用戶畫像技術(shù)在我國教育領域研究現(xiàn)狀分析

◇廊坊衛(wèi)生職業(yè)學院 侯 婧

中國人民警察大學 賈 南

隨著教育大數(shù)據(jù)和現(xiàn)代智能技術(shù)的不斷發(fā)展，用戶畫像技術(shù)被逐漸應用于教育研究領域，通過準確刻畫教學參與者的特征，助推精準教學，提升教學質(zhì)量。本文對用戶畫像技術(shù)在我國教育領域的研究現(xiàn)狀進行了梳理，首先介紹了教育領域用戶畫像技術(shù)的總體應用情況，然后從應用主題、所用算法和技術(shù)等方面進行了詳細分析，最后指出了當前用戶畫像技術(shù)在教育領域研究情況的局限性和未來發(fā)展方向。

用戶畫像技術(shù)是由交互設計之父A.Cooper最早提出的，根據(jù)其研究成果，用戶畫像是指“基于用戶真實數(shù)據(jù)的虛擬代表”[1]。通過統(tǒng)計分析、建立數(shù)學模型等方法對用戶的個人信息、工作數(shù)據(jù)、生活習慣和社會活動等信息進行畫像和分析，給畫像對象打上“標簽”，從而實現(xiàn)對用戶信息的高度凝練和深度挖掘。在大數(shù)據(jù)和人工智能技術(shù)不斷發(fā)展的背景下，上述用戶畫像技術(shù)正在被越來越多的學者用于教育領域相關問題的研究[2-3]。由于現(xiàn)今學生的知識基礎、學習能力和興趣愛好呈現(xiàn)多元化，統(tǒng)一的教學方法往往難以實現(xiàn)良好的教學效果，而用戶畫像技術(shù)的應用可以提供更加精確的學情診斷、個性化學習分析和智能決策，有助于教學效果的提升和學生個性化培養(yǎng)的實現(xiàn)。

1 教育領域用戶畫像研究基本情況

1.1 論文發(fā)表年度情況

通過在中國知網(wǎng)進行文獻檢索，檢索方式為主題=“‘教育’and‘用戶畫像’”or“‘學生’and‘用戶畫像’” or“‘教師’and‘用戶畫像’”，檢索時間不限，經(jīng)過剔除非相關文獻，檢索出符合主題的文獻僅為44篇，可見該領域是一個較新穎的研究領域。發(fā)文量隨年度變化情況如圖1所示，用戶畫像技術(shù)在教育領域的應用從2016年開始，呈逐年遞增的趨勢，僅2019年1月至8月就發(fā)表文獻22篇，占檢索總數(shù)的一半。

圖1 文獻發(fā)表數(shù)量年度走勢圖

1.2 發(fā)表論文來源情況

本文所檢索的44篇文獻中期刊論文共34篇，碩士論文9篇，報刊1篇。期刊論文中共10篇發(fā)表在中文核心期刊，占29.4%。另外，所發(fā)表的期刊中錄用論文最多的為《中國教育信息化》，數(shù)量為4篇；碩士論文中來自北京郵電大學和華東師范大學的最多，均為2篇。

1.3 文獻被引用情況

論文被引用情況可反映出論文的影響力，影響力較高的5位作者分別是陳海建、趙國亮、張華峰等人，他們的論文信息如表1所示，其中3位作者發(fā)表的期刊為中文核心期刊。

表1 高引用次數(shù)論文情況

2 教育領域用戶畫像的研究主題

當前國內(nèi)研究人員運用用戶畫像技術(shù)在教育領域的相關研究主要集中在以下幾個方向。

2.1 學生畫像

在應用用戶畫像技術(shù)研究教育問題的44篇文獻中，共有26篇著重于對學生的各種行為和特征進行畫像，所占比例為59.09%，可見針對學生的畫像技術(shù)應用是目前的主要研究方向。其中楊浩[4]基于學習、論壇評論、日常消費等數(shù)據(jù)設計了學生畫像系統(tǒng)；劉柏巖[5]依托教育大數(shù)據(jù)，圍繞mooc教學平臺，構(gòu)建了包含兩個方面、三個維度的學生畫像模型。唐佳誠等[6]通過分析作業(yè)、考勤、實驗等數(shù)據(jù)構(gòu)建出學生的用戶畫像，為老師掌握學生情況提供了重要依據(jù)。

2.2 教師畫像

在檢索出的文獻中，教師畫像的研究共有6篇，所占比例為13.63%。胡小勇等[7]基于精準教研視域，從數(shù)據(jù)預處理、構(gòu)建模型、標簽建立和模型評估四個環(huán)節(jié)對教師畫像進行了深入研究。程小恩等[8]收集了教師的網(wǎng)絡課程信息、教務系統(tǒng)信息等數(shù)據(jù)，運用用戶畫像技術(shù)對教師的教學行為進行了多維度刻畫。

2.3 個性化學習路徑推薦

研究個性化學習路徑推薦策略是本領域研究的另一種視角。牟智佳等[9]為提升學習者學習針對性，從興趣愛好、知識儲備、綜合實力三個方面對學生進行了精準畫像，進而設計了個性化學習路徑。師亞飛等[10]通過分析學習者的網(wǎng)絡學習數(shù)據(jù)，以推薦學習元列表的方式實現(xiàn)了個性化學習路徑的精準推薦。

2.4 特定教育領域的應用

為更好的服務特定教育領域，部分學者著力于用戶畫像技術(shù)在其所從事的專業(yè)教育領域開展落地研究。李保澄等[11]為提升公安院校的教學質(zhì)量，依托公安教育大數(shù)據(jù)，采用用戶畫像技術(shù)對教師和學生的行為和特征進行刻畫，為師生個性化發(fā)展提供了重要支撐。徐艷[12]以提升高校思政教育為目標，充分發(fā)揮了用戶畫像技術(shù)的優(yōu)勢，對教學過程中的大量教育數(shù)據(jù)進行深度挖掘和分析。

3 教育領域用戶畫像的算法與技術(shù)

3.1 機器學習算法之分類算法

分類算法是機器學習算法中的一個重要分支，其核心內(nèi)容是依據(jù)數(shù)據(jù)集中各個樣本的多維度特征，將其劃分到給定的不同類別中。楊浩等[4]使用SVM（支持向量機）建立分類模型來預測學生的掛科情況，同時運用C4.5決策樹算法對學生的生活和學習中的異常行為進行預警。唐佳誠等[6]通過收集公共必修課中學生的作業(yè)、考勤、實驗等數(shù)據(jù)，運用GBDT（梯度提升決策樹）算法建立了教學模式分類模型，經(jīng)實際數(shù)據(jù)檢驗，達到了很好的分類效果。

3.2 機器學習算法之聚類算法

聚類算法為機器學習算法中的另一種重要類型。與分類算法不同，聚類算法不預設各樣本的類別，即數(shù)據(jù)集不帶標簽，通過分析數(shù)據(jù)集中各樣本的相似性和差異性將其分為不同類別。黃剛等[13]為分析學生的消費習慣、學習情況，采用K-means聚類算法建立模型，對學生的各個維度數(shù)據(jù)進行了挖掘。王曉芳等[14]選取學習過程中五類具有代表性的事件作為特征，運用K-means聚類算法建立模型，最終將學習者分為四類群體并詳細分析了各類群體的特征。

3.3 機器學習算法之關聯(lián)規(guī)則挖掘

關聯(lián)規(guī)則挖掘也是機器學習算法中的一個重要研究方向，其目的是發(fā)現(xiàn)隱藏在數(shù)據(jù)項間潛在的關聯(lián)關系。陳海建等[15]、王凱月等[16]分別從學習風格和課程聯(lián)系兩個研究角度出發(fā)，運用關聯(lián)規(guī)則進行了深入挖掘。

4 存在的局限及未來研究方向

4.1 當前研究存在的局限性

廣大學者運用用戶畫像技術(shù)在教育領域進行了積極探索，取得了一定的成果，但當前的研究還存在一些局限性，主要體現(xiàn)在以下幾個方面。

（1）研究主題和所獲取數(shù)據(jù)不夠全面。當前運用用戶畫像技術(shù)解決教育問題的落腳點主要集中在對學生和教師的分別畫像等主題，研究方向略顯單一。用于畫像的數(shù)據(jù)大多集中在學生的興趣愛好、學習成績、社交活動等畫像個體本身層面，缺少對學生家庭情況、學校管理情況和教師教學情況等外部數(shù)據(jù)的畫像，影響了畫像結(jié)果的整體質(zhì)量。

（2）畫像主要體現(xiàn)在靜態(tài)畫像。目前相關研究多著眼于基于學生或教師的歷史數(shù)據(jù)的靜態(tài)畫像，而人和環(huán)境都是在不斷變化的，靜態(tài)畫像結(jié)果與現(xiàn)今畫像對象的實際情況會存在偏差，需進一步解決。

（3）畫像模型的精度有待提升。當前用戶畫像技術(shù)所依賴的算法大多為決策樹、K近鄰等機器學習算法，這些算法的畫像精度受模型本身影響較大，需進一步探索模型的改進以提升畫像質(zhì)量和精度。

4.2 未來的研究方向

（1）研究教師、學生共同體的畫像。在教學過程中，教師的教與學生的學相互影響、密不可分；單獨對教師或?qū)W生畫像忽視了二者的聯(lián)系，與客觀實際存在偏差。因此，未來應進行基于教師與學生共同體的各維度數(shù)據(jù)畫像，以便更好地為精準化教學和學生的個性化培養(yǎng)服務。

（2）運用動態(tài)畫像技術(shù)提升研究的時效性。教師和學生的情況是動態(tài)變化的，收集靜態(tài)數(shù)據(jù)刻畫出的教師或?qū)W生特征及對應的教學策略調(diào)整都具有一定的滯后性。因此，需要對各維度數(shù)據(jù)進行實時采集或不斷更新，準確地反映出畫像對象當前的狀態(tài)和特征，從而提升教學方法調(diào)整的時效性。

（3）基于深度學習提升用戶畫像性能。當前用戶畫像技術(shù)大多依賴于機器學習算法，畫像精度有待提高；未來隨著教學大數(shù)據(jù)資源的不斷增加，運用深度學習或其他融合模型或許能進一步提升畫像的效果。

5 結(jié)語

本文梳理了用戶畫像技術(shù)在我國教育領域的研究現(xiàn)狀：從總體情況來看，用戶畫像技術(shù)在教育領域的研究尚處于起步階段，發(fā)展空間較大；從研究主題來看，用戶畫像的對象主要集中學生或教師，并進一步推薦個性化學習路徑；從研究方法來看，當前研究者主要運用機器學習算法中的分類、聚類和關聯(lián)規(guī)則挖掘等技術(shù)對學生的特征進行刻畫挖掘。綜上所述，筆者認為當前研究存在研究主題和所獲取數(shù)據(jù)不夠全面、畫像主要局限于靜態(tài)畫像、畫像模型的精度有待提升等問題，可以從研究教師和學生共同體的畫像、運用動態(tài)畫像技術(shù)提升研究的時效性、基于深度學習算法提升用戶畫像性能等方向進行進一步研究。