王春华：基于学习者画像的精准教学干预研究
摘 要
学习者画像作为大数据学习分析的一个分支，能够实现数据资源的筛选与整合，有助于实现精准教学。以目标为导向开展基于学习者画像的精准教学干预需要系统设计。首先依据布卢姆教育认知目标分类理论，制定面向认知的行为目标分类及其数据指标以及精准结果目标分类体系；然后构建目标导向的学习者画像模型，以学习者的兴趣特征、行为特征、知识水平为基点绘制画像，精准区分学生，诊断教学问题；再基于学习者画像结果，从目标、行为、结果角度对目标精准分层，进而开展个性化资源推送、风险监督与预警、同伴对话反馈、反思性评价等系列化精准教学干预。实践应用结果表明：基于学习者画像的精准教学干预在行为目标、结果目标提升及教学主体满意度方面成效显著。
关键词
学习者画像；精准教学干预；干预策略
近年来，国家大力推动教育信息化，提倡公平而有差异的教育。2017年，中共中央国务院发布的《新一代人工智能发展规划》提出发展智能教育，要构建以学习者为中心的教育环境，实现精准教育服务。反观我国当前的教育形式，大班集体教学仍是课堂教学主流形式，“教学不精、学习不精”的问题依然存在。对此，2018年教育部印发《教育信息化2.0行动计划》，提出要探索信息化条件下实现差异化教学、个性化学习、精细化管理、智能化服务的典型途径。
学习分析技术的发展为实现精准化、数字化、个性化教学带来了契机，已有研究基于大数据探讨了精准教学的模式和过程，但因数据零散且分析过程复杂，大多只应用于在线教学或高等教育中。学习者画像作为大数据学习分析的一个分支，可以从不同的构建视角来探索教学规律、刻画学习行为路径，从而帮助教师调整教学策略、设计适合的精准化教学，为实现教学的“精准”提供突破口。这种以“数据分析—特征发现—智能干预”为特征的个性化精准教学，是“互联网+”时代学校教育实现规模化的个性化教育的必然选择。
基于以上背景，本研究尝试从目标导向视角设计基于学习者画像的精准教学干预框架，通过构建及分析学习者画像来挖掘隐含的学习规律，精准识别每位学习者的学习特征与学习需求，设计基于学习者画像的精准教学干预策略，以期为一线教师提供建议和借鉴。
一、学习者画像与精准教学内涵审视
(一)学习者画像
画像的概念最早出自美国交互设计之父Cooper提出的“用户画像”(User Persona)一词，他认为用户画像是指建立在一系列真实数据之上的目标用户模型。之后有教育者将画像的概念迁移至教育领域，衍生出“Learner Persona”，国内大多翻译为“学习者画像”，相似的概念还有学习者建模、学习者模型、学生数字画像、学习者仪表盘等。迄今为止，在学界“学习者画像”还没有形成统一的概念或定义。有的研究者从教学服务的角度出发，将其理解为行为动词，认为学习者画像是对虚拟学习群体在特定环境下的共同行为特征的描述。也有研究者从建模的角度将学习者画像定义为名词，即方法或模型，例如：认为学习者画像是指以群体特征为核心，将学习者进行群体分类描述的方法，为各类教育产品的设计提供精准的支持。概括来看，学习者画像具备以下特点：画像是对学习者基本信息的描述和集合；通过对学习者特征的抽象化描述，建构学习者标签化模型；最终以可视化方式输出，目的是为特定的教学措施提供数据支撑和指引。综合已有观点，本研究将学习者画像定义为在搜集各种学生学习数据的基础上，利用数据分析和呈现技术，从各种数据中提取学习者特征并进行标签化，进而刻画出包含较完整信息的学习者模型，以此直观地反映学生的内外部学习特点，从而为开展个性化教与学提供依据。
(二)精准教学
精准教学干预的关键在于“精准”。20世纪60年代，美国学者奥格登·林斯利 ( Ogden Lindsley) 在斯金纳行为主义理论的影响下提出了具有循证学属性的教学程序——“精准教学” ( Precision Teaching)。早期传统的精准教学致力于科学的监测和评估，要求使用标准变速表记录学习者可直接观察的行为，以此来作为教育决策的依据。20世纪90年代，威拉德·达格特为解决美国基础教育中的问题提出精准教学框架(Rigor/Relevance/ Relationship Framework)。与林斯利所提出的精准教学内涵不同的是，“Rigor(精)”指的是“严格”，“Relevance(准)”指的是“相关”，“Relationship(关系)”指的是“交互”，即要实现学习效果的最大化需注意三者之间的平衡状态。随着大数据、智能技术的发展，教学“数据化”的特征越来越凸显，基于大数据的精准教学模式构建、生成路径等不断得到理论与实践的验证。精准教学经历了从基于直观数据到基于框架再到当前智能技术发展下基于数据分析的发展历程。在这个过程中精准教学的内涵不断演变，学习者学习过程中的认知、情感、行为等数据成为研究的依据，这体现了师生与教育数据的互动趋势、技术的工具属性与价值属性的融合过程，人本主义理念在这一过程中也逐渐得到强化。由精准教学的发展历程可见，精准教学就是在利用技术充分了解每个学生的特征及学习需求的基础上实施有针对性教学的一种个性化教学范式。精准教学的实施离不开数据分析技术对每个教学环节的支持，尤其是对学生特征的描摹，“精准”只有通过数据才能实现。
二、基于学习者画像的精准教学干预设计框架
精准教学中的“精准”指的是精准制定教学目标、精准诊断教学问题和精准实施教学干预。本研究根据教学设计理论，参照教学设计一般过程，总结画像分析技术在教学实践中的应用经验，设计了基于学习者画像的目标导向精准教学干预设计框架(如图1所示)。目标导向强调了使用学习者画像的目的，要求学习目标与使用场景相结合。学习者画像以学习者为中心，将精准教学干预的过程分解为三个步骤：第一，确定精准教学目标，即以布卢姆教育目标分类理论来指导划分认知目标层级及所对应的能力水平；第二，基于学习者画像反馈教学问题，采集全方位、多模态数据，分析学习活动的过程和结果，可视化反馈学习情况；第三，基于Biggs的3P教学模式，对应前提(Presage)、过程(Process)、结果(Product)关注精准教学的目标、行为和结果，进而设计精准教学干预策略，并在实际教学环境下实施干预策略，评估干预效果。框架采用逆向设计，从目标出发，循环递归，干预结束后对干预策略及干预后的目标效果进行评估，根据是否达到预定目标决定下一步行动。
图1 基于学习者画像的精准教学干预设计框架
三、精准教学干预目标的分类与确定
安德森等人提出了修订版的布卢姆教育认知目标分类理论，将认知目标分为知识维度和认知过程维度，其中知识维度分为事实性知识、概念性知识、程序性知识、元认知知识四类知识，认知过程维度分为记忆、理解、应用、分析、评价、创造六个层次。本研究将精准教学干预目标聚焦于认知和态度两个方面，将认知作为目标焦点，同时培养学生的学习兴趣和学习情感。
用目标来引导学习分析与干预的实施，其中学习分析主要是对学习过程和结果的分析。为考察学生学习过程中的行为表现，本研究以修订版教育认知目标分类理论为指导，依据“目标—内容—行为”的递进关系设计了面向认知的行为目标分类，考虑到数据采集的可行性，参考武法提等学者面向学习结果分类的行为数据分析，将目标所对应达到的行为表现进行描述，进而制定了可供直接观测的数据指标(如图2所示)。学习结果通常是以测试分数来呈现，测试分数能够较客观地反映学生知识和技能的掌握程度，但所提供信息有限，无法为后续调整和改进教学提供充足依据。为了纠正唯分数的评价弊端，研究以《义务教育英语课程标准(2022年版)》为依据，以八年级现在完成时单元为例，将课程内容进行解构，将每个核心概念知识拆解为具体的教学目标，将其投射于布卢姆双维度分类表中，制成面向认知的精准结果目标分类体系(如表1所示)，该体系包括知识和认知过程两个维度，既可以作为画像数据收集的参照，也可以作为试题编制、微课设计的依据。
图2 面向认知的行为目标分类及其数据指标
表1 面向认知的精准结果目标分类体系(以八年级英语现在完成时单元为例)
精准教学的目标是从行为和结果上提高学生的行为表现和认知水平，通过以上行为和结果的目标分类，可以将教学目标细分为记忆、理解、应用、分析、评价、创造六个层级，确定学习者达到不同层级的认知目标水平，以实现目标、行为、结果的联结关系，进而由目标指导精准教学干预的实施。
四、学习者画像及问题诊断
(一)构建学习者画像模型
梳理国内外相关研究发现，画像的构建主要基于虚构、角色、目标导向和参与等四个视角，体现了从个体到群体、表面到具象、宽泛到聚焦的动态过程。本研究在目标导向视角下，结合智慧学习环境，关注学习者的行为和认知能力，通过画像识别学习者个体和群体特征，从学习者的角度诊断教学问题，帮助教师实施个性化的精准教学干预。关于画像维度的划分，Zhang提出“三阶段四层次”的网络通识课学习者画像框架，包括学习经历、行为特点、综合能力等维度；肖君等基于xAPI活动流提出了以能力为导向的在线学习者画像模型，其维度包括知识水平、行为特征、态度特征。本研究在智慧学习环境下，力图融合“平台+资源+交互”的智慧互动课堂，实现线上线下资源交互、师生互动、知识测验、学业质量评价等功能。因此在参考前人画像模型维度的基础上，构建了包括兴趣特征、行为特征、知识水平三大维度的基于目标导向的学习者画像模型(如图3所示)。
图3 基于目标导向的学习者画像模型
模型以目标为内核，从内向外依次是目标层、一维指标层、二维指标层。内核目标层包括认知和态度两项，分别对应知识水平、行为特征和兴趣特征三个一维指标。二维指标层中，学习者的行为特征分为参与度、交互度、专注度三个子维度；知识水平则根据布卢姆认知目标的知识维度划分为事实性知识、概念性知识、程序性知识、元认知知识；兴趣特征包括学习者的学习风格、媒体偏好和学习兴趣。
(二)数据采集与分析
本文选择S省某所智慧教育共建校为研究基地，该校力求打造双向智慧互动课堂，积极探索智慧平板与课堂教学有效结合，满足本研究实施条件。选取八年级直升班的46名学生为研究对象，教学方式采用线上线下混合式教学。以该班英语现在完成时学习数据作为数据来源，依据学习者画像模型进行数据的采集与分析。依托线上平台采集人口学特征数据、资源访问数据、交互反馈数据、测试与作业数据、学习者问卷数据等；基于课堂观察，采集课堂学习参与数据，包括提问、回答、讨论、汇报分享等。为保证量纲的一致，在分析前进行数据清洗及Min-Max归一化处理。
数据分析采用系统软件分析加人工赋予标签的方式来完成，从不同维度采用不同的方法进行分析，表2呈现了学习者画像的划分维度及数据指标。
表2 学习者画像的划分维度及数据指标
1.基本信息
学习者的基本信息即人口学信息，包括学号、姓名、性别，是每个学生自身唯一的身份标识。学习者的本体模型是学习者模型或画像研究的基础，因此根据基本信息可以为每个学生建立一个本体信息库，以班级为单位形成学习者本体集合，G={LSi|1}，N为班级人数，标签保存为LS={学号,姓名,性别}。
2.兴趣特征
兴趣特征包括学习风格、媒体偏好和学习兴趣。其中学习风格采用问卷调查方式获取，问卷改编自Felder-Silverman学习风格测试量表，分为四个风格维度，分别是信息输入、信息感知、信息加工、信息理解，对应的标签描述为：学习风格={视觉型/言语型，感悟型/直觉型，活跃型/沉思型，序列型/整体型}。媒体偏好是在课堂上利用学生平板在线投票得出，对应标签描述为：媒体偏好={视频，文本，思维导图，表格}。学习者的学习兴趣是通过关联规则分析进行数据挖掘来获取，分析资源观看的时间和次数，使用SPSS Modelor软件，利用Apriori算法实现关联规则分析，进而挖掘学生的学习兴趣。
3.行为特征
学习者的行为特征测量量表改编自Zhang的在线学习行为投入量表，将行为属性分为参与度、交互度、专注度三个维度，体现了目标层次的递进性。参与度通过用于课前学习资源的时间和频次进行刻画；交互度包括课堂交互与线上交互频次及内容；专注度指学习参与深度，以评价次数、内容以及在协作学习中提出的问题和解决方案为依据。采用K-means进行聚类，为不同投入水平的学习群体赋予标签。经分析，当聚类数K值为3时，聚类效果最为显著。结果显示，低投入组(N=7)参与度低，交互度低，专注度低；中投入组(N=25)参与度低，交互度高，专注度高；高投入组(N=14)参与度高，交互度高，专注度高。
4.知识水平
学生知识掌握水平属于学习结果。根据前述表1面向认知的精准结果目标分类体系编制单元测试试题双向细目表和试卷，经过专家和一线教师多轮审改后施测。采用基于项目反应理论的Rasch模型量化分析试卷，得到试题信度为0.92，学生信度为0.80，说明单元测试试卷具有良好的信度和效度，符合研究要求。根据凯利(Kelley)提出的判定标准，将前测总成绩前27%的学生赋予高成就标签，后27%的学生赋予低成就标签，中部学生赋予中成就标签。
(三)学习者画像输出
画像的重点在于对学习者信息的准确反映，要呈现不同学习者的类群特点。兴趣特征属于静态指标，以标签的形式存储，影响学习者的学习效率和质量，将这类数据作为辅助性参考。选择知识水平、行为特征的数据指标进行聚类，首先采用主成分分析法进行降维，PC1与PC2解释累积百分比达76.99%，具有一定的代表性。由这两个PCA因素为X/Y轴构建二维空间，并利用K-means聚类方法进行分群，设置K值由2迭代到9，计算SSE值，利用肘部法最终确定最优K值为3，即划分3个学习者类群，将分析结果映射到二维空间中得到聚类散点图(如图4)。基于K-means聚类分析，计算出三个类群在行为和结果目标水平上的平均值，并以雷达图的形式呈现学习者画像(如图5)。
图4 K-means聚类图 图5 三个类群的行为目标及结果目标水平雷达图
(四)基于学习者画像的问题诊断
由画像结果图4、图5可知，类群1包含12名学生，称为“边缘型学习者”，这类学习者的行为目标和结果目标的各个层级均表现出最低水平，且各层级水平不均衡，越高级目标达成度越低，这部分学生将是精准干预的重点；类群2包含7名学生，称为“努力型学习者”，他们在学习活动上表现出了较大的积极性，尤其在记忆理解层面较为突出，而在结果目标的理解、应用、分析、评价水平略差，可能存在无效参与的情况，且深度学习较少；类群3包含27名学生，称为“优秀型学习者”，这类学生相对来说表现较好，其结果目标各层级水平相对完成度均较高且发展均衡，但在行为投入方面除了应用和分析水平较高，其他目标层级较低，说明这类学生仍有较大进步空间。
为进一步揭示三个类群的认知能力与认知结构，采用认知网络分析法(ENA)针对八个知识点的成绩进行分析。首先根据知识模块进行编码，将模块得分达到和超过模块满分60%的视为基本掌握，编码为“1”，否则视为未掌握，编码为“0”。以学生为单位，采用美国威斯康星大学的研究团队开发的ENA在线工具生成认知网络图(如图6)，并通过比较不同学生类群认知网络图来展示学习者的认知结构。
从图6可以看出，边缘型学习者的“时态用法”“句子结构”“综合应用”三个知识要素节点小且与其他知识点联结线较细，说明这三个知识点掌握水平不佳，而这三类知识综合性较强，难度也较高；努力型学习者相比边缘型学习者在这三个知识点上掌握明显较好，但在单词方面掌握不扎实，“过去分词”“时态标志词”基础性知识欠缺，同时缺乏自主思考，导致各类型知识点都无法达到优秀水平；优秀型学习者能够明显看到节点增大，且联结线也更加清晰，说明这部分学生能够较为自如地运用所学知识，认知结构也较为完整和稳定。
注：左图为聚类1(边缘型学习者)，中图为聚类2(努力型学习者)，右图为聚类3(优秀型学习者)
图6 学习者类群的平均认知网络
五、基于学习者画像的精准教学干预策略
基于学习者画像的分析，可以更有针对性地设计精准教学干预策略。Biggs提出3P教学模式，整合了学习主体(教师、学生)与客体(教学过程、教学环境、学习结果)等因素。依据3P的前提(Presage)、过程(Process)、结果(Product)三要素对应确定精准教学干预的目标、行为、结果三个干预层次。在此基础上，从干预效率和效果考虑，根据类群画像结果组建学习共同体，遵循“行为调整—知识建构—认知提升”的认知发展规律，设计出系列化的面向认知的精准教学干预策略：目标干预采用目标精准分层策略，以体现个性化教学需求；行为干预采用个性化资源推送策略、同伴对话反馈策略和风险监督与预警策略，以促进学习者行为参与，提高行为目标层级水平；结果干预则通过反思性评价策略强化学生对知识的理解与掌握，提高知识建构的质量，实现认知目标的递升。
(一)目标精准分层策略
目标精准分层包含横向目标群体分层和纵向精准教学目标分层两个含义。在实施干预之前，首先需要确定干预目标群体，前述画像部分已将学生按照行为特征和知识水平进行分类，根据聚类特点分为优秀型学习者、努力型学习者和边缘型学习者，在策略实施过程中干预内容和强度要有所区别；其次，干预的最终目标是从行为和结果上提高学生的知识水平和认知能力，教师要根据学生的阶段性特点按照认知目标层级将干预目标按教学阶段拆解为多个子目标，这也是教师帮助学生制定目标计划的过程。同时，考虑到学生差异，各层子目标也应体现一定的差异性。
(二)个性化资源推送策略
个性化资源推送是指主动为学习者推荐适合其学习特点和需求的知识或服务。推送内容时首先需要建立课程知识图谱，经语义分析建立知识点间的相互联系形成知识网络，并将画像与知识图谱构建对应逻辑关系。通过学习者画像中学习绩效的呈现迅速定位到学习内容，借助平台向学生推送相应课程资源。此外，根据测试或作业中错误率高的题目关键词与知识网络中的概念节点的匹配关系，锁定其知识点及相关概念节点，将所涉及知识内容的概念图、例题、变式训练、知识拓展等作为辅助性学习资源准确推送给学习者。最后，对于具有发展潜力的学生，要根据其学习兴趣和媒体偏好推送拓展性学习资源以吸引其参与。
(三)同伴对话反馈策略
同伴对话反馈是同伴对话互动的一种形式，有利于促进学生的批判性思维和创新灵感，尤其是深层对话反馈行为对深度学习具有重要的影响，因此学生高阶思维能力的发展往往是发生于同伴之间的深层互动中。教师在这个过程中可以采用有效的引导策略。第一，采用线上线下提问的形式为学生提供分享讨论的机会，激发学生的表达欲和提问欲，提高学习的内在动机；将即时互动产生的内容让学生以类似学习笔记的形式互相分享，加深学生的思考。第二，教师设计对话导向支架，保障对话的质量和深度，引导学生正确积极地消解认知冲突，减少面临冲突的不确定感和低效能感，为学生提供深度对话的结构化提示，引导学生进行深度思考和学习。
(四)风险监督与预警策略
学生的学习过程和状态是动态变化的，教师需要随时关注学生的学习行为变化。当画像反映出学生存在的行为风险、知识薄弱点时，教师需要根据画像结果对行为和结果目标达成度差的学生类群开启风险预警与提醒功能。要基于任务完成度的有关数据来精准预测和识别学业拖延者，对于不完成任务或拖延完成的学生予以提示和警告，采用学习者画像报告推送和教师消息提醒的方法实施个体干预，有效控制学业拖延倾向，规避学业风险。
(五)反思性评价策略
评价的过程能够促进知识建构及认知主动性的发挥。反思性评价需要借助学生间的交互，对学习活动过程进行回顾反思，并根据他人对自己的评价内容再进行自我反思。
教师根据课程内容发布议题，鼓励学生发表意见和看法，营造开放的协作交互氛围，在教学过程中安排辩论赛、无领导小组讨论、头脑风暴等活动。根据画像采取异质分组，学生在教师的引导下完成评价报告，记录自我点评、队友点评和对手点评，内容包括在活动中的角色、提出了哪些观点、为团队的贡献度如何等等。教师将采集到的评价内容进行编码，从学生的话语体系中挖掘学生学习的关注点和思维模式。最后由教师解读分析结果、比较差异，为学生提供明确可操作的改进建议，同时让学生对自己的参与及交互情况作出主观评价，促使学生主动反思。
六、基于学习者画像的精准教学干预策略应用
本研究于2022年春季学期利用八年级下册英语现在完成时单元的新授课加复习课开展为期4周的干预研究，依托“智学网”“班级空间”等平板教学应用及智慧教学环境，辅以QQ班级群等社交工具，采取线上线下混合式教学，采集数据，绘制画像，实施精准教学干预。
(一)精准教学干预策略的应用过程
干预过程按照目标、行为和结果三个维度进行，按认知目标层级由低到高实施干预。
首先，根据个体画像标签制定精准教学目标。以最底层子目标为基准向高阶推进，优秀型学习者主要采取提高型干预，努力型学习者与边缘型学习者则更多施加补救型干预。
其次，加强行为干预。根据学生学习兴趣和媒体偏好个性化推送学习资源。教师发起话题讨论，引导并鼓励学生同伴交流，对任务完成度提出相应要求。向优秀型学习者提出学习建议，满足其学习需求，引导主动参与；努力型学习者行为投入度高但也会有无效参与情况，需对任务的完成率和正确率提出要求，同时对其产生的创新性想法予以肯定；边缘型学习者行为约束力差，教师需要付出时间和精力监督其完成情况，必要时发起预警。
再次，促进知识建构。通过组建异质小组，开展主题活动，增加实践应用的机会，创造英语学习表达的氛围，通过自主探究、语义分析等实现知识的建构。
第四，实现认知提升。对学习结果开展反思性评价，在小组展示、同伴互评、师生交互、自我反思的系列活动中优化认知结构，拓展思维。尤其关注交互反馈内容及反思性评价内容，及时纠正学生的认知偏差，促其认知提升。此阶段要引导优秀型学习者转变解题身份或思路，甚至创造或自主定义问题；为努力型学习者提供问题支架，在任务活动中有意识引导其深层思考；对边缘型学习者开展个别评价，通过师生间及同伴间的思维碰撞与渗透，激发其主动思考。
(二)精准教学干预策略的应用效果分析
精准教学干预策略的应用效果以目标达成度为衡量标准。因此基于目标分类，从行为目标和结果目标两方面进行量化评估，最后结合师生满意度评价具体分析体验效果。
1.行为目标达成分析
收集干预前后的行为数据，在统一单位后再进行归一化处理，基于行为目标分类体系，对应不同认知目标层级求取平均值(如表3所示)。结果显示，基于学习者画像的精准教学干预能够提高学习者的行为目标水平，学生在行为目标各层级均有提高，尤其在理解、应用层面上增量较大，分别达到0.08、0.09，说明干预对学生的参与度、交互度方面影响较大，而在专注度提升方面还需多加引导。
表3 干预前后行为目标达成对比
2.结果目标达成分析
本实验过程中学生的知识掌握内容为现在完成时的相关知识点，为检验学生本单元知识掌握程度，在干预后对学生进行单元检测，满分150分。将干预前的上一单元测验和干预后本单元的测验成绩进行T检验，两次检测的题型、题量、知识维度及难度基本保持一致，检测结果见表4：
表4 干预前后单元测验成绩T检验结果
从表4可知，经过干预，最小值提高了7分，班级平均值提高了7.16分，同时T检验结果(Sig.>.000)也表明了干预前后成绩具有显著性差异，说明基于学习者画像的精准教学干预策略能够提高学生知识掌握水平。此外标准差减小了3.62，说明干预还能够减小差异，缩小两极分化。
为进一步对结果目标达成度进行分析，将干预前后两次单元测验结果按照认知目标维度求取平均值，如表5所示。结果表明，学生在知识理解与分析方面表现较好，平均值增量达到0.10和0.12，说明干预能够促进学生结果目标水平的提升，尤其对记忆、理解等浅层学习提升效果显著，同时还具有促进认知均衡发展的作用，较好地实现了知识的传递与应用。但认知提升不是简单的知识习得，更强调深加工，因此对于创造这类高阶目标仍需加强干预，结合行为投入增加实践与应用，引导学生的思维拓展与能力提升。
表5 干预前后结果目标达成对比
3.满意度分析
实验结束后对授课教师和学生进行了满意度调查。授课教师肯定了学习者画像的准确性、实用性和精准教学干预策略的应用效果，尤其是将行为特征纳入画像，能够清晰了解每个学生近期的学习表现，并根据行为画像预测结果、及时干预或预警。此外，授课教师也表示学生需求是干预的出发点，能力提升是干预的最终目的，希望能够继续扩大干预的应用范围，延长应用时间，发挥其在提高学生自我调节能力方面的效果。
学生调查结果显示，在画像输出及可视化维度上，82.61%的学生认为画像能够清晰地呈现学习数据；在画像应用效果维度上，93.48%的学生肯定了画像的应用并表示画像能够促使其更加高效地学习，其中76.09%的学生能够意识到自身的学习问题并反思学习行为；在精准教学干预效果评估中，多数学生认可并接受精准教学干预的实施，58.70%的学生认为精准教学干预做到了精准化、针对性，并肯定了干预对于提升学习成绩(71,74%)和行为习惯(76.09%)的效果。但是，学生对于认知能力的提升效果不太敏感(56.52%)，还需要长期的实践。
七、总结与展望
大数据驱动教育范式从“始于证据”向“基于数据”转变，精准教学是在充分了解每个学生的特征及学习需求的基础上实施有针对性教学的一种个性化教学范式。本研究以布卢姆教育目标分类理论为指导，从目标导向的视角构建了基于学习者画像的精准教学干预设计框架和学习者画像模型，收集数据进行画像，通过画像结果诊断教学问题，并面向认知从行为和结果两个角度提出系列化精准教学干预策略，帮助教师有效开展精准教学，提升了教学质量和效率，提高了学生的知识水平和认知能力。然而，由于时间和条件有限，研究未能充分体现出教与学的动态性，还需在今后持续开展研究，进一步验证干预设计框架和学习者画像模型的合理性以及基于画像的精准教学干预策略的有效性，以更好地满足学习者个性化学习需求和未来教学的需要。
(感谢山东师范大学教育学部硕士研究生邓彩凤同学在论文写作过程中的付出。)
原文发表于《济南大学学报》（社会科学版）2023年第2期，点击文末“阅读原文”访问我刊官网，在线阅读全文。
本文系山东省社会科学规划重点项目“面向基础教育信息化的农村教师专业发展研究”(项目编号：14BJYJ09)之阶段性研究成果。
排版：张鑫瑞
审核：傅 强
说明：为方便阅读，原文参考文献省略。
点击“阅读原文”，访问我刊官网，在线阅读全文内容~