用户画像在教育资源个性化推荐中的应用研究

用户画像在教育资源个性化推荐中的应用研究

于洋

河北经贸大学 050000

摘要：教育工作者要注重因材施教，通过关注学生的不同特点和个性特征，提倡积极主动的个性化学习方法，充分发展每一位学生的优势潜能。但在长期的教学实践过程中，存在教育工作者难以全面准确了解每一位学生所需要的教学资源，对学生的个人特征研究不够充分，对学生的学习兴趣和偏好分析不够深入，无法针对不同学习需求的学生推荐个性化的教育资源。其主要原因在于学生自身存在个体特征、学习动机、学习风格及学习效率等因素的差异。近年来，快速发展的“互联网+”技术和不断增长的教育资源提供了丰富便捷的教学资源，为个性化学习的实施提供了可能。然而，如何基于学生的个体特征和学习需求从海量复杂的教学资源中智能搜索到所需要的资源并进行精准推荐，已成为国内各高校教学改革的热门话题和关键问题。用户画像作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，为实现教育资源个性化的推荐提供了新的研究方向。基于此，本篇文章对用户画像在教育资源个性化推荐中的应用究进行研究，以供参考。

关键词：用户画像；教育资源；个性化推荐；应用研究

引言

国内相关研究最早为古代教育家孔子所提倡的“因材施教”教育理念，在内涵界定方面，赵学孔等人认为个性化学习是针对学习者个体差异而开展的满足其个性化需求的学习方式。虽然定义的视角有所不同，但都强调学习者的个体差异和个性需求。因此，结合现阶段发展，个性化学习是一种综合考虑学习者特征因素和学习环境因素，旨在促进学习者发挥自身潜能的学习理念，通过最新技术跟踪发现学习者的性格特征、学术水平和发展潜能，设计推荐满足学生学习最适宜的方法、路径、资源等。

一、个性化学习资源的推荐研究

在个性化学习领域中学习资源部分一直受到许多专家和学者的关注，他们从不同视角分析出多种不同的学习资源推荐方法。通过对已有文献研究进行整理发现，目前主要的个性化学习资源的推荐研究可分为以下几种：第一，只考虑学习者和资源；第二，包含学习者、资源和情境三方面；第三，依据个性化服务理念与资源管理视角；第四，使用不同的个性化学习资源推荐算法，主要有内容推荐、协同过滤推荐、多维关联推荐等，其中协同过滤推荐使用较多；第五，基于深度学习的个性化学习资源推荐方法。由此可见，目前关于个性化学习资源推荐的研究，不管是纳入的因素还是采用的算法都从单一逐渐转向多维关联，逐步推动个性化学习资源的推荐研究向个性化、多元化和智能化的方向迈进。结合前文中对个性化学习研究热点的梳理和分析,认为在个性化学习研究中，支撑系统平台的技术和资源推荐的方式将会是未来研究的重要领域，这既是当前的研究热点，也将成为未来一段时期内的主要研究趋势。通过将先进信息技术手段和先进教学理念进行有机结合，将联动开发的资源集中存储在共享服务器远程平台上，对资源联动建设公共服务平台的搭建机制有促进作用；也可以通过大数据平台采集联动开发资源应用情况，以便及时反馈应用效果。联动资源开发不仅可以补充资源在量方面的不足，特别是弥补生僻知识的不足；还能够促进资源在质方面的提升。在资源共享的深度应用情境中，教师根据具体教学实践和学生先验知识水平，在课堂教学中辩证地应用和改进教学类资源，形成本土特色的教育教学资源，服务于学生；学生通学习类资源对所学知识进行解构与重构，激发高阶认知能力的提升，形成深层次的互动。

二、教育资源现状

教育资源配置内容更新缓慢，质量有待提高是教育的立身之本，质量始终是平台能否获得市场份额的关键因素。当前大多数的教育平台的资源更新换代缓慢，且质量有待提高。资源配置内容依旧停留在个体任务型，对于强调合作、探究和分享的数字教育资源极其缺乏。在网络直播热潮下，各大平台纷纷开发直播课程或一对一在线教学等资源，虽然降低了传统录播资源中师生交流的距离感，却也存在因直播时间过长导致学生无法长时间集中注意力、学习参与感差等问题。数字教育平台在市场竞争中为了抢占市场而开发新型数字教育资源无可厚非，但不能够盲目跟风进行资源建设而忽视资源质量。所以，加强教育资源个性化推荐尤为重要。

三、用户画像系统在教育资源个性化推荐中的应用研究

学生画像这一概念产生于用户画像，“用户画像”指的是根据此用户的某些特点及行为属性来代表该用户。实际上就是通过用户的数据来系统化出来一系列的标签来描述一个信息化实体。根据用户画像方法来分析学生画像，建模收集自己的数据集进行验证自己方案是否具有可行性可以为高校建设大数据平台提出的设计方案,为高校信息化建设提供一种新思路。

3.1基于大数据挖掘的学生行为数据

（1）对高校需求进行分析，总结出高校数据特点，建立高校学生数据集。（2）Hadoop大数据及Hive数据仓库相关技术分析介绍。（3）利用主流的大数据框架Hadoop的HDFS文件系统和Hive数据仓库搭建相关平台架构设计。（4）设计相关表结构完成数据的关联使用方法。

3.2数据的处理

采集的学习者数据可能来源于教学管理系统、在线平台等不同的系统，存在数据格式不一致的现象。在剔除一些无用数据后，对数据信息进行处清洗、合并和整合等操作。当描述学习者的静态数据和动态数据被获取后，就完成了用户画像数据库信息来源的构建。处理流程如下图所示。

3.3数据的分析流程

数据分析和特征提取:当原始数据采集完成过后，由于有的数据存在一些问题，比如特征编号不一致，字段表意不清，标签特征不明显等等这种不完整的数据，为了提高数据集的搜集效率和结果的准确性，给后面的研究提供统一的规范数据，我们需要对标签进行优化，使学生的特征能够更好地被表现出来，一般数据清洗的方式有数据的归一化、离散化以及下采样等方式来使数据统一。并且不同应用产生的数据往往格式也不同，把它们整合起来归一化构成一个用户的完整画像，需要进行信息关联，将一些动态数据人工的关联到一个人的行为特征上总结概括。

定义约束条件：约束条件是数据处理的核心部分，我们需要从动态信息中得到学生的兴趣爱好和性格特点对短文本定义约束，这正好利用了Hadoop的一次写入多次读取的文件系统。后续的数据我们可以采用定时上传的方式传到相同的文件夹当中用相同的方式再次文本处理得到最新的标签。

标签的提取思路如下，我们定义大的标签所占的权重较大，小的标签所占权重较小，所以画像上面的每个标签大小不同，也更能表现出画像中的重点，定义规则学生成绩等标签所占权重为1，动态信息等标签的权重为1，标签的权重随时间减小，当一段时间后标签的权重减为0.5时将标签撤下，实现动态标签。

结束语

用户画像可以精准描述学生及学生群体的个性特征。实践表明，对于学生的个性特征了解得越深入，考虑得越周全，个性化教育资源推荐的准确性就越高，对学生的帮助就越大。与此同时，有效提高教育资源的利用率等。

参考文献

[1]张晗.基于用户画像的数字图书馆精准推荐服务研究[D].吉林大学,2019

[2]曾承,周炬,韩栋.一种在线医疗教育资源的个性化推荐方法及系统[P].CN109582875A,2019-04-05.

[3]李敏.基于用户画像的精准扶贫可视化系统研究与实现[D].中南民族大学,2019.

[4]单轸,邵波.国内图书馆领域用户画像研究的冷思考:困境与出路[J].图书馆学研究,2019(05):8-13+30.

[5]刘海鸥,张亚明,靖鲲鹏,苏妍嫄.基于用户画像的创新创业精准知识服务研究[J].河北农业大学学报(农林教育版),2018,20(06):7-12.