基于人工智能的远程教育学生画像应用研究

摘要

针对现代远程教育中学习行为感知缺失与资源推荐同质化问题，提出一种基于卷积神经网络（CNN）的远程教育学生画像模型，通过整合网络学习平台上学生的学习行为数据（如论坛交互、视频回看等），构建“基础属性—认知能力—行为特征—内容偏好”四维动态标签体系。在国家开放大学成都分部机电一体化专业的教学应用中应用“数据采集—特征建模—画像生成—资源适配”的闭环框架模型，实现教师端学习行为可视化预警与学生端自适应推荐的双向赋能。实验表明，该模型对学生使用计算机、多媒体等数字设备的积极性提升92.75%，对学生每周参与开放教育学习及活动的平均时间提升了22.47%，学生运用数字资源或数字技术解决学习问题的人数增至95.17%，有效缓解了传统远程教育中师生互动滞后与个性化服务缺失的瓶颈问题。研究成果为“人工智能+教育”的精准化教学提供了方法论参考，未来将进一步探索隐私保护与模型可解释性优化路径。

关键词

学生画像 / 远程教育 / 卷积神经网络 / 深度学习