人工智能背景下基于学生画像的个性化学习研究

邓曼 唐章蔚 渤海大学教育科学学院

网络在线课程的普及以及教育应用软件的不断升级，使用户画像的研究逐渐走进教育学者的视野，他们以“学生画像”“学习者画像”“数字画像”“学习者肖像”等术语来定义，使用户画像的应用进一步贴近实际教学场景。在当今多元化发展的背景下，教育信息化建设不断推进，传统的教育教学方法已经无法满足学生个性化发展的需求，因此，在教学中应注重根据不同学生的特点，培养和发展多元化、个性化的人才，使每个学生都能在学习中发挥自己的潜力，实现个人价值。

●人工智能驱动的个性化学习变革

1.人工智能催生了个性化学习的新范式

近年来，人工智能技术开始逐步应用于教育领域，并结合实际教学形成了具有跨学科性质的新兴研究领域—教育人工智能(Arti ficialIntelligenceinEducation，简称AIED)。目前，国际上已研发出多种应用人工智能技术辅助课堂教学的系统，其中包括基于自适应技术的个性化智能辅助系统（探究如何把学生的自我兴趣与个性化学习相联系）[1]、利用沟通行为预测学生人格的网络学习系统[2]、基于认知发展以评估隐性知识掌握情况的自适应智能辅导系统[3]、利用收集的感知数据实现自适应学习的智能伙伴系统[4]等。智能技术可以通过采集、汇聚、分析和挖掘大规模教育数据，为个性化学习提供支持。[5]以数据为驱动的个性化学习正逐渐成为未来教学的新范式。

2.教育人工智能提升了个性化学习的质量与效率

个性化学习是指根据学生的个体差异，以学生为中心，充分理解学生兴趣、学习风格、能力水平和学习需求，以便为其提供最适合的学习内容和学习支持。[6]个性化学习是目前教育发展的核心内容和必然趋势，而人工智能提升了个性化学习的质量与效率，引起教育领域的革命性变革，因此，如何运用人工智能技术加强对学生的个性化培养至关重要。

3.学生画像支持精准多层的个性化学习

要实现有效的个性化学习，需准确了解学生的基本学习特征。智能数据采集设备和大数据分析技术可挖掘学生的学习情况并构建学生画像。其中，画像包括个体画像和群体画像，个体画像基于学生个体的学习行为表现、学习风格和学习偏好等信息进行模型生成，从而可以反映学生个体的学习状态。群体画像则基于班级内学生的共性问题和薄弱点等群体性质进行模型生成，从而反映出不同学生群体的学习特点和群体表现。[7]学生画像支持精准多层的个性化学习，可以帮助学生在个体层面实现更好的学习效果，也可以帮助教师进行全局性的教学分析和调整，以提高班级整体学习水平。

●学生画像智慧建构的一般过程

学生画像以可视化、标签化的形式呈现学生的相关信息，包括姓名、年龄、性别等基本信息，同时还反映了学生的学习能力、特征和学习状况等，是体现学生学习状态的重要信息。

1.学生画像对个性化学习的意义

①学生能够利用学生画像了解自己的学习状态和学习情况，以便进一步调整学习策略，发挥自己的优势来提高学业成绩。②学生画像有助于学生深入探析兴趣点，并通过专业的数据分析系统在深入了解自己的基础上，更有效地进行自我定位和职业规划。③学生画像能够帮助学生了解自己的学习风格和习惯，并据此选择更加适合自己的方法。④学生画像可以分析和归纳出学生阶段性的情绪变化、情感和想法，以增强学生的自我调节能力和抗压能力。

2.基于学生行为的画像模型建构

（1）个性化学习数据的获取

学生画像的建立需要基于一系列技术，包括各种数据采集技术以及采集工具，如全面感知的物联网、可穿戴设备、图像识别技术和学习行为记录系统等。这些技术可以从多个维度记录学生的学习和生活数据，为数据挖掘和分析提供支持。例如，通过实时佩戴可穿戴设备采集学生健康信息和情绪变化情况等。在确保数据采集合法的前提下，物联网数据采集可以利用传感器、音频采集以及图像采集等方式，对学生的课堂表现进行无感采集。采集到的数据可以通过相关的分析框架进行整合。国内已有研究团队使用人脸检测法[8]和人体骨架信息提取法[9]识别学生课堂行为。除此之外，技术手段无法进行收集的主观数据可通过填报式采集，如通过发放心理量表、问卷调查等方式进行收集。

（2）数据预处理

数据预处理对学习分析的质量有直接的影响，因此在进行分析之前，应通过数据汇聚系统对学生的全指标数据进行预处理。首先，进行清洗数据，除去异常值、填补缺失值并校正错误值，以保证数据的完整性。其次，由于数据取自不同途径，使用了不同的数据标准和定义，应转换为统一的数据格式。最后，采用数据规约技术，在保持数据集信息完整性的同时，减少数据量，降低数据集中噪音数据的比例，提高数据挖掘的效率。

（3）多维度画像标签构建

经过数据处理后，通过相关的建模算法，可以构建出具有个性化、实时性、多维度、全面性等特征的学生画像。学生画像采用三级标签体系架构，基于学生的基本属性特征数据，陈述学生的客观信息，并关注学生线上、线下学习的学情特征。同时，结合教育应用场景，通过数据加工和处理，从学习活跃度、学习效果和学习偏好三个维度逐步抽象出模型标签和高级标签，如图1所示。

图1

其中，基本属性特征包含学生的基础数据，描述的是学生课内课外的生物信息。学情标签是构建学生画像流程的重要部分，包括知识图谱模型、学生认知模型、学习行为分析模型、学习风格模型和关系模型等要素。为了进一步抽象这些标签，需要使用数据分析方法，如趋势分析、归因聚类分析或因果分析。这些方法可以揭示标签之间的相关性和影响因素，从而为学情预警预测提供依据。通过学情预警预测，教师可以制订有针对性的学习目标，提供适应性资源推送，并及时发现学生身心健康方面的问题，从而更好地满足学生的学习需求。

（4）画像的可视化呈现

学生画像的展现需要借助数据可视化技术来提供更加直观的视觉呈现。在这个方面，图形图标的表现形式能够更好地辅助文本数据和画像标签的展示。几何图形如柱状图、折线图和饼图等作为一种增强视觉效果的视觉表达方式，常被用于展示多维数据属性，同时在教育领域它们也是一种常见的数据可视化形式。除了传统的图形图标形式，还可以考虑使用更高级的可视化技术来展示学生画像，如热力图、雷达图和树状图等。热力图能够直观地展示数据的密度和集中程度，适用于展示学生的兴趣分布、学科偏好等信息。雷达图则可用于展示学生在不同维度上的能力评估，如学术能力、社交能力、领导能力等。树状图则适用于展示学生的学科关联关系和学习路径，有助于发现学科之间的联系和依赖。因此，在设计和展示面向学生的个体画像和群体画像时，应当充分考虑数据类型的特征，并选择合适的可视化技术。

●基于学生画像的个性化学习应用

1.理论依据

学习风格是指个体在学习过程中表现出来的偏好和方式，包括学生对信息的处理方式、学习习惯、学习兴趣和学习策略等。个性化学习通过了解学生的学习风格和需求，为其提供相应的学习资源和支持，从而更好地满足学生的学习需求。例如，基于学生的不同感知方式，可以为视觉型学生提供图像、图表、幻灯片等视觉化学习材料，可以为运动型学生提供实践活动、实验、模拟演练等身体化的学习材料。基于学生的学习速度，可以提供相应的学习进度和任务，如对于学习速度较快的学生，可以提供更多的学习资源和富有挑战的任务，而对于学习速度较慢的学生，则为其提供更加详细的学习指导和循序推进的学习任务，以帮助其更好地理解和吸收知识。

罗杰斯主张的“自我实现”是个体在成长和发展的过程中实现自我潜力、真实自我、个性化的过程。对于个性化学习而言，罗杰斯的理念强调了个体的主体性和自主性。个性化学习应该注重学生的兴趣、需求和学习风格，鼓励学生参与到学习决策、设置学习目标的过程中，并为其提供多样化的学习资源和支持，以便学生可以更好地发挥自己的潜力和兴趣。此外，强调了学生自我反思和自我评价的重要性，个性化学习鼓励学生建立自我评价的能力，反馈自己的学习表现，并根据自我评价做出调整，以实现更好的学习结果。此外，罗杰斯的自我实现理念还强调了学生自我认知和自我接纳的重要性。因此，个性化学习应该通过自我认知和自我接纳，使学生能够更自信和自主地参与学习，实现个性化的学习目标和发展路径。

2.学生画像的应用过程（如下页图2）

图2

（1）学习准备

智能系统将对每个学生的学习情况进行监测和分析，并根据其学习活跃度和学习效果等因素，对每个学生进行综合评估。在进行评估时，系统将利用权重分析算法对不同因素的重要性进行量化，计算每个学生在各个因素上的得分，并将这些得分加权汇总，得出每个学生的综合评分。如果某个学生的评分低于设定的阈值，系统将自动触发高风险学情预警，通知相关教师和学生本人。学生在课前可以使用自己的学生画像，针对自己的学习特点、兴趣爱好等进行自我调整，从而提高自己的学习效率和成绩。

（2）学习过程

通过采集课堂中学生的生理、行为、学习结果等数据，形成画像来指导学习。学生的基础生理数据可以由可穿戴传感设备进行实时记录；行为数据如学生的注意力、表情、动作、互动等，可以使用摄像头、声音录制和传感器等设备进行记录，并实时分析学生在课堂学习中的投入情况；学生课堂上的学习数据，如学习活动表现、作业得分、考试成绩等，由智能系统将数据记录上传至构建画像平台，以呈现精准的、多方位的画像描述，并为其制订有针对性的个性化学习方案。学习画像不仅可以提高学生的学习效率，还可以促进学生自我学习的深度思考和反思，帮助学生更好地成长。

（3）学习巩固

在学生完成每个知识点的学习后，智能系统会自动根据学生的反馈匹配相应难度的课后习题。其实现的逻辑是首先利用ajax传递不同习题的难度等级参数，其次借助Python程序在数据库中为每个学生寻找相匹配的分层作业，最后系统利用Python内置的smtplib库和email库，以邮件附件的形式将匹配好的作业文件自动发送至学生的邮箱，实现分层作业的推送功能。[10]此外，系统还可以根据学生对线上学习资源的偏好，推送符合学生课外兴趣发展的学习资料。

●结语

本文提出，通过分析学生的学习习惯、兴趣爱好、学科知识水平和认知风格等因素，可以为每个学生制订学习计划，帮助他们实现精准多层次的个性化学习，从而提高学习效率和实现个性发展。然而，目前基于学生画像的个性化学习还存在一些不足之处。首先，对学生画像数据的保护不够完善，需要加强数据隐私保护措施。其次，学生画像的建立还需要进一步完善人工智能算法，以为每个学生制订更精细化的学习方案。相信随着人工智能技术的不断发展，学生画像构建技术将越来越成熟，为教育教学提供更好的支持。同时，学生画像与人工智能技术的结合将推动教育教学向智能化、数字化方向发展，为个性化学习提供更优质的教育资源和服务。