基于Ｗｅｂｑｕｅｓｔ的自适应教学系统设计与研究

李　恬　周　宏

【摘要】文章根据 Webquest 教学支撑平台存在的诸多问题，利用人工智能技术、Agent 技术和 Web 服务技术，对传统的 Webquest教学设计模式进行改进，提出了 Webquest 自适应教学系统结构，阐述了系统模块功能和实现方法，并对部分关键技 术和算法进行了分析。说明了改进后的 Webquest 教学系统具有很好的学习适应性。

【关键字】Webquest；智能系统；教学资源；学习

【中图分类号】G40-057 【文献标识码】B 【论文编号】1009—8097（2009）01—0116—05

一 前言

Webquest是一种新兴的信息化教学模式,1995年由美国 圣地亚哥州立大学教育技术学院教授BernieDodge和Tom March创建[1]。WebQuest模式理论基础是建构主义学习理论， 它是建构主义在网络学习中的实践表现。WebQuest主要的教 学方法是在网络环境下，给学生一个特定的情景或者一项任 务，通常是一个需要解决的问题或者课题项目，课程计划中 为学生提供了相关的信息资源，并要求学生通过对信息资源 的搜索、分析和综合来得出创造性的解决方案。近年来， Webquest 教学模式得到了迅速的发展,教学案例日益增加, 深受教师和学生关注 [2][3]。然而，由于Webquest教学解决方 案是独立地针对某个特定教学任务来设计的，在制作时需要 运用大量的课件工具，运行时采用的底层架构不统一，通信 协议不同，课件资源的类型格式存在差异等，导致教学方案 的设计、制作效率不高。不同底层架构的Webquest教学模式 之间要进行信息交流，就对系统整合和应用集成要求异常高， 更重要的是在教学方案设计时，普遍都按照统一的六大模块 设计，造成教学策略单一、应用设计模板化、探究目标不适 当，这就极大的地限制了教学资源共享的可能。如何构建一 个具有个性化和无缝集成的Webquest教学系统已成为备受关 注的焦点问题。因此，本文通过分析传统WebQuest教学模式 的不足，提出利用人工智能技术、Web服务技术与Webquest 教学模式相结合的解决方案，形成了一个具有自适应性的 Webques集成系统体系架构,使得改进后的Webquest教学平台 具有智能性、协作性、可重组性和可扩展性。

二 Webquest教学系统及其模型结构

1传统Webquest教学解决方案的不足 传统的WebQuest教学系统一般都由六大模块组成：引言（ Introduction ）、任 务（ Task ）、过 程（ Process ）、资源 （Resources）、评估（Evaluation）、结论（Conclusion）[4]。目 前，多数Webquest教学系统都是针对特定的教学单元进行设 计和制作，难以对教学方案和教学资源进行管理和重组，因 此网络环境支撑的教学方案普遍存在如下问题：

（1） 应用设计模板化，缺乏个性化服务

对于所有参与Webquest 的学习者提供相同的绪言和任 务，系统智能性差，无法了解个别学生的能力与认知风格的 差别，对不同认知水平的学生呈现相同教学内容，采用相同 的教学策略，无法适应个别学生的具体需求，难以实现因材 施教。

（2） 资源缺乏有效的组织和查询

Webquest教学资源作为独立体, 教学系统很难主动发现 Webquest教学资源的存在, 导致教学资源由于未被发现而不 能被重用。并且在制作多个Webquest课件时, 除教学内容的差 异外, 很多功能的设计和实现都是相似和重复的。这就要求课 件的制作除需要对课程内容进行归纳和整理外, 还要对教学 管理、教学模式及手段进行设计。

（3） 网络学习过程的记录和监控不足

由于采用超文本的方法组织教学材料，且由学生掌握学习的主动权，若系统没有针对性地作一些引导、限制和具备 必要的监控，在学习的过程中容易出现迷航现象，学生容易 偏离学习的目标，不能跟踪学习者学习进度。

（4） 系统宿主平台紧耦合问题

紧耦合使教学系统必须依附于特定的平台，导致不同的Webquest 教学系统难以集成，没有集成的学习环境来支持适 合网络学习的策略。网络中最合适的学习策略是探索式学习 策略和协作式学习策略，但目前的技术，对它们的支持都比 较简单，无法充分发挥其优势。

2 Webquest 自适应教学系统模型

针对上述不足，本文中的Webquest教学系统模型采用基于Web服务的教学集成系统框架[5 ]和智能教学系统框架[6 ]。教 学系统的设计方案能够实现以下目标：作为通用的Webquest 教学支撑平台既能无逢集成教学应用软件、消除异构教学应用子系统之间的互操作性问题, 还能自动地收集各种有利于 学习的信息资源并整理这些资源以便于教学资源的重用、个 性化信息采集、学习情景或背景显示、智能资源调度、学习 过程记录、教学内容重组等系统功能的实现。系统模型结构

如图1所示。

首先，教师通过教学设计过程按知识对象库中的知识点 确定学习目标和课程目标，并设计具有不同学习策略的 Webquest 教学情景、任务、过程、资源、评价和总结模块。 学生通过登录入口进入个性分析过程模块，个性分析过程模 块针对不同学习者，从已有知识库中抽取适应学习者知识层 次的学习情景、任务和资源，按照灵活的教学情景实例，以 任务驱动方式要求学习者进行学习和探究。学习者按照学习 过程进行自主协同学习过程中，学习过程模块会自动开始采 集和记录学生的请求，跟踪学生的行为，收集学生学习课件 的类型及难度、查看资料的时间和频繁度、点击的网页、搜 索的关键字，以及作业和测试的过程及结果等，提交给最终 的用户个性信息数据库。资源调度过程模块会根据学习者需 要，自动筛选和帮助学习者搜索出所需的教学资源。学习者 根据情景、任务、相关资料和工具进行多种形式的自主探索 和研究，并根据教师在评价模块中制定的评价体系进行教学 总结。最后, 通过总结和理论修正过程，优化最初设计的教学 内容。

三 Webquest 自适应教学系统功能分析

结合 Webquest 教学模式中情景、任务、过程、资源、评 价和总结六大模块，对教学设计模块、个性分析模块、协同 学习模块、资源调度模块、评价模块等功能进行阐述。

1教学设计

教学设计模块实现教师课程管理和教学策略管理功能。该模块一方面具有制定教学情境、确定教学任务和教学过程 的功能，另一方面还提供教学内容维护功能，例如：输入教 案、试题、问题；上传教学材料；根据学生的学习情况适当 更改教学内容和教学媒体等；辅助教师对学生的学习内容进 行在线指导等。

在设计过程中，充分关注网络环境教学模块建构的动态 性，从教学的适应性角度出发，考虑 Webquest 各个模块的功 能性和动态发展性。在充分考虑学习适应性的基础上，应用 目前国际教育技术先进的设计型研究理论，以及应用活动理 论的系统动态发展观来建构适应性学习模块功能。因此，教 学设计模块具有可重组性和扩展性。

2个性分析

个性分析模块功能是获取用户的学习习惯和偏好并加以分析，生成用户模型，构建个性化的教学情景，分配个性化 的学习任务。个性分析是实现个性化教学服务的前提。学习 者在确认身份进入 Webquest 教学系统后，个性分析模块根据 用户样本，构建教学情景，分配学习任务，并进入特定的学 习过程进行自主协同学习。

网络环境下学习活动设计的服务对象主要是学习者，在 活动设计的过程中，按照学习者个体的实际学习因素，可采 用的研究方法主要是现成的心理学测试量表，如：温斯坦标 准化学习策略量表 LASSI 等。针对不同学习者个体的访谈加 经验分析法研究，系统分析学习者个体的学习风格对网络环 境活动设计的模块功能需求，自适应过程中的学习情感需求， 找到个体学习的主要影响因素，充分发挥活动理论的指导作 用，使整个网络环境的活动系统设计朝着适应性个体学习方 向动态地发展。

3协同学习

协同学习过程模块实现学生自主学习和协同学习的自动化和智能化。主要包括提供协同学习工具、学习过程的智能 监视和跟踪，并通过感知学习者和教师的教学过程环境来自 动设定进一步的教学任务。

（1） 协同学习工具

在进行Webquest 教学过程中, 除了能提供一些常用的交 流工具，如：提问、论坛、聊天室等, 协同学习工具还应具有 使多个学习者协同进行学习并一起达到学习的目标的功能。 协同工具提供协作者在本次Webquest的教学过程中的协作状 态、协同探究资源列表、讨论记录、推理评价等服务。多个 学习者通过协同工具以任务驱动模式进行学习。其具体步骤 如下：

根据教学的内容中目标知识点重要性以及目标知识点 之间的关系，定义关键学习目标，生成教学过程的关键路径；

查询用户个性信息库具有相关信息的学习者，生成协同学习小组,分配学习任务表；

对学习者学习情况进行监控和推理,当学习者完成某 一项关键学习活动或者时间到期时将触发其相应学习事件， 如：更新小组内学习者的学习任务表，将学习者的学习情况 发送给教师以及进入下一个目标知识点的学习；

循环以上步骤，直至完成学习任务和目标。

（2） 学习过程的智能监视和记录

在学习过程中，系统一方面会自动开始采集学生的请求，记录学生的行为，收集学生学习的相关资料，如：课件的类 型、难度、查看资料的时间和频繁度、点击的网页、搜索的 关键字，以及做作业、做测试的过程及结果等，并提交给最 终的用户个性信息数据库。另一方面，学习过程模块和资源 调度过程模块会根据学习者需要，自动筛选和帮助学习者搜 索出所需的课件资源，学习过程模块根据学习者的需要调用 新的学习情景和学习任务。

4 资源调度

Webquest教学资源作为独立体，教学系统很难主动定位 和限定Webquest教学资源的存在。因此，资源调度模块的功 能就是针对不同学习者，从已有知识库中抽取符合学习者兴 趣和知识层次的资源。学习者进入教学过程中，资源调度模 块会根据学习者需要，自动搜索和筛选出所需的信息资源， 设计成细粒度的无状态的实体构件。如：多媒体资源的展示、课件资源的制作工具、课件的上传下载、在线测试等。

（1） 资源搜索 资源搜索的主要功能是主动搜索网上资源。搜索的方式

有两种，即本地搜索和远程搜索。前者是从索引数据库中进 行查找,这种方式速度较快。后者又分成两种途径：①直接搜 寻Web站点，从Web页面中获取信息。②借助于已有的搜索引 擎进行信息搜索。这种方式的优点在于不必直接对整个 Internet进行搜索，只需与若干搜索引擎连接，获取它们返回 的结果即可。

（2） 资源过滤 由于搜索范围受搜索引擎的限制，如果直接将搜索引擎

的结果返回到用户端会带来大量无效信息，增加学生的知识 盲点。因此最好的方法是通过 Agent 传输协议（Agent Transfer Protocol，ATP）移动到 Web 服务器端，在服务器上完成信息 的自动获取和过滤操作。只将有效信息传回用户端，从而避 免了大量数据的网络传输，降低系统对网络带宽的依赖，这 样可以大大提高搜索效率，充分发挥 Agent 技术的效能。

5学习评价

Webquest 评价系统遵循了内容和评价主体多元化、评价 实施情景化和评价方式多样化的特定，以多元智能理论为基 础，充分发挥 Web 特点，发展一种交互式智能化的评价系统。 结构如下图 2 所示：

评价作为一种在学生自主探究学习过程中监控、记录、收集和分析学生学习行为及轨迹的手段，有效 的把评价活动“嵌入”到学生整个学习过程当中，是综合评 价系统当中最为重要的评价方式和绩效依据。本模块由模糊 专家系统推论出学习者的学习状态，并给予评价和适当帮助。

四 系统实现及关键技术分析

本系统实现采用 B/S 运行模式，基于 Windows 2003 操作 系统平台，采用 JAVA、JSP 和.NET 等开发工具，运用人工智 能和 Web Services 技术，使用 Apache 进行 Web 发布，Oracle 作为后台数据库,集成包括网络课堂、教学管理、课程管理、 资源管理、学习评估、作业发布、过程监控、协同学习工具 等基于 CELTS和 SCORM 标准[7,8]的 Webquest 教学应用系统。 我们从 2007 年开始在网上开设了 3 门计算机公共基础课程, 同时在线人数超过 1000，目前已经有 22 个班级利用该平台完 成相关课程。图 3 是符合某教学策略的 Webquest 学习平台， 教师教学设计平台见图 4 所示。

1个性分析与实现算法

学生用户登录后，学生进行选择个性化学习策略流程。本系统采用的学习策略量表是由美国20 世纪80年代末期编 制的温斯坦标准化学习策略量表LASSI[9,10]，美国已有1000多 所学校使用此量表对学生的学习策略应用水平进行测试。此 量表测量学生用来进行学习和研究活动的策略和方法，重点 关注那些通过教学可以改善与成功学习（successful learning） 相关的显性或隐性的思想和行为[11]。LASSI对于帮助学生学会 学习、帮助教师进行研究和设计教学活动均有积极作用。

LASSI有10个分量表[12,13], 分别是：（1）态度（ATT），测 量学生对追求学习成功、完成与此相关的任务的总的态度和 动机；（2）动机（MOT），测量学生对完成具体学业任务所负 责任的程度；（3）时间管理（TMT），测量学生建立和使用时 间的水平；（4）焦虑（ANX），测量学生减少对学校和自己的 学习成绩的担心程度的能力；（5）专心（CON），测量学生把 注意力指向并集中在特定学习任务上的能力；（6）信息加工（INP），测量学生使用心理表象、言语精加工、领会监控和 推理等策略促进理解和回忆的程度；（7）选择要点（SM）， 测量学生在各种一般性的和细节性信息中识别出用以进一步学习的重要信息的能力；（8）学习辅助（STA），测量学生是 创造或使用辅助性技术及材料来帮助学习和保持信息的能 力；（9）自我测试（SFT），测量学生对要学习课程理解程度 的能力；（10）考试策略（TST），测量学生运用备考和应试策 略的水平。针对我校教学现状与学生水平，本系统在LASSI 量表的基础上，对测量数据分析的算法设计上做了适当的改 进，以学习意愿度、学习能力度、知识水平度三类综合实力 测量作为判断依据，生成个性样本，并自动选择和构建个性 化的学习策略。

具体算法设计如下：

学习意愿度（Willingness）：以态度（ATT）、动机（MOT） 和焦虑（ANX）三个分量表为基本数据源，根据国际上的常 规模式得出原始分数 Sw 并转化成百分数。

If Sw is low

Then choose policy from P5,P6,P7,P8. If Sw is high

Then choose policy from P1,P2,P3,P4.

此综合度主要用以测量学生个体对于学习目标及完成学 习任务的兴趣、态度和动机等心理状况和内在潜力。

学习能力度（Ability ）：以时间管理（TMT ）、专心（CON）、信息加工（INP）、选择要点（SM）和学习辅导（STA） 五个分量表作为基本数据源，根据国际上的常规模式得出原 始分数 Sa 并转化成百分数。

If Sa is low

Then choose policy from P3,P4,P7,P8. If Sa is high

Then choose policy from P1,P2,P5,P6.

此综合度主要用以测量学生个体在学习过程中的专注 度、持久度以及对于学习的领悟、安排、管理、运用、推理 的多方面能力。

知识水平度（Knowledge）：以自我测试（SFT）和考试 策略（TST）这两个分量表作为基本数据源，根据国际上的常 规模式得出原始分数 Sk 并转化成百分数。

If Sk is low

Then choose policy from P2,P3,P6,P8. If Sk is high

Then choose policy from P1,P4,P5,P7.

此综合度主要用以测量学生个体自身对所学知识及相 关信息的掌握程度。

需要说明的是，依据此分析算法所构建的个性化学习策 略库中，以表 1 中八种学习策略为常规策略，策略库并不是 无限大的。

2资源调度与实现算法

Webquset 作为探究式教学模式，资源搜索和定位是决定 学习效果的关键，所以资源调度模块的重要性不言而喻。作 为个性化、智能化的教学系统，怎样根据学习者的个性特征 和知识层次为其提供适当的教学资源，即以怎样的算法实现 对学习者的智能推荐，帮助学习者更方便、更准确地在大量 异构、分布式的资源中搜索和提取所需数据，是 Webquest 教 学系统实现的重点。

利用 Multi-agent 协作技术和 Webservices 技术实现资源 调度是一种方便有效的途径。它既利用 Web services 技术解决 了异构、分布式资源存取困难的问题，又利用模块调用为系 统提供了多样化的推荐功能[14,15]。

在会话中，假设符合学习者个性的，对学习者有价值的 信息列表用 Sug来表示，则 Sug表示为一个多元组集合 Sug={ M, L, PW, u}，它将最终反馈给学习者。

其中 M 代表当前站点的邻接矩阵，它通过搜索用户导航 信息图，找出与当前页面关联度 Minfreq 较大的邻接页面，认 为是有价值的；L 指聚簇列表。聚簇是根据码值找到数据的物 理存储位置，从而达到快速检索数据的目的。系统认为只有 大于最小聚簇值 Minclustersize的聚簇才是有意义的遍历聚 簇；PW 指会话标识符索引列表，u 指用户请求页的 URL。当 一个学习者的请求到达 Web 服务器，后台的资源库将被更新， 同时一个推荐信息列表将被附加到请求页并反馈给学习者。 通过学习者的会话标识符，系统判定该学习者是否在线，并 通过当前会话特征，自动更新资源库并产生推荐信息。而在 会话过程中，学习者所访问的 URL 标识符被存储到一个简单 的映射数组中，要找到 URL 标识符所对应的 URL 地址，只 能通过访问一个字符串数据结构 trie 才能得到，trie 中就存储 了 URL 标识符到 URL 的映射关系。下面是基本实现算法：

初始设置：M，L，PW；

输入：用户请求页的 URL ：u；

输出：对会话学习者有价值的信息列表 Sug；

page _idu=Identify_Page (u)； //在当前会话中，通 过访问 trie，提取相应 URL 的 id

session_id=Identify_Session ( )；

page_idv=Last_Page (session_id)； //返回当前会 话中最近访问页的 id

PW=Page_Windows[session_id]；

If (!Exists (page_idu, page_idv, PW))

then

M[page_idu, page_idv]++; //如果(u, v)已出现当 前会话中,则邻接矩阵 M 自增

If ((Wuv > minfreq)&(L[page_idu ]< >L[page_ idv]))

then

MergeCluster(L[page_idu],L[page_ idv]);//如果 M

关联度够大且 u,v 不重复，则合并它们的聚簇 L

endif

M [page_idu, page_idu] ++;

New_L= Cluster( M, L, page_idu );//产生新的聚簇 列表

L=New_L

endif

Push(u,PW); //将产生的页面 push 到列表 PW 中

Sug=Create_Suggestions (PW, L, page_idu); //产

生推荐信息列表 sug

Return(Sug); //将推荐信息列表返回给用户

五 结束语

本文所述的基于Webquest的自适应教学系统的设计方法, 能有效地解决当前Webquest教学存在的不足。通过人工智能 技术和Web技术建立的教学系统，能为学习者提供了真正有价 值的资源最小集合，也是从依靠单一模式解决问题发展到以 多个模式协作完成构想的转变，使得Webquest教学系统具有 很好地扩展性和重组性，并对信息化教学有积极地推动和促 进作用。

参考文献

[1]DodgeBJ.WebQuests:A TechniqueforInternetBasedLearning[J]. The Distance Educator. 1995, 1(2): 10-13.

[2] 文可为, 陈淳泉等.网络探索WebQuest的应用:在香港中学 会考课程中地理议题的应用[C ].第十届全球华人计算机教 育应用会议(GCCCE2006) , 2006: 1-17.

[3] 李振贤.应用WebQuest理论于网络环境教学其学习成效之 研究:以中学生物为例[D].台湾:南台科技大学, 2002.

[4] 余胜泉.信息技术与课程整合—网络时代的教学模式与方 法[M].上海教育出版社,2005: 215.

[5] 秦伟俊等. 基于多层体系结构的网络教学系统[J]. 清华大 学学报(自然科学版),2006, 46(7): 1301-1304.

[6] 刘菲等. 多Agent 协作的强化学习模型和算法[J]. 计算机 科学,2006,l33(12): 156-158.

[7] SCORM Guidelines [ EB/OL].< http://www.adlnet.gov/scorm/index.aspx, 2006-12 /2007-11-02.>

[8] 史元春,沈中南,向欣,等.学习对象元数据[EB/OL].

[9] Weinstein, C. E., Schulte, A.C.,& Palmer, D.R. Learning andStudy Strategies Inventory (LASSI). 1987, Clearwater, FL: H& H Publishing.

[10] H & H Publishing Co. 1189 institutions have used the LASSI or E-LASSI as of June 1, 1994. Clearwater, FL: Author.

[11] Weinstein, C. E. LASSI users manual. Clearwater, FL: H&H; Publishing.

[12] Olejnik, S., & Nist, S. L. Identifying latent variables measured by the Learning and Study Strategies Inventory (LASSI) [J]. Journal of Experimental Education,1992,60:151-159.

[13] Claire E. Weinstein & David R. Palmer. Users Manual for those administering the Learning and Study Strategies Inventory, 2nd Edition [DB/OL].

[14]姜丽红,徐博艺,席俊红.基于案例推理的过滤算法及智能 信息推荐系统[J].清华大学学报(自然科学版),2006,46:1074-1077.

[15]陶剑文.一种分布式智能推荐系统的设计[J].计算机工程.2007,33(15): 207-208,213.