Memetic算法在學習路徑推薦中的應用研究

摘要：提出了基于Memetic算法的在線學習路徑推薦模型，根據(jù)學習者的知識目標和水平確定學習路徑，避免知識過載和迷航；根據(jù)學習者的學習風格，選擇合適的教學媒體和教學策略，提高了學習效率，通過實驗驗證了所提方法的有效性。

關鍵詞： Memetic算法；知識推理；在線學習

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2019）06-0180-03

Research on Application of Memetic Algorithms in Learning Path Recommendation

TAN Hui-lin1，2

（1.ShaoYang University， Shaoyang 422000， China； 2.School of Mechanical and Electrical Engineering， Central South University， Changsha 410083， China）

Abstract： An online learning path recommendation model based on Memetic algorithm is proposed. The learning path is determined according to the learner's knowledge goal and level to avoid knowledge overload and lost. According to learner's learning style， appropriate teaching media and teaching strategies are selected to improve learning efficiency. The effectiveness of the proposed method is verified by experiments.

Key words： Memetic algorithm； knowledge reasoning； online learning

1 引言

信息技術的飛速發(fā)展為網(wǎng)絡環(huán)境下的個性化學習模式提供了有力的物質(zhì)基礎和技術支持[1]，為學習者創(chuàng)造了豐富資源的學習環(huán)境和靈活彈性的學習路徑[2]。于是，幫助學習者在海量知識庫中避免知識過載和迷航[3]，推薦適合學習者學情的學習路徑成為在線學習個性化服務[4]的研究熱點。

2 學習路徑

2.1 學習路徑概述

北師大的曹良亮博士認為借助在線學習系統(tǒng)中超文本、超媒體技術的應用，學習者能靈活實現(xiàn)對學習資源的意義建構，學習者對教學資源選擇和加工的記錄稱為學習路徑[5]。

2.2 學習路徑推薦

學習路徑推薦是為不同學習風格和知識層次的學習者從多條學習路徑中推薦最適合的路徑，從而幫助學習者實現(xiàn)個性化學習需求。

2.3 學習路徑推薦研究現(xiàn)狀

學者Berg提出用群體智能的方法為學習者提供低成本和強大的教育導向[6]，陳其暉博士通過petri網(wǎng)了解學習者的狀態(tài)實現(xiàn)個性化學習路徑[7]，后又通過改進微粒群優(yōu)化算法來解決學習路徑的最優(yōu)化控制問題[8]；學者Chen應用項目反應理論來解決學習對象的難度與學習者知識水平匹配的問題[9]，學者彭建偉提出運用爬山算法和遺傳算法相結(jié)合的Memetic算法對個性化學習路徑進行尋徑[10]，程巖副教授嘗試用群體智能解決學習路徑的推薦問題[11]和用遺傳算法構建最優(yōu)學習路徑[12][13]。目前，對個性化學習路徑尋徑的研究大致分為兩個方向：一是依據(jù)學習者的學習風格經(jīng)驗推薦學習路徑；二是從知識點內(nèi)在的結(jié)構出發(fā)，推薦與學習者知識水平相匹配的學習路徑。本研究以前面研究者的寶貴經(jīng)驗為指導，嘗試將學習風格和知識內(nèi)在結(jié)構統(tǒng)一起來，建立以與貪心算法相結(jié)合的memetic算法為基礎的個性化學習路徑推薦模型，以期提高推薦的準確性和實用性。

3 學習理論

以建構主義學習理論和自適應學習理論為指導，以培養(yǎng)學習者發(fā)現(xiàn)問題、解決問題的能力為目標，利用網(wǎng)絡豐富資源拓展學習者的視野，從而完成學習者對目標知識的意義建構。

4 個性化學習路徑推薦模型

4.1 模型描述

基于memetic算法的學習路徑推薦模型如圖1所示，由學習風格分析模塊、知識水平測試模塊和基于memetic算法的知識推理模塊組成。學習者登錄系統(tǒng)后進行信息錄入和學前測試，獲得學習者的知識目標；分析模塊和測試模塊分別得到目前學習者的學習風格和知識水平，推理模塊結(jié)合前面模塊得出的數(shù)據(jù)進行推理計算，從學習資源庫中提取知識數(shù)據(jù)，形成個性化學習路徑推薦給學習者。測試模塊也對學習者進行課后測試并反饋給教師。教師根據(jù)教學反饋定期對學習資源庫進行更新維護。

4.2 學習者特征描述

本研究主要考慮學習者的兩個特征：學習風格和知識水平。

4.2.1 學習風格類型

本研究參照鄭艷麗研究者的分類方法，把學習風格分為：視覺、聽覺和動覺[14]。本研究嘗試用經(jīng)典的VAK測試量卷來獲取學習者的學習風格類型。從現(xiàn)有的測試結(jié)果來看，多數(shù)學習者以視覺學習為主兼顧聽覺學習和動覺學習。

4.2.2 知識水平層次

在本研究中，我們嘗試將學習者的知識水平分為理解、運用和綜合三個層次。

4.3 知識水平測試模塊

本模塊旨在通過形成性測試有效鑒定學習者的知識水平以及與目標知識的差距，能快速給出學習者即將開始的學習路徑的起點。其中，試題庫的建立是知識水平測試模塊中最為核心的內(nèi)容。

4.4 知識推理模塊

知識推理模塊根據(jù)學習者的知識目標和水平確定學習路徑；根據(jù)學習者的學習風格，選擇合適的教學媒體；根據(jù)學習路徑和學習風格，選擇適當?shù)慕虒W策略。

4.4.1 知識因素

推理模塊的知識因素為：學習者的知識目標與知識水平。學習者知識水平就是其對知識的掌握程度，決定了學習路徑的起點。學習者所提交的知識目標，也就是學習路徑的終點。由于知識點內(nèi)在的聯(lián)系，知識起點與知識終點可能存在多條學習路徑。

4.4.2 學習風格因素

本研究針對不同學習風格的學習者采用個性化的知識呈現(xiàn)方式：優(yōu)先使用文字、圖表、動畫、視頻等工具為視覺型學習者呈現(xiàn)知識點；采用音頻、視頻等媒體為聽覺型學習者呈現(xiàn)知識點；通常以案例引導動覺型學習者在實踐操作中獲得知識。

4.4.3 知識推理算法

4.4.3.1 學習路徑編碼

為便于理解和計算適應度函數(shù)，學習路徑采用整數(shù)編碼的染色體形式。染色體的每位基因值表示即將學習的知識點編號，長度代表學習路徑的知識點數(shù)量。例：某條學習路徑覆蓋了m個知識點，學習資源庫中可供其選擇的知識點為n個，則該學習路徑的長度為m，基因值的取值范圍為[1-n]。

4.4.3.2 初始化種群

隨機生成可能存在的學習路徑作為初始種群，種群規(guī)模為60。

4.4.3.3 選擇操作

采用輪盤賭來實現(xiàn)選擇操作。

4.4.3.4 交叉操作

采用單點交叉操作，即：首先隨機選擇交叉點，然后將兩條父染色體交叉點前的基因相互交換，最后在兩條子染色體中依次刪除相同的基因。交叉概率設為0.6。

4.4.3.5 變異操作

采用隨機變異來實現(xiàn)變異操作，即：隨機選取知識樹中待學習的知識點的編碼來隨機替換父染色體中的某個基因。變異概率設為0.04。

4.4.3.6 局部搜索策略

采用貪心算法來實現(xiàn)局部搜索策略。

4.4.3.7 適應度函數(shù)

嘗試尋找一條開銷最小、知識點難度值最低的學習路徑。知識點i的學習開銷包括了費用開銷[ci]和時間開銷[ti]，由專家給定；難度值[di]的初始值由專家依據(jù)李特克氏5點量表[15] 對其預設，實踐教學后，將結(jié)合學習者給定的難度值將進行調(diào)整，其計算公式如下：

其中，[ci]是費用開銷，[wc]是初始值由專家設定、學習者可自行調(diào)整的費用開銷權重；[ti]是時間開銷，[wt]是初始值由專家設定、學習者可自行調(diào)整的時間開銷權重；[di]是知識點的難度值，[wd]是初始值由專家設定、學習者可自行調(diào)整的難度權重。我們可將適應度函數(shù)設為[1f]，這樣就將尋找一條開銷最小、知識點難度值最低的學習路徑轉(zhuǎn)化成尋找適應函數(shù)值最大的學習路徑。

4.4.3.8 終止條件

選擇、交叉和變異操作將循環(huán)執(zhí)行，直到迭代次數(shù)達到200時，算法將終止。

5 實驗

5.1 實例簡介

采用實例（圖2 知識樹實例）：學習路徑的起點為1，終點為10，可能的學習路徑有8條，涵蓋的知識點有7個：1→2→3→5→7→9→10；1→2→3→5→8→9→10；1→2→3→6→7→9→10；1→2→3→6→8→9→10；1→2→4→5→7→9→10；1→2→4→5→8→9→10；1→2→4→6→7→9→10；1→2→4→6→8→9→10。費用開銷權重和時間開銷權重初始值設為0.3，難度權重初始值設為0.4。

5.2 實驗結(jié)果

以matlab2017a為平臺實踐了基于memetic算法的知識推理模塊，經(jīng)過測試發(fā)現(xiàn)在實例中當種群規(guī)模設為60，交叉概率設為0.6，變異概率設為0.04時便可以得到比較好的結(jié)果。種群學習路徑適應度函數(shù)值如圖3所示，最優(yōu)學習路徑圖如圖4所示。

從仿真結(jié)果圖可以看出，算法收斂速度很快，當?shù)坏?0次就找到了最優(yōu)學習路徑：1→2→3→5→8→9→10，該學習路徑的適應度函數(shù)值約為0.022，達到了預期的實驗目標。由此可見，相較于彭建偉學者提出的需迭代30-80次才能找到最優(yōu)解的知識推理模型[10]，與貪心算法相結(jié)合的memetic算法在尋找個性化學習路徑問題中具有更好的可行性。

6 結(jié)語

提出了基于memetic算法的學習路徑推薦模型，根據(jù)學習者的知識目標和水平確定學習路徑，避免知識過載和迷航；根據(jù)學習者的學習風格，選擇合適的教學媒體和教學策略，提高了學習效率。實驗表明，該知識推理模型具有良好的研究與應用前景。

參考文獻：

[1]劉明卓，張琴珠.信息技術與個性化教學模式探討[J].現(xiàn)代教育技術，2005（1）：11-14.

[2]鄭小軍，張霞.高效網(wǎng)絡化學習：理念、路徑與策略[J].中國電化教育，2012（309）：42-45.

[3]藺豐奇，劉益.網(wǎng)絡化信息環(huán)境中信息過載問題研究綜述[J].情報資料工作，2007（3）：36-41.

[4]吳輝娟，袁方.個性化服務技術研究[J].計算機技術與發(fā)展，2006，16（2）：32 -34.

[5]曹良亮.在線學習中學習路徑分析及學習行為特點研究[J].中國遠程教育，2014（4）：25-30

[6]Berg B.， Tattersall R.， Janssen J. et al. Swarm-based sequencing recommendation in e-lerning[J]. International Journal of Computer Science and Applications ，2006，3（3）：1-11.

[7]陳其暉，凌培亮，蕭蘊詩.基于petri網(wǎng)的知識空間建模方法與學習路徑控制[J].計算機工程與應用，2007，43 （12）：10-12.

[8] 陳其暉，凌培亮，蕭蘊詩.基于改進微粒群優(yōu)化的學習路徑優(yōu)化控制方法[J].計算機工程，2008，2 （34）：190-192.

[9] Chen，C.M..Intelligent Web-Based Learning System with Personalized Learning Path Guidance [J].Computers & Education，2008，51（2），787-814.

[10]彭建偉.基于Memetic 算法的個性化學習路徑推薦的研究與實現(xiàn)[D].長沙：湖南大學，2009.

[11]程巖.在線學習中基于群體智能的學習路徑推薦方法[J].系統(tǒng)管理學報，2011，3（20）：232-237.

[12]譚慧琳.基于遺傳算法的知識推理研究[J].電腦知識與技術，2011（31）：7731-7733.

[13]譚慧琳.基于遺傳算法的知識推理研究[D].長沙：湖南師范大學，2011.

[14]鄭艷麗.網(wǎng)絡課程中學習路徑引導系統(tǒng)的研究[D].濟南：山東師范大學，2009：25.

[15]Chen，C. M.， Lee， H. M.， & Chen， Y. H. Personalized e-learning system using Item Response Theory[J]. Computers & Education， 2005 （44）237-255.

【通聯(lián)編輯：王力】