“人工智能+教育”環(huán)境下教學(xué)資源庫的研究

文/倪居 李勇

教學(xué)資源庫建設(shè)是學(xué)?！叭斯ぶ悄?教育”應(yīng)用的核心，是信息技術(shù)與課程整合的關(guān)鍵，因此，必須加快資源庫建設(shè)，讓學(xué)生能在開放的網(wǎng)絡(luò)教學(xué)環(huán)境中獲取更多的網(wǎng)絡(luò)教學(xué)資源，提高教學(xué)效果，從而為今后的就業(yè)創(chuàng)業(yè)奠定堅實的基礎(chǔ)。

一、當(dāng)前教學(xué)資源庫存在的問題

當(dāng)前我國教育信息化程度不斷增強，參與教學(xué)資源庫建設(shè)的學(xué)校和機構(gòu)越來越多，教學(xué)資源庫中包含了豐富的教育教學(xué)資源，但是這些資源并不是完全開放共享的，有些資源僅供校內(nèi)師生使用，有些資源僅供會員免費使用，還有些資源需要付費才能使用，教學(xué)資源庫存在著不能有效利用和難以統(tǒng)籌管理的問題，阻礙了資源庫的進(jìn)一步發(fā)展。

（一）不同的技術(shù)平臺導(dǎo)致資源共享困難

支撐資源庫的平臺種類繁多，這些平臺采用不同的技術(shù)標(biāo)準(zhǔn)進(jìn)行建設(shè)，但是，資源格式和存儲方式的不統(tǒng)一，會導(dǎo)致不同資源庫之間難以共享。

（二）資源缺乏及時維護(hù)導(dǎo)致不能及時更新

資源庫建設(shè)周期長，難度大，需投入大量的人力成本，并且建成以后缺乏及時有效的維護(hù)，使資源難以隨著教學(xué)知識的發(fā)展及時更新，導(dǎo)致教學(xué)資源缺乏動態(tài)性和可移植性。

（三）技術(shù)平臺的智慧化程度不高導(dǎo)致資源無法有效利用

現(xiàn)有的平臺只能滿足簡單的檢索，用戶無法從大量的資源中快速檢索到對自己切實有用的資源，因此，網(wǎng)絡(luò)學(xué)習(xí)者容易被大量的資源迷惑。資源庫信息的過載常常導(dǎo)致訪問者陷于信息迷航[1]，另外平臺不能主動地分析學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)需求，不能滿足學(xué)習(xí)者對學(xué)習(xí)資源多樣化和個性化的需求。

（四）資源共享理念不夠開放

多平臺之間相互封閉，教學(xué)資源重復(fù)開發(fā)，難以實現(xiàn)共享和開放。如果能夠以開放和共享的觀念建設(shè)和使用資源，必定能夠推動在線教育的快速發(fā)展。

二、基于個性化推薦技術(shù)的教學(xué)資源自適應(yīng)推送

個性化推薦系統(tǒng)適用的業(yè)務(wù)范圍非常廣泛，如電子商務(wù)網(wǎng)站、搜索引擎、線上服務(wù)、線上交易等，可以說只要存在信息過載的問題，個性化推薦技術(shù)都可以進(jìn)行解決[2]。因此，在學(xué)習(xí)者使用教學(xué)資源庫時，如果能根據(jù)學(xué)習(xí)者的個性特征精準(zhǔn)推送其所需要的教學(xué)資源，就可以解決學(xué)習(xí)者在面對海量資源所產(chǎn)生的信息迷航問題，提高學(xué)習(xí)者的學(xué)習(xí)效率。

教學(xué)資源庫要解決的核心問題是為學(xué)習(xí)者提供個性化的教與學(xué)服務(wù)。滿足師、生、校、家的需求，實現(xiàn)高效互動?！缎乱淮斯ぶ悄馨l(fā)展規(guī)劃》中提出要建立以學(xué)習(xí)者為中心的教育環(huán)境，提供精準(zhǔn)推送的教育服務(wù)。所以教學(xué)資源庫的建設(shè)應(yīng)該能實現(xiàn)個性化推薦和自適應(yīng)學(xué)習(xí)的功能。

（一）學(xué)習(xí)者模型構(gòu)建

學(xué)習(xí)者模型的構(gòu)建基于學(xué)習(xí)者特征和教學(xué)資源庫兩條主線，收集學(xué)習(xí)者的基本信息，學(xué)習(xí)歷史記錄，對比學(xué)習(xí)者之間需求的差異[3]。采用K-Means聚類算法將學(xué)習(xí)者進(jìn)行分類，將有相同或相似需求的用戶進(jìn)行聚合，從而構(gòu)建學(xué)習(xí)者聚類模型。

（二）資源模型構(gòu)建

資源模型的構(gòu)建基于資源基本特征、標(biāo)簽和用戶對資源的有效評價三個方面，采用杰卡德相似系數(shù)計算資源與資源之間的相似度，采用Apriori算法挖掘頻繁項集。將特征相近，相似度高，用戶評價好的資源組成候選資源鏈，構(gòu)建資源關(guān)聯(lián)規(guī)則模型。

（三）按照學(xué)習(xí)者需求匹配資源

要想實現(xiàn)較好的個性化推薦效果，可以利用人工智能技術(shù)，感知學(xué)習(xí)情境，對學(xué)習(xí)者進(jìn)行精確定位，按照學(xué)習(xí)者特征構(gòu)建用戶畫像。根據(jù)用戶畫像選擇合適的推薦算法主動給用戶推薦能夠滿足他們興趣和需求的資源，形成高效的推薦機制。

（四）個性化推薦

為了節(jié)省用戶時間并幫助用戶快速找到感興趣的資源，利用教學(xué)資源庫中海量的用戶訪問數(shù)據(jù)，研究用戶的興趣偏好，分析用戶的需求和行為，引導(dǎo)用戶發(fā)現(xiàn)需求信息，將相關(guān)資源準(zhǔn)確地推薦給所需用戶，幫助用戶發(fā)現(xiàn)他們感興趣但很難發(fā)現(xiàn)的資源，增強用戶體驗效果，增加用戶黏度，從而使用戶與資源庫之間建立穩(wěn)定的交互關(guān)系，實現(xiàn)鏈?zhǔn)椒磻?yīng)增值。

在資源庫使用過程中，根據(jù)學(xué)習(xí)者聚類模型和資源關(guān)聯(lián)規(guī)則模型建立不同的指標(biāo)評價模型的優(yōu)劣。K-Means聚類模型的優(yōu)劣取決于初始聚類中心的選擇，在使用中為了得到較好的結(jié)果，可以選擇不同的初始聚類中心多次運行K-Means算法。Apriori算法評價指標(biāo)為置信度、支持度和提升度。在資源庫的使用過程中進(jìn)行多次計算，發(fā)現(xiàn)最小支持度、最小置信度下Apriori算法求取的關(guān)聯(lián)規(guī)則數(shù)目適中，能夠得出優(yōu)良結(jié)果，能夠不斷優(yōu)化資源關(guān)聯(lián)規(guī)則模型。

學(xué)習(xí)者聚類模型和資源庫關(guān)聯(lián)規(guī)則模型均根據(jù)歷史數(shù)據(jù)進(jìn)行建模，隨著時間的變化，學(xué)習(xí)者信息和資源庫信息也在發(fā)生變化，因此，建議每個月運行一次模型，確認(rèn)模型的穩(wěn)定性，如果模型穩(wěn)定性不佳，則需要重新訓(xùn)練模型。根據(jù)以往經(jīng)驗建議每隔半年訓(xùn)練一次模型。通過不斷改進(jìn)算法、優(yōu)化模型、完善個性化推薦機制，促使資源整合，使教學(xué)資源庫主動服務(wù)于學(xué)習(xí)者，從而構(gòu)建性能優(yōu)良的自適應(yīng)學(xué)習(xí)系統(tǒng)。

三、教學(xué)資源庫個性化推薦算法的選擇

推薦系統(tǒng)（Recommender System）是解決信息過載的有效手段，也是提供個性化服務(wù)信息的工具。在實際構(gòu)建推薦系統(tǒng)時，并不是采用單一的某種推薦算法進(jìn)行推薦，而是結(jié)合多種推薦算法將推薦結(jié)果進(jìn)行組合，最后得出最優(yōu)的推薦結(jié)果。在組合推薦結(jié)果時，可以采用串行或者并行的方法。

目前最常用的解決方式是挖掘各種推薦算法的優(yōu)點，并將多種推薦算法進(jìn)行整合，這種改進(jìn)算法稱之為混合推薦算法?；旌贤扑]的方式通常有三類：針對不同的學(xué)習(xí)者使用不同的推薦策略；針對不同的學(xué)習(xí)資源使用不同的推薦策略；針對所有學(xué)習(xí)者和所有學(xué)習(xí)資源，使用混合的推薦策略進(jìn)行推薦。

四、結(jié)語

人工智能技術(shù)在教學(xué)資源庫中的應(yīng)用，不僅使資源庫能夠?qū)崿F(xiàn)及時更新，不斷優(yōu)化，提高資源庫的使用準(zhǔn)確率與效率，而且能夠滿足學(xué)習(xí)者對于資源更新速度和快速搜索感興趣課程資源的需求，有助于學(xué)習(xí)者從中獲取更多有價值的學(xué)習(xí)資源，在節(jié)省用戶時間，改善用戶體驗，提升學(xué)習(xí)成就感等方面發(fā)揮著巨大作用。