网络教育中个性化学习者模型的设计与分析

网络教育中个性化学习者模型的设计与分析

发布时间：2017-05-29 10:1本文由《远程教育杂志》授权发布   作者：孙力、张婷

随着教育信息化的不断深入，网络教育的个性化发展已成为研究重点之一，这也对个性化学习及支持服务系统的核心组件——学习者模型提出了更高要求。针对当前网络教育已有学习者模型存在的问题，设计了一个多层次、多维度的个性化学习者模型，以研究数据挖掘、学习分析等技术在实现网络教育个性化学习者模型中的作用与影响，解决学习者模型中学习者信息笼统杂乱、学习者特征单一、学习者模型无层级性、各维度指标不清晰等问题，为网络教育的个性化支持服务提供决策依据，从而有效提升网络教育学习者的学习成效。

关键词：网络教育；个性化学习；个性化；学习者模型；学习者特征

 一、引言

    当前，“互联网+”、大数据、云计算等信息技术新概念与新应用已受到广泛关注，尤其是“互联网+”和大数据的应用，使得教育改革迎来重大的发展机遇。这也是周洪宇、鲍成中等人指出的人类教育发展史的第三次变革，即从规模化教育走向分散化、生态化、生命化、网络化的个性化教育[1]。个性化教与学的理念最早可追溯到我国古代孔子的“因材施教”思想，它是指在教学中根据不同学生的认知水平、学习能力以及自身素质，教师选择适合每个学生特点的学习方法来有针对性地教学，发挥学生的长处，弥补学生的不足，激发学生学习的兴趣，树立学生学习的信心，从而促进学生全面发展。

 

网络教育中的个性化则是指一个系统或者应用程序可以适应学习者需求的能力，即根据学生的不同特征因材施教，通过网络给出不同学习环境、学习方式、学习内容的选择，为每个学生提供最佳的教学支持，让学生自由选择学习内容、制订学习计划、自由安排学习时间和地点，从而自我获取知识，更新知识[2]。因此，从学习者角度出发，获取学习者与学习相关的个性化特征，并以此为依据，提升个性化服务水平，促进学习者学习成效，势必成为网络教育中的研究重点。随着我国现代远程教育不断发展，构建个性化的网络教育管理、学习和支持服务系统，必将成为质量保证体系的主要手段之一。而有效的个性化学习者模型，是网络教育各类个性化学习和支持服务系统的核心部件之一。

 

网络教育环境中的学习者具备复杂性和多样性的特点，他们具有不同的社会背景、学习历史、学习偏好、学习需求等，其学习能力存在差异性，网络教育的支持系统需判断出他们各自的能力和差异，建立可操作的、有效的学习者模型。以构建网络教育个性化学习者模型为目标，我们通过综述国内外学习者模型的研究方向与趋势，寻找薄弱点作为研究的切入点；进一步探讨构建学习者模型的理论依据，设计多层级、多维度的网络教育个性化学习者模型；详细分析了模型的基础一学习者特征；具体阐述实现个性化学习者模型的大数据技术，并反思应用学习分析、数据挖掘等技术所面临的问题与挑战。

 二、网络教育中学习者模型研究现状与问题分析

 （一）国内外关于网络教育学习者模型的研究现状

     对网络教育学习者模型的研究，最早源于智能教学系统（Intelligent Tutoring Systems，ITSs），它是ITSs中至关重要的功能模块。网络教育中学习者模型，是一种表征包括个体描述、认知状态、学习风格、情感状态等学习者特征的数学模型，是实现个性化学习的关键，是智能化、个性化网络教育系统的核心部件。随着“互联网+”和大数据等理念的兴起与发展，传统教育模式发生了重大变革，数据挖掘、学习分析等技术为个性化学习的研究与实践提供了良好的环境基础。而学习者模型在网络教育中的应用，可提升网络教育系统对学习者需求的解读能力，为个性化学习奠定基础。

    在国外的研究中，网络教育方面出现了很多典型的学习者模型，包括覆盖模型、铅版模型、摄动模型、基于约束的模型、贝叶斯网络学生模型、基于模糊理论的学生模型等"#]。这些模型大多侧重于通过不同方式表征学习者的知识，判别学习者对领域知识的掌握程度，从而进行个性化学习推理。例如，Millán、Loboda等人[4]通过对贝叶斯网络定义、条件独立性假设、推理机制的分析研究，依据建构模型的目标、对象、影响因素等，构建基于贝叶斯网络的学习者模型结构；Cakula和Sedleniece[5]将模糊逻辑评价方法整合到学习者模型中，并将其应用到C语言课程中，应用效果得到了很好的验证。除此之外，Cakula和Sedleniece[6-7]还从其他方面着手，推进网络教育系统的个性化发展，他们在知识管理背景下，结合本体论、元数据标准等技术，构建出个性化网络学习系统模型；NanLi、Nobom Matsuda等人[8]研究可应用于学习者模型中的一种技术——机器学习技术，该技术可提升学习者模型自动更新数据的能力。

    国内对网络教育学习者模型的研究始于2001年，教育部教育信息化技术标准委员会E-leaming Technology Standardization Committee，CELTSC）制定了包括学习者模型规范的网络教育技术标准。相较于国外学者的研究方向，国内网络教育学习者模型研究方向主要存在两个分支：

     一种是根据学习者知识表示方式的不同，将网络教育中的学习者模型分为覆盖模型、偏差模型和认知型模型[9]。例如，李鹰、何佳、刘政凯等人[10]综合覆盖和偏差两种模型，重点研究了领域知识的表达、学生水平评估模型和教学策略的推理机制；张赛男、赵蔚等人[11]以拉埃丁的认知风格理论为基础，运用基于认知风格的Keb数据挖掘来构建学习者模型；而孙中红[12]以基于决策树的遗传算法，将学生的学习标准、兴趣、爱好、知识状态、学习历史、心理因素和认知能力等信息进行数据挖掘和分类，构建了一个综合覆盖模型、偏差模型、认知型模型的全面学习者模型。

      另一种是根据数据的生命周期及其在教学活动中的功能和作用，将网络教育中的学习者模型分为静态模型、动态模型和评价与错误诊断模型[13]。例如，杨卉、王陆、冯红等人[14]提出了一个两层动态学生模型，他们认为学习者模型是智能教学系统的核心部分，是智能教学系统制定个性化教学策略与学习策略的依据；郝耀军、王建国、赵青杉等人[15]在网络智能教学系统中建立了一个双层动态学生模型，该模型的初始层采用复合认知型学习者模型，高级层利用Hopfield神经网络算法，在初始层数据的基础上加入兴趣、爱好、知识状态、学习历史等信息进行评价、分类；郭富强[16]从学习者个体学习情况和学习需求出发，在分析影响学习的学习基础、认知能力、心理因素的基础上，设计了一个智能教学系统的动态学习者模型；张昆琪[17]以代理技术在智能教学系统中的应用为切入点，研究了智能教学系统中的纠错诊断模型。

 （二）网络教育中学习者模型的问题分析

 通过分析国内外网络教育中的学习者模型，我们可以发现，已有模型存在的问题主要有以下三点：

     （1）研究者侧重对学习者建模方法和技术的研究，缺少对学习者模型核心元素——学习者信息的细化分析；（2）学习者模型在学习者个性化特征诊断与分析方面，倾向于从知识水平、认知风格出发，忽略情感、态度、动机等因素，导致其功能单一，不能满足网络教育学习多样化的需求；（3）在网络教育中，学习者模型可以包含很多内容，比如，学习者学习过程设计、学习者特征信息分析、学习者学习服务机制设计等，而多数研究者对这些内容进行组织整合时，设计上缺少层级性，并且各层级的维度指标不清晰。

    在网络教育中，学习者模型是个性化学习系统设计的核心组件。在构建模型时，除了要考虑学习者模型对系统的适应性，即模型的重用性外，还需要着重考虑学习者模型的层级性设计和学习者特征模型中维度信息的选择。这些维度信息是构建学习者特征模型的重要因素，而这些因素的确定将直接影响模型对学习者特征，包括认知水平、学习风格、学习态度等的推理结果。因此，应多层次、多维度地构建学习者模型，在确保模型可重用性的基础上，扩展模型功能，为网络教育的个性化学习服务提供决策依据，提升学习者学习成效与学习体验。

 三、网络教育中个性化学习者模型的设计

 （一）网络教育中个性化学习者模型的设计依据

 1.模型设计的理论支撑——三种学习理论

（1）行为主义学习理论。在行为主义学习理论视域下，学习过程可以概括为“刺激一反应一强化”，它强调利用技能性训练、作业或测试操练等达到矫正行为的目的。因此，在行为主义学习理论指导下，网络教育个性化学习者模型信息的选择主要是外显学习行为信息，如，测试答案、答案是否正确、测试次数、测试时间、测试成绩等。

 （2）建构主义学习理论。与行为主义学习理论不同，建构主义学习理论认为知识不是通过传授学习就可得到的，而是学习者在一定情境下，利用必要的材料与资源建构获得的。它强调情境、交互、资源的重要性。因此，在建构主义学习理论指导下，应关注网络教育个性化学习者模型的应用环境，以及模型与环境中的要素之间的关系。

 （3）人本主义学习理论。前两种理论都是从学习过程中的学习对象——知识出发，而人本主义学习理论则是从人即学习者出发，强调促进学习的重要性。与行为主义学习理论的机械学习、认知主义学习理论的重视人类认知结构不同，人本主义学习理论关注情感、价值观、态度等最能体现人类特性的因素在网络教育中对学习的影响。

 2.学习者特征的相关理论

 （1）多媒体学习的认知理论。在多媒体学习的认知理论体系中，包括了佩维尔的双重编码理论、巴德利的认知负荷理论、迈耶的生成学习理论等。网络教育中学习者的多媒体学习受到多种因素的影响，如，资源呈现形式、资源之间的关系、学习者的先备知识、认知风格等。因此，应基于学习者多媒体学习的影响因素，以多媒体学习的认知理论为指导，探索学习者特征与教学资源多媒体形式之间的关系。

 （2）学习行为——行为科学理论。行为科学理论是探索影响个体行为、群体行为、组织行为的因素，以及三者之间关系的一种理论。基于网络教育中学习者的差异性，学习者特征的个体行为就更值得关注。行为科学理论的研究视角与研究方法，将会给学习者特征的研究和分析带来新的启示。

 （3）学习风格——学习风格分类。国内外对于学习风格的定义多种多样，比较典型的学习风格分类有格雷戈克（Cregorc）、考伯（Kolb）、威特金（H.A.Witkin）以及劳特斯（Lotas）等的学习风格分类。通过学习者学习风格的确定，可向学习者提供更有效的个性化支持服务。

 3.模型设计的参考规范CELTS-11学习者模型规范

     目前，广为接受并较为成熟的学习者模型都是以国际IEEE1484.2 PAPI学习者模型规范和国内CELTS-11学习者模型规范为参考建立的。这些规范的制定是为了能描述任何年龄、背景、地区的学习者的学习相关信息，可以为任何一个学习者创建一个个人学习者模型，从而为教育研究者提供规范化的模型和数据[18]；同时，也是为了保证所构建模型的可重用性。其中，国内CELTS-11学习者模型规范是在PAPI学习者模型规范基础之上，经过分析我国教育实际情况而制定的。CELTS-11学习者模型规范地描述了学习者信息（通用学习技术信息的子集）的一个特定子集“PAPI学习者信息”，CELTS-11学习者模型信息模块包含了八个方面的信息：个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息和作品信息，如图1所示。

     CELTS-11学习者模型规范，提供了一个学习者信息的抽象模型，我们的研究将在其基础上，根据网络教育的支撑环境和教学实践需要，进行具体扩展，为设计学习者模型的各层级、选择学习者特征各维度指标提供数据基础。

 （二）网络教育个性化学习者模型的构建

     要构建网络教育个性化学习者模型，首先，必须明确模型的要素，即学习者信息和学习者特征。本文依据CELTS-11学习者模型规范确定网络教育个性化学习者模型的学习者信息，并综合已有学习者模型中的学习者特征，将学习者特征体系全面化，并结合认知理论、行为科学理论和学习风格分类理论将学习者特征的各维度指标清晰化。其次，不同的学习者模型代表着不同的学习理论基础。行为主义学习理论在国内研究中一直占据着重要位置，本文在行为理论的基础之上结合建构主义学习理论和人本主义学习理论所倡导的情境、人、知识三者之间的关联，将网络教育环境、学习者、学习过程在学习者模型中紧密结合，运用大数据技术方法，对学习者在网络教育学习过程中的数据进行归类整理，获得学习内容、学习行为和交互信息，并对各项内容进行数据挖掘、学习分析、可视化，以此获得认知能力、学习风格、学习态度等学习者特征。所以，本文构建的是一个综合、全面的学习者模型，其最终目的是依据学习者的不同特征，给予个性化服务，以达到因材施教，提升学习成效的效果，并完善系统支持服务的依据，提升系统的可靠性。

 1.模型的设计

     构建网络教育个性化学习者模型需要解决三方面问题：—是个性化学习者模型的初始化；二是个性化学习者模型的动态更新，分析个性化学习者特征的维度指标；三是学习者模型各层级之间的关联，为后续个性化服务提供依据。为解决上述问题，本研究多层次、多维度地设计了网络教育个性化学习者模型。该模型由数据层、逻辑分析层、应用层三大层次模块组成，如图2所示。

     在模型的数据层中，根据CELTS-11学习者模型规范中的学习者信息，结合网络教育各教学以及支持服务系统的实际情况，将个性化学习者模型的学习者信息数据分成四类：一是个体描述信息，包含个人信息，包括学习者的姓名、性别、年龄、生源地等；管理信息，包括学习者所属学习中心、层次、专业和入学批次等；安全信息，包括学习者登录各类系统的账号和密码等。二是学习相关信息，包含学业信息，包括学习者前置学历、入学考试成绩和已学课程成绩等；绩效信息，包含各门课程的平时在线学习情况和过程性评价等；作品信息，包含学习者在各种在线讨论和学习活动中获得好评的发帖和论点等记录、在学习过程中取得的相关学术成果等。三是关系信息，包含学习者与学习资源、同伴、教师和系统的交互信息。四是偏好信息，包含可促进入机交互或个性化服务的信息，例如，模块访问偏好、资源选择偏好等。其中，个体描述信息的获取，可以直接形成学习者特征的个体属性，即个性化学习者模型的初始化。而其他三类信息则是动态的，随着学习者网络学习进程的深入而不断更新。

     在模型的逻辑分析层中，对学习者信息中三类动态信息进行了层次性分析。其分析过程包括学习内容分析、学习行为分析、交互分析三个层级的分析，每一个层级的分析都包含了各项子维度分析过程。学习内容分析包括资源内容分析、资源类型分析、学习目标分析、学习评测分析等；学习行为分析包括学习完成度分析、活动参与度分析、学习资源选择分析、媒体选择分析等；交互分析包括社交网络分析、互动同伴分析、交流内容分析、访问行为分析等。经过三个层级的分析，最终可获得四项个性化学习者特征，包括个体属性、认知能力、学习风格、学习态度。其中，学习内容的分析直接影响学习者认知能力的确定，学习行为的分析对学习者学习风格、学习态度均有一定影响，交互行为的分析对学习态度有很大的影响。而这四项学习者特征的确定，将直接影响应用层的个性化服务效果。

     模型的应用层中，根据逻辑分析层中的学习者特征，为学习者提供了个性化应用服务，具体如下：

 （1）个性化界面定制服务。在网络教育环境中，人机界面是人与系统之间传递、交换信息的媒介，是学习者开展学习行为的综合操作环境。传统的人机界面缺少对学习者认知和行为有关的分析，它对所有学习者展现的都是同一种形式，不能适应系统智能化、个性化的发展。而个性化界面是传统人机界面的一种扩展，它在人机交互过程中可以根据不同学习者的特征与需求，在交互内容、表现形式等方面自动或者非自动地满足个体的不同需求。

 （2）知识可视化服务。与文本比较，人类大脑更善于分析、处理视觉图像[1]常见的知识可视化形式有概念图、思维导图、因果图、语义网络、思维地图等。在网络教育环境下利用知识可视化可以实现对知识的管理，将课程知识中的各个知识点或者概念相互联系起来，并以图示化呈现。学习者可以根据可视化知识快速掌握知识的系统结构，有针对性地选择薄弱知识点进行加强学习。

（3）个性化信息检索服务。个性化信息检索服务可分为主动式服务和被动式服务两类。前者是根据学习者的需求，主动地、有目的地向学习者发送信息资源；后者则是根据学习者搜索的关键词与学习者兴趣、偏好的相似性过滤信息内容，或者通过学习者之间的相似性，确定推送信息。

 （4）个性化学习内容推荐服务。在网络教育中，通过对学习者特征的分析，判断学习者对知识点的掌握程度、对学习资源的偏好等，从而推荐知识库中的学习内容。如果学习者对某一知识点掌握非常好，系统将推送后续知识点；如果学习者没有学习过某一知识点，或者学习效果很差，系统则提供与该知识点有关的前驱知识和当前知识。

 （5）个性化学习路径推荐服务。网络教育中学习者为完成学习目标，需要学习一系列有先后次序的学习对象，这些具有序列关系的学习对象构成了学习者的学习路径[20]。个性化学习路径是指根据学习者的个人能力和情境因素提供个性化的资源学习序列，从而提高个体学习者的学习效率[21]。目前，已存在多种个性化学习路径推荐方法，包括基于学习者知识水平的学习对象排序方法、基于群体智能算法的个性化学习路径策略等。本研究将采取基于学习者学习风格的个性化学习路径推荐方法，通过判断学习者的学习风格，进而为学习者推荐可有效提升学习成效的学习路径。

     以上所述的网络教育个性化学习者模型中，数据层是基础，逻辑分析层是主模块，而应用层则是前两个层级存在的价值体现，三者相互关联，不可分割。

     在学习者模型中数据是重中之重，从各类网络教育系统中所获得的数据有三大类型：静态数据（不变量）、动态数据（可变量）和可推理获得的数据（包括不变量和可变量）。

     获取静态数据的过程是个性化学习者模型初始化的过程，它是在学习者注册各类网络教育系统时所得到的数据，是逻辑分析层中个性化学习者特征里的个体属性的数据基础；动态数据则是指学习者模型数据层中的学习相关信息和关系信息，它们随着学习者的学习进程而不断变化；可推理获得的数据是学习者模型数据层中的偏好信息，以及逻辑分析层中个性化学习者特征里的认知能力、学习风格和学习态度的取值。它们以数据层中学习相关信息和关系信息为基础，通过教育数据挖掘和学习分析技术，收集、分析、统计各学习者特征的维度指标，再根据各学习者特征所定义的相关准则，获得其取值。可推理数据和动态数据的获取过程，是个性化学习者模型的动态更新过程。网络教育个性化学习者模型的数据流向，如图3所示。

2.模型的学习者特征

     学习者特征是指影响学习过程有效性的外部环境、学习者生理与心理的各个方面，其要素可包含人口统计学方面的特征、学习基础或起点、认知水平、学习风格、学习兴趣、学习动机、情感态度等。在网络教育环境下，学习者信息内容复杂繁多，通过对这些信息的整合与分析，即学习者模型的运用，可获得具有规律性、预见性的学习者特征。

     根据前文设计的个性化学习者模型，确定了包括个体属性、认知能力、学习风格、学习态度四个维度的学习者特征，影响各维度的评价指标在学习者模型逻辑分析层中均有所体现，具体见图4。

（1）个体属性。个体属性是基于人口统计学方面的特征，它是学习者在网络教育系统中所有个人基本信息的集合，包括学号、姓名、年龄、专业、学历等个人信息和系统登录用户名、密码、IP地址等其它信息。在相关性分析中，其个别信息将会加以运用，如年龄、专业、学历、生源地等。

 （2）认知能力。认知能力是一定阶段内学习者对领域知识的掌握程度，它包括基于某知识点的认知水平和基于某课程知识的综合认知能力。前者的确定是根据布鲁姆的认知领域目标分类理论，将认知能力分为识记、理解、运用、分析、综合和评价六个层次，再根据学习者测试中这一知识点的解答与得分情况，从而获得学习者对这一知识点的认知水平；后者的确定是通过对课程学习的基本情况和课程测评这两者的综合分析而得到的。学习者认知能力判断的过程见图5。

（3）学习风格。学习风格是学习者在学习时所表现出来的一种自我偏爱的、具有倾向性的行为方式，它能够显著影响网络教育学生的学习成效，并且能在较大程度上预见学习者的网络学习行为。本研究通过分析学习者在网络教育各类系统中的学习行为，例如，网站点击次数、网页点击顺序、模块停留时间、学习资源类型的选择、学习工具的选择等，来确定学习者的学习风格。其中，学习风格的分类是根据Knob的学习风格模型确定的。该模型建立在具体经验、反思观察、抽象概念化、主动经验这四项的循环基础上，如图6所示。学习者任何具体的经验将随着反思观察，进入抽象概念化的阶段，再将这些概念、理念等应用于新情境中，又可获得新的具体经验，如此循环，不断学习。

     在这四个阶段中，可将学习者归为四类：聚敛型、发散型、同化型、调适型。四种类型的学习者有着不同的学习偏好：聚敛型学习者善于理论思考，更偏向于文本资源；发散型学习者擅长通过反思观察获得解决问题的答案，这类学习者更偏向于图、表和动画等生动符号的学习对象；同化型学习者善于理解抽象概念，因此更偏向于视听型讲解内容；调适型学习者善于实践操作，因此更偏爱于通过实践操作来进行学习，获得知识。

 （4）学习态度。学习态度是学习者在学习过程中对学习所持有的心理倾向或内部反应状态，它对学习行为有调节作用，对学习效果的影响也已被许多实验研究所证明。它是情感、行为倾向和认知状态三者的综合。本研究将学习者在网络教育环境下所表现的学习态度分为消极、中等和积极三个等级，通过情感体验、行为倾向、认知状态三个维度评价指标，获得相应的态度等级，以此来判断学习者的学习态度综合水平，详见表1。

四、网络教育个性化学习者模型的实现思考

 （一）模型的实现技术

     在大数据背景之下，通过教育数据挖掘（Educational Data Mining）、学习分析（Learning Analytics）以及可视化数据分析（Visual Data Analysis）等技术，可以有效改善网络教育各类系统，促进其对学习者的了解，以及对学习者学习过程的理解和观测，为个性化干预提供可靠的决策依据，进而提升学习者的学习成效。在实现本文提出的网络教育个性化学习者模型的过程中，教育数据挖掘、学习分析以及可视化数据分析技术提供了技术支撑。

     教育数据挖掘主要针对网络教育学习者的学习行为和学习过程，进行量化处理和分析处理。它可以解决网络教育个性化学习者模型中的四个问题：一是对于不同特点的学生，各自适用怎样的学习路径才能够有效帮助学习者学习；二是学习行为的取向如何影响学习者的学习成效；三是通过什么指标可判断出学习者的认知能力、学习风格、学习态度等；四是哪些因素可预测学习者学习取得显著成效。

     学习分析技术主要针对学习者学习过程中产生的各种数据，利用统计学、机器学习等方法对其进行分析。学习分析技术通过监测学习者的学习过程，预测学习者的学习成绩，发现潜在问题，由此干预学习者学习过程，来实现个性化学习。它涉及到三个方面的问题％—是在学习内容上，判断学习者的认知能力，以此决定是否可进行下一知识点的学习，或者预测课程的最终考核结果；二是在学习路径上，判断学习者的学习风格，以此决定推荐什么学习路径给学习者，提升其学习成效；三是通过判断学习者的学习态度，决定是否应该给予学习者一定的干预措施。

     可视化数据分析技术主要是利用数据可视化工具快速抽取、筛选、分析、归纳汇总所需数据，并实时更新具体数据。它通过利用面向文本和图像等媒体类型的、多维的可视化技术，从可视化、人机交互视角出发，将经过筛选、分析归纳后的网络教育各类系统产生的数据呈现出来。

 （二）大数据背景下的技术应用反思

     利用大数据技术，可以获取人力无法搜集的数据，快速分析学习过程，归纳总结出学习者各方面的信息或状态，以充分提升学习能力，改善学习成效，适应学习需求。大数据技术已经在教育领域展露其优势，尤其在网络教育领域。正如祝智庭教授等人所指出，教育技术学的下一个研究范式应是大数据支持的“个性化自适应学习”[23]。未来，大数据技术将在个性化、智能化、网络化的教育中发挥巨大作用。

     但是，学习过程是一个极其复杂的过程，它涉及到各个方面的互相影响与作用，包括环境的优劣、学习者的状态、同伴的影响、教师的指导等，数据并不能完全表明真实情况。不管大数据技术如何精湛，它也仅是用过去的数据预测未来的情况，而网络教育学习者的发展不可能完全依靠先前的状态来判断。

     我们应谨慎地将大数据技术应用于教育领域中，而不过分夸大技术的力量。因此，通过大数据技术的应用来实现个性化教育既是挑战，也是机遇，应该充分利用技术的优势，优化工具软件与教育环境。

 五、总结与展望

     网络教育是基于e-learning系统、以学习者为中心的内容传播和学习的方式，学习有效性是其长期发展与生存的基础。随着教育改革的发展，社会各类人士越来越关注网络教育中学习者的学习成效问题。

     本文通过对已有网络教育学习者模型的比较研究，发现其存在学习者信息缺少细化分析、学习者特征单一、学习者模型规划无层级等问题，进而通过构建学习者模型的基础初始化模型，完成细化分析学习者信息的过程；通过学习者模型能够持续工作的必要过程一动态更新模型，来确定学习者特征、分析各特征的维度指标，理清学习者模型各层级之间的关联性关系，设计出具有层级性、可满足多样化需求的个性化学习者模型，有效解决网络教育已有模型中存在的问题。

     该网络教育个性化学习者模型具有四个特点：一是依据CELTS-11学习者模型规范所提供的学习者信息的抽象模型，根据网络教育的支撑环境和教学实践需要，进行具体扩展，详细化学习者信息，并将这些信息重新归类，作为个性化学习者模型的基础层——数据层，避免了一般模型中基础层数据的杂乱和重复；二是对学习者特征的定位，在原有个体属性特征、认知能力学习者特征的基础上，增加了学习风格、学习态度这两个学习者特征，丰富了学习者特征体系；三是具备层级性特点。由数据层、逻辑分析层和应用层构成，并且各层级间具有关联性，较好地弥补了已有学习者模型的薄弱之处；四是强调个性化支持服务。设计过程中综合考虑模型应用方面，将模型设计延伸到应用层，设计了个性化界面定制服务、知识可视化服务、个性化信息检索服务、个性化学习内容推荐服务、个性化学习路径推荐服务等五个个性化支持服务。

     我们所构建的网络教育个性化学习者模型，就适用范围而言，更适合于网络学历教育。比较网络教育中学历教育与非学历教育的特征和区别，可以发现，学历教育的具体学习目标一致，即学习者完成所有的课程学习并通过考核；而非学历教育虽是以获得证书和提升知识水平为总体学习目标，但学习者的具体目标却更加个性化、多样化，各类非学历项目的网络管理和学习系统从结构和功能上看差异较大，所能采集的个性化属性和数据也各有千秋。

     本文所研究的网络教育个性化学习者模型，无论是基础数据的采集，还是学习者特征维度指标的选取，都更符合网络学历教育的特征。例如，学习者信息中的学业信息，包括了学习者前置学历、入学考试成绩和已学课程成绩等；学习态度维度评价中课程平均成绩、免修免考次数、重修次数等指标的选取等。

     鉴于此，后续将进一步完善该网络教育个性化学习者模型，使之完全适用于网络学历教育，为网络学历教育建立个性化、适应性、智能化的学习环境，提升远程学习效果，提供一个可借鉴的研究方向。