面向用戶需求的自適應學習系統(tǒng)個性化學習路徑推薦研究

趙學孔　岑磊

摘 要：面向用戶需求構建個性化學習環(huán)境是當前E-learning領域研究的熱點。自適應學習系統(tǒng)（Adaptive Learning System，ALS）是E-learning個性化學習支持服務的解決方案。針對ALS推薦學習資源的精準性與有效性問題，文章嘗試性從用戶學習路徑的視角出發(fā)，在對學習者與領域知識建模的基礎上通過關聯(lián)規(guī)則挖掘技術動態(tài)匹配與重組學習資源，進而實現(xiàn)ALS個性化學習路徑推薦機制。仿真實驗結果表明，利用本推薦機制在一定程度上能有效推薦學習資源，進而較好地滿足當前用戶個性化學習需求。

關鍵詞：自適應學習系統(tǒng)；個性化學習路徑；學習者模型；領域知識模型；關聯(lián)規(guī)則

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2016）21-0028-04

當前，數(shù)字化學習（E-learning）席卷遠程教育領域，成為網(wǎng)絡信息時代盛行的一種重要學習方式。E-learning打破了傳統(tǒng)面授式教育模式的常態(tài)化，突破學習的時空限制，為學習者“隨時隨地”學習提供了可能。然而，調(diào)查顯示，當前許多E-learning支持平臺的實際應用效果并不理想，其中最為突出的問題是平臺忽視了“以學習者為中心”的現(xiàn)代教學理念，不能根據(jù)用戶的個性化需求準確提供學習資源，進而導致在線學習效果不明顯。[1]正因如此，關于E-learning環(huán)境下的個性化學習理論與實踐研究受到眾多學者關注，構建支持用戶個性化學習需求的E-learning系統(tǒng)成為當前迫切而重要的研究主題。

一、ALS及其研究現(xiàn)狀

ALS，即自適應學習系統(tǒng)，亦稱適應性學習系統(tǒng)，是在建構主義“以學習者為中心”的現(xiàn)代教育模式引領下提出的一種針對當前學習者的個體特征差異（如年齡、專業(yè)背景、興趣偏好、認知水平等）而動態(tài)提供其個性化學習支持服務的系統(tǒng)，其最早由國外以智能教學系統(tǒng)和適應性超媒體系統(tǒng)的術語提出，近年已成為E-learning遠程教育領域研究的熱點。[2][3]個性化推薦機制是ALS的核心部件，其主要功能是對學習資源的有效匹配與重組，進而滿足當前用戶的個性化學習需求。

目前，關于ALS的研究尚處于探索時期。國外介入該領域研究較早，典型的代表主要有：Brusilovsky等人首次提出了適應性學習系統(tǒng)，并認為可以從課程序列化與適應性導航技術實現(xiàn)系統(tǒng)的適應性效果；[4]Tang等人采用聚類分析與協(xié)同過濾方法將用戶訪問頁面序列和內(nèi)容進行篩選與分類并推薦給用戶，進而構建了ALS系統(tǒng)原型；[5]美國匹茲堡大學Weber G等人通過個性化導航策略實現(xiàn)了ALS適應機制，并開發(fā)了ELM-ART、Knowledge Sea系統(tǒng)原型；[6]Castro等人闡述了數(shù)據(jù)挖掘技術在網(wǎng)絡學習過程中的重要作用，為基于數(shù)據(jù)挖掘的E-learning個性化學習研究奠定了基礎。[7]國內(nèi)該領域研究起步較晚，典型的代表有：華南師范大學陳品德教授從內(nèi)容呈現(xiàn)和導航支持兩方面考慮適應性，設計了A-Tutor原型系統(tǒng)；[8]中國臺灣淡江大學利用Agent技術研發(fā)了分布式智能學習系統(tǒng)MMU，該系統(tǒng)具有一些簡單的智能交互功能。[9]

縱觀上述研究，國內(nèi)外提出的許多ALS系統(tǒng)仍處于原型實驗階段，其適應性及個性化推薦機制還需要不斷探索。因此，本研究擬嘗試性地從用戶學習路徑的視角出發(fā)，在對學習者與領域知識建模的基礎上，通過關聯(lián)規(guī)則挖掘技術動態(tài)匹配與重組個性化學習路徑，進而實現(xiàn)ALS推薦機制，以期滿足當前用戶個性化學習需求，同時為本領域相關研究提供參考借鑒。

二、ALS個性化學習路徑推薦的解決方案

1.學習者建模

學習者是ALS的主要參與者與體驗者，也是個性化資源獲取的主體，因此ALS的設計首先應重點考慮學習者的個性化需求特性。為了更清晰地表征學習者對象在系統(tǒng)中的屬性，我們需要將其實例化，即對學習者進行建模?？梢哉f，學習者模型是ALS實現(xiàn)的基礎，其主要借助用戶建模組件或第三方代理軟件實時收集并處理學習者個性化信息來實現(xiàn)。[3]本研究鑒于IMS LIP（Learner Information Package）標準，采用四元組的形式從基本特征、學習風格、認知水平和學習記錄四個維度來表征學習者模型，其方法如下：

LearnerModel=（BaseInformation，LearningStyle，CognitiveLevel，AccessRecords）。

其中，BaseInformation用于表示學習者一些基本的靜態(tài)信息，例如昵稱、姓名、性別、年齡、專業(yè)背景、個人簡介等。LearningStyle表示學習者的學習風格，其可借鑒Felder學習風格模型構建，包含值域定義為：{“直覺型-感知型”，“視覺型-言語型”，“活躍型-反思型”，“全局型-序列型”}，該值域可通過ALS系統(tǒng)設定或完成Felder學習風格量表（ILSs）的形式獲得。CognitiveLevel表示學習者當前所達到的認知水平，可以從“初級”、“中級”、“高級”三個層次表征，其主要以學習者的單元測試成績?yōu)閰⒖家罁?jù)由系統(tǒng)自動評定。AccessRecords表示學習者在整個學習過程中的訪問記錄，包含訪問者編號、訪問時間、訪問地址以及訪問內(nèi)容描述等基本信息，AccessRecords的表示方法為AccessRecords（Ri）=（LearnerId，AccessTime，AccessAdress，ContentInfo）。

2.領域知識建模

領域知識泛指專業(yè)領域內(nèi)所有經(jīng)驗、理論、方法論的知識單元集群，而在計算機世界中我們將其界定為：針對某特定領域需要，采用某種（或若干種）表示方法將知識實體化與結構化，使其能在計算機存儲、系統(tǒng)組織和管理方面具有易操作等特性的知識集群。[10]ALS中領域知識是對學習資源的結構化，其為學習者個性化學習提供數(shù)據(jù)來源。領域知識模型要求知識體系具有良好的結構關系，以便系統(tǒng)推薦資源路徑時做出準確的判斷。通常情況下，領域知識可用課程、知識單元和知識點（或知識項）三種粒度表征，知識之間的關系包括前驅(qū)后繼關系、并列或包含關系以及相關關系三種類型，而每個知識單元或知識點都應包含難度、風格和學習任務屬性。根據(jù)它們之間的邏輯關系，我們給出了領域知識模型的一般結構，如圖1所示。

根據(jù)以上分析，我們將領域知識的結構模型表征為：KObject={Kid，Kname，Klevel，Kstyle，Kcontent，KOR}。其中，Kid表示知識點的唯一標識，Klevel表示知識點難度水平，Kstyle表示知識點的偏向風格，Kname表示知識點名稱，Kcontent表示知識點內(nèi)容信息，KOR表示知識點所屬關系集合?；谏鲜鋈N關系類型，本研究中領域知識對象間的關系模型KOR可用如下表達式表示：

KOR（a，b）={，Ktype，Kweight}。

其中，Ktype表示關系類型（Ktype {“前驅(qū)”，“后繼”，“并列”，“包含”，“相關”}），Kweight關系的權重值（Kweight [0，1]，該值越高代表知識間的相關性越大）。例如，某領域知識a與b的關系記為KOR（a，b）={，“并列”，0.5}，表示知識a與知識b之間是并列關系，其關系權重為0.5。一般而言，領域知識點間的關系類型及關系權重值由創(chuàng)建學習資源的系統(tǒng)管理員（或任課教師）設定。

3.關聯(lián)規(guī)則定義及其推薦方法

關聯(lián)規(guī)則是數(shù)據(jù)挖掘領域研究的一個范疇，其最早由Agrawal等人提出，主要用于從數(shù)據(jù)集合中發(fā)現(xiàn)頻繁項并找出項集間的關聯(lián)關系。從本質(zhì)上講，關聯(lián)規(guī)則挖掘是在事務數(shù)據(jù)集合D中發(fā)現(xiàn)滿足用戶給定的最小支持度min_support和最小置信度min_conf的頻繁項集并挖掘其關聯(lián)關系。[11]為了更清晰地反映ALS基于關聯(lián)規(guī)則挖掘的推薦過程與方法，在此我們設定用戶訪問記錄集（即日志事務集合）結構如表1所示。

（1）產(chǎn)生頻繁項集

頻繁項集是關聯(lián)規(guī)則挖掘的第一環(huán)節(jié)，需要利用AprioriAll算法將表1中知識項集中頻繁項找出。在此，設定最小支持度為0.6，則最小支持度計數(shù)為0.6×len（users）=1.8，頻繁項集產(chǎn)生過程為：通過第一輪掃描得到候選集C1（Item，Support）={，，，，}，從C1中剔除Support小于1.8的項，即獲得頻繁項集L1（Item，Support）={，，}；按同樣的方法進行第二輪掃描，L2（Item，Support）={<（K1，K3），3>，<（K1，K5），2>，<（K3，K5），2>}；同理，進行第三輪掃描最終獲得L3（Item，Support）={<（K1，K3，K5），2>}。

（2）產(chǎn)生路徑關聯(lián)規(guī)則

通過上述頻繁項集產(chǎn)生過程，用戶訪問記錄集合產(chǎn)生的知識項集I={K1，K3，K5}，設定最小置信度min_conf為0.8，那么得到候選關聯(lián)規(guī)則置信度如表2所示。

由表2可知，當最小置信度為0.8時得到三條強關聯(lián)規(guī)則，即：{K1，K5}？圯{K3}，{K3，K5}？圯{K1}，{K5}？圯{K1，K3}。由此得到當前用戶的學習路徑存在三種可能：KPa={K1，K5，K3}，KPb={K3，K5，K1}或KPc={K5，K1，K3}。

（3）推薦路徑預處理

推薦路徑預處理是對學習路徑的優(yōu)化處理，該過程主要根據(jù)領域知識的關系模型KOR對強關聯(lián)規(guī)則路徑進行匹配，以選擇最優(yōu)學習路徑。例如，設定本例中K1、K3和K5之間存在如下關系：KOR（1，3）={，“前驅(qū)”，0.8}、KOR（1，5）={，“前驅(qū)”，0.9}和KOR（3，5）={，“后繼”，0.6}，那么可推理 為當前用戶最優(yōu)學習路徑。此時，得到的最優(yōu)學習路徑需要進一步與領域知識模型Kobject進行匹配與隱射處理，將其按照生成的路徑規(guī)則轉(zhuǎn)換為資源集合提供給學習者。

三、仿真實驗及其結果分析

為了檢測本研究中ALS個性化學習路徑的推薦效果，我們利用VC工具與C語言開發(fā)了ALS仿真運行環(huán)境。實驗初始化數(shù)據(jù)由系統(tǒng)按照預先定義的權重參數(shù)隨機自動生成，且設定系統(tǒng)每次隨機生成30個知識項集，當最小支持度和最小置信度分別設置為0.6和0.8時，其運行效果如圖2所示。

實驗中，我們首先固定最小支持度和最小置信度閾值分別為0.8和0.6，經(jīng)過10輪實驗后從知識項平均訪問頻次與系統(tǒng)推薦頻次兩個維度對ALS推薦效果進行的分析，結果發(fā)現(xiàn)滿足最小支持度時知識項平均訪問軌跡與系統(tǒng)推薦路徑軌跡趨勢基本相似，說明系統(tǒng)推薦路徑基本有效。然后，我們嘗試性以0.05遞增幅度調(diào)整最小支持度，再次經(jīng)過10輪試驗后從最小支持度Minsup與推薦知識項個數(shù)Kcount的分布關系進行分析（見圖3），結果顯示系統(tǒng)推薦知識項數(shù)量會隨著Minsup的不斷增加而減少，進一步說明系統(tǒng)推薦路徑的精確性會隨著Minsup的增加而提高。

四、結束語

基于Web的ALS是未來遠程學習的一種有效途徑，是個性化學習環(huán)境建設的趨勢，目前仍有很大的探究空間。ALS主要是通過個性化推薦機制對學習內(nèi)容進行有效篩選與重組來實現(xiàn)的，而學習者模型、領域知識模型以及關聯(lián)規(guī)則挖掘技術是ALS個性化推薦機制形成的有效保障，對改進系統(tǒng)的推薦質(zhì)量、提高學習者學習效率起著關鍵性作用。當然，由于諸多局限性因素，本研究仍存在不足之處，例如，ALS推薦路徑的優(yōu)化處理、推薦機制的效率問題等，這也是本研究下一步的趨向。

參考文獻：

[1]劉麗萍，魏書敏，趙新云.個性化網(wǎng)絡學習支持系統(tǒng)的研究[J].中國教育信息化，2010（23）：47-51.

[2]牟連佳.網(wǎng)絡化學習系統(tǒng)的適應性研究[J].電化教育研究.2009（5）：48-53.

[3]趙學孔，徐曉東，龍世榮.B/S模式下自適應學習系統(tǒng)個性化推薦服務研究[J].中國遠程教育，2015（10）：71-80.

[4]Brusilovsky，P.（2001）Adaptive hypermedia.User Modeling and User Adapted Interaction，Ten Year Anniversary Issue（Aifred Kobsa，ed.）11（1/2）：87-110.

[5]TangC.，Yin H.，LiT.，LauR.，LiQ.，&Kilis D.： Personalized courseware construction based on web data mining[C].In Proceedings of the first international conference on web information systems engineering，2000：204-211.

[6]Weber G，Brusilovsky P.ELM-ART： an adaptive versatile system for Web-based instruction [J].International Journal of Artificial Intelligence in Education，2001：351-384.

[7]CastroF.，VellidoA.，NebotA.，MugieaF.：Applying Data Mining Techniques to E-learning Problems[J].Studies in Computational Intelligence.2007（62）：183-221.

[8]陳品德，李克東.適應性教育超媒體系統(tǒng)——模型、方法與技術[J].現(xiàn)代教育技術，2002（1）：11-16.

[9]莫贊，馮珊，唐超.智能教學系統(tǒng)的發(fā)展與前瞻[J].計算機工程與應用，2002（6）：6-7.

[10]李衛(wèi).領域知識的獲取[D].北京：北京郵電大學，2008.

[11]Agarwal S. Data Mining： Data Mining Concepts and Techniques.International Conference on Machine Intelligence and Research Advancement.IEEE，2013：203-207.

（編輯：王天鵬）