基于大数据维度视角下高校学...者精准行为画像的构建与应用_茹兴旺.pdf

Science&Technology Vision科技视界1高校教学本体概念本体是形成活动，构建本质，实现目的的根本，教学本体是知识本体在教育场景中的映射，它勾勒出具有内在逻辑、外部包容的理论基础与实践改革的教学存在的轮廓，而高校教学本体更是在高等教育范畴内教学理念及教学实体间教学关系的形式化表达。本文从教学的实体、活动、关系、过程及教学环境等不同维度入手，层次化再现教学本体框架，进而分析呈现教学内涵、教学过程、教学实体特征等数据联系1。2大数据画像教学准备2.1教学本体行为画像战略解读教育的本质是“教什么”“怎么教”？而记录学习者所有学习、生活和工作状态在开展高等教育教学活动中对教学成果预测、教育过程有效性评价起到至关重要的参考作用。本文侧重从刻画学习者画像出发，利用大数据分析技术和数据归一/标准化处理方法，依据其行为数据建立特征工程，标记个性化属性标签，分析学习、行为、属性相关性，便于教师与学院对学习者进行跟踪指导和管理。下图围绕高校教学目标对教育场景进行分类，从顶层结构的对教育政策决策到中层的教学环境监测和教学主体管理到底层的教学活动支撑，无不是以“数据驱动”为核心，以“顶层设计、中层实施、底层实践”为原则2。图1高校教学活动结构体系设计图2.2显性画像描述学习者的显性画像刻画的着眼点可以从用户属性、用户接触点两个方面，前者是静态数据，后者是动DOI：10.19694/ki.issn2095-2457.2022.31.42基于大数据维度视角下高校学习者精准行为画像的构建与应用茹兴旺王霞关金金（安徽工商职业学院信息工程学院，安徽 合肥231131）【摘要】本 文 通过 分 析 高校 教学本 体理 论，阐述 教 学理 念 及教 学 实 体 之 间 形 式 化 的 教 学 关 系，利 用 大 数 据 分 析 原理，分析 用 户 行 为 画 像 特 征 标 签 数 据 并 建 模，经 数 据 无 量 纲 标 准 化 处 理 后，关 联 分 析 资 源，提 取 教 学 数 据 价 值，总 结 学习 者 特 征 和 教育 活 动特 点，发掘 教 学 发展 规 律，预 测 发展 趋 势，为 教 学设 计 智能 分 析提 供精 准化 决 策。本文采 用 脱 敏 方式 对 安 徽 工 商职 业 学院 某专业 班 级学 生的 一 卡通 数 据，进 行 采 集，归 一处 理，可 视 化 得 到 特 征标 签，为 教 学管 理 者 和部门 提 供 决 策 依据，改善 教学设 计，提高 教 学 质量。【关键词】教 学 本体；行 为画 像；特 征标 签；数据 可 视化 应 用科学课堂基 金 项 目：安 徽 省 省 级 质 量 工 程 项 目（2021xjjyZD02，2021cjrh006，2021jxtd032）；安 徽 省 职 业 与 成 人 教 育 学 会 教 育教 学 研 究 规 划 课 题（Azcj2022005）；安 徽 省 高 等 学 校 自 然 科 学 研 究 重 点 项 目（KJ2019A1167，2022AH052794，2022AH052795）。作 者简 介：茹 兴旺，讲师，研 究 方向 为 云 计算技 术 与 应 用，大 数 据技 术 与 应 用。147科技视界Science&Technology Vision态数据。用户属性信息包含有学习者基本信息、消费信息、网络习惯信息、三餐进食时间信息、图书借阅信息、信息化教学平台学习信息等用户“样貌”描述字段；用户接触点信息行为分类和接触点位置。2.3潜在画像挖掘学习者的潜在画像是对其内部深层特征的外溢表现，比如学习者的消费偏好、上网需求，学习成绩预测标签等。这里设定对学习者可见化特征的描述为画像体系建设的第一维度，学习者属性标签深度挖掘为第二维度，按照行为发生需求和场景进行标签粒度分割和梳理，并保证二维用户数据存在关联3。3构建学习者特征标签模型教学本体是教育场景下教学概念及教学存在之间联系的形式化表达，而大数据视角下的学习者画像是抽象教育情境中学习者真实属性后的数据建模，得到一套数据化、符号化、形式化的知识体系，将学习者特征标签化就是对现实教学情境中这一特征用户群体进行经验总结：“化整为零”让每个标签对应认识描述用户的视角；“化零为整”画像的各个维度又并不孤立而保有关联。整个用户画像标签体系搜集数据需求后，给出标签标准，再进行标签开发与验证直至拉通标签体系4。图2学习者特征标签模型3.1画像标签体系构建F（Lable）=Time*i+Location*j+Action*k（1）对各个行为要素加权就和，得到学习者行为指数，反映学习态度和学习成绩的相关性，对特征标签进行综合评价。3.2画像特征标签数据处理因采集的数据数量级、数据单位，取值范围，数据分布类型不同，数据量大，会导致数据训练算法收敛时间长，速度慢，并且采集数据特征多呈线性分布，故对特征标签数据可进行中心化/零归值化或归一化处理。零归值化法是指利用 Z-score 标准化处理原始数据的均值和标准差，使数据呈现正态分布，均值为 0，标准差为 1。此法在利用距离来度量相似性的数据分类或聚类方法中应用更加广泛。X*=（X-）/（2）=（X1+X2+XN）/N（3）=（X1-X）2+（XN-X）2/N（4）而面向线性函数，数据属性往往不呈现正态分布，无法用距离度量，考虑借助归一化方法将原始数据映射到0，1或-1，1数值区间内，实现函数向量 X比例缩放，取消因量纲不同引起的数据误差，变成纯量后的数据更便于不同数量级的标签指标加权计算。X*=（X-XMAX）/（XMAX-XMIN）（5）4高校学习者行为精准画像的应用应用一：精准化行为，形成个体画像。建立学习者“入校、在校、实习、出校”个人档案，积累相关数据资料，教学管理者利用大数据分析技术可以通过对档案的分析总结，形成对学习者培养规划，描绘发展轨迹，提供辅助成长指导，代替传统教学的机械式分析方式。应用二：精细化培养，规划落地决策。落实学院全景教学规划，保障教学活动正常实施，挖掘深层教学规律，改进教学设计，提高教学品质，促进学习者个体个性化教与学，完成教学发展目标，改善学习者教学成果，体现个体社会价值。应用三：精析化管理，强化教学督导。规避异常教学数据，合理设置学习者考核评估机制，创新建立学习者培养心理、身体、专业三位一体培养素质，督促“考”与“培”分离，整体把控教学治理、管理水平。本例对安徽工商职业学院信息工程学院某专业科学课堂148Science&Technology Vision科技视界年级学生在校期间进出宿舍、图书馆和 GPA 数据采用脱敏采集后，进行基本处理，并实现特征标签化，从而构建学习者朴素的行为画像，通过向辅导员、授课教师展示，精准定位学习者状态，预测发展方向，挖掘个体潜能4-5。因图书馆出现频次和 GPA 成绩数据有结果输出范围要求，不存在异常值和较多噪音数据，下面利用数据归一化函数处理两者关系，得出数据事实的标签图。表1安徽工商职业学院信息工程学院某专业年级学生一卡通数据和GPA成绩数据图3“图书馆频次与GPA”数据事实标签图对学习者群体一卡通门禁数据可视化的特征描述，反映出个体间的离散程度和行为习惯，若数据较为稳定，不存在极大的最大值 MAX 或最小值 MIN，故也选用数据归一化函数处理。反映学习态度和学习成绩。利用归一化函数 Y=F（X），其中 X 为各指标的平均价值，得到学习者特征评价属性。5结语经分析处理后的特征标签数据，从中提炼关键指标，构建可视化模型，按照关键字出现频次进行排序，提取不同学习者的共性关键字，挖掘属性评价等级，聚类预测出相似度高的学生，分组教学，制定分类教学设计模式，合理分配师生及教育资源比例，启动主动干预、提前干预机制，动态跟踪记录学习者状态，防微杜渐，将学习者不良习惯的苗头扼杀在襁褓中。图4作息习惯数据事实标签图表2学习者特征评价属性图【参考文献】1陈桂香.大数据对我国高校教育管理的影响及对策研究D.武汉：武汉大学.2017.2李振，周东岱，刘娜.教育大数据整合：现状、问题、架构与实现策略J.图书馆学研究.2017（20）：47-50.3王振宇，郭力.基于Hadoop的搜索引擎用户行为分析J.计算机工程与科学.2011（14）：115-120.4董潇潇，胡延，陈彦萍.基于校园数据的大学生行为画像研究与分析J.计算机与数字工程，2018（6）：1200-1206.5牛温佳，刘吉强，石川，等.用户网络行为画像M.北京：电子工业出版社，2016.科学课堂149