为聚类中心在信息库D得到簇向量N（Sub），以学段矢量为聚类中心在信息库D得到簇向量N（Sec）。在最后的聚类步骤中，两个最相似的集群合并成一个集群，直到所有文本被分类到集群中，如图2所示。

图 2   学习者基本属性聚类图

通过重复上述步骤， 将文本集中的文本重新取回到文本集群中，并重新计算新的集群中心（多个矢量为聚类中心），直到集群中心保持不变。既建立了每个学习者基本属性的向量集合，又达到了将学习者分类、形成共性属性库的目的。

2. 基于学习过程大数据的学习者画像建模

学习大数据包括学习结果大数据和学习过程大数据。基于学习过程大数据的学习者画像建模从学习方式和认知特点两个方面进行。用Mt（Qs，Ts，Cs）表示学习者在解决问题与完成任务时应用的学习方式，学习方式包括知识获取（Acq）、合作交流（Cop）、问题探究（Exp）三个方面。学习方式的形式化表达为：（Acq，Cop，Exp）∪Mt（Qs，Ts，Cs）。提取学习者的4个课堂行为特征和4个在线学习特征：学习者参与讨论次数、提问次数、参与实验时长、参与实验次数、下载资源次数、虚拟实验时长、班级群交流次数和私信次数。利用L1范数正则化SVM聚类算法，从而对学习者的8个行为特征进行筛选，产生稀疏权值矩阵，实现特征选择[23]。学习者的认知特点包括背景（Bg）和认知方式（Sty），形式化表达为：（Bg，Sty）∪Kb（Mt）。以学习者的基本属性建模为基础，用ID唯一标识学习者，Bg（ID，cx）表示ID学习概念cx的认知背景，将其划分成5个层级{不及格，及格，中等，良，优}，依次量化为离散值{1，2，3，4，5};Int（ID，cx）表示ID学习概念cx时表现出来的认知方式。根据Riding和Cheema将诸多认知方式（认知风格）类型归纳为两种基本的维度：整体—分析维度和言语—表象维度[24]，本研究将其划分成4个类型，{整体型、分析型、言语型、表象型}，检测计算整体任务和分析任务的反应时比值t1以及言语和表象两个维度的反应时比值t2，t1越高，表示学习者分析型倾向越高;t2越高，表示学习者表象型倾向越高。

3. 基于学习结果大数据的学习者画像建模

基于学习结果大数据的学习者画像建模分为四部分：学习者的基础知识体系、问题与任务体系、解决问题与任务的过程中使用的方法体系和最终形成的能力体系。其中，每个部分都与基础知识体系有联系，所以，基础知识的掌握程度直接影响到学习者整个学习过程结果的优劣。利用规则匹配原则，在学习者输入或选择相关的信息组合后，系统会将这些信息与基础知识体系中的各项前件进行匹配，如果匹配成功则返回后件，否则调整学习者画像的各个组件，并重新匹配直到得出结果。利用可信度的概念公式[25]，标识Kb为学习者需要掌握的基础知识体系，Pf为学习者输入或选择相关的信息组合，CF为一条知识的可信度，成为可信度因子（Certainty Factor），对于规则IF Pf THEN Kb（CF（Pf，Kb）），有如下可信度概念公式：

CF（Pf，Kb）的值即学习的程度水平L，介于[-1，1]之间，其解释如下：

（1）CF（Pf，Kb）=1時，即P（Pf，Kb）=1，P（Pf）=0，则表示证据Kb为真时，结论Pf必为真。即学习者输入或选择相关的信息组合与基础知识体系中的各项前件匹配成功，可以返回后件。

（2）CF（Pf，Kb）>0时，则表示证据Kb增加了结论Pf为真的可信度。同（1）。

（3）CF（Pf，Kb）=0时，即P（Pf，Kb） =P（Pf），则表示证据Kb对结论Pf没有影响。即学习者输入或选择相关的信息组合与基础知识体系中的各项前件匹配不成功，需要调整学习者画像的各个组件并重新匹配。

（4）CF（Pf，Kb）<0时，则表示证据Kb增加了结论Pf为假的可信度。同（3）。

（5）CF（Pf，Kb）=-1时，即P（Pf，Kb）=0，P（Pf） =1，则表示证据Kb为真时，结论Pf必为假。同（3）。

最终形成的学习者基础知识体系掌握程度的向量集合为{（Kb1（Mti），Ljki1），（Kb2（Mti），Ljki2），……，（Kbn（Mti），Ljkin）}，其中，M表示学习方法（在这一阶段的推理中不涉及学习方法的变化）。

在问题与任务体系、解决问题与任务的过程中使用的方法体系和最终形成的能力体系中，利用上述方法，如果匹配成功，则返回后件，否则，调整学习者画像的各个组件，重新匹配，直到得出结果。用L表示学习的程度和水平，A表示学习者需要在经历解决问题、完成任务活动时形成的相应能力，最终形成的学习者能力与程度的向量集合：{（A1，L1），……，（ An，Ln）}。用Qs∪Ts∪Cs表示学习者需要解决的问题与任务体系，最终形成的学习者问题解决和任务完成程度的向量集合为：{（Qs1（Ai），Li1），……，（Qsn（Ai），Lin）}∪{（Ts1（Ai），Li1），……，（Tsn（Ai），Lin）}∪{（Cs1（Ai），Li1），……，（Csn（Ai），Lin）}。用Mt表示学习者在解决问题与任务的过程中使用的方法体系，最终形成的解决问题与任务的过程中应用方法掌握程度的向量集合为：{（Mt1（Qsi，vi1，ri1），Lki1），……，（Mtn（Qsi，vin，rin），Lkin）}∪{（Mt1（Tsi，vi1，ri1），Lki1），……，（Mtn（Tsi，vin，rin），Lkin）}∪{（Mt1（Csi，vi1，ri1），Lki1），……，（Mtn（Csi，vin，rin），Lkin）}。基于学习结果大数据的学习者画像建模基本思路如图3所示。

图 3   基于学习结果大数据的学习者画像建模基本思路

四、基于学习者画像的学习路径规划

学习路径是实现个性化学习的前提条件。能否规划出符合学习者学习特征规律和实际学习需要的学习路径，特别是能够依据持续的学习数据创建出符合学习者个性规律的个性化路径，是实现高品质个性化学习的关键。学习者画像体现了学习者的学习方式、认知水平、问题解决与任务完成程度、学习者解决问题与任务过程中所使用方法体系掌握程度、学习者基础知识体系掌握程度。在数字化学习环境下，以学习者为中心，基于学习者画像规划学习路径，可为学习者提供更精准的个性化学习服务。

（一）学习路径形式化表达

学习路径是学习者在学习过程中所经历的学习内容和学习活动的有序序列，学习者在经历该序列的过程中实现基本知识的学习、方法体系的掌握、问题解决与任务的完成，从而提升相应的能力。因此，学习路径可以用一个包括了知识（Kb）、方法（Mt）和问题任务（Qs∪Ts∪Cs ）三个维度的三维向量矩阵来表示。

学习路径形式化表达：

[Qs1（Ai）∪Ts1（Ai）∪Cs1（Ai），Qs2（Ai）∪Ts2（Ai）∪Cs2（Ai），……，Qsn（Ai）∪Tsn（Ai）∪Csn（Ai）

Mt1（v1，r1），Mt2（v2，r2），……，Mtn（vn，rn）

Kb1（Mti），Kb2（Mti），……，Kb3（Mti）]

其中，1、2直到n表示从第1条、第2条开始共有n条学习路径，i作为标识学习者的符号，v表示效度，r表示信度。

体现基础知识、方法、问题与任务三个维度的学习路径形式化表达基本思路如图4所示。图中三条实线轴分别代表知识（Kb）、方法（Mt）和问题任务（Qs∪Ts∪Cs ）三个维度，三条轴的交点代表符合相应基础知识体系掌握程度、方法体系掌握程度、问题解决与任务完成程度的学习路径。三条虚线轴的三个维度分别为：Kb1（Mti）……Kbn（Mtn）代表1至n不同的基础知识体系掌握程度，Mt1（v1，r1）……Mtn（vn，rn）代表1至n不同的方法掌握程度，Qs1（Ai）∪Ts1（Ai）∪Cs1（Ai），Qs2（Ai）∪Ts2（Ai）∪Cs2（Ai），……，Qsn（Ai）∪Tsn（Ai）∪Csn（Ai）代表1至n不同的问题解决与任务完成程度。三条轴的交点则表示符合第i个学生的基础知识体系掌握程度、方法体系掌握程度、问题解决与任务完成程度的1至n条个性化学习路径。

图 4   学习路径形式化表达基本思路

（二）基于学习者画像的学习路径规划框架

学习者经历的学习路径可以分为主流学习路径和个性化学习路径。主流学习路径是基于学生群体的学习结果大数据和知识图谱，提炼出符合大多数学生学习需求，适用于大多数学生的简单的学习内容与学习活动序列，同样包括知识（Kb）、方法（Mt）和问题任务（Qs∪Ts∪Cs）三个维度。其中，知识图谱是以达成学生学习目标和培养高阶思维能力为目的，将学科的知识结构与基于知识形成的能力对应的问题或任务相关联并将其图示化呈现。主流学习路径可以表示为：

Qs■∪Ts■∪Cs■         Mt■         Kb■

个性化学习路径则是基于每个学习者的学习结果分析，设计满足其学习需求的学习目标，并提供符合其学习方式、认知特点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。个性化学习路径可以表示为：

Qs■（A■）∪Ts■（A■）∪Cs■（A■）            Mt■（V■，R■）              Kb■（Mt■）

学习路径规划就是针对每个学习者的学习画像，在主流学习路径的基础上，为该学习者匹配适合其个性发展的学习路径。基于学习者画像的学习路径规划框架如图5所示。该框架由学习目标、学习内容、学习活动、学习评价四个要素作为基本构成。其中，学习内容与学习活动是学习者实现知识学习与能力达成的具体方式。学习目标是依据学习需求制定的且符合学习者的个体差异，是学习内容与活动安排的重要依据。学习评价包括过程性评价和总结性评价，检验学习内容与活动的安排是否达成了学习目标。此外，还包括学习者、知识图谱、主流学习路径、学习者大数据、学习者画像、个性化学习路径六大部分。学习者画像处于整个框架的核心位置，体现“以学习者为中心”的思想，关注学习者的自身特点与个性差异。

图5   基于学习者画像的学习路径规划框架

学习者通过完成学习任务，经历理解—感悟—探究知识的过程，建立知识汲取与能力显现的实质性联系，构建基础知识体系、问题与任务体系、解决问题与任务的过程中使用的方法体系和最终形成的能力体系，形成知识图谱，并产生学习大数据。学习大数据包括学习过程大数据和学习结果大数据。学习大数据和学习者基本情况大数据构成学习者大数据。依据学习者大数据可建立体现学习者基本属性、学习方式、认知特点、学习结果的学习者画像。其中，基本属性来源于学习者基本情况大数据;学习方式和认知特点来源于学习过程大数据;学习结果的四种程度（基础知识的掌握程度、学习方法的掌握程度、问题解决与任务完成程度、能力形成程度）来源于学习结果大数据。

针对学习者画像，在充分考虑学习者基本属性、学习方式、认知背景、认知方式、学习结果的基础上，为学习者匹配适合的学习路径，将学习内容或学习活动适应性呈现。同时，依据学习者的基本信息、知识水平为其推送最佳的学习伙伴;依據学习者的学习方式偏好实现学习方式的智能推荐;依据学习者的兴趣爱好、学习风格、学习结果达成程度推送个性化学习资源，从而使学习者在经历学习活动的过程中更好地沉浸其中，提高学习的参与度与投入度，实现个性化学习。学习者大数据的实时收集，可以实现对学习者的实时反馈与评价以及学习者画像的实时更新，从而实现对学习路径的动态监测与调控。

五、总结与展望

教育是知识学习的重要路径，也是人类社会延续与发展的永恒主题，教育要根据学习者的兴趣、学习习惯、学习风格等来开展教学，让每个人都能充分发挥出其个性化特点，教育要为每一名学习者提供个性化学习、终身学习的信息化环境和服务。本研究基于学习者的基本属性、学习过程和学习结果大数据对学习者画像进行建模，在此基础上规划个性化学习路径，但是研究不足在于，学习者画像建模忽视了学习者在学习过程中突发的情感体验，例如：教学资源呈现复杂或学习信息难以理解时，部分学习者产生的挫折和不满意感，因此，在学习过程中进行情感预测并实施有效的干预和疏导， 将是下一步研究的内容。

[参考文献]

[1] 中共中央国务院印发《中国教育现代化2035》[N].人民日报，2019-02-24（01）.

[2] 钟绍春.构建信息时代教育新模式[J].电化教育研究，2019，40（4）：23-29.

[3] GARCíA P，AMANDI A，SCHIAFFINO S，CAMPO M.Evaluating bayesian networks' precision for detecting students' learning styles [J].Computers in education，2007，49（3）：794-808.

[4] KOCK M，PARAMYTHIS A.Towards adaptive learning support on the basis of behavioural patterns in learning activity sequences[C]//International Conference on Intelligent Networking & Collaborative Systems.Thessaloniki：IEEE，2011.

[5] GALBRAITH C S，MERRILL G B，KLINE D M.Are student evaluations of teaching effectiveness valid for measuring student learning outcomes in business related classes？A neural network and bayesian analyses [J].Research in higher education，2012，53（3）：353-374.

[6] YU T，JO I H.Educational technology approach toward learning analytics：relationship between student online behavior and learning performance in higher education[C]//Proceedings of the Fourth International Conference on Learning Analytics and Knowledge .New York：ACM，2014.

[7] SCHROEDER N L，YANG F，BANERJEE T V，et al.The influence of learners' perceptions of virtual humans on learning transfer [J].Computers & education，2018，126（11）：170-182.

[8] PIECH C，BASSEN J，HUANG J，et al.Deep knowledge tracing[J].Computer science，2015，3（3）：19-23.

[9] BALDAN F J，BENITEZ J M.Distributed fastshapelet transform：a big data time series classification algorithm[J].Information sciences，2018，496（27）：451-463.

[10] LIU L，PENG  Y X，WANG S，et al.Complex activity recognition using time series pattern dictionary learned from ubiquitous sensors [J].Information sciences，2016，340-341（13）：41-57.

[11] GHOSH S，DUTTA A.An efficient non-recursive algorithm for transforming time series to visibility graph[J].Physica a：statistical mechanics and its applications，2019，514（2）：189-202.

[12] LACASA L，LUQUE B，BALLESTEROS F.From time series to complex networks：the visibility graph[J].Proceedings of the National Academy of Sciences of the United States of America，2008，105（13）：4972-4975.

[13] CZECHOWSKI Z，LOVALLO M，TELESCA L.Multifractal analysis of visibility graph-based Ito-related connectivity time series [J].Chaos：an interdisciplinary journal of nonlinear science，2016，26（2）：1-6.

[14] DURAND G，BELACEL N，FRANOIS L.Graph theory based model for learning path recommendation[J].Information sciences，2013，251（12）：10-21.

[15] KURILOVAS E，ZILINSKIENE I，DAGIENE V.Recommending suitable learning paths according to learners' preferences：experimental research results[J].Computers in human behavior，2015，51（10）：945-951.

[16] CHEN C M，PENG C J，SHIUE J Y.Ontology-based concept map for planning personalized learning path[C]//IEEE Conference on Cybernetics & Intelligent Systems.New York：IEEE，2008.

[17] 牟智佳.學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[J].远程教育杂志，2016，34（6）：11-19.

[18] 赵蔚，李士平.基于学习分析的自我调节学习路径挖掘与反馈研究[J].中国电化教育，2018（10）：15-21.

[19] 黄志芳，赵呈领，黄祥玉，万力勇，陈智慧.基于情境感知的适应性学习路径推荐研究[J].电化教育研究，2015，36（5）：77-84.

[20] 郎波，樊一娜.基于深度神经网络的个性化学习行为评价方法[J].计算机技术与发展，2019（7）：1-8.

[21] RYU J，BAYLOR A L.The psychometric structure of pedagogical agent persona [J].Technology instruction cognition and learning，2005，2（1）：291-314.

[22] 余孟杰.产品研发中用户画像的数据模建——从具象到抽象[J].设计艺术研究，2014，4（6）：60-64.

[23] 董哲瑾，王健，钱凌飞，林鸿飞.一种用户成长性画像的建模方法[J].山东大学学报（理学版），2019，54（3）：38-45.

[24] 王岳思.认知风格测验的信效度研究[D].杭州：浙江大学，2018.

[25] 窦智勇，王霓虹，邢芳卉.基于改进主观Bayes方法的不确定推理模型设计[J].黑龙江大学自然科学学报，2011，28（1）：127-131.