基于用户画像的在线学习干预研究与实践.doc

基于用户画像的在线学习干预研究与实践
作者:

摘 要:用户画像作为一种信息化工具已开始应用于教育领域,基于用户画像的在线学习干预可进一步提升在线学习质量。习人群年龄性别、学历专业、学习栏目和人群地域分布等特点,建立学习人群标签化结构,将在线学习人群划分为扎实型学习人群、一般型学习人群和应付型学习人群,或专业技能型学习人群和学术型学习人群,或付费型学习人群和免费型学习人群等。

根据在线学习用户基础数据中的相同或相近年龄段、相同或相近地域分布、相同或相近学习专业、相同或相近学习栏目、相同或相近学习时间段等规律,搭建用户与用户之间的关联关系,并为相同或相近用户非结构化关键词设置关联关系标签,挖掘用户標签之间的关联关系,建立用户关联关系矩阵,自动为相同或相近用户精准推送学习资源。

根据用户访问平台次数、访问平台时长、签到打卡速度、内容收藏指数、交流互动积极性等因素,将用户分别贴上活跃用户标签或不活跃用户标签。其中,活跃用户又分为忠诚用户、活跃用户、回流用户和新增用户,不活跃用户又分为流失用户和停滞用户。再结合每个用户不同需求和关注点,使用活跃度衡量标准筛选出满足条件的用户数量,然后计算满足条件的用户在整体学习用户中的占有比,从而给不同学习用户分层分类,制定有针对性的推送时间、推送频率和推送内容[4]。
根据用户在平台中的学习痕迹和学习习惯,分析并推算出用户的学习偏好,一般把用户学习偏好分为学习资源偏好、交流互动偏好、学习情感偏好、操作台中所做出的学习行为和选择。
2 基于用户画像的在线学习干预流程设计
基于用户画像的在线学习干预流程按照“两段七步法”设计。第一个阶段由用户画像数据采集、用户画像数据处理和用户画像标签化处理三个步骤来生成在线学习用户画像库,获取用户学习风格、学习进度、学习能力和学习成绩等信息。第二阶段由用户学习需求预测、学习干预方式确定、学习干预实施和学习干预效果分析四个步骤来完成用户画像的在线学习全过程干预。具体如图1所示。
在线学习用户学习需求预测

按照用户画像标签化体系把用户数据集聚合成不同用户数据簇,使同一个数据簇内数据对象最大可能地具有相似性;同时,使不同数据簇内数据对象之间的差异也尽可能大。目的在于使用户之间的相似对象分到同一组,再基于用户画像对在线学习用户分群进行用户群体分析与个性化干预,进而扩大活跃用户数量规模,同时激活部分不活跃用户,并制定个性化在线学习干预策略。

在线学台结合用户学习动机、学习能力和学习方法,把学习状态分为良好学习状态和不良学习状态。良好学习状态主要表现为在线学习时间长、签到打卡积极、交流互动频繁、作业提交及时等;不良学台、签到打卡不积极、交流互动较少、作业提交不及时等[5]。

由于在线学台上进行学习,既支持电脑PC端学习又支持手机移动端学习。因此,根据用户画像聚类和学习状态诊断,把用户学习需求预测分为多终端学习需求、在线考核需求、在线练习需求、在线互动答疑需求、自动推送资料需求、自动分析学录查询需求等[6]。
在线学习干预方式确定
为使用户及时跟进在线学台根据不同用户情况选择不同干预方式。在线学台提醒干预和学习用户自主干预三种方式。

学台通过大数据分析实时掌握用户学台目标学习推进干预策略[7],自动对用户实施的一系列干预操作,学台自动干预无须用户操作,由后台自动完成。

学台在实时监测过程中发现用户异常情况时,特别是发生随意退出学台、交流互动不积极、作业提交不及时或不提交等厌学和不学现象时,平台将结合学习提醒干预策略。对此类用户实施的一系列提醒干预操作,学台提醒干预需通过用户选择后,后台才执行对应操作。

学习用户自主干预是指学台提供的自主选择干预策略,有选择性地对自己在学习过程中执行一系