基于Web的個性化學習環(huán)境構建關鍵技術研究

趙學孔 龍世榮

[摘 要]網絡環(huán)境下基于Web的個性化學習是現代遠程教育與智慧教育領域研究的熱點，也是數字化學習E-learning未來發(fā)展的趨勢。Web個性化學習環(huán)境構建主旨是針對學習者特征差異性“分析”與“判斷”其個性化需求，并以此精準推薦適當的學習資源，其實現的關鍵在于用戶特征模型構建與分析、結構化領域知識構建以及知識個性化推薦與呈現。其中，用戶靜態(tài)特征與動態(tài)行為特征是個性化學習需求的邏輯起點，結構化領域知識模型是個性化推薦的數據源基礎，知識個性化推薦與呈現是E-learning的宗旨。

[關鍵詞]E-learning；個性化學習；用戶特征；領域知識；推薦技術

[中圖分類號] G64 [文獻標識碼] A [文章編號] 2095-3437（2018）03-0067-04

自古“因材施教”教學思想提出至今，個性化教育備受人們推崇。個性化教育主張尊重學生的個體差異而實施個性化教學與指導，成為現代教學的理論基礎。個性化學習作為個性化教育的分支，體現了“學習者為中心”的教學理念。當前，數字化學習E-learning作為一種重要的學習方式，其跨時空、高時效等優(yōu)勢為開展創(chuàng)新學習方式提供了新機遇。受大數據、知識可視化、學習分析等網絡新技術思潮影響，眾多研究者將焦點轉向網絡技術支持下的E-learning個性化學習領域。業(yè)界知名的美國新媒體聯盟（NMC）在《2016版地平線報告》中預言基于自適應學習技術的個性化學習成為E-learning未來發(fā)展態(tài)勢[1]。由此，關于網絡環(huán)境下基于Web的個性化學習環(huán)境（即個性化E-learning）研究意義深遠。

一、領域相關研究現狀

為了構建具有“個性化”機能的Web學習環(huán)境，國內外眾多研究者在該領域開展了大量的理論與實踐研究，并從不同的視角提出了解決方案。Brusilovsky等人[2]首次從“適應性”角度提出了個性化E-learning系統(tǒng)的觀點，認為適應性的導航設計可以幫助學習者更好的學習，提高他們的學習效率；DeBra教授[3]認為學習者模型是個性化學習系統(tǒng)實現的關鍵，可以從認知水平和訪問狀態(tài)兩個維度構建；Markellou等人[4]在語義框架的基礎上通過關聯規(guī)則挖掘技術獲取當前學習者和學習資源潛在的語義關系，為基于語義的個性化E-learning系統(tǒng)研究奠定了基礎；Thorat等人[5]利用協同推薦技術獲取學習者對學習資源的反饋信息，進而提出個性化學習系統(tǒng)推薦機制。相較于國外，國內該領域研究起步稍晚，但仍有眾多值得借鑒的研究成果，典型代表有：北京師范大學余勝泉教授研究團隊提出了“學習元”技術，并以此開發(fā)了具有一定適應性的學習元平臺[6]；中國臺灣淡江大學計算機學院對分布式Agent技術進行了研究，然后開發(fā)了智能學習系統(tǒng)MMU[7]；楊麗娜等[8]嘗試利用多角色Agent合作框架解決E-learning環(huán)境下個性化學習資源推薦問題；王永固等人[9]提出了Web環(huán)境下利用學習進度確定鄰近學習者的方法。

縱觀上述研究，研究者主要從適應性導航、推薦技術、系統(tǒng)建模、語義挖掘、Agent等視角切入，提出了系統(tǒng)個性化推薦機制的解決方案，這些研究成果為后續(xù)相關研究提供了寶貴的參考借鑒。但也不難發(fā)現，目前關于個性化E-learning系統(tǒng)領域研究仍處于探索階段，尚有許多不完善領域值得進一步深入研究。因此，本研究擬在文獻研究基礎上，結合筆者多年實踐研究經驗，嘗試從用戶特征、領域知識以及知識個性化推薦三個維度分析Web個性化學習環(huán)境建設方案，以期為本領域相關研究者和實踐開發(fā)者提供參考借鑒。

二、用戶特征模型構建與分析

個性化E-learning系統(tǒng)的設計宗旨是以學習者為中心推薦其所需要的學習資源。顯然，“分析”與“判斷”當前學習者用戶的個性需求是個性化E-learning首要解決的問題。然而，計算機世界對用戶需求的理解都以數據模型為基礎，因此可以說，用戶特征模型的構建及其需求分析是E-learning實現個性化的邏輯起點。在此，用戶特征模型是對用戶特征信息最好的描述方式，其通過結構化的表征方式可清晰地表達用戶屬性特征，為系統(tǒng)判斷個性需求提供依據。

（一）用戶特征模型構建

在E-learning環(huán)境中，在線學習用戶的特征一般包括個人基本信息、學習風格類型、認知水平、學習偏好等。以上這些特征信息可以通過多種途徑獲取，例如用戶的基本信息可以通過注冊方式獲取，學習風格可以通過問卷與行為日志記錄方式獲得，認知水平可以通過測試成績獲得，學習偏好可以通過行為日志記錄獲得。用戶模型構建過程一般包括用戶基礎信息收集、用戶特征模型表征、用戶特征模型更新和用戶特征模型使用四個環(huán)節(jié)，如圖1所示。

顯然，由圖1可知，用戶特征模型是動態(tài)變化的，其在用戶學習過程中會實時動態(tài)自我更新。根據IMS LIP（Learner Information Package）建模標準，學習者特征模型一般可以從基本信息、興趣偏好、認知水平和學習風格四個維度構建?？紤]到用戶的特征屬性可分為靜態(tài)信息和動態(tài)信息，本文構建的用戶特征模型采用多元組形式表征，具體表征方法如下。

1.用戶基本特征模型

用于表征學習者用戶的總體特征模型，具體表示方法如下：

UserModel=（BasicInformation，LearningPreference，CognitiveLevel，LearningStyle）

其中，BasicInformation表示用戶的基本的靜態(tài)資料信息，包括用戶姓名、年齡、專業(yè)背景等；LearningPreference表示用戶的學習偏好屬性，其以用戶對學習資源的興趣度值表示；CognitiveLevel表示用戶當前的認知水平；LearningStyle表示用戶的學習風格信息。LearningPreference、CognitiveLevel和LearningStyle存儲了用戶的動態(tài)信息，其值隨著網絡學習狀態(tài)改變而實時動態(tài)更新。

2.用戶學習偏好模型

用戶學習偏好反映了用戶對某學習資源的興趣傾向，一般可根據用戶對某資源的關注程度來計算，其具體表示方法為：

LearningPreference（n）={，，…，}

其中，Ri表示學習網頁或學習資源集，Ai表示用戶對Ri的關注程度，p是學習資源集合數量，i=1，2，3，…p。

3.用戶認知水平模型

用戶認知水平反映了用戶當前對學習內容的掌握情況，可通過學習者測試成績、測試時長、學習時長等多個維度綜合評估獲得。用戶認知水平模型表征方法如下：

CognitiveLevel（U）=（U，Cli）

其中，U表示學習者用戶；Cli表示用戶的認知水平，其值域為Cli={1，2，3}，分別對應認知水平為{較差，中等，較好}，成績段為{0-59，60-79，80-100}。當然，這些閥值可由教師在系統(tǒng)管理后臺動態(tài)更改，以調整系統(tǒng)推薦資源的精準度。

4.用戶學習風格模型

學習風格是學習者個體在不同的學習情境及學習過程中所表現出來的具有個性化特征的認知方式，其表征方法如下：

LearningStyle（U）={，，，}

其中，（i∈[1，4]）表示學習者在Felder學習風格中某個維度的取值；Di表示風格取值類型（Di∈{“感知型-直覺型”，“視覺型-言語型”，“主動型-反思型”，“全局型-序列型”}）；Lsi為模糊取值（Lsi∈[0，1]），其代表在學習風格Di維度的取值。

（二）用戶行為特征分析

在E-learning環(huán)境中，用戶的學習過程實質上是用戶行為發(fā)生的過程，而這些行為特征信息中往往隱含了學習風格特征、學習偏好等各種信息。例如，某用戶頻繁瀏覽或下載某類資源表示該用戶偏好于該類型資源；某用戶訪問某知識點的次數增加預示著該用戶對該知識點的關注度或需求度增高?？梢?，用戶的行為特征作為用戶關鍵特征之一，深入挖掘用戶行為特征信息對準確構建用戶模型至關重要。

一般而言，用戶行為特征值可通過兩種途徑計算獲得，即Web頁面操作行為分析法和日志記錄序列分析法。Web頁面操作行為分析法主要是通過系統(tǒng)學習頁面腳本實時抓取用戶的各種學習行為，例如頁面或資源的訪問次數、訪問時長、資源下載次數、單擊/滾動鼠標次數、添加書簽動作等；日志記錄序列分析法主要是采用數據挖掘、關聯規(guī)則等技術從數據庫日志記錄中提取用戶詳細的學習經歷與學習路徑，然后預估用戶個性化學習需求。

從上文的分析可知，用戶特征模型是用戶基本靜態(tài)信息與動態(tài)信息的綜合體，其隨著學習者學習過程以及學習行為的變化而實時改變，所以在對用戶特征模型建模評估中，我們需要將用戶評測分值（如測試成績、風格量表測試值等）與其行為反饋特征值綜合權衡，而這也是該領域研究的難點。

三、結構化領域知識模型構建

領域知識是個性化E-learning系統(tǒng)推薦以及學習者獲取知識內容的重要數據來源，其內容載體可以是圖片、文本、視頻、音頻等任何媒體格式。領域知識模型是領域知識的結構化表征，其建模方式直接影響個性化E-learning系統(tǒng)的推薦效果。根據教學目標與計劃，系統(tǒng)中的領域知識之間應存在一種隱性的關系結構，這種關系結構能充分應用于學習策略或學習方式的匹配過程中。因此，領域知識建模時需要充分考慮其結構化、粒度化等標準范式，通過多維的屬性描述建立知識對象模型，以提高系統(tǒng)個性化推薦的精準度。一般情況下，領域知識模型可以表征為某門課程、課程中的某個知識單元或某個知識點三種粒度，而每個知識對象不僅包含難度級別、風格類型（或媒體類型）等基本屬性，同時知識對象之間存在前驅后繼、并列或相關等關系[10]。在參考IMS資源建設標準基礎上，本研究構建的領域知識模型多元組結構表達式如下所示：

KnowledgeObject={Kid，Kname，Kcontent，KOR}

其中，Kid表示知識對象的唯一標識，Kname表示知識對象名稱，Kcontent表示知識對象內容信息，KOR表示知識對象所屬關系集合。通常情況下，知識對象之間的關系可分為三種，即前驅后繼關系、并列關系以及相關關系?；诖耍狙芯恐兄R對象間的關系模型KOR可表示為：

K（a，b）={，Ktype，Kweight}

其中，Ktype表示關系類型（Ktype∈{“前驅”，“后繼”，“并列”，“相關”}）；Kweight表示關系的權重值（Kweight∈[0，1]，該值越高代表知識點間的相關性越大）。例如，知識對象a與知識對象b的關系記為K（a，b）={，“相關”，0.8}，表示知識對象a、b之間是相關關系，其關系權重為0.8。

此外，我們也可以采用許多國際性組織所提出的元數據描述方式來對領域知識進行模型結構化表征。該方法從學習對象的描述出發(fā)采用了與元數據規(guī)范統(tǒng)一的結構化XML以及內容包裝方式，為個性化E-learning系統(tǒng)的建設提供了基礎。結構化領域知識XML層次表示方法如圖2所示[11]。

四、個性化推薦與知識呈現

為了能讓個性化E-learning系統(tǒng)在“分析”和“判斷”當前學習者個性化學習需求的基礎上適當推送與呈現知識內容及學習資源，各種推薦技術被廣泛應用于E-learning系統(tǒng)中。目前常用到的推薦技術有協同過濾推薦、基于內容推薦、關聯規(guī)則推薦以及混合推薦。

（一）協同過濾推薦技術

協同過濾推薦技術是根據相似用戶來推薦資源內容，其關鍵在于計算用戶之間的相似度值，并根據相似度值對用戶進行聚類，尋找當前用戶的鄰居用戶（群）。協同過濾推薦的優(yōu)點是當系統(tǒng)用戶量或資源量增多使推薦效果會提高，且對于非良好結構性的資源仍具有較好的推薦效果；缺點在于當吸引用戶量或資源量較少時存在冷啟動和稀疏問題。

（二）基于內容的推薦技術

基于內容的推薦技術是協同過濾技術的延續(xù)和發(fā)展，其主要通過計算與比較系統(tǒng)中用戶與資源的匹配值以及資源之間的相似度值來向目標用戶推薦資源。該推薦技術優(yōu)點是推薦簡單、高效，對于具有良好結構性的資源（如文本類）推薦效果較好，且不存在協同過濾中的冷啟動與稀疏問題；缺點表現在當系統(tǒng)資源量較大且資源屬性復雜，或者對于非良好結構屬性的資源（如視頻、圖片）推薦效果不理想。

（三）關聯規(guī)則推薦技術

關聯規(guī)則推薦技術主要原理是通過分析系統(tǒng)用戶與資源對象之間的日志行為數據來獲取頻繁項集和項序列，以此挖掘用戶與資源潛在的規(guī)則并產生推薦。典型代表如Apriori、AprioriAll等。其優(yōu)點在于能從用戶行為日志記錄中挖掘潛在價值的信息；缺點在于算法需要頻繁遍歷掃描數據庫，對系統(tǒng)開銷較大。

（四）混合推薦技術

混合推薦技術是將多種推薦技術進行整合而提出的一種推薦方式，其體現了“揚長避短”思想，即整合各種推薦技術優(yōu)勢，彌補各種推薦技術的不足。該類推薦技術優(yōu)點是算法靈活，可根據推薦需要整合多種推薦算法，且在時間、空間復雜度上對算法優(yōu)化，進而提高推薦效率與質量。

五、結語

網絡環(huán)境下基于Web的個性化學習是新時代學習方式的創(chuàng)新之舉，其基礎保障在于構建個性化E-learning學習環(huán)境。基于Web的個性化E-learning學習環(huán)境構建主旨是針對學習者特征差異性“分析”與“判斷”其個性化需求，并以此精準推薦適當的學習資源。文章對在文獻研究基礎上從用戶特征模型、結構化領域知識構建以及個性化推薦技術三個維度對個性化E-learning學習環(huán)境技術解決方案進行了分析，以期為本領域研究者和實踐開發(fā)者提供參考借鑒。

當然，目前我們的研究仍處于探索階段，尚有不足之處。下一步，我們將在理論模型研究基礎上通過實踐研究進一步探索個性化E-learning學習環(huán)境構建方案。

[ 參 考 文 獻 ]

[1] L·約翰遜，劉德建，黃榮懷，等.2016新媒體聯盟中國基礎教育技術展望：地平線項目區(qū)域報告[R].德克薩斯：新媒體聯盟，2016：1-36.

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

[3] DeBra P.， Aerts A.， Berden B.， et al. AHA！ The Adaptive Hypermedia Architecture[Z]. Proc. of the fourteenth ACM conference on Hypertext and Hypermedia， 2003：81-84.

[4] Markellou P.， Mousouroul I.， Spiros S.， & Tsakalidis A. Using semantic web mining technologies for personalized e-learning experiences[J]. In Proceedings of the web-based education， 2005：461-826.

[5] Thorat P.， Goudar R.， & Barve S. Survey on Collaborative Filtering， Content-based Filtering and Hybrid Recommendation System[J]. International Journal of Computer Applications， 2015（4）：31-36.

[6] 余勝泉，陳敏.泛在學習資源建設的特征與趨勢——以學習元資源模型為例[J].現代遠程教育研究，2011（6）：14-22.

[7] 陳天云，張劍平.智能教學系統(tǒng)（ITS）的研究現狀及其在中國的發(fā)展[J].中國電化教育，2007（2）：95-99.

[8] 楊麗娜，劉科成，顏志軍.案例推理Agent合作框架下的個性化學習資源推薦研究[J].中國電化教育，2009（12）：105-109.

[9] 王永固，邱飛岳，趙建龍，等.基于協同過濾技術的學習資源個性化推薦研究[J].遠程教育雜志，2011（3）：66-71.

[10] 趙學孔，徐曉東，龍世榮.協同推薦：一種個性化學習路徑生成的新視角[J].中國遠程教育，2017（5）：24-34.

[11] Belkadi F.， Dremont N. A meta-modelling framework for knowledge consistency in collaborative design[J]. Annual Reviews in Control， 2012（2）：346-358.

[責任編輯：鐘 嵐]