Construction of learner profile models for clinical medical courses

Liu Lei; Wang Lei; Wang Chen; Wang Yun; Gao Qing

doi:10.3760/cma.j.cn116021-20230205-01442

您当前的位置：

首页 >

文章列表页 >

Construction of learner profile models for clinical medical courses

Educational Research | 更新时间：2023-11-01

- Construction of learner profile models for clinical medical courses
- Chinese Journal of Medical Education Research Vol. 22, Issue 10, Pages: 1466-1471(2023)
- 作者机构：
  
  1.首都医科大学附属北京同仁医院人力资源处，北京　100730
  2.中国医学科学院医学信息研究所信息技术部，北京　100020
  3.首都医科大学附属北京朝阳医院麻醉科，北京　100020
  4.首都医科大学附属北京朝阳医院教育处，北京　100020
- 作者简介：
  
  Liu Lei, Email: l.liu_trhos@foxmail.com
- 基金信息：
  
  Education and Teaching Reform Research Project of Capital Medical University(2022JYY193)
- DOI：10.3760/cma.j.cn116021-20230205-01442
  CLC： R-4
- Published：20 October 2023，
  
  Received：05 February 2023，
扫描看全文
刘蕾, 王蕾, 王晨, 等. 临床医学专业课程学习者画像模型构建[J]. 中华医学教育探索杂志, 2023, 22(10): 1466-1471.

Liu Lei, Wang Lei, Wang Chen, et al. Construction of learner profile models for clinical medical courses. [J]. Chinese Journal of Medical Education Research 22(10):1466-1471(2023)
刘蕾, 王蕾, 王晨, 等. 临床医学专业课程学习者画像模型构建[J]. 中华医学教育探索杂志, 2023, 22(10): 1466-1471. DOI： 10.3760/cma.j.cn116021-20230205-01442.

Liu Lei, Wang Lei, Wang Chen, et al. Construction of learner profile models for clinical medical courses. [J]. Chinese Journal of Medical Education Research 22(10):1466-1471(2023) DOI： 10.3760/cma.j.cn116021-20230205-01442.

摘要

目的

以“超声在麻醉、疼痛和重症医学中的应用”课程为例，构建临床医学专业课程学习者画像模型。

方法

梳理临床医学专业课程学习者画像模型构建框架及流程，对多来源学习者数据进行收集及预处理。利用Python 3.9编程语言进行统计分析、自然语言处理、聚类分析，并以可视化技术呈现，构建机器学习预测模型并评估模型预测效能。

结果

从学习背景、兴趣偏好和行为效果3个维度构建临床医学专业课程学习者画像模型。学习背景画像揭示了学习者基本信息、认知基础和学习动机。兴趣偏好画像分析了学习目的与其他选课信息，根据内容关注程度、学习效果影响因素识别出3类不同的学习者群体。行为效果画像通过构建4种机器学习算法预测模型实现了对课程考试成绩的分类预测，结果显示朴素贝叶斯算法效果最佳，准确率为0.80、F1分数为0.79，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）为0.79（

=0.035），与其他算法差异有统计学意义。

结论

本研究构建了临床医学专业课程学习者画像模型并开展实证研究，画像结果对教学内容、教学方式与教学团队、学习效果预测提供了指导建议。

Abstract

Objective

To construct a learner profile model for clinical medical courses with the course "Application of ultrasound in anesthesia

pain and critical care medicine"

as an example.

Methods

The framework and procedures were established for constructing the learner profile model for clinical medicine courses

and learner data from multiple sources were collected and pretreated. Python 3.9 programming language was used to perform statistical analysis

natural language processing

and cluster analysis

and the results were presented using visualization techniques. Machine learning prediction models were established and evaluated in terms of prediction performance.

Results

The learner profile model for clinical medical courses was established from the three dimensions of learning background

learning interests and preferences

and learning behaviors and effects. The learning background profile revealed the basic information

cognitive foundation

and learning motivation of learning. The interests and preferences profile analyzed the learning objectives and other selective courses of learners

and three different groups of learners were identified based on content attention and influencing factors for learning effects. The behaviors and effects profile achieved the classified prediction of course examination scores by constructing four machine learning algorithms

and the results showed that the naive Bayes algorithm had the best effect

with an accuracy of 0.81

an F1 score of 0.79

an area under the receiver operating characteristic curve of 0.79

and a

value of 0.035

indicating significant differences between the naive Bayes algorithm and other algorithms.

Conclusion

This study constructs a learner profile model for clinical medical courses and conducted an empirical study

and the results of this model provides guidance and suggestions for teaching contents

teaching methods

teaching team

and learning effect prediction.

关键词

学习者画像临床医学聚类分析机器学习可视化

Keywords

Learner profileClinical medicineCluster analysisMachine learningVisualization

references

孙立会，刘思远，李芒. 面向2035的中国教育信息化发展图景：基于《中国教育现代化2035》的描绘[J]. 中国电化教育， 2019（8）： 1-8， 43. DOI: 10.3969/j.issn.1006-9860.2019.08.001http://dx.doi.org/10.3969/j.issn.1006-9860.2019.08.001.

于方，刘延申. 大数据画像：实现高等教育“依数治理”的有效路径[J]. 江苏高教， 2019（3）： 50-57. DOI: 10.13236/j.cnki.jshe.2019.03.009http://dx.doi.org/10.13236/j.cnki.jshe.2019.03.009.

刘毅，孙立，傅强，等. 模块化教学在超声引导神经阻滞教学中的应用探讨[J]. 中国继续医学教育， 2020， 12（23）： 59-61. DOI: 10.3969/j.issn.1674-9308.2020.23.022http://dx.doi.org/10.3969/j.issn.1674-9308.2020.23.022.

马冬梅，徐桂萍. 超声引导神经阻滞在住院医师规范化培训中的应用[J] . 中华医学教育探索杂志， 2016， 15 （6）： 589-591. DOI: 10.3760/cma.j.issn.2095-1485.2016.06.011http://dx.doi.org/10.3760/cma.j.issn.2095-1485.2016.06.011.

刘海鸥，孙晶晶，苏妍嫄，等. 国内外用户画像研究综述[J]. 情报理论与实践， 2018， 41（11）： 155-160. DOI: 10.16353/j.cnki.1000-7490.2018.11.028http://dx.doi.org/10.16353/j.cnki.1000-7490.2018.11.028.

Antonenko PD, Toy S, Niederhauser DS. Using cluster analysis for data mining in educational technology research [J]. Education Tech Research Dev, 2012, 60(3): 383-398. DOI: 10.1007/s11423-012-9235-8http://dx.doi.org/10.1007/s11423-012-9235-8.

翟鸣宇，程建，王苏桐，等. 基于K-prototype聚类的学生教育画像分析[J]. 大连理工大学学报（社会科学版）， 2021， 42（6）： 22-31. DOI: 10.19525/j.issn1008-407x.2021.06.003http://dx.doi.org/10.19525/j.issn1008-407x.2021.06.003.

许智宏，李彤彤，董永峰，等. 基于改进K-means算法的学生用户画像构建研究[J]. 河北工业大学学报， 2022， 51（3）： 19-24. DOI: 10.14081/j.cnki.hgdxb.2022.03.003http://dx.doi.org/10.14081/j.cnki.hgdxb.2022.03.003.

Tian F, Wang S, Zheng C, et al. Research on E-learner personality grouping based on fuzzy clustering analysis [C]//2008 12th International Conference on Computer Supported Cooperative Work in Design. April 16-18, 2008, Xi'an, China. IEEE, 2008: 1035-1040. DOI: 10.1109/CSCWD.2008.4537122http://dx.doi.org/10.1109/CSCWD.2008.4537122.

孙发勤，董维春. 基于学习分析的在线学习用户画像研究[J]. 现代教育技术， 2020， 30（4）： 5-11. DOI: 10.3969/j.issn.1009-8097.2020.04.001http://dx.doi.org/10.3969/j.issn.1009-8097.2020.04.001.

唐佳诚，文欣秀，王家辉，等. 用户画像分层教学模型研究[J]. 实验室研究与探索， 2018， 37（12）： 196-200. DOI: 10.3969/j.issn.1006-7167.2018.12.045http://dx.doi.org/10.3969/j.issn.1006-7167.2018.12.045.

胡小勇，林梓柔. 精准教研视域下的教师画像研究[J]. 电化教育研究， 2019， 40（7）： 84-91. DOI: 10.13811/j.cnki.eer.2019.07.011http://dx.doi.org/10.13811/j.cnki.eer.2019.07.011.

程小恩，温川飙，程爱景，等. 基于网络课程的教师教学画像数据模型构建[J]. 成都中医药大学学报（教育科学版）， 2018， 20（4）： 94-96.

黄文林. 基于学生画像分析的高校精准思政探索[J]. 东北大学学报（社会科学版）， 2021， 23（3）： 104-111. DOI: 10.15936/j.cnki.1008-3758.2021.03.014http://dx.doi.org/10.15936/j.cnki.1008-3758.2021.03.014.

师亚飞，彭红超，童名文. 基于学习画像的精准个性化学习路径生成性推荐策略研究[J]. 中国电化教育， 2019（5）： 84-91. DOI: 10.3969/j.issn.1006-9860.2019.05.013http://dx.doi.org/10.3969/j.issn.1006-9860.2019.05.013.

黄泰华，张涛，王磊. 多源数据融合视角下的大学生“消费-学业-社交”画像构建研究[J]. 农业图书情报学报， 2022， 34（7）： 76-87. DOI: 10.13998/j.cnki.issn1002-1248.22-0165http://dx.doi.org/10.13998/j.cnki.issn1002-1248.22-0165.

余明华，张治，祝智庭. 基于可视化学习分析的研究性学习学生画像构建研究[J]. 中国电化教育， 2020（12）： 36-43. DOI: 10.3969/j.issn.1006-9860.2020.12.006http://dx.doi.org/10.3969/j.issn.1006-9860.2020.12.006.

肖君，乔惠，李雪娇. 基于xAPI的在线学习者画像的构建与实证研究[J]. 中国电化教育， 2019（1）： 123-129. DOI: 10.3969/j.issn.1006-9860.2019.01.018http://dx.doi.org/10.3969/j.issn.1006-9860.2019.01.018.

陈良臣，傅德印. 面向小样本数据的机器学习方法研究综述[J]. 计算机工程， 2022， 48（11）： 1-13. DOI: 10.19678/j.issn.1000-3428.0065347http://dx.doi.org/10.19678/j.issn.1000-3428.0065347.

陈香萍，张奕，庄一渝，等. PROBAST：诊断或预后多因素预测模型研究偏倚风险的评估工具[J]. 中国循证医学杂志， 2020， 20（6）： 737-744. DOI: 10.7507/1672-2531.201910087http://dx.doi.org/10.7507/1672-2531.201910087.

李雪娇. 基于学习者画像的在线学习支持服务策略设计研究[D]. 上海：华东师范大学， 2019.

徐琦. 在线教育环境下基于学习者画像的学习成绩预测实践研究[D]. 黄石：湖北师范大学， 2022.

贾东林，李水清，蒋洁，等. 多元化联合教学模式在超声引导下疼痛介入治疗中的应用[J]. 基础医学与临床， 2022， 42（1）： 197-200. DOI: 10.16352/j.issn.1001-6325.2022.01.032http://dx.doi.org/10.16352/j.issn.1001-6325.2022.01.032.

白雪梅，顾小清，尹欢欢，等. 数据驱动精准教学：实践路径、感知理解与现实困境[J]. 电化教育研究， 2022， 43（4）： 77-84. DOI: 10.13811/j.cnki.eer.2022.04.011http://dx.doi.org/10.13811/j.cnki.eer.2022.04.011.

张驰，李彦青，刘德平，等. 临床医学研究生学习行为的预测模型研究：线性回归和机器学习的对比分析[J]. 中华医学教育探索杂志， 2021， 20（3）： 350-355. DOI: 10.3760/cma.j.cn116021-20200228-00439http://dx.doi.org/10.3760/cma.j.cn116021-20200228-00439.

葛迪，吴彦文，刘三女牙. 低成本自进化的学习者画像模型研究[J]. 计算机工程与应用， 2023， 59（11）： 141-150. DOI: 10.3778/j.issn.1002-8331.2202-0240http://dx.doi.org/10.3778/j.issn.1002-8331.2202-0240.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Construction of teaching evaluation indices for undergraduate medicine students based on the Delphi method

Development of a homogeneous management evaluation system for clinical observership teaching under the background of national first-class discipline construction

Construction of an entrustable professional activities framework for medical undergraduates

Evaluation system of ideological and political education in clinical medicine courses based on analytic hierarchy process and fuzzy comprehensive evaluation models

Practice of online teaching method of combining CBL and RadiAnt DICOM Viewer for undergraduate medical students in radiology department

Related Author

Gu Shixian

Chu Hongling

He Xuan

Li Hongli

Yin Chonggao

Zhong Hua

Chen Feng

Jia Weihui

Related Institution

Research Center of Clinical Epidemiology, Peking University Third Hospital

Department of Education, Peking University Third Hospital

School of Basic Medical Sciences, Shandong Second Medical University

School of Nursing, Shandong Second Medical University

Practice Teaching Management Office, Shandong Second Medical University

⁰