基于情境感知的学习者建模：内涵、特征模型与实践框架*

王一岩 郑永和

（北京师范大学 教育学部，北京 100875）

一、问题提出

学习科学研究的最终目标是回答“人是如何学习的”这一关键问题。而此问题的解决，一方面，需关注学习者的知识技能、认知水平、学习动机、学习态度、 学习风格等潜在特征要素对学习过程和学习结果的影响机制，探究学习发生的内在机理； 另一方面，要对与学习者相关的外在教育情境进行精准刻画，以探究教师、教学内容、教学资源、教学环境、教学服务、 教学活动等教育情境要素如何对学习者内在的知识建构、认知发展和情绪状态产生影响，揭示教育情境要素对于学习发生的影响机制。

对当前研究进行梳理可以发现，相关研究重点关注利用人工智能技术实现对学习者行为、认知、情感状态的感知、建模、分析和解释，或采用实证研究的方法，探究单一教育情境要素对于学习者学业表现、情绪状态等特征的影响机制。这些研究无法从教育研究的实际需求出发，对智能技术和教育研究的实践问题进行整合，难以形成面向复杂教育问题的系统化解决方案，从而揭示深层次的教育规律。

基于此，本文提出一个新的研究话题：“基于情境感知的学习者建模”，旨在将“情境感知”和“学习者建模”这两个智能教育领域的重要研究方向，进行深度整合，融合行为分析、认知诊断、知识追踪、情感计算、情境感知、学习者建模、教育数据挖掘等前沿技术，以探究外在教育情境要素对于学习者内在认知和情感发展的影响机制，揭示深层次的学习发生机理（郑永和，等，2021b）。具体而言，主要对“基于情境感知的学习者建模”的概念内涵、特征模型、实践框架和研究进路，进行系统的梳理和凝练，对其核心理念和潜在价值进行详细论述，以期为后续相关研究的开展提供一些思路。

（一）研究必要性

近年来，物联网、大数据、人工智能等新兴智能技术的引入，使得智能时代的教育教学逐渐呈现出“教育主体可理解、教育情境可计算、教育规律可解释、教育服务可定制”的发展趋势。在此背景下，对于学习本质的探求，逐渐成为智能教育和学习科学领域相关研究人员关注的热点话题。“人是如何学习的”，以及“学习是如何发生的”，成为摆在现代学习科学研究者面前的一个关键问题。如何借助信息技术手段还原教育过程、 揭示教育规律、 优化教育服务，成为当前智能教育研究面临的核心问题（郑永和，等，2021b）。就学习的本质而言，除了受到学习者先验知识、智力水平、学习能力和学习态度等内在因素的作用之外，还会受到教师、教学内容、教学环境等外在因素的影响。

基于此，本文关注基于情境感知的学习者建模，旨在从智能教育研究的现实需要出发，以学习科学关键问题的有效解决为目标，以现代教育理论和智能技术为支撑，探究教育情境感知与学习者建模研究的融合机制，以此挖掘深层次的教育规律，优化个性化学习支持服务的模式。着重探讨以下三个问题：（1）学习者如何建模？ （2）教育情境如何建模？ （3）如何构建教育情境模型和学习者模型之间的关联关系，实现基于情境感知的学习者建模？通过对以上问题的解答，从理论层面对基于情境感知的学习者建模的内涵、特征模型和实现方法进行系统论述。

（二）研究可行性

在理论层面上，情境认知理论认为，“知识是个体与环境交互作用过程中建构的一种交互状态”，学习是在真实情境和实践活动中完成的个体意义的建构，强调教育情境的创设对于学习者认知发展的影响机制（李曼丽，等，2018）。学习科学领域近年来关于学习媒体、学习资源、学习环境、学习活动等要素对于学习者认知和情感发展影响机制的研究，也证明了“情境”与学习者的学习发生机制之间具有复杂的作用关系。基于此，智能时代学习发生机理的研究，应更加重视学习者先验知识、智力水平、情绪动机等内在特征属性和教学内容、教学媒体、教学活动等外在环境因素，对于学习过程和学习结果的复杂作用机制。

在技术层面上，以物联网、大数据、云计算、人工智能为代表的智能技术的快速发展，为学习者建模和教育情境感知研究的开展，提供了底层的技术支持，从“数据、算力、算法”三个层面，不断地推动基于海量数据挖掘的教育科学研究的实践进程。具体表现在：其一，利用各种智能感知设备，实现对学习者、教师、教学内容、教学资源、教学环境、教学活动数据的智能化采集，构建面向学习者和教育情境的多模态数据集；其二，利用自然语言处理、计算机视觉、语音识别、生理信息识别等技术，实现对学习者和教育情境特征的有效挖掘，从多个层面对事物的表征形态进行有效还原；其三，利用数据挖掘的方法，实现对学习者和教育情境之间复杂关联关系的挖掘分析，探究教育情境的创设对于学习者潜在特征发展的影响机制，以此促进相关研究的深入开展。

在应用层面上，从近年智能教育领域关注的热点来看，无论是计算教育学（郑永和，等，2020）还是多模态学习分析（王一岩，等，2021b），其核心研究点主要集中在对学习者、教育情境以及二者之间相互作用关系的探讨。而基于情境感知的学习者建模，能够通过对相关研究问题的深度整合，综合考量真实教育场景中各构成要素之间的内在联系和作用机制，在更大程度上揭示智能时代教育教学的核心规律。

基于情境感知的学习者建模，能够有效融合行为分析、认知诊断、知识追踪、情感计算、情境感知、学习者建模等关键领域的核心技术，实现对学习者、教育情境及二者之间交互作用机制的数据化表征，以还原教学过程的全貌，探究深层次的教育规律。可见，此类研究具有较高的复杂性，能够将智能教育领域的研究“孤岛”连接起来，形成面向复杂教育问题的有效解决方案。

二、基于情境感知的学习者建模的内涵诠释

（一）情境感知及研究推进

所谓“情境”，通常是指任何可以被用于标识人、物体、 环境、 计算机程序等实体状态的信息（Dey，2000），主要用于对特定时空条件下各类实体要素的存在形态和演化模式进行表征。情境感知的概念最早来源于普适计算，是通过传感器及相关的计算设备获取环境中的情境参数，通过机器的加工处理，获取对用户有用的反馈信息，借助计算设备实现用户和环境之间的交互融合（王一岩，等，2021a）。

情境感知相关研究是近年学习科学领域关注的热点话题，旨在对教育情境进行精准感知和智能分析，以数据建模的方式实现对教育现象的有效还原，在更深层次上还原教学过程全貌，以促进智慧学习空间的逐步优化。相关研究主要聚焦于基于情境感知的适应性学习路径推荐（黄志芳，等，2015）、基于情境感知的智慧学习空间建构（李青，等，2017）和基于情境感知的个性化学习服务机制（杨丽娜，等，2020）等方面。

近年来，人工智能技术的快速发展和智能感知设备的逐步成熟，为“情境感知”研究的开展，提供了新的发展契机。如，利用语音识别和自然语言处理技术对课堂对话数据进行精准识别和语义分析，利用计算机视觉技术对学习者和教师的面部表情、手势、身体姿态进行精准捕捉，利用智能手环、眼动仪、脑电仪、脑机接口、功能性近红外脑功能成像技术，对学习者的生理信息数据进行采集等。未来教育情境感知相关研究，将充分发挥数据感知和建模的核心功用，可实现对真实教学场景中各类构成要素的精准刻画，挖掘深层次的教育规律，进一步推动智能时代教育科学研究的实践进程（郑永和，等，2021b）。

（二）学习者建模的研究进展

学习者模型是实现个性化学习支持服务的核心，旨在对学习者的知识技能、认知行为、情感体验等特征，进行挖掘分析并构建相应的数学模型（王小根，等，2021）。而学习者建模则是通过对上述信息进行采集、分析和挖掘，以建立和更新学习者模型的过程。学习者建模是智能导学系统、教育机器人、自适应学习平台等智能教育产品研发的关键，通过对学习者知识技能、认知水平和情绪状态的精准测评，实现对学习者内在认知结构的立体化、综合化、科学化建模分析，揭示学习者学业表现和学习行为背后潜藏的深层次认知和非认知特征，以此为学习者提供精准化的学情分析、资源推荐和学习路径规划服务，从而满足学习者多样化的学习需求。

近年来，相关学者从不同的研究视角出发，构建了多元化的学习者模型，其核心要素主要集中在：学习者的个体属性、学习行为、知识状态、认知水平、情感态度、学习风格、学习偏好、学习动机、学习策略等方面（丁继红，等，2017； 徐鹏飞，等，2018； 张涛，等，2020； 武法提，等，2019）。随着学习科学理论和实践研究的快速发展，以及智能技术与教育研究融合趋势的不断加深，对于学习者的精准化、细粒度、综合化的建模分析，将持续成为“智能+教育”领域关注的热点，并引领智能教育理论和实践研究的发展方向，成为驱动学习个性化发展和教育智能化变革的动力引擎。

（三）基于情境感知的学习者建模

基于情境感知的学习者建模，是智能教育和多模态学习分析研究需要解决的关键问题，强调外在教育情境要素对于学习者内在知识建构、认知发展和情绪状态的影响机制，通过对教育情境和学习主体的精准刻画，实现对真实教学过程的有效还原。其研究核心要点在于：

其一，以教学活动流为参照，利用智能感知技术实现对真实教育情境中“人—机—物—环境”等要素的数据化建模分析，探究智慧教学活动驱动的学习者、教师、教学内容、教学资源、教学媒体、教学环境等要素之间的交互作用机制，以此实现对完整教育情境的精准刻画（王一岩，等，2021c）。

其二，通过对学习者学业测评数据、外在行为数据、生理信息数据的精准采集和智能分析（郑永和，等，2021b），利用知识图谱、认知诊断、知识追踪、情感计算等技术，实现对学习者“知识、认知、情感”状态的智能测评和动态表征，以此构建精准完善的学习者模型（黄涛，等，2020）。

其三，建立教育情境特征和学习者模型的双向匹配机制，通过对多元学习时空条件下教育情境和学习主体的精准监测，探究教育情境要素与学习者特征之间的动态映射关系，实现学习者特征与教育情境的智能匹配与动态调整。并以此为依据，探究深层次的学习者特征，揭示学习发生的内在机理。

基于情境感知的学习者建模与传统学习者建模研究的主要区别在于：传统“学习者建模”更加关注对学习者知识结构、认知行为、情感状态、学习风格、学习偏好、 学习动机等潜在特征的挖掘分析和数据化建模，其目标是对学习者的认知结构进行精准刻画，构建立体、综合、全面的学习者模型，以此为其提供个性化的学习支持服务；而“基于情境感知的学习者建模” 更加偏重教育情境要素对于学习者内在认知和情感状态的影响机制，通过对学习者和教育情境的数据化建模，利用频繁模式挖掘和时间序列分析的方法，构建教育情境要素和学习者特征之间的动态映射关系，以探究教育情境对于学习者知识、认知、情感等潜在特征的影响机制，揭示学习发生的内在机理。

从根本上来讲，“学习者建模” 更加偏重于对学习者自身的刻画，“基于情境感知的学习者建模”，则偏重于对“教育情境”“学习者”以及“学习者与教育情境之间的交互关系”的刻画，旨在从更广泛的层面对学习过程进行智能化、 立体化、 综合化的建模分析，实现对教育现象的有效还原和对教育规律的科学解释，并以此为基础，构建基于情境感知的智能化学习服务模式，为教育环境的优化、 教育服务的推送、教学策略的调整，提供科学依据。

三、融合教育情境信息的学习者模型

（一）基于“人—机—物—环境—活动”的教育情境感知模型

教育情境是对于真实学习时空条件下人、 机、物、环境等实体要素的存在状态、演化机制及其之间交互作用关系的精准表征，旨在对真实教育场景中的学习者、教师、教学内容、教学资源、教学媒体、教学环境、教学活动等要素进行精准刻画，探究相关要素的潜在特征、 变化规律及其相互之间的复杂交互作用模式，以此实现对教育现象的有效还原和对教育规律的科学解释。已有学者通过对先前研究进行了系统梳理，针对智能技术赋能课堂教学变革的实践需求，提出了基于“人—机—物—环境—活动”的教育情境感知模型（王一岩，等，2021c），旨在对智慧学习空间中的人、机、物、环境等各类构成要素进行智能监测分析，利用量化学习的思想对相关要素的表征形态和潜在特征进行精准刻画，从最大程度上还原教学生态的全貌。具体包括：“学生和教师情境、设备和服务情境、 内容和资源情境、 时空和社会情境、活动和交互情境”等。

其一，强化对教育情境关键构成要素的考量。随着学习科学研究的逐步推进，关于教学资源的呈现方式、教学活动的组织模式、教师的教学行为、教学风格等要素，对学习者学习过程和学习结果影响机理的研究，逐渐受到了领域内学者们的关注。研究者愈发重视学习者与教师、教学内容、教学资源等要素之间的交互作用机制对自身学习的影响。因此，教育情境感知研究的开展，需要从数据感知层面对构成完整教育情境的实体要素进行全面考量，利用智能感知技术，实现对学生、教师、教学资源、教学媒体、教学环境等要素存在状态和演化模式的综合测评，以此实现对完整教育情境的精准表征。

其二，明确智能技术在教育情境中的关键地位。随着智能技术与教育教学融合趋势的不断加深，未来的学习空间将呈现出泛在智能、虚实融合、群智感知、人机协同的发展趋势（郑永和，等，2021b），以教育机器人为代表的机器智能实体，将在未来学习空间中占有越发重要的关键位置，通过智慧学习环境的创设、智能分析方法的重构、智能教育服务的供给变革传统的教与学模式，实现对教育情境的整体优化。因此，基于情境感知的学习者建模研究的开展，需要综合考量智能教育产品及其提供的智能教育服务在智慧教学活动开展过程中的核心作用（王一岩，等，2021d），构建面向智能教育服务的细粒度表征指标体系，实现对教育情境的完整表征。

其三，强调学习活动驱动的智慧教学生态的重构。活动理论认为，教育目标的达成是个体和群体协同作用的结果（孙海民，等，2015），通过学习活动的开展实现“人—机—物—环境”等要素之间交互的有效发生，进而驱动智慧学习空间的物质、信息、能量的有效流转。因此，对于教育情境的建模分析，需要突出智慧学习活动在完整教育情境建构中的核心作用，强调智慧学习活动驱动的“人—机—物—环境”等实体要素之间的交互作用的有效发生，强化基于活动流的教学过程解构，以此实现对完整教育情境的全时空、多维度整合。

（二）基于“知识—认知—情感”的学习者模型

关于学习者模型的构建方法有很多，大多集中在关于学习者行为、知识、认知、情感、动机、元认知、学习兴趣、学习风格、学习偏好、学习态度的描述。本文在对先前研究进行系统梳理的基础上，主要参考黄涛等人（2020）提出的基于“知识—认知—情感—交互”的学习者模型以及张涛等人（2020）提出的基于 “本体—知识—行为—认知—情感” 的学习者模型，通过对学习者模型关键构成要素的综合考量，并结合当前阶段智能教育研究的热点课题，提出了基于“知识—认知—情感”的学习者模型，以实现对学习者的关键特征进行精准刻画。

其一，为什么关注知识、认知、情感三类特征？关于学习者知识、认知、情感的相关研究是近年来智能教育领域关注的热点，主要利用知识图谱、 认知诊断、知识追踪、情感计算等技术，对学习者的知识掌握程度、认知发展状况和情绪变化规律，进行智能感知和精准测评。相关研究的开展，为多元教育情境下学习者知识、认知和情感数据的采集分析，提供了坚实的技术基础，有助于实现对多元时空条件下学习者认知和情感发展状况的智能监测和精准分析，从而构建精准完善的学习者模型。

其二，为什么不将学习者的行为特征纳入学习者模型的范畴？学习者的学习行为数据，主要包括在线学习中的搜索、浏览、点击、拖拽、提问、回复、点赞、评论等数据，以及课堂学习中的听课、做笔记、举手、提问、讨论、应答等数据。从人工智能的角度来看，又可以将其划分为学习者的话语、表情、手势、身体姿态等外显行为数据。关于学习者行为的感知、建模、分析和解释是学习者建模研究开展的基础。一方面，学习者建模研究更加关注学习者行为背后内在的知识技能、 认知行为和情绪体验等能够反映学习者潜在心理状况的深层次特征；另一方面，学习者的“行为”和“认知”“情感”之间具有复杂的内在联系，情绪可以发动、干涉、组织或破坏认知过程和行为，认知对事物的评价则可以发动、 转移或改变情绪反应和体验，进而改变学习者的行为模式。因此，对于学习者“认知”和“情感”状态的关注，能够对学习者的潜在特征进行精准表征，并在极大程度上简化学习者模型的复杂程度。

其三，是否可以将学习者的学习兴趣、 学习偏好、学习态度等要素纳入学习者模型的范畴？我们的答案是肯定的。相比于学习者的“知识、认知、情感”状态，其学习兴趣、学习态度、学习动机、学习风格、学习偏好等要素，更能反映学习者的本质特征。以往在学习者建模研究中，对于这几类要素的测量大多通过问卷和量表的方法来实现，学习者通过对自身学习状况的综合分析，填写相关问题的答案，以测评学习者的潜在特征。但此种方式受学习者主观思想影响过大，且更多偏向于结果性数据，无法保证测评结果的准确性和科学性。而基于人工智能技术的学习者建模，主要通过对学习者学习过程和学习结果数据的精准采集和智能分析，利用多模态数据实现对学习者潜在特征的深层次、时序化挖掘分析。相比于传统基于自我报告的测评方法，基于情境感知的学习者建模，能够通过对多元学习场景下教育情境要素和学习者行为表现、认知水平、情绪状态的全时空、多维度、动态性建模分析，对学习者的知识建构、认知发展和情绪状态的影响因素进行综合考量，进而对学习者的学习兴趣、 学习偏好、 学习态度等特征，进行更加科学、精准的测评分析。

（三）融合教育情境信息的学习者模型的形式化表征

基于情境感知的学习者建模，一方面，关注对学习者知识、认知、情感状态的时序化建模分析；另一方面，关注基于“人—机—物—环境—活动”的复杂教育情境对学习者知识、认知、情感的影响机制，进而构建融合教育情境信息的学习者模型，实现对真实教育情境中学习过程的有机还原和对学习发生机理的深层解析。

基于此，本文提出了“基于情境感知的学习者建模”需要在传统“学习者建模”研究的基础之上，加强对教育情境要素的关注，构建教育情境要素与学习者特征的二元匹配模型。并在此基础上，探究教育情境要素与学习者特征之间的内在联系，揭示深层次的学习发生机制。我们参照了武法提等人（2019）的研究思路，采用粒计算的方法对学习者模型进行细粒度的精准表征，利用有序偶的形式对模型的整体结构进行表示，将每一个子模型看作一个元组，通过对特定教育情境下学习者知识、认知、情感状态的监测，构建融合教育情境信息的细粒度学习者特征模型，以此实现对学习者模型的完整表征。

在这一模型构建的过程中，教育情境模型可以简单表示为CM=（H，M，O，E，A），其中H（Human）表示“人”，M（Machine）表示“机”，O（Object）表示“物”，E（Environment）表示“环境”，A（Activity）表示“活动”； 学习者模型可以简单表示为LM=（LMK，LMC，LME），其中LMK表示学习者的知识子模型，LMC表示学习者的认知子模型，LME表示学习者的情感子模型。与之对应，HK，MK，OK，EK，AK分别表示学习者知识子模型下“人—机—物—环境—活动” 的表征形态；HC，MC，OC，EC，AC分别表示学习者认知子模型下“人—机—物—环境—活动”的表征形态；HE，ME，OE，EE，AE分别表示学习者情感子模型下“人—机—物—环境—活动”的表征形态。因此，基于情境感知的学习者模型 （Learner Model based on Context Awareness，CLM）可以表达为：

此模型主要关注在特定时空条件下学习者知识、认知、情感的激活状态，通过对真实学习场景中“人、机、物、环境、活动”等要素的精准刻画，建立教育情境模型与学习者模型之间的关联分析模型；进而对教育情境要素和学习者特征模型之间的动态映射关系进行挖掘分析，实现对学习者全时空、 多层次、细粒度的精准刻画，以此构建融合教育情境信息的学习者模型，挖掘深层次的教育规律。

四、基于情境感知的学习者建模的实践框架

基于情境感知的学习者建模，旨在对特定教育情境下学习者的“知识、认知、情感”状况进行多元化、时序性、情境性的建模分析，探究在多样化的学习内容、学习资源、学习环境、学习活动条件下，学习者的知识、认知、情感发展状况，建立教育情境要素和学习者特征之间的二元匹配模型，实现学习者特征与教育情境的智能匹配与动态调整。以此，实现对学习者的学习兴趣、学习动机、学习偏好、学习风格等特征进行深入挖掘分析。基于此，本文构建了基于情境感知的学习者建模的实践框架 （如图1所示），以便对基于情境感知的学习者建模的核心要点和关键路径，进行系统论述。

图1 基于情境感知的学习者建模的实践框架

（一）基于智能感知技术的教育情境感知与融合计算

基于智能感知技术的教育情境感知与融合计算，旨在利用智能感知设备，对完整教育情境中“人—机—物—环境—活动”等要素存在状态和演化模式，进行智能感知和精准表征。实现全时空、多维度、细粒度的数据建模，对相关要素的潜在特征进行深入挖掘分析，以实现对完整教育情境的精准刻画，并从情境感知的视角，挖掘深层次的教育规律。

其一，实现对“人—机—物—环境—活动”要素的有机分解。教育问题与情境的复杂性，为智能教育相关研究的开展带来了极大的挑战。因此，我们需要利用数据科学的思想，对与教育情境相关的人、机、物、环境、活动等要素进行拆解，将其分解为教学行为和学习行为、教学设备和教学服务、教学内容和教学资源、物理环境和社会环境、教学活动和学习交互等要素，构建起细粒度的指标体系，实现对教育情境要素的潜在特征进行精准挖掘。

其二，利用智能感知设备，实现对相关要素表征形态的智能监测和精准分析，从不同侧面对教育情境进行刻画。智能感知设备和物联网技术的发展，为教育情境感知相关研究的开展，带来了极大的便利。利用多种感知设备，实现对教育情境构成要素的全方位、多维度精准监测，可实现对人、机、物、环境等要素的精准表征。如，利用温度、湿度、光线传感器对学习场景的物理环境进行监测； 利用摄像机、 眼动仪、脑电仪、功能性近红外脑成像等设备，对学生和教师的行为和生理信息数据进行采集； 利用接近传感器、加速度传感器、GPS 传感器等，对学生的相对位置、 运动状况和地理位置等数据，进行采集等等（Tortorella & Graf，2017）。

其三，利用多模态数据融合方式，实现对教育情境潜在特征的智能化挖掘分析。利用多模态数据之间的信息互补机制，对教育情境要素的潜在特征进行准确表征，实现数据驱动下的教育现象的解释和教育过程的还原。在此基础上，实现对“学生和教师情境、设备和服务情境、内容和资源情境、时空和社会情境、活动和交互情境”的精准刻画。

图2 基于智能感知技术的教育情境感知与融合计算模型

（二）基于多模态数据融合的动态学习者特征挖掘

基于多模态数据融合的学习者特征挖掘，旨在利用智能感知技术，实现对完整学习过程中学习者学业、心理、行为、生理等数据，进行实时采集和精准分析，从不同层面对学习者的学习状态进行精准表征和有效还原。在此基础上，通过对不同模态数据的融合分析，实现对学习者知识掌握、认知发展和情绪状态的多维度、精准化表征，从而构建起精准、完善的学习者模型。

其一，实现对学习者多元学习数据的精准采集。利用学业测评、问卷、量表等方式，对学习者的学业表现数据和心理测评数据进行采集，利用摄像机、眼动仪、脑电仪、功能性近红外成像等设备，实现对学习者行为数据和生理信息数据的智能化采集分析，构建面向完整学习过程的多模态数据集，以数据建模的方式，实现对学习者特征的动态表征。

其二，利用多模态数据融合，实现对学习者特征的深入挖掘分析。智能教育领域多模态数据融合技术的应用，旨在利用多模态数据之间的信息互补机制，实现对学习者和教育情境的精准刻画，并在最大程度上揭示教学过程的全貌，实现对教育现象有效还原。主要利用多模态数据融合方式，对学习者学业表现数据、心理测评数据、学习行为数据、生理信息数据等进行挖掘分析，实现对学习者知识、认知、情感状况的精准测评，提升数据分析的准确性，以此为后续相关研究的开展，提供有力支持。

其三，利用行为分析、知识图谱、认知诊断、知识追踪、情感计算等技术，对多元教育情境中学习者的知识、认知、情感状况，进行智能化的精准测评，并以此为基础，构建时空融合的分析模型，对学习者的知识掌握水平、认知发展状况和情绪变化规律，进行精准表征。从而，实现对学习者知识建构模式、认知发展规律和情感发生机制的有效还原（黄涛，等，2020）。

图3 基于多模态数据融合的学习者特征挖掘模型

（三）学习者特征与教育情境的智能匹配与动态调整

学习者特征与教育情境的智能匹配，是“基于情境感知的学习者建模”研究的核心，旨在建立教育情境要素和学习者特征之间的二元匹配模型，探究教育情境要素对于学习者知识、认知、情感状态的影响机制。以此实现学习者特征与教育情境的智能匹配与动态调整，实现对真实学习场景中学习者特征的科学化、立体化、综合化建模分析。

其一，实现对教育情境要素和学习者特征的全时空、多场景、动态化建模。通过对多元学习场景中教育情境和学习者特征的精准监测，实现学习者特征与教育情境的智能匹配，构建面向时空融合的“知识、认知、情感”模型，为学习者建模研究的开展，提供多元的证据支持。

其二，利用数据挖掘算法，实现学习者特征与教育情境的智能匹配和动态调整。如，利用频繁模式挖掘的方法，探究教育情境相关要素对于学习者认知和情感发展的作用机制，利用时间序列分析的方法，探究教育情境和学习者特征之间的动态映射关系等。

（四）学习者深层次特征的智能化挖掘分析

相比于学习者的知识结构、 认识水平和情绪状态等内在特征属性，对于其学习兴趣、学习风格、学习动机、学习偏好等潜在特征的挖掘分析，具有更强的研究价值。它们的区别在于：前者主要关注学习者在特定时空条件下的知识、认知和情感的激活状态，只能表征学习者瞬时的认知行为和情绪体验； 而后者是对学习者整体学习素养的综合测评，反映了学习者内在的学习需求、学习期待、学习价值观、思维习惯、认知水平、媒体偏好、认知风格等情况，是学习者在长期的学习过程中形成的稳定的心理结构，能够对学习者的内在特征属性进行更加深层次、 综合化的精准表征。

由此可见，通过教育情境要素和学习者特征的智能匹配和动态调整，探究在多元教育情境中学习者知识、认知、情感的动态变化情况。在此基础上，探究教师、教学内容、教学资源、教学活动、教学服务等要素，对于学习者知识、认知、情感状态的影响机制，进而对学习者的学习动机、学习偏好、学习风格、学习兴趣等深层次特征，进行更为深入地挖掘分析。

五、基于情境感知的学习者建模的研究进路

基于情境感知的学习者建模，能够融合情境感知和学习者建模领域的前沿技术，打破智能教育研究领域的“孤岛”，形成面向复杂问题的有效解决方案。从长远看，我们需要从“基于情境感知的学习者建模”实践研究开展的现实需要出发，从理论、技术、应用、伦理四个层面，对基于情境感知的学习者建模的研究趋势进行展望，以此为后续相关研究的开展厘清方向。

（一）理论层面:人工智能支持的细粒度学习者建模和教育情境建模

基于情境感知的学习者建模的核心，在于利用智能感知技术，实现对学习者和教育情境数据的精准采集，对其潜在特征进行精准挖掘，进而实现对学习过程的数据化建模分析，帮助研究人员进一步了解学习发生的内在机制。未来相关研究的开展，需要进一步明确研究需要关注学习者和教育情境的哪些特征，构建更为精准完善的指标体系，能够对学习者和教育情境的相关要素进行精准刻画。进而实现人工智能支持的细粒度学习者建模和教育情境建模，为今后相关研究的开展提供借鉴。

（二）技术层面:多模态数据感知与融合关键技术研发

随着智能教育研究的逐步深入，多模态数据融合的相关研究，逐渐受到领域内相关学者的重视。多模态融合旨在将不同模态数据中提取的信息集成到一个紧凑的多模态表示中，利用多模态数据的信息互补机制，实现对事物存在状态的完整表征（王一岩，等，2021b）。目前，智能教育领域关于多模态数据融合的相关研究，主要集中在学习者情绪感知、学习投入分析、人机交互分析、学业表现预测和教育情境感知等方面，在一定程度上推动了智能教育研究的实践进程。未来，应该更加重视利用物联网和智能感知技术，实现对完整教育情境的智能感知与精准表征，对真实教学场景中的教育情境要素进行精准刻画，利用多模态数据融合（前期融合、中期融合、后期融合），实现对数据潜在价值的有效挖掘（王一岩，等，2021b），以此提升数据分析的有效性，推动教育情境感知和学习者建模研究的实践进程。

（三）应用层面:基于情境感知的个性化学习支持服务理论和技术研究

基于情境感知的学习者建模研究的最终目标，在于通过对教育情境的感知，解释教育现象、挖掘教育规律、 优化教育服务，实现对教育系统的整体优化。因此，未来相关研究的开展，需要进一步强化基于情境感知的个性化学习支持服务理论和技术研究。应从情境认知理论、活动理论、多媒体学习认知理论等基础理论出发，结合面向学习者的个性化学习支持服务的现实需求，对情境感知研究的要点、趋势和实践进路进行重新梳理，构建基于情境感知的个性化学习支持服务的逻辑框架； 并对情境感知研究在智能化教育服务变革中的核心作用进行系统梳理，以此为后续相关研究的开展提供思路。

（四）伦理层面:基于情境感知的学习者建模的技术伦理问题诠释

基于情境感知的学习者建模研究的核心，在于通过对学习者知识、认知、情感数据的采集，对学习者的潜在特征进行精准刻画，揭示学习发生的内在机理，并为学习者提供自适应的学习支持服务，而这在一定程度上，会带来学生隐私泄露等的风险。从智能教育研究的核心特征来讲，越是要为学生提供精准、个性化的学习支持服务，就越需要实现对学生的全方位数据采集和多元化测评分析，这是智能教育研究中无法回避的问题。而基于情境感知的学习者建模，需要对学习者和教育情境的潜在特征进行更加多元、 立体的综合分析，若不对数据的采集、获取和使用方式加以约束，将在极大程度上造成学生隐私泄露的风险。因此，我们需要对技术应用的场景和边界进行清晰界定，明确智能技术的应用规范，强化对学生隐私的保护意识，以保证相关研究的开展，能够真正助力于促进学生的个性化学习与创新性能力的发展。