基于大数据画像技术的高职院校精准教学设计干预研究

　　（一）研究框架　　本研究采用“文献研究—数据采集—模型构建—策略提出”研究框架，结合高职学生的线上和线下的特征数据，利用大数据画像技术对学生进行画像，并进行个性化的教学设计与干预（见图1）。

图1 研究框架　　一是文献研究：通过文献梳理，了解国内外大数据画像技术应用于精准教学的研究现状，厘清大数据画像、学习者画像、精准教学的概念涵义，分析精准教学、教学过程、教学干预要素的理论基础。　　二是数据采集：多源数据采集主要包括学生学习风格和学习行为两个方面数据。学习风格数据来自基于线下的学习风格调查问卷，学习行为数据来自智慧教育平台线上行为数据。　　三是模型构建：将采集的多源数据进行分析和处理，利用K-means聚类算法建立学习者模型，为学生类别群体贴标签；利用数据可视化工具将学习者画像输出。　　四是策略提出：根据学习者画像的结果，分析不同学习者群体的学习风格和学习行为特征，进一步针对不同学习者群体的特征提出精准教学设计干预策略。　　（二）数据来源与处理　　本研究以《客户关系管理》课程为具体载体，于2024—2025学年上学期首次开展混合教学，授课对象为四川省成都市某高职院校大二市场营销专业两个班级，共85名学生（男、女生占比分别为65.48%和34.52%）。本研究限定《客户关系管理》这一单一课程场景，避免跨课程数据混杂，旨在验证“小场景”精准教学的有效性。此外，授课学生来自同专业同年级，并由共同的教师开展教学，有效控制了学科背景、培养方案等干扰变量，保证样本同质性。　　学习者画像的特征构建基于学习风格和学习行为两个一级标签。学习风格特征常用于学习者画像研究，最具代表性的Felder-Silverman学习风格模型^[17]从信息输入、信息感知、信息加工和信息理解四个维度划分学生类型，为个性化教学设计提供理论支撑，因此，本研究学习风格标签包含以上4个二级标签。学习行为特征是学习者画像的核心输入^[18]，挖掘在线学习的学生行为数据有助于开展学习者画像。本研究的学习行为标签包括参与度、交互度、专注度3个二级标签。参与度包括在线签到次数和视频观看进度，有研究提出的自我调节学习理论认为参与度反映了学习者投入的时间和精力^[19]；交互度包括课堂互动次数和在线互动次数，有研究提出讨论区交互行为的特征反映了学习者学习热情的程度^[20]；专注度参照文献^[21]提出的在线学习注意力模型，通过作业提交次数与平均得分反映专注强度。表1列出了本研究构建学习者画像特征的两个一级标签和7个二级标签的名称和含义。数据收集方面，学习风格数据来自Felder-Silverman学习风格模型调查问卷，学习行为数据来自超星学习通平台《客户关系管理》在线课程的学生线上学习行为数据。表1 学习风格和学习行为数据统计表

　　1.学习风格数据　　Felder-Silverman学习风格模型将学习者的学习风格设定为四个维度：信息输入（视觉型和言语型）、信息感知（感悟型和直觉型）、信息加工（活跃型和沉思型）和信息理解（序列型和整体型）。每个学习者都可能具备不止一种学习风格。本研究结合高职院校实际教学环境和学生特点，在原有量表的基础上将问题话语进行改编，设计了《智慧学习环境下高职院校学生学习风格问卷》，针对模型的每个维度各11个问题，共有44个问题。每个问题有a、b两个选项，分别对应相应维度下的两种类型学习者。本研究对每个维度的答案进行统计，得到a、b选项的数量，取其差值并取数值较大的字母，可以得到11a、9a、7a、5a、3a、1a、1b、3b、5b、7b、9b、11b中的一种情况。其中，字母表示学习风格类型，数字代表程度的差异，系数越大程度越强。然后，进一步将该12个值划分为3种类型。以信息输入维度下的视觉型和言语型为例，本研究将11a、9a、7a、5a划分为视觉型，将5b、7b、9b、11b 划分为言语型，将3a、1a、1b、3b 定义为平衡型，该类型表示研究对象学习风格的趋向性不强烈，不能十分明显地归为某一类型。　　2.学习行为数据　　在学习行为一级标签上，本研究将学生学习行为数据划分为参与度、交互度、专注度三个二级标签。参与度反映了学习者线上投入的时间和精力，具体表现为线上签到和视频学习时长。交互度反映了学习者在线学习中与教师和同学之间，建立沟通协作的方式和程度，包括课堂互动次数、线上互动次数^[22]。专注度反映了学习者参与课程的专注程度，包括作业平均得分和提交作业次数。线上学习行为数据主要来自智慧学习平台超星学习通线上课程的相关数据。表1同时列出不同指标的平均值。

　　（一）学习风格分析　　从表1可以看出：首先，在信息输入、信息感知和信息理解维度上，分别是视觉型多于言语型、感悟型多于直觉型、序列型多于整体型，且前者远远大于后者的人数；其次，在信息加工维度上，活跃型多于沉思型，但两者人数相差不大；最后，整体学习风格偏视觉型、感悟型、活跃型、序列型，但在四个维度上，平衡型均占据主流。　　（二）学习行为分析　　1.参与度分析　　课程总共发布了20次签到活动，要求学生观看12个视频共16936秒。统计每个学生的签到次数和视频观看进度（视频观看进度=视频学习时长/总时长）两个数据。统计发现：一方面，81.18%的学生参与了所有20次课堂签到互动，没有出现缺勤情况；另一方面，所有85名学生中，视频观看进度最大为43.60%，且仅有14名学生的视频观看进度超过30%，平均观看进度仅有16.43%，还有13名学生观看进度为0。以上结果表明：在强制要求的签到点名上，学生有较高的参与度，但是在视频观看行为上，学生整体上参与度低，即绝大部分学生的主动学习积极性较差。　　2.交互度分析　　课堂交互次数是指学生在课堂上的发言、汇报演说、讨论交流的次数总和，而线上交互次数是指学生在线上平台发起讨论、点赞、回帖次数的总和。研究表明：一方面，课堂交互次数的最大值为18次，在线互动次数的最大值为13次，同时前者的平均值为6.72也大于后者，说明学生在课堂上的互动程度高于在线平台。这可能是因为，课堂上教师与学生能够面对面互动，能更好地掌控提问、讨论等多种互动行为，因此互动效果更好。而线上学习平台没有教师互动，学生的主动性不够强，因此不愿意参与发帖、讨论等活动。另一方面，在课堂互动上，男生的互动平均次数为1.72，小于女生的互动平均次数2.06；在线上互动上，男生的平均互动次数为4.69，高于女生的平均水平。可见，男生的线上互动积极性高于女生，而女生在课堂互动积极性高于男生。　　3.专注度分析　　专注度包括两个指标：作业平均得分和提交作业次数。统计发现：首先，16.47%的学生作业平均得分低于60分，其中2人平均得分为0；其次，69.43%的学生完成了所有4次作业，完成3次作业的人数占9.41%，说明绝大部分学生能按时提交作业，但是作业质量不高，平均分较低，专注度上有一定欠缺；最后，女生作业的平均分高于男生，说明在学生行为专注度水平上，男生要明显低于女生。　　（三）学习者画像　　本研究利用85名学生学习风格的信息输入、信息感知、信息加工、信息理解四个特征，以及学习行为的参与度、交互度、专注度三个特征，共七个特征进行聚类建模。其中，学习风格每个特征分为三个类别（见表1）；学习行为每个特征分为“高”和“低”两个类别。本研究利用聚类算法K-means对学生进行画像分析。K-means算法中K值（聚类数）由肘部法则确定。所有实验在Python3.7.3版本上进行，首先使用sklearn.preprocessing.scale对所有特征值做数据归一化处理，并利用sklearn.cluster工具下K-means算法进行聚类。通过肘部法则发现K值的最优值为4，即所有学习者聚类为4个群体。图2显示了聚类的可视化结果。

图2 聚类结果可视化　　由表2可知，类群1有29人，学习风格取大值，将其定义为“视觉+感悟+活跃+序列”型，学习行为以低参与度、低交互度、高专注度居多；类群2有17人，学习风格定义为“视觉+沉思+序列”型，学习行为以高参与度、交互度、专注度为主，学习行为上的投入度最高；类群3有21人，学习风格为典型的“视觉+感悟+沉思+序列”型，学习行为上多为高参与度和专注度，但是交互度较低；类群4有18人，学习风格为“视觉+感悟+沉思+序列”型，学习行为以低参与度、交互度和专注度为主，学习行为上的投入度最低。表2 类群画像聚类结果分析（人数）

　　在学习行为上，计算各个类群在6个指标上的平均值和平均水平，并据此构建如图3所示四个类群的六点雷达图。

图3 四个类群在学习行为上的雷达图　　根据聚类人数统计和四个类群画像对四类学习者赋予类群标签，将四个类群定义如下：　　（1）类群1学习风格为“视觉+感悟+活跃+序列”型。在学习行为上具有较低的参与度和交互度，即学习行为投入度较低，对自身约束力较差。但这类学生专注度较高，作业质量和完成度都较高，将其定义为“潜力型学习者”。　　（3）类群2表现最佳，学习风格为“视觉+沉思+序列”型。在参与度、交互度、专注度上均表现优秀，即高的学习投入度，将其定义为“优秀型学习者”。　　（2）类群3学习风格为典型的“视觉+感悟+沉思+序列”型，参与度和专注度都较高，但是交互度较低。说明这类学生学习意愿强烈，但是不太愿意与教师和同学沟通交流，因此将其划定为“沉默型学习者”。　　（4）类群4表现最差，学习风格为“视觉+感悟+沉思+序列”型，在参与度、交互度、专注度上均表现最差，即较低的学习投入度，将其定义为“边缘型学习者”。

　　精准教学建议与干预是利用学习者画像结果呈现出的不同类群学习风格和学习行为特征，结合教育学理论与学习科学证据，判断学习者当前的学习状态，系统识别学习者的能力优势、认知瓶颈与发展需求，进而设计差异化、可量化、可迭代的教学建议与干预策略。汤姆林森（Tomlinson）提出的差异化教学理论强调，教师应当基于学生多样性需求，为不同学习者提供适配其水平、兴趣与学习风格教学支持。本研究据此为四类学习者群体制定差异化的教学建议（见表3）和干预策略（见表4）。传统的RTI（Response to Intervention）^[23]教学干预模型是一种通过早期分层干预，为不同需求学习者提供精准支持的分层支持框架。本研究通过聚类分析识别学生需求层级，从目标、任务、活动、资料和评价五个干预要素出发，基于RTI教学干预模型，设计差异化的干预策略。其中，目标要素是指基于学生特征设计教学目标；任务要素是指根据目标设计教学任务；活动要素是指教师采取的不同教学活动，如集体讲授、个别辅导、学习提醒、监督反馈等；资源要素是指不同类群学生获取的扩展性、个性化等学习资源；评价是指教师对不同学生的教学评价方式。表3 学习者画像分析结果

表4 四个类群学习者教学干预策略

　　（一）潜力型学习者干预策略　　潜力型学习者的目标策略是提升学习的参与度和交互度。在任务策略上，主要以布置同质任务和选择性任务为主，将视频学习、课堂和线上交互等作为任务对学生提出要求。在活动策略上，鼓励学生自主学习后进行小组合作讨论和评价，完成学习活动。教师针对学生在学习活动过程中产生的疑问或困惑给予解答，包括线上答疑和线下答疑，保护学习者持续学习意愿。在资料策略上，由于该类学习者学习风格为视觉和感悟型，在资源设计方面，教师应为其提供具体内容的资源，多以思维导图、视频等形式呈现。在评价阶段统一实施反思评价、作品评价、成绩评价。评价实施是对学习过程和结果的总结和升华，可以提高学习者的分析、评价等高阶能力水平。　　（二）优秀型学习者干预策略　　优秀型学习者在各个方面的表现均高于平均水平，其目标策略是保持学习热情和学习质量。在任务策略上，优秀型学习者具备一定的学习能力，喜欢挑战有难度的学习任务，能够提高行为参与度与交互度，为其设计进阶任务，需要其转变解题身份或思路，进一步提升学习自主性。优秀学习者已经具备一定的自主学习能力，能够进行自我反思和强化，可采用提高型活动策略进行自主探究。在资料策略上，可以主动为该类学习者推荐适合其学习特点和需求的知识或服务。　　（三）沉默型学习者干预策略　　沉默型学习者交互度低，其目标策略是提升交互度。在任务策略上，可以多布置需要沟通交流的团队任务，以提升其交互度。在活动策略上，课堂和线上教师需要多邀请其参与讨论，并鼓励发言，以提升交互度。在资料策略上，该类学习者自主学习能力较强，可以为其推荐课外扩展学习资料和案例。　　（四）边缘型学习者干预策略　　边缘型学习者在参与度、交互度、专注度上都低于平均水平，其目标策略为提升学习行为的投入度，主要侧重个别化的指导干预。在任务策略上，任务要求相对降低，主要完成强化任务，并对个别同学给予一定指导。在活动策略上，提供支架型学习活动，为其提供任务单、思维导图、学习线索、策略方法等，辅助其任务的完成。在交互方面，教师要加强沟通，监督其完成作业和习题。在资料策略上，以教材基本知识为主，并以思维导图和视频资源作为补充。

六、研究结论和讨论

　　本研究通过大数据画像技术对高职院校学生进行精准分析，构建了学习者画像模型，并设计针对性的教学干预策略。研究结果表明，大数据技术能够有效支持高职院校的精准教学，提高教学质量和学生学习效果。研究结论包括：首先，在学习风格上，所研究的高职学生整体学习风格偏视觉型、感悟型、活跃型、序列型，但在四个维度上，平衡型均占据主流。其次，在学习行为上，所研究的高职学生差异较为显著，男生线上互动积极性要高于女生，而女生课堂互动积极性高于男生。在专注度方面，男生的表现低于女生。另外，高职学生的交互度表现明显低于参与度和专注度，教师需要采取措施提高学生的互动交流。最后，高职学生划分为潜力型、优秀型、沉默型和边缘型四种类型，表明其差异化明显，优秀型和边缘型学生的表现呈两极分化，特别需要关注边缘型学生，并进行个性化教学设计与干预。本研究不仅拓展了大数据技术在教育领域的应用，也为高职院校实现规模化、个性化教育提供了可行路径。　　本研究仍存在一定的局限性，未来可以从以下三个方面进行优化与深入。首先，样本规模与数据采集周期存在限制。由于本研究涉及的课程线上线下混合教学模式于2024年首轮实行，导致当前样本量与单学年数据难以充分支撑结论泛化。后续计划纵向追踪两至三个学年的教学数据，扩大样本范围以提高结果的普适性。其次，学习者画像特征主要关注学习风格和学习行为两个维度，未来可考虑纳入更多影响因素，如融入技能实践指标，引入“1+X”数字营销技能证书考核数据，将职业技能等级标准转化为画像标签。最后，教学建议和干预策略缺乏效果验证，下一步拟在课程中期启动教学干预策略，通过“期初—期中—期末”三阶段学习行为数据对比，验证干预策略的有效性。