如何帮助学习者走出学习资源迷航——基于学习者画像的个性化学习资源推荐

以MOOCs为代表的在线课程为学习者提供了多模态海量的学习资源,但学习者在选择资源时也经常面临信息过载、资源内容与学习需求不匹配等问题,造成学习资源迷航的困境。如何高效精准地向学习者推荐合适的学习资源与自适应的学习路径,已成为当前教育信息化亟待解决的问题。基于学习者画像的个性化学习资源推荐模型,从个性化资源推荐的现实需求出发,以现代教育理论和数字技术为支撑,探究个性化学习资源推荐过程中,学习者的状态与学习需求等个性化特征诊断、学习资源自身属性特征参数挖掘与表征、学习资源与学习需求精准匹配等问题,旨在向学习个体和学习群体推荐个性化学习资源。将基于学习者画像的个性化学习资源推荐模型应用于教学实践,结果表明,与基于协同过滤推荐、DINA认知诊断推荐相比,该学习资源推荐模型具有更高的精准度和更优的可解释性,能够为不同学习需求的学习者推荐适切的学习资源;同时该模型也在一定程度上缓解了冷启动与数据稀疏性等问题。

基于xAPI的在线学习者画像的构建与实证研究

在线学习领域中,存在流失率高的问题,如何精准识别学习者群体,并为之提供针对性的教学支持服务,是教育研究者迫切需要解决的问题。该研究引入学习者画像这一概念,并借助x API在记录学习者学习经历上的潜力,通过文献分析和案例分析,深入探究基于x API的在线学习者画像的设计过程和教学应用。该研究提出了基于x API的在线学习者画像设计框架,并基于画像框架开展案例分析,依据学习效果进行学习者分类,探究影响各类学习者学习效果的影响因素,输出学习者画像,从不同角度评价学习者的学习效果,从而为教师提供教学建议。

泛在学习环境下基于活动理论的移动MOOC设计及实证研究

移动学习和MOOC是近年来教育研究者和实践者广泛关注的热点,如何发挥移动学习和MOOC的双重优势,提高学习者的学习效果和学习满意度是该文关注的重点。该文基于活动理论以学习者画像分析、学习目标设计、移动学习环境交互设计、移动基础工具选择和基于学习分析的系统改善五个维度构建了泛在学习环境下的移动MOOC设计模型。在此基础上,设计开发了基于微信公众平台的"微学堂",并以"移动学习的设计及其应用"课程为例,随机选取117名学习者从学习者画像分析的角度,采用路径分析、聚类分析等方法探究移动MOOC学习环境中影响学习者成绩和学习满意度的设计要素,以更好地改善泛在学习环境下的移动MOOC的学习环境设计。

基于学习者画像的在线开放课程学习预警研究

在线开放课程学习者数量多且个体特征差异较大,教师难以精准分析学情,存在课程完成率低、学习成效不高等问题。在智能技术支持下,从学习者的基本属性、知识掌握情况、学习行为和学习情绪四个维度刻画在线开放课程学习者群体画像和个体画像,在此基础上设计了基于学习者画像的在线开放课程学习预警模型,并将模型应用于超星慕课平台“C语言程序设计”课程混合式教学实践中。研究结果显示,学习者的学习全过程多模态数据采集是构建画像和实现精准预警的基础;学习者画像能够精准地描述学习者的知识掌握情况、学习行为和学习情绪;基于学习者画像构建的预警模型能为学习者提供精准的学习预警和个性化的教学干预,为教学者提供基于“证据”的教学决策支持服务。

大数据环境下在线学习者画像的构建

在线学习中,学习者特征不明、学习支持服务针对性不足、学生流失率高等问题是教学利益相关者关注的重点。大数据环境下在线学习者画像的构建对识别、分析学习者特征并据此提供针对性学习支持服务具有重要意义。本研究以开放学习分析架构为基础,从目标(Object)、数据(Data)、分析(Analysis)、服务(Service)四个角度提出“ODAS”开放学习分析概念模型,并设计了一套具体可行的、可操作的基于ODAS的在线学习者画像构建流程,包括画像构建目标、数据收集、标签分析、画像服务输出四个阶段,从而为学习者画像教学应用与评估提供方法。本研究进而以上海开放大学的在线学习者为对象,从学习者基本特征、在线学习行为和学习路径三个维度构建高风险学习者画像,开展画像标签分析。研究表明,学习者画像能反映高风险学习者的学习能力、行为表现、学习路径等特征,并具有教学情境性,能为针对性教学设计及在线学习支持服务设计提供数据支撑。