学习者建模的研究和应用：教育变革的核心技术问题

原题：教育数据挖掘中的学习者建模研究

[原文来自：www.11jj.com]

作者：徐鹏飞，郑勤华，陈耀华，陈丽 [本文来自：www.11jj.com]

刊期：《中国远程教育》2018.6

　　近五年来，网络教育的变革和深度学习等人工智能技术的飞速发展给学习者模型的研究和应用带来了新的机遇和挑战。目前，教学数据中蕴含的大量价值亟待挖掘，而实践中绝大部分教学环境对学习者的理解、状态跟踪和自适应性仍处于初级阶段。如何从数据中建立学习者模型、如何在教学环境中设计和使用学习者模型是下一阶段教育变革的核心技术问题。

　　学习者模型是一个涉及认知心理学、教育学、计算机科学等多个学科的领域。学习者模型最初来源于智能教学系统，早期主要用于描述学习者的知识状态。随着学习环境的变革、相关技术的进步、认知理论的发展，学习者模型也在不断地发展和演化。现在，学习者模型的表示范畴已不仅限于知识状态，它可能涵盖了学习者的情感、认知、元认知等多个方面。

　　关于学习者模型的一个重要趋势是其应用场景越来越多样化。而在不同应用场景下，模型使用者对学习者模型的诉求是存在差异的。例如，在预测性应用场景中，模型使用者更关注模型预测的准确率，而较少关注模型的复杂度与可解释性;在仪表盘和分组等应用中，模型的可解释性就显得更为重要，模型的复杂度必须在可控的范围内。总之，学习者模型是对真实学习者的抽象表示，根据不同的应用场景和实际情况，选择合适的学习者表示方式和建模技术至关重要。

　　与此同时，学习者模型的构建方式也在逐渐变化。随着自然语言处理和深度学习等技术的发展，过去由专家手动完成的很多工作可能将逐步被半自动或全自动的数据驱动的程序所代替。深度知识跟踪模型即是此趋势的一个比较典型的案例。在此趋势下，，学习者模型的构建将更多地依赖智能的程序和大量的数据，而非专家的领域知识。

　　为充分享受到学习者建模技术的变革成果，从业机构可以从两个方面着手来应对上述趋势：一是在机构内部根据实际情况进行相关的数据和人才储备;二是充分了解并借助机构外部的相关资源，例如人脸表情识别等人工智能云服务。

　　学习者模型应用场景多样化、构建方式自动化这两大趋势都离不开数据这一推手。大规模在线学习环境可以采集到大量的学习行为数据，为学习者模型的构建提供了有力的数据支撑，同时也为学习者模型提供了新的应用场景。传感技术的发展，也在不断地延伸着学习者模型的数据来源和应用场景。基于各种学习者数据，全面对学生进行综合性建模的综合模型具有更广的应用前景。近年来，人工智能尤其是深度学习的发展，使得大规模数据的利用效率、智能模型的学习能力得到了很大的提升，为构建更强大的学习者模型提供了有力支持。

（本文系摘编，未标注参考文献等，详阅及引用务请核对原文。）

编辑：郝丹

更多精彩内容，尽在阅读原文