基于线上教育新模态的学生数据画像理论与实证研究

奇格奇?黄爱玲?王海星?李宝文

摘要：线上教育新模态在高等院校教育教学活动开展中受到广泛的青睐，并收集到了大量线下教学难以获取的学习活动数据。基于交通运输专业课程“交通安全工程”的线上学习数据，以课程线上参与度与阶段性知识检验指标为基础特征，采用聚类算法进行数据画像分析与实证研究。依托高质量线上教学数据，数据画像能够帮助教学者更好地了解学生的学习情况、兴趣和学习风格，促进定制化督导与教学，并动态驱动教学设计改良与优化的良性循环。

关键词：线上教育；数据画像；聚类分析；教学评估；定制化

一、前言

相较于传统线下聚集性教学模态，教育数字化转型[1]衍生出了线上分散性教学新模态。然而，将线下教学的原有思路与方式照搬到线上教学中将带来诸多难以解决的问题，如在线教育常态化背景下学生注意力不集中、理解内容不充分、学习反馈不及时等所导致的在线学习动力缺失[2]，且有可能由于缺少与人交往而影响学生健全人格的形成[3]。庆幸的是，这也促使线上教育新模态的自我革新和进化，其中以数据驱动的教学新样态[4]的构建最为显著。这主要是由于线上教育能够充分采集更多的电子化记录与相关数据，从而足以支撑对被教育对象学习情况的具象化和定制化，同时实现线上教育数据资源的整合利用，达成“以人为本”的教育目标。

《中国教育现代化 2035》中指出应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[5]。现有研究大多结合调研问卷从宏观层面讨论线上教育的利弊，或通过对比线上教育前后的变化说明其效果。也有部分研究基于学习者画像驱动的精准教学[6-7]，如基于作业行为、食堂消费、上网浏览、自习室使用情况等进行学生行为画像及分析应用[8-9]。但如何充分利用特定课程线上学习过程中的整体性数据，刻画学生的学习状态及特点，进而有针对性地完善该课程教育中所存在的不足，以学生为中心因材施教，促进高质量课程建设，仍有待探索和实践。

本文针对交通运输专业课程“交通安全工程”的线上学习数据，充分发挥在线教育的数字化优势，基于数据画像理论及方法，尝试从线上课程参与度与阶段性知识检验等方面入手，构建学生数据画像，并进一步分析不同类别画像的差异化特点，实施精准化、定制化教育方案。

二、线上学习数据

大数据平台能够为用户画像提供充分的数据资源。本文基于“中国大学MOOC平台”，获取了交通运输专业课程“交通安全工程”的线上学习数据，包括同一学期进行在线学习的195名学生的课程学习情况。为确保数据的安全性和隐私保护，所有个体敏感信息均进行了脱敏及重编号处理，保留了学生在该课程学习中的相关数据，如观看在线视频时长、在线评论数量、章节测试得分、开卷测试得分等。

数据画像理论作为描述群体特征的理论框架，可基于所采集的数据，分析挖掘人们的行为、兴趣、偏好等方面的信息，从而发现模式化的知识。数据画像的本质是特征提取，而其形式是标签化。目前，数据画像分析已被广泛应用于医疗、金融、人力资源管理等领域。基于线上教育平台获得的更为全面的课程学习过程性数据，能够较好地支撑在教育领域实现数据精准画像及其分析应用。

三、课程线上参与度

在课程学习过程中，学生不仅可以通过线上平台在线观看视频，还可以在平台留言、提问及主题讨论，使学生相互交流和分享观点。因此，在课程线上参与度方面，本文并未采集线上授课过程中的账号在线情况，以避免由于“逃课”导致的“假在线”数据，而是提取了老师布置作业时要求在线观看视频的时长。此外，本文还同时采集了学生在课堂学习结束后积极参与平台讨论的数量，这也集中体现了学生对所学习内容的理解、巩固、反思、应用等多个维度。

如图1所示为学生的课程线上参与度情况。大部分学生观看视频时长在20小时左右，但仍有一部分同学线上参与度较低，并未按要求观看视频。本文将观看视频时长作为线上学习参与度的指标刻画，一定程度上反映了学生在学习过程中积极参与和投入的程度。而线上评论数统计情况主要呈现长尾特性，大部分同学示意性地参与了1-2次讨论，但也有部分学生有较高的课后活跃度，最高讨论次数达到45次。将每个同学的评论数指标化，获得课后线上活跃度，能够较好地表征学生学习的积极性、创造性和主动性。

四、阶段性知识检验

阶段性知识检验是教育教学过程中最为常用的一种评估方法，用于评估学生在某个学习阶段所掌握的知识和技能，其主要目的是帮助教师和学生了解学习进展情况，发现学生在不同学习环节中的强、弱项，以便进行有针对性的教学和学习调整。阶段性知识检验可通过设置测试、作业、提问等方式开展，而学生的反馈一方面能够帮助教师快速了解学生学习情况，同时也是学生学习状态的过程性指标。

为此，本文采集了课程组195名学生在16个教学阶段性测试章节中的测试结果（如图2所示）。每个章节的测试总分为35分，学生有两次作答机会，取其高者作为该学生测试得分，限在该章节学习后两周内完成。章节测试成绩如图2所示，颜色越深代表得分越低，颜色越浅代表得分越高。观察发现，部分学生完整地完成了各章节的测试环节，但部分同学得分较低，0分情况也不少见。其中大部分0分情况并非为学生答错所有测试题，而是由于学生未能在指定时间内作答所导致的。因此，在线阶段性知识检验结果不仅是表征学生学习效果的指标，同时也是刻画学生学习态度的重要特征。

在课程学习结束前，设置了开卷测试环节，以帮助学生复习和评估学习效果。开卷测试题型包括判断题、单选题、多选题，允许学生在规定时间内查阅任意资料，主要目的为巩固课程知识点，因此也可将开卷测试视为总体性的知识检验手段。由于本文涉及的课程教学及考核均在线上开展，因此可较为精准地获得每位学生的作答时间。作答分数除以作答时间，获得开卷测试单位时间得分，以表示学生的总体复习成效。

五、学生画像聚类分析

本文以学生的课程线上参与度与阶段性知识检验指标为依据，构建学生在线学习基础特征数据集，并采用加权模糊C均值聚类算法进行数据画像。依据课程评估体系，四类基础特征的权重设置为0.2（观看视频时长）、0.1（线上评论数）、0.4（章节测试成绩）、0.3（开卷测试单位时间得分）。根据模糊C均值聚类算法通过循环迭代计算，可获得不同画像类别中心。

如图3所示为聚类画像结果在二维平面的映射图。195名学生被划分为5个画像类别，画像类别1有97人，画像类别2有7人，画像类别3有22人，画像类别4有22人，画像类别5有47人。各画像类别在不同基础特征维度上的数值如表1所示。画像类别1观看视频时长最长，章节测试成绩也最好，而开卷测试单位时间得分最低，是学习过程最为认真的学生类别；画像类别2在过程性学习中表现尚可，开卷测试单位时间得分最高，是应试能力较强的学生类别；画像类别3的线上评论数最低，在观看视频时长与开卷测试单位时间得分也较低，但章节测试成绩指标较好，说明该类学生能够把握好过程性学习，但不够积极；画像类别4的观看视频时长最短，章节测试成绩指标最差，线上评论活跃度表现也较差，是忽视过程性学习，以应付考试为主的学生类别；画像类别5具有最高的线上评论活跃度，且其观看视频时长也较长，是在课上、课后均能保持积极学习态度的学生类别。

六、学生画像驱动教育教学变革

（一）线上教育提供高质量数据

随着在线教育平台快速更新迭代，功能越发齐全完善，使得教育者与学习者的全部细节暴露在平台的“显微镜”下。线上教育平台能够清晰、精确地记录学习者的访问、浏览、听课、练习等学习痕迹，从而存储了大量的高质量学习过程性数据，使得数据画像成为可能。在线下教育中，教育者的一大苦恼就是除了零散的测验评估，无法跟踪获取学习者的学习状态。线上教育则能够收集到更多学习行为信息，包含学习者的登录时间、学习时长、访问次数、学习进度、互动情况等，为基于机器学习方法分析学生画像提供了数据上的保障。

（二）定制化督导与教学

学生画像的作用之一是使得传统的大众化教育趋向于定制化。定制化督导与教学是一种个性化的教育方法，旨在通过深入了解学生的学习情况、兴趣和学习风格，生成精准教学模式或学习路径，采用个性化资源推送、风险监督与预警、同伴对话反馈、反思性评价等精准教学干预，提供个性化的指导和帮助，以最大限度提高学生的学习效果。以“交通安全工程”课程为例，针对忽视过程性学习的画像类别4，教育者应及时干预督导，通过私信提醒、课堂回答问题、定期交流等方式对该类别学生给予充分的关注，使学生重回课程学习轨道。而应试能力较强的画像类别2，通常知识掌握能力及效率较高，正常教学节奏对于该类学生略显枯燥，因此教育者可考虑为该类学生提供更多的延展性学习资源，并鼓励其将知识应用于实践。

（三）教学设计改良与优化

教学设计的改良与优化是一个动态过程，需要教育者在教育过程中反思和发现教学中的不足之处，并采取相应的改进措施。数据画像能够为课程的教学评估和反馈提供数字化依据，如忽视过程性学习的画像类别学生数量较多可能说明课程内容缺乏吸引力，而应试能力较强的画像类别较多则很有可能是课程学习内容过于简单所致。此外，学生的反馈与评价也可用于教师教学质量画像。不同的教学设计改良与优化方案会引入新的数据记录及特征权重的变化，势必也会影响数据画像结构。因此，数据画像既是教学设计改良与优化的源头，也是其课程教学质量和效果的呈现形式，从而循环往复推进教育教学的变革与创新实践。

七、结语

随着高等院校教育教学活动普遍采用线上教育新模态，以学生为中心开展数据画像理论与实证研究，成为教育信息化的发展趋势。本文充分利用“交通安全工程”课程的线上学习数据，通过聚类分析课程线上参与度与阶段性知识检验指标等基础特征，获得了五种学生画像类别，为课程建设提供了新维度内涵与教学设计支撑。

参考文献

[1]毛雁冰，李心羽，赵露.教育数字化转型中在线教育质量提升研究[J].中国电化教育，2022（09）：38-42.

[2]文雯，周璐，马志新.在线教育常态化背景下大学生在线课程学情分析[J].教育发展研究，2023，43（05）：28-36.

[3]当智吉.“互联网+”时代在线教育发展的新思路[J].品位·经典，2022（17）：80-82.

[4]魏亚丽，张亮.从“基于经验”到“数据驱动”：大数据时代的教学新样态[J].当代教育科学，2022（02）：50-56.

[5]新华社.中共中央、国务院印发《中国教育现代化 2035》[EB/OL].（2019-02-23）. http：//www.gov.cn/xinwen/2019-02/23/content_5367987.htm

[6]莫尉.学习者画像建构及应用研究[J].湖南理工学院学报（自然科学版），2021，34（03）：64-69.

[7]高金慧，马玉慧.在线学习中学习者画像的构建与应用研究[J].科技传播，2022，14（12）：123-125.

[8]程歌星.基于在线作业行为的学生画像构建与应用研究[D].上海：华东师范大学，2021.

[9]廉颖.基于教育大数据的学生用户画像研究[J].电脑知识与技术，2021，17（20）：38-40.

作者单位：北京交通大学交通运输学院

责任编辑：周航