钱乾　程美英 人工智能

关键词：个性化教学；学习者画像；聚类技术；教学模式推荐

中图分类号：TP301 文献标识码：A文章编号：1009-3044（2023）08-0009-04

近年来，随着社会经济的快速发展，社会对人才需求呈多样化特点。与多样化相对应的是人才培养的个性化，个性化教学是近年来新出现的一种教学模式，即在进行教学过程中会针对每个学习者需求进行优化教学，与学习者自身特征或偏好息息相关。关注学生基础、思维、需求差异，可有效激发学生学习动力，而非个性化教学因其对教师教学个性的弱化，造成教师职业成就感不高、学生素质片面发展以及学校教育生态缺乏活力等危害。中国高等教育已进入普及化阶段，而个性化教育将成为普及化阶段高等教育重要特征，将信息技术融入个性化教学全过程中，也是急需解决的关键问题之一。

现有关于个性化教学研究成果较多，代表性成果如下：文献[1]指出适合学生和自己的才是最好的教学；文献[2]指出个性化教育兴起需要建立相应制度体系为其提供规则、引导或赋能；文献[3]将用户和资源特征差异之和作为目标函数，引入广义回归神经网络完成个性化教学资源推荐；文献[4]基于大数据分析设计了个性化教学服务系统的具体实施流程；文献[5]从个性化教学目标、环境、方法、过程、评价等5方面优化个性化教学模式；文献[6]引入数据挖掘技术，采用深度学习方法定位学生学习状态，达到对学生个性化知识推荐目的；文献[7]引入大数据技术分析学情，然后构建多维度教学评价体系，在此基础上设计个性化教学模式，形成智慧课堂。

画像技术来源于电子商务，是一种勾画目标用户、联系用户诉求与设计方向的有效工具，近些年在教育领域也得到广泛应用，如文献[8]以在线学习者为研究对象，从学习者特征、学习者行为以及学习路径3方面构建高风险学习者画像模型，并提供数据收集、标签分析、画像输出等功能模块；文献[9]引入爬虫技术抓取学习者数据，在定量分析基础之上，采用深度神经网络预测学习者与学习资源之间的联系，进一步预测学习者学习资源需求；文献[10]基于用户画像技术对研究性学习学生画像构建展开研究，并提出基于可视化学习分析的学生画像流程框架；文献[11]研究揭示了非母语学生群体在线学习的类别差异和关键行为特征，相关结论能指导全球受众的在线学习平台课程教学设计与实施，进一步提升在线教学质量和学习体验；文献[12]通过对开放式教学下学习者基本信息、在线学习行为和课堂表现进行分析，结合脑认知实验，从数据挖掘与认知心理视角发掘学习者兴趣、爱好、学习能力等特点，以标签化形式进行个性归纳和画像，并基于学习者画像，探讨个性化教学等；文献[13]从电子档案袋、数字徽章、综合学习者记录等多维度全方位重塑大学生学习画像，超越了传统成绩单无法展示学生全部学习经历和成果；文献[14]引入学习者画像技术构建学习者综合评价模型，以实现对学生者学习情况综合反馈；文献[15]引入文献分析，以及学科知识图谱和个性知识图谱的映射关系构建学习者画像模型，并从知识和能力两方面对该模型进行检验等。

综上，个性化教学和学习者画像技术目前已取得了一系列研究成果，但将这些技术应用于教育技术专业核心课程《高级语言程序设计》中却鲜有报道。本文以浙江省X高校教育技术专业学位课《高级语言程序设计》为例，首先采用问卷调查法获取教师和学生个性化学习意愿；其次采用学习者画像技术收集学生特征和需求，然后引入K-means聚类技术根据学生偏好聚集成不同学生群体，最后向不同群体学生推荐合适的教学模式，具体如图1所示。

1 师生个性化教学意愿问卷调查

本小节主要采用问卷调查法获取师生个性化教学意愿，调查对象为浙江省X高校教育技术专业120名学生以及相关专业课程教师，采用李克特5级量表。调查时间为2022年8月10日至2022年8月15日，采用线上问卷方式，向X高校大学1年级至大学3年级共120个教育技术专业学生和11名教育技术专业教师发放问卷，其中回收学生有效问卷112份，回收率93.33%，回收教师有效问卷11份，回收率100%，具体如表1和表2所示。由表1可知，有92%的学生觉得实施个性化教学“非常有必要”，5%的学生持“有必要”态度，仅3%学生持“无所谓”态度。由表2可知，受访教师100%觉得“非常有必要”进行个性化教学。通过上述分析可知：本文所涉及的研究对象对个性化教育均有迫切需求。

2 个性化教学群体组建

2.1 学生特征和需求数据收集及预处理

本文以继续以教育技术专业45名学生为研究对象，这里用S （i = 1，2，…，45） 表示第i 个学生。从两个维度对学生实施画像，即采用问卷调查方式获取学生特征，以及对《高级语言程序设计》这门课程的需求，具体如表3所示。

由表3可知，学生特征指标共有5项，每项指标及其取值范围如下，T：计算机水平（T ∈{比较高，一般}） ，T2：数学基础（T ∈{比较好，一般}） ，T3：英语水平（T ∈{比较好，一般}） ，T4：高中是否接触过编程（T ∈{接触过，几乎没有接触过}） ，T5：编程水平（T ∈{比较高，一般}） ；学生需求指标共3个，即T6：偏好的授课模式（T ∈{把一个复杂的项目分解开逐个求解后再综合，按章节按部就班学习}，T7：偏好的课后作业（T ∈{富有创新性习题，与当天授课内容相关的模仿类习题}） ，T8：偏好的课后学习资源（T ∈{与当天学习知识相关的扩展性资源，能巩固当天知识的学习资源}） 。

数据预处理会直接影响学生画像质量，也是后期进行学生聚类的基石。因学生画像各指标均为定性数据，这里采用模糊隶属度函数实现定性数据定量化，同时某一学生往往具有多个不同偏好或特征，且属于不同的量纲，当偏好在数值方面相差较大时，在分析过程中数值较大偏好的作用将被增强，影响分析客观性，这里采用归一化方法，引入对数函数转换法将不同偏好数值全部落入[0，1]之间。假设r 为某一组画像指标值，r 为其中任意值，对数转换函数如公式（1） 所示。

2.2 基于聚类技术的学生群体组建

K-means聚类技术是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始聚类中心，然后计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心[16]。

这里采用Spss16.0在上述学生画像基础之上，对教育技术专业45个学生实施聚类，设置2个聚类中心，算法经过50次迭代后，最终聚类中心和聚类结果如表4和表5所示。

由表4和表5可知，经过k-means聚类之后，学生群体1聚类中心为（1.00，0.95，0.84，0.26，1.00，0.00， 0.21，0.58） ，学生群体2 聚类中心为（1.00，0.96，0.73，0.92，1.00， 0.46，0.96，0.69） 。同时学生S1， S4， S8， S9， S11，S12， S15， S17， S20， S26， S28， S30， S31， S32， S34， S36，S37， S38， S43 被聚集到群体1 中，S2， S3， S5， S6， S7，S10， S13， S14， S16， S18， S19， S21， S22， S23， S24， S25，S27， S29， S33， S35， S39， S40， S41， S42， S44， S45被聚集到群体2中。

由上述聚类分析可知，学生群体1基础知识较为扎实，偏向于创新性和扩展性资源，而学生群体2普遍计算机、数学、英语等基础较为薄弱，偏向于基础性教学。

2.3 个性化教学模式设计与推荐

课程教学模式改革要求实现理念、实践、效果三方面的重要转变，即把传统的“以教师为中心”的教学观念转变为“以教师为主导、学生为主体”的教学观念；把以教师灌输为主的教学方法转变为以导为主、双向交流的教学方法，在互动教学中培养学生的问题意识与合作精神，培养学生质疑能力与批判性思维，引导学生“乐学、乐思”，激发学生的创造潜能；把单一的考试考核方法转变为多样化的考试考核方法，注重过程评价，着眼于科学全面地评价学生的综合素质和创新能力。

《高级语言程序设计》是教育技术专业核心课程，本文设计了两套不同的课程教学模式，以满足不同学生群体个性化需求，具体如图2所示。由图2可知，对于基础较为扎实的学生群体1，需要充分利用实践教学、操作加深学生对所学的基本概念、基础理论和知识的理解，通过开发全过程的全方位指导，从需求分析、算法设计到程序编写和过程调试，以项目实训的形式引导和帮助学生解决实际问题，将项目化教学贯穿整个课程中，然后引入小型项目开发巩固所学知识，并辅以小组讨论和线下答疑；而对于基础较为薄弱的学生群体2，以基础理论知识、编程思维训练、上机操作为主，并辅以线下答疑，熟悉和掌握主要的语法规则、数据类型、数据运算、语句、系统函数、程序结构，以理论学习为主，培养学生用多函数、多文件组织程序的思维习惯，为今后的后继课程学习和实际工作打下良好基础。

3结束语

本文将学习者画像和聚类技术引入到教育领域中，为个性化教学学生群体组建和教学模式改革提供了一种新颖、可操作性较强的技术手段。营造开放的教学环境，把学习的主动性交给学生，引导学生带着问题去学习和探究，使学生真正成为课堂的主人；同时实现教学相长，充分调动和激发教与学两个积极性。在下一步研究工作中，将继续将画像技术引入到教师群体中，通过获取教师专业特质、擅长的授课模式、行为，达到师生配置最优化目的。