基于学习者画像的远程在线学习预警机制研究

杨世鉴

（国家开放大学 经管管理教学部， 北京 100039）

一、问题提出

远程在线教育日益成为成人学习者一种重要的学习方式，我国在线教育经历了20 年左右的发展，教学规模不断扩大，教学模式、学习支持服务等都在不断改进。李克强总理在2017 年政府工作报告中首次提出要大力发展网络教育，习近平总书记2018 年在党的十九大报告中也提出办好网络教育。此外，信息技术的发展，终身学习理念的深入人心，这些都预示着一场以教育技术为推动力的教育深刻变革的来临。

过去十年间，网络教育的学习者人数一直处于快速增长阶段，网络教育的市场潜力巨大，吸引着社会各种办学力量的积极参与。网络教育在一片繁荣背后，教育的质量问题一直是社会各界关注的焦点，甚至成为其进一步发展的瓶颈。高辍课率、低参与度、作业完成拖延、学习深度不足、学习体验感较差等这些与教学质量有关的问题始终没有很好地得以破解。

网络教育的从业者以及教育研究者一直都在探寻如何提升网络教育质量。从过去若干年的研究和实践来看，丰富的学习资源、有力的学习支持服务、科学的教学模式设计都对教育教学质量起到了一定的推动作用，但是教学质量的提升并没有实质性突破。其中，一个重要的问题就是有效的、有针对性且差异化的学习支持服务不够，即大规模的教学资源的投入没有完全转化到学习者个体身上。特别是由于缺乏对于学习者个体特征的分析和研究，使得所有的教学资源投入还停留在无差别化的规模教育阶段。教育的投入加大，但学习者的学习积极性并没有得到显著提升，这无疑是阻碍教育质量进一步提高的重要因素。

对于教学实施过程而言，让学习者获取知识的过程是一个复杂的过程。教育者不仅要关注学习者显性的认知能力，还要关注学习者的心理、学习情绪等因素，这些都是影响学习者学习积极性的重要因素。长期以来，对于学习者的支持服务，主要针对显性的服务，即通过提供教学资源和提出学习任务来实现教学目标。但是由于忽视了学习者的心理状态，导致学习者的积极性不高，学习者的消极情绪影响了学习过程中学习任务的完成。

本文主要关注和解决以下几个问题：第一，基于学习者画像对学习者学习行为进行分析，建立起学习者背景特征与学习者学习行为之间的关系；第二，在学习行为分析的基础上，重点探索远程在线学习的学习预警机制，使远程在线学习中的教师和学习者能够及时、有效地发现并解决在线学习中的问题，减少学习失败的风险。

二、文献回顾

1.关于学习分析

（1）什么是学习分析。学习行为分析越来越受到教育工作者的关注，因为通过学习行为分析，可以开展精准化教学。学习行为分析是教学过程的开端，如果没有学习行为分析，后续的教学服务都是盲目的、低效的。信息技术发展和大数据时代，为教师进行学习分析提供了机会，同时也吸引了大量研究者对学习分析的关注。

什么是学习分析？不同学者的阐述虽有不同，但本质上差异不大。Siemens 认为学习分析是收集学习者生成的数据和系统智能数据，通过数据分析模型来发现学习规律及其影响因素，对学习进行预测和反馈[1]。随着教育技术和大数据的应用，基于大样本的学习行为数据分析成为可能。例如网络在线学习环境下，虽然教师不能直接观察学习者学习状态，但是学习者在网络上留下的学习痕迹为研究和分析学习行为提供了大量的数据。大多数的研究都是通过对这些数据进行分析，确定数据与研究问题的关系，深度探索数据所揭示的现象，最后得出的分析结论，这些基于数据挖掘的学习分析为精准化教学提供了重要依据。

（2）学习分析的分类。根据“学习分析的目标层次”，可以将学习分析分为描述性分析、诊断性分析、预测性分析和指示性分析（如图1 所示）。描述性分析、诊断性分析、预测性分析和指示性分析，不论是从研究价值还是从研究难度来说，都是不断递增的趋势。可以说，学习分析最终的目标就是要通过构建学习分析模型，实行预测性分析和指示性分析。但从现在已有的研究来看，主要是描述性分析和诊断性分析，这两种学习分析是一种“事后”分析，缺乏一定的前瞻性。事实上，预测性分析是一种更为有效的学习分析，可以“预测”将要发生什么，据此可以提前对学生的学习行为进行干预，从而大大降低了学习失败的风险。

图1 学习分析的分类

虽然教学组织的规模大小不一，但是最终的学习行为均表现为学习者个体的学习活动，学习者自身的特征对学习行为是有直接影响的。因此，几乎所有的研究者都无一例外地将学习者的特征作为分析学习行为的重要内容，并根据这些特征在学习过程的影响程度不同，分别提出了不同的学习特征模型。例如，Cross（1981）在CAL 模型（Characteristics of Adults as Learners Model）中将学习者特征分为个体特征和环境特征；Kaye和Rumble（1981）将学习者的个体特征分类为生活方式、基础设施、人口统计、教育培训等四个方面。从国外的研究来看，不仅对学习者特征有了明确的分类，而且结合学习者的在线学习行为，对学习者的学习过程有了进一步的分析。

国内学者中，丁兴富（1998）较早地提出了远程教育学生的理论分析体系。在该体系中，学习分析的资料更加多样化，涵盖了一般资料、人口学资料、社会学资料、地理学资料、情境状态资料、动机动力资料、评价资料等不同的分析角度；刘儒德等分析了学习者先验经验、学习动机与元认知能力、学习风格以及个性特征四个方面与网络学习环境和过程的紧密关系。[2]此后，国内的学者都曾试图建立关于学习者特征的分析体系或者分析模型，例如吴战杰（2004）将学习者特征分为智力、学习风格、学习准备、网络化学习特征、一般信息、其他类，共包括52 个要素；王迎等（2006）提出的DSMS 模型，将学习者特征分为人口学特征、支持性特征、动力性特征、策略性特征；陈仕品等（2010）、郭富强（2011）、孙月亚（2015）都基于自己的研究提出了学习者特征的构成要素。

为了对学习者进行更精准的分析，有研究者开始将商业领域的用户画像理论应用到教育领域，提出了学习者画像。学习者画像不同于简单的学习者特征，二者根本区别是：学习者画像以群体特征为核心，将学习者进行群体分类描述，为不同学习者提供精准的支持服务（肖君等，2019）。不仅如此，很多学者还将风险因素引入学习者画像的构建中，以此识别不同风险等级的学习者（Holley 和 Oliver，2010）。

国内研究者将学习者画像与教育大数据相结合，通过对学习者学习行为的大数据分析，将学习者特征标签化，不仅能更精准地表述学习者需求，还能对学习者行为进行有效预测（肖君，2019）。学习者画像虽然是教育领域的一种新技术，但其本质仍然是对学习者特征的描述、分析和呈现。学习者画像理论的提出，不仅是对学习者特征模型的进一步优化，更为重要的是加大了学习分析的应用空间，尤其是为识别高风险的学习者、为学习预警机制的建立奠定了基础。

通过对相关研究文献的回顾，我们发现，基于学习者特征的分析正在受到研究者的重视，这对于深入研究学习者的学习行为、探寻个性化的教学策略提出了依据。学习分析的关键是如何构建学习分析模型，这也是国内外学者目前主要的研究方向。已有的研究主要存在以下不足：第一，较少关注学习者的心理特征。实际上，学习过程也是学习心理活动过程，相对于其他活动，学习者的心理状态更能影响到学习行为。第二，较少考虑学习团队的特征和行为。学习过程不仅是学习者个体化的学习行为，同时也是学习团队的学习行为。一个团队的学习氛围、学习文化等都会对学习者产生重要影响，如果忽视学习团队的分析，会使研究结论出现偏差。第三，缺少从动态视角对学习行为进行分析。在整个学习过程中，学习者学习行为不是一直保持不变的，已有的研究没有学习周期中学习行为发生的变化。

本文在前文的基础上，试图打开学习者学习过程的“黑匣子”，对已有的学习分析模型进行优化。此外，如何将学习分析的成果应用，也日益受到研究者的关注，本文也试图从这些方面进行探索。

2.关于学习预警机制研究

学习行为是一项复杂的系统工程，会受到各种因素的影响，并最终影响学习的结果。远程在线学习，考虑到学习环境的特殊性，学习中的不确定性会更大，学习风险会更高。远程开放教育要求的一个基本理念就是“有教无类”，既要公平地给予学习者学习机会，同时还要保证每一名学习者最大化地实现学习目标。由于远程开放教育入学门槛较低，导致学习者的学习基础差异较大，基础薄弱的学习者在远程开放教育学习环境中会出现诸多不适应。与传统面授教育相比，远程开放教育中学习者具有高流失率和高辍学率的特点，进一步说明远程开放教育学习失败的风险较高。因此，学习分析的一个重要作用，就是要识别和分析高风险的学习者，一方面对学习者发出预警报告，督促其改正学习行为，另一方面作为教学支持服务提供者进行学习危机预警干预的依据。实际经验表明，对于高风险的学习者，学习危机预警越早，教师干预越及时，就会越容易降低出现学习失败的概率。

从本质上说，学习预警和学习分析紧密相连，学习预警是建立在预测性学习分析基础上的一种学习支持服务活动。相对于传统的学习支持服务，学习预警可以对学习者遇到的学习困难进行提前帮助，促进其学习成功的概率，降低学习辍学的风险。[3]因为目前的教学支持服务常常是根据学习者的状态而采取的事后干预，这种干预具有一定的滞后性，对学习者服务的及时性不强。要想增强学习者针对性指导，需要由事后干预转变为事前干预，即较早识别出学习者的学习风险，进行提前干预。从目前已有的研究来看，学习危机预警机制研究得较少，说明还没有引起充足的重视。

一般来说，从学习预警内容来划分，学习预警机制包括情绪、行为、知识等三方面的预警；从学习预警的对象来划分，学习预警包括对学习者的预警、对教师的预警和对学习者与教师的双向预警。杨现民等（2016）从预警的实现形式、算法与工具、内容与方法等方面比较分析了国外五个典型学习预警系统，提出了学习预警系统的通用设计框架，并构建了学习预警系统的功能模型和过程模型。王均霞（2019）以测评大数据为基础,以学生知识点综合掌握情况为研究内容,以贝叶斯网络为分析方法,通过节点权重分析及因果关系分析形成预警模型网络结构，在参数学习和条件概率分析的基础上形成面向知识点的学习预警模型。张婧鑫等（2019）基于社会临场感角度，采用二元相关分析、多元回归分析构建在线学习预警模型,得出同伴交流、课程进度安排合理性、自我调节学习、与教师交互及学习动机最能解释学业成绩的结论。[4]

三、学习危机预警机制的基本原则

目前，在远程在线教学中建立学习危机预警机制尚处于探索阶段，尚未有一套完善和成熟的方案。下文提出了一些关于学习危机预警机制建立的基本原则。

1.风险导向原则

在远程在线学习过程中，不论是产生学习危机还是最终导致学习失败，都可以被称之为“学习风险”。从风险角度，本文提出的学习预警实质上也是一种学习风险的管理。

目前，在生产管理、社会管理、行政管理等各个方面，都十分强调风险管理的概念，对于风险的管控是一个组织或个体是否取得成功的关键。在教学领域，学习风险的概念还没有得到人们的充分认识。事实上，学习过程也是一种管理过程，包括教学管理、资源管理和个体管理等诸多方面。要想达到教学目标，在整个管理系统的每一个参与者都要有风险意识和风险管理的策略，要将风险可能造成的不良影响降至最低。[5]相对于传统的面授教学，远程在线学习过程受到的影响因素多样，学习风险更大，因此更应该得到关注和研究。

2.系统性原则

学习危机预警机制实际上是关于揭示学习者学习风险的一套管理系统（如图2 所示）。首先，根据学习者的学习行为表现，发现学习者的学习问题，即学习风险的识别；其次，对学习风险进行测量，以此反映学习风险的严重程度，可以使学习者和教师有一个直观了解；再次，对学习风险产生的原因、影响因素进行分析；最后，要提出针对性的解决措施，尤其是对于教师而言，要根据分析的内容，进行必要的学习干预，帮助学习者走出学习困境，摆脱学习危机，避免后续出现类同的危机，这个过程是学习风险的控制。可以说，学习预警机制的建立，学习预警体系是基础，大数据挖掘和分析是手段，突出预警的预见性和干预的有效性是关键。

要想保证学习预警机制的科学有效，还要考虑影响学习危机管理系统的各个因素，即不同类型的学习风险，包括学习环境风险、学习情绪风险和学习认知风险，它们之间相互关联又分别存在，均对最后的学习成败产生重要影响。因此，在对学习危机进行预警和分析的时候，要全面考虑这几种学习风险。

图2 学习危机管理系统

3.实时性原则

学习危机预警通过对学习者学习行为的观察，利用实时的行为数据，将学习者面临的学习危机预先告知学习者和教师，采取相关的学习干预措施。由于学习行为是一个动态发展的过程，因此需要随时对学习者学习过程进行监测，如果出现学习危机要能进行预警，预警越及时，对学习者的帮助越大，越有利于学习者和教师进行调整。

四、学习者画像下的学习危机预警机制：一个实证分析

通过以上分析，我们知道学习危机预警机制的建立，首先需要能够对远程在线学习风险进行识别，尤其是识别高风险的学习者，从而勾勒出远程在线学习者的画像。我们借鉴学习者画像理论，试图构建一个远程在线学习风险的识别机制。以下通过一个实证分析，初步验证学习者的背景特征和学习行为及其学习风险之间的内在关系，为后续研究提供依据。

1.理论分析与假设提出

网络学习和传统的面授教学最大的不同就是学习者和教师处于相对分离的状态，教师是通过提供学习资源和必要的学习支持服务来进行辅助教学。在更多情况下，网络学习过程也就是学习者与网络学习资源进行直接交互的过程。“因材施教”是广为人知的教育理念，在传统教育中，教师和学生处于相对封闭的环境中，教师可以通过观察学生的课堂表现，近距离地了解学生学习困难，同时还可以观察学生的面部表情以及肢体语言来洞察学生的心理活动，这些都方便教师开展有针对性的教学。

在网络学习环境下，为了减少时空分离带来的信息不对称，教师希望通过学习者网络学习行为留下的日志，来分析学习者的学习状态并评价学习效果。在已有的研究和实践中，常常将学习者视为同质的，即没有考虑学习者特征对学习行为的影响。如图3 所示，学习者的背景特征包括生理特征、社会特征、经验特征（具体描述见表1），这些特征决定了学习者在与学习资源和教师的交互中，会出现不同的隐性学习行为，包括学习持续力、学习情绪、沟通意愿等，这些隐性的学习行为即我们所说的学习者的心理状态。学习者心理状态不同，学习的积极性就有很大差异，体现为学习者显性学习行为（作业完成时间、教学活动的参与度、学习资源的访问次数、登录行为等）的差异，最终影响学习者的学习效果。在以往的研究和分析中，并没有考虑学习者的背景特征和隐性学习行为对显性学习行为的影响，这也是分析结论存在不一致的原因。由于传统的研究是通过观察学习者的显性学习行为来分析学习者的学习效果，导致分析的结论不具有预测性，不能使教师在学习者学习之初就提供针对性的服务。

图3 学习者学习过程要素投入传导模型

表1 学习者背景特征描述

本文借鉴人口学中的高阶梯队理论，试图构建远程在线学习者的“学习画像”，据此作为开展学习预警的基础。高阶梯队理论是心理学、组织行为学、管理学相结合的一种理论，已经广泛应用于各种学科领域。高阶梯队理论认为，行为人的一切行为，包括管理决策行为，不仅受外在环境的影响和制约，同时还和管理者个人以及团队成员的背景特征有关。由于现有的研究通常关注外在因素的影响，忽视了制约决策行为形成的“黑匣子”，即个体和团队成员个体特征的影响，从而会使研究结果存在一定的局限性（Finkelstein 和Hambrick,1990；March 和Simon,1958）。

基于高阶梯队理论，本文认为，在同样的学习环境下，学习者个体的差异会在很大程度上影响学习行为，包括表现出来的学习情绪等方面也会有所差异。具体表现在以下几个方面：

（1）年龄。Taylor（1975）认为，年轻的管理者在认知能力、创新能力和应变能力方面要强于年龄大的管理者。一般来说，年轻的管理者倾向实施战略变革（Wiersema，1992），对新鲜事物接受比较快。对于远程教育学习者而言，年轻的学习者更能适应学习方式的变化并作出积极反应，同时年轻的学习者沟通能力也比较强，在学习中更能获得来自同伴的支持。由此可以分析出，年轻的学习者会表现出较为积极的学习情绪。

（2）性别。几乎所有的研究都表明，男性在工作中容易表现出过度自信（Lundeber 等，1994；Bengtsson 等，2005）。Peng 和Wei（2007）研究发现，男性的自信心要高于女性。在远程教育学习中，自信心是影响学习情绪的重要因素，因此，相对女性学习者而言，男性学习者会表现出较为积极的学习情绪。

（3）前期专业背景。如果学习者前期有和目前所学专业相同的知识背景，那么，学习者在学习过程中会更加从容，容易激发学习热情。

（4）学习年限。学习者学习年限越长，对网络学习会更加熟悉，这样会消除其学习过程中的陌生感，从而产生更加积极的学习态度。

基于以上分析，我们提出如下假设：学习者的背景特征影响学习者学习过程的积极性。

2.研究设计

（1）数据来源和样本选择。本文选择国家开放大学学习网中《财务报表分析》《基础会计》《高级财务会计》等三门课程，以2016 年秋季—2019年春季45 家分部学生提交作业的数据为分析对象。大部分数据通过学习平台生成，少部分数据通过手工整理获得。

（2）研究设计。

1）模型构建。为了检验学习者背景特征与学习积极性之间的关系，我们建立如下模型：

Pr（Delay）=β0+β1BC +β2CONTROLS+ε（1.1）

2）变量选择。以上模型的变量选择如下（如表2 所示）：

①由于本文选择的学习者均为会计学专业，因此专业背景定位为是否具有财务背景。被解释变量。在教学的各种问题中，作业完成拖延是一个极为常见的现象。通过表2 作业完成时间的统计分析可以看出，远程教育中作业完成拖延现象还是很严重的。一般认为，学习者作业完成拖延是一种学习不积极的表现，教师通常采用督促的方式来解决。但事实上对远程教育的学习者来说，这种方式的效果并不明显，而且随着督促数量的增多，效果越来越差。这在一定程度上说明，影响学习者作业完成时间的，除了学习态度和学习积极性等问题，还有很多深层次问题等待解决。

本文选择学习者作业完成拖延作为探究学习者学习状态的切入点，是因为相对其他的学习表现来说，完成作业、获取作业成绩，是学习者重要且必须完成的学习任务，这也是全体学习者都必须参加的学习活动，以此可以较为准确地分析出影响学习者学习状态的深层次原因。

在模型1.1 中，按照作业拖延的程度分别取值，具体取值为：拖延1 次取值1，拖延2 次取值2，拖延3 次取值3，拖延4 次取值4。

②解释变量。解释变量是学习者的人口背景特征，主要包括年龄、性别、教育水平、专业背景和学习年限。其中年龄的度量分为自然年龄和分段年龄。

③控制变量。本文选择的控制变量包括学习支持服务的内容，具体包括教学活动安排的次数，是否有面授辅导，网上直播课堂的次数等。教学支持服务越丰富，越有利于学习者提高学习的积极性。

3.描述性统计分析

表3 是主要变量的描述性统计。通过表3 可以发现，按时完成作业的比率是逐渐下降的，第一次提交作业的比率最高，第二、三、四次作业的完成率显著降低。

表3 变量的描述性统计

对比教师教学支持力度，包括安排的教学讨论、网上资源的数量等内容，每次任务是较为平均的，但是学习者完成任务的积极性在下降，说明除了一般意义的学习支持服务外，还有其他的支持活动。通过上述初步的研究结果发现，学习者的个人特征与学习行为有着紧密的联系，后续研究应该进一步挖掘彼此之间的相互关系。

五、结语

近十年来，随着国家政策、社会投入以及学习者自身学习方式的转变，网络在线教育得以迅猛发展。同时，网络教育教学质量问题也引发社会各界的关注。如何能够使学习者获得更好的学习体验，关注学习者个体的学习感受，开展有针对性的个性化学习支持服务，是提升教学质量重点考虑的内容。由于学习者个体的差异，在面对相同的学习环境和学习支持服务的情况下，学习者的反应并不一致。通过研究学习者背景特征，进一步分析出学习者的个体差异在网络学习中的具体表现，为开展有针对性的教学支持服务提供依据。