教师在线学习的学习者画像研究

摘要：为提升教师的综合素养．促进教师专业发展．相关部门借助信息化平台开展大规模线上学习，鼓励教师通过在线选课、自主学习、在线考核、课程评价等方式实现教师培训。教师在网上的学习过程会产生大量学习行为数据。文章根据教师的学习行为和基础属性．描述学习者的行为特征，将具有相似特征的学习者聚类，并抽象出标签化的学习者画像，基于模型提出针对性的行为引导策略．以提升教师的在线学习体验。

关键词：教师学习；在线学习；学习者画像

中图法分类号：G434 文献标识码：A

１ 研究背景

为办好人民满意的教育，不仅要有科学完善的教育体系，最关键的是要有一支理想信念坚定、业务素质过硬的教师队伍。对教师开展培训是提升教师素养，使其形成与时俱进理念的有效手段。为减少教师工学矛盾，借助“互联网＋”的思维，在互联网平台为教师提供在线学习的机会。教师以学习者的身份在平台积累的大类数据是研究教师在线学习习惯、学习行为的基础和有利条件。通过对教师在线学习的研究描绘出教师学习者画像，并加强对各类学习群体的学习行为干预，可以有效提升学习效率和收获感，从而提高教师在线学习满意度。

２ 研究目标

本文以某市学习平台（以下称Ｌ 平台）的教师群体为分析样本，Ｌ 平台是由该市教师教育管理主管机构主办，联合多家教育培训机构组织课程开发，对该市中小学及高中教师的师德素养和知识技能等开展在线培训。该市教师在平台上在线选课，并在课程规定学习时间内完成课程学习、发帖互动、结业考试，课程评价等任務后获得学分。通过观测学习平台上教师学习行为，结合教师的基本信息和课程评价，描绘以教师为学习主体的学习者画像。通过画像研究，从教师角度提出对平台设计、课程选题、培训方式等方面进行改进和优化的建议。

３ 研究方法

画像的构建应遵循一定的流程步骤。肖君等认为，完整的学习者画像构建流程应包括画像目标设定、相关数据收集、画像建模、画像生成输出以及画像应用评价５ 个阶段，且这５ 个阶段构成一个完整的闭合回路［１］ 。

在线学习者画像构建流程是一个以目标为导向的循环过程，包括明确画像构建目标、数据收集、标签分析、画像服务输出４ 个关键阶段［２］ 。

４ 研究过程

４．１ 构建目标

根据Ｌ 平台上教师的学习行为和基础属性，确定有价值的分类特征变量，对相似特征举行聚类，归纳出学习者画像，并提出有效学习策略及平台优化调整的建议。

４．２ 数据收集

相关数据如表１ 所列。

４．３ 数据转化预处理

平台上的部分源数据无法直接作为聚类分析的变量，需要对其做预处理并赋予其含义。

首次访问日：首次访问日期和课程开始时间的差作为首次访问日。末次访问日：最后访问日期和课程结束日期的差作为末次访问日。首次访问日数值越小，说明越早在课程开始后第一次访问课程。末次访问日数值越小，说明越晚在课程结束前最后一次访问课程。通过转化将日期变量转为数值型变量。

将活动访问时长／ 课时数作为平均访问时长、ｖｉｄｅｏ 访问次数／ 课时数作为平均访问ｖｉｄｅｏ 次数，Ｄｏｃｕｍｅｎｔ 访问次数／ 课时数作为平均访问ｄｏｃｕｍｅｎｔ次数，以消除不同课程之间课时数的差异。

结业考试得分：结业考试分数和结业考试总分值的比，以消除不同课程的结业考试分值占比的差异。

课程评价：课程评价问卷采用相同标准的量规，共２５ 题主观评价，每题评价均由非常满意～不满意５个选项组成，最终课程评价由各题加权计算。

４．４ 数据相关性分析

数据相关性分析如表２ 所列。

从相关性分析结果来看，在Ｌ 平台学习的教师的结业成绩和对课程的满意度评价相关关系较弱。

结业考试成绩的高低和年龄、末次访问日、登录天数、平均观看视频次数，发帖数有较强相关关系，与首次访问日、平均访问时长、平均阅读文档次数、评价得分关联较弱。

教师对课程的评价和年龄、末次访问日、登录天数、平均观看视频次数，平均阅读文档次数关联关系较强，与平均访问时长关联关系中等，与首次访问日、发帖数、结业考试成绩关联关系较弱。

４．５ 聚类分析

基于ＩＢＭ ＳＰＳＳ１５ 的聚类分析建模，将结业考试成绩及与其关联关系较强的变量共同作为输入，用两步法建模，推荐最佳聚类数为４，获得表３ 所列聚类结果。

４．６ 学习画像分析描述

（１）聚类１———积极学习者。这类学习者的结业考试成绩较好（８７．８５），投入在线学习的时间安排得当，登录天数保持在１ 周左右，通常在课程结束前１周半时间完成学习，有较积极的发帖交流意愿（７．４４），平均年龄在４ 个聚类中最小，这类学习者对在线学习的方式比较适应，乐意分享自己的学习心得。

（２）聚类２———快速学习者。这类学习者登录天数较少，很早就完成学习任务，一般２ 个月左右的培训周期，平均提前３０ 天完成学习任务，很少发言交流（０．８），结业考试成绩处于中等水平。这类学习者不会花费很多精力在在线学习上，将在线学习视作一项获得学习积分的任务，力求短时快速完成。

（３）聚类３———一般学习者。这类学习者成绩中等，年龄较４ 个聚类中最大，能较好地安排自己的在线学习时间，登录天数和末次访问日都处在中等水平，发帖交流意愿不算强烈，各方面在４ 个聚类中表现中规中矩。

（４）聚类４———被动学习者。这类学习者结业考试成绩较低（平均６１．５５），临近学习周期结束时赶着完成在线学习任务（末次访问３．３７ 天），登录天数很少，短时间内访问ｖｉｄｅｏ 次数很多（１６．６３），发帖数比较少，只是被动完成学习任务，没有很好地安排在线学习时间。

４．７ 画像应用效果及改进措施

根据学习者的画像分类描述，建议采用以下改进策略。

（ １）对积极学习者，保持激励。

这类学习者是平台中的佼佼者，为激励这类学习者继续保持原先的学习习惯，建议通过数据统计和排序展示的方式在学习平台中提示这类教师，目前其学习表现在众多学习者中表现较优异，处于中上游水平，引导这类学习者保持学习劲头。另外，可以选取表达意愿强烈且发帖内容优质的学习者，邀请其参与后续课程建设，以提升优质学习者对学习平台的贡献度。

（ ２）对快速学习者，提升吸引。

这类学习者可能只是将学习平台作为完成学习任务的工具，缺乏主观停留的意愿。建议提升平台对学习者的吸引力，通过在线问卷的方式调研这些学习者偏好的课程、交流互动的方式、学习资源的形式、学习板块功能、用户体验等深层次需求，提高这类学习者在学习平台上的停留时间，使其在学习平台上取得更多关注度和获得感。

（３）对一般学习者，提供帮助。

这类学习者可能因为年龄问题还未适应在线学习方式，但他们在稳妥安排学习时间，在学习上付出了自己的努力，建议调研这类学习者的学习喜好和遇到的困难，帮助他们成长为积极学习者。

（４）对被动学习者，及时预警。

这类学习者忽略在线学习任务，最容易成为平台流失学员，建议拓宽学习平台的信息通知渠道，在用户注册时引导学习者提供微信绑定信息或手机号码，授权这些渠道向学习者发送学习提醒。提醒信息包括本批次学习者已完成和未完成学习的百分比、距离培训结束的天数等，提示学习者当前正处在预警范围，尽快开展学习。

５ 结束语

本文对参加在线学习的教师群体有一定启发作用，但受一些因素的限制，研究水平有待进一步提高。

本次画像分析中将发帖信息作为变量之一，只是将发帖数作为数值型变量应用，而忽略了发帖内容，对发帖的情感因素和表达内容未做进一步深挖，建议今后深入考量内容对画像的影响。

在线学习平台只能采集教師在平台上的学习数据，在现实场景的学习过程中因受工作时间、家庭环境、就业压力等因素的影响，所以本文暂时忽略了这些因素。今后的画像研究要采取线上信息采集和线下问卷调查结合的方式，将尽可能多的因素纳入画像研究的评估模型中，才能做出更合理的画像描述，并产生更有针对性的画像应用。

参考文献：

［１］ 肖君，乔惠，李雪娇．基于ｘＡＰＩ 的在线学习者画像的构建与实证研究［Ｊ］．中国电化教育，２０１９（１）：１２３?１２９．

［２］ 肖君，乔惠，李雪娇．大数据环境下在线学习者画像的构建［Ｊ］．开放教育研究，２０１９（８）：１１１?１２０．

作者简介：许晓力（１９８５—），本科，工程师，研究方向：教育信息化、学习平台研究与应用、教育行业数据分析。