《表1 国内外关于学习者画像的研究重点》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于学习者画像建模的个性化学习路径规划研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在构建学习者画像过程中，需要对学习者学习过程和学习结果大数据进行数据挖掘和有效分析，并通过可视化的方式形成学习者画像。国内外大量学者对此进行了深入的研究，见表1。例如:学习者画像数据挖掘的重要组成部分包括学习者的学习风格、知识水平、学习动机。运用Bayesian网络算法高精度检测学生的学习风格[3]；知识水平的挖掘采用多层次聚类算法对数据进行预处理、挖掘活动数据与认知能力的关联[4]；学习动机上运用神经网络和贝叶斯数据简化算法（BDRA）对数据进行处理、简化和分类[5]。学习者画像学习分析主要有多元分析、聚类分析、预测分析等方法。多元分析通过多元线性回归分析算法探究影响某一因素的多个变量，确定影响学生学业成绩的因素[6]；聚类分析使用k-means聚类算法，分析学习迁移测试中聚类成员对参与者分数的影响程度[7]。预测分析运用循环神经网络（RNN）算法对学习者的认知水平进行信息预测[8]。学习者画像可视化需要进行数据关联、同步处理和数据可视化。基于Shapelet算法分析数据序列的趋势特征以及数据间的时序数据，对数据进行同步跟踪，将学习者个性画像数据以及知识能力数据动态关联[9-10]。也有学者提出了一种利用时间序列数据构造可视化图的有效非递归算法处理数据集之中数据间存在的时间关系，将相应的实时数据进行同步处理[11]。利用Visibility Graph算法将动态实时变化的学习者知识能力数据流转化为网络图[12-13]，从而实现学习者画像及个性化知识与能力三维立体图谱的可视化。