基于Web的个性化学习环境构建关键技术研究

赵学孔 龙世荣

[摘 要]网络环境下基于Web的个性化学习是现代远程教育与智慧教育领域研究的热点，也是数字化学习E-learning未来发展的趋势。Web个性化学习环境构建主旨是针对学习者特征差异性“分析”与“判断”其个性化需求，并以此精准推荐适当的学习资源，其实现的关键在于用户特征模型构建与分析、结构化领域知识构建以及知识个性化推荐与呈现。其中，用户静态特征与动态行为特征是个性化学习需求的逻辑起点，结构化领域知识模型是个性化推荐的数据源基础，知识个性化推荐与呈现是E-learning的宗旨。

[关键词]E-learning；个性化学习；用户特征；领域知识；推荐技术

[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437（2018）03-0067-04

自古“因材施教”教学思想提出至今，个性化教育备受人们推崇。个性化教育主张尊重学生的个体差异而实施个性化教学与指导，成为现代教学的理论基础。个性化学习作为个性化教育的分支，体现了“学习者为中心”的教学理念。当前，数字化学习E-learning作为一种重要的学习方式，其跨时空、高时效等优势为开展创新学习方式提供了新机遇。受大数据、知识可视化、学习分析等网络新技术思潮影响，众多研究者将焦点转向网络技术支持下的E-learning个性化学习领域。业界知名的美国新媒体联盟（NMC）在《2016版地平线报告》中预言基于自适应学习技术的个性化学习成为E-learning未来发展态势[1]。由此，关于网络环境下基于Web的个性化学习环境（即个性化E-learning）研究意义深远。

一、领域相关研究现状

为了构建具有“个性化”机能的Web学习环境，国内外众多研究者在该领域开展了大量的理论与实践研究，并从不同的视角提出了解决方案。Brusilovsky等人[2]首次从“适应性”角度提出了个性化E-learning系统的观点，认为适应性的导航设计可以帮助学习者更好的学习，提高他们的学习效率；DeBra教授[3]认为学习者模型是个性化学习系统实现的关键，可以从认知水平和访问状态两个维度构建；Markellou等人[4]在语义框架的基础上通过关联规则挖掘技术获取当前学习者和学习资源潜在的语义关系，为基于语义的个性化E-learning系统研究奠定了基础；Thorat等人[5]利用协同推荐技术获取学习者对学习资源的反馈信息，进而提出个性化学习系统推荐机制。相较于国外，国内该领域研究起步稍晚，但仍有众多值得借鉴的研究成果，典型代表有：北京师范大学余胜泉教授研究团队提出了“学习元”技术，并以此开发了具有一定适应性的学习元平台[6]；中国台湾淡江大学计算机学院对分布式Agent技术进行了研究，然后开发了智能学习系统MMU[7]；杨丽娜等[8]尝试利用多角色Agent合作框架解决E-learning环境下个性化学习资源推荐问题；王永固等人[9]提出了Web环境下利用学习进度确定邻近学习者的方法。

纵观上述研究，研究者主要从适应性导航、推荐技术、系统建模、语义挖掘、Agent等视角切入，提出了系统个性化推荐机制的解决方案，这些研究成果为后续相关研究提供了宝贵的参考借鉴。但也不难发现，目前关于个性化E-learning系统领域研究仍处于探索阶段，尚有许多不完善领域值得进一步深入研究。因此，本研究拟在文献研究基础上，结合笔者多年实践研究经验，尝试从用户特征、领域知识以及知识个性化推荐三个维度分析Web个性化学习环境建设方案，以期为本领域相关研究者和实践开发者提供参考借鉴。

二、用户特征模型构建与分析

个性化E-learning系统的设计宗旨是以学习者为中心推荐其所需要的学习资源。显然，“分析”与“判断”当前学习者用户的个性需求是个性化E-learning首要解决的问题。然而，计算机世界对用户需求的理解都以数据模型为基础，因此可以说，用户特征模型的构建及其需求分析是E-learning实现个性化的逻辑起点。在此，用户特征模型是对用户特征信息最好的描述方式，其通过结构化的表征方式可清晰地表达用户属性特征，为系统判断个性需求提供依据。

（一）用户特征模型构建

在E-learning环境中，在线学习用户的特征一般包括个人基本信息、学习风格类型、认知水平、学习偏好等。以上这些特征信息可以通过多种途径获取，例如用户的基本信息可以通过注册方式获取，学习风格可以通过问卷与行为日志记录方式获得，认知水平可以通过测试成绩获得，学习偏好可以通过行为日志记录获得。用户模型构建过程一般包括用户基础信息收集、用户特征模型表征、用户特征模型更新和用户特征模型使用四个环节，如图1所示。

显然，由图1可知，用户特征模型是动态变化的，其在用户学习过程中会实时动态自我更新。根据IMS LIP（Learner Information Package）建模标准，学习者特征模型一般可以从基本信息、兴趣偏好、认知水平和学习风格四个维度构建。考虑到用户的特征属性可分为静态信息和动态信息，本文构建的用户特征模型采用多元组形式表征，具体表征方法如下。

1.用户基本特征模型

用于表征学习者用户的总体特征模型，具体表示方法如下：

UserModel=（BasicInformation，LearningPreference，CognitiveLevel，LearningStyle）

其中，BasicInformation表示用户的基本的静态资料信息，包括用户姓名、年龄、专业背景等；LearningPreference表示用户的学习偏好属性，其以用户对学习资源的兴趣度值表示；CognitiveLevel表示用户当前的认知水平；LearningStyle表示用户的学习风格信息。LearningPreference、CognitiveLevel和LearningStyle存储了用户的动态信息，其值随着网络学习状态改變而实时动态更新。

2.用户学习偏好模型

用户学习偏好反映了用户对某学习资源的兴趣倾向，一般可根据用户对某资源的关注程度来计算，其具体表示方法为：

LearningPreference（n）={，，…，}

其中，Ri表示学习网页或学习资源集，Ai表示用户对Ri的关注程度，p是学习资源集合数量，i=1，2，3，…p。

3.用户认知水平模型

用户认知水平反映了用户当前对学习内容的掌握情况，可通过学习者测试成绩、测试时长、学习时长等多个维度综合评估获得。用户认知水平模型表征方法如下：

CognitiveLevel（U）=（U，Cli）

其中，U表示学习者用户；Cli表示用户的认知水平，其值域为Cli={1，2，3}，分别对应认知水平为{较差，中等，较好}，成绩段为{0-59，60-79，80-100}。当然，这些阀值可由教师在系统管理后台动态更改，以调整系统推荐资源的精准度。

4.用户学习风格模型

学习风格是学习者个体在不同的学习情境及学习过程中所表现出来的具有个性化特征的认知方式，其表征方法如下：

LearningStyle（U）={，，，}

其中，（i∈[1，4]）表示学习者在Felder学习风格中某个维度的取值；Di表示风格取值类型（Di∈{“感知型-直觉型”，“视觉型-言语型”，“主动型-反思型”，“全局型-序列型”}）；Lsi为模糊取值（Lsi∈[0，1]），其代表在学习风格Di维度的取值。

（二）用户行为特征分析

在E-learning环境中，用户的学习过程实质上是用户行为发生的过程，而这些行为特征信息中往往隐含了学习风格特征、学习偏好等各种信息。例如，某用户频繁浏览或下载某类资源表示该用户偏好于该类型资源；某用户访问某知识点的次数增加预示着该用户对该知识点的关注度或需求度增高。可见，用户的行为特征作为用户关键特征之一，深入挖掘用户行为特征信息对准确构建用户模型至关重要。

一般而言，用户行为特征值可通过两种途径计算获得，即Web页面操作行为分析法和日志记录序列分析法。Web页面操作行为分析法主要是通过系统学习页面脚本实时抓取用户的各种学习行为，例如页面或资源的访问次数、访问时长、资源下载次数、单击/滚动鼠标次数、添加书签动作等；日志记录序列分析法主要是采用数据挖掘、关联规则等技术从数据库日志记录中提取用户详细的学习经历与学习路径，然后预估用户个性化学习需求。

从上文的分析可知，用户特征模型是用户基本静态信息与动态信息的综合体，其随着学习者学习过程以及学习行为的变化而实时改变，所以在对用户特征模型建模评估中，我们需要将用户评测分值（如测试成绩、风格量表测试值等）与其行为反馈特征值综合权衡，而这也是该领域研究的难点。

三、结构化领域知识模型构建

领域知识是个性化E-learning系统推荐以及学习者获取知识内容的重要数据来源，其内容载体可以是图片、文本、视频、音频等任何媒体格式。领域知识模型是领域知识的结构化表征，其建模方式直接影响个性化E-learning系统的推荐效果。根据教学目标与计划，系统中的领域知识之间应存在一种隐性的关系结构，这种关系结构能充分应用于学习策略或学习方式的匹配过程中。因此，领域知识建模时需要充分考虑其结构化、粒度化等标准范式，通过多维的属性描述建立知识对象模型，以提高系统个性化推荐的精准度。一般情况下，领域知识模型可以表征为某门课程、课程中的某个知识单元或某个知识点三种粒度，而每个知识对象不仅包含难度级别、风格类型（或媒体类型）等基本属性，同时知识对象之间存在前驱后继、并列或相关等关系[10]。在参考IMS资源建设标准基础上，本研究构建的领域知识模型多元组结构表达式如下所示：

KnowledgeObject={Kid，Kname，Kcontent，KOR}

其中，Kid表示知识对象的唯一标识，Kname表示知识对象名称，Kcontent表示知识对象内容信息，KOR表示知识对象所属关系集合。通常情况下，知识对象之间的关系可分为三种，即前驱后继关系、并列关系以及相关关系。基于此，本研究中知识对象间的关系模型KOR可表示为：

K（a，b）={，Ktype，Kweight}

其中，Ktype表示关系类型（Ktype∈{“前驱”，“后继”，“并列”，“相关”}）；Kweight表示关系的权重值（Kweight∈[0，1]，该值越高代表知识点间的相关性越大）。例如，知识对象a与知识对象b的关系记为K（a，b）={，“相关”，0.8}，表示知识对象a、b之间是相关关系，其关系权重为0.8。

此外，我们也可以采用许多国际性组织所提出的元数据描述方式来对领域知识进行模型结构化表征。该方法从学习对象的描述出发采用了与元数据规范统一的结构化XML以及内容包装方式，为个性化E-learning系统的建设提供了基础。结构化领域知识XML层次表示方法如图2所示[11]。

四、个性化推荐与知识呈现

为了能让个性化E-learning系统在“分析”和“判断”当前学习者个性化学习需求的基础上适当推送与呈现知识内容及学习资源，各种推荐技术被广泛应用于E-learning系统中。目前常用到的推荐技术有协同过滤推荐、基于内容推荐、关联规则推荐以及混合推荐。

（一）协同过滤推荐技术

协同过滤推荐技术是根据相似用户来推荐资源内容，其关键在于计算用户之间的相似度值，并根据相似度值对用户进行聚类，寻找当前用户的邻居用户（群）。协同过滤推荐的优点是当系统用户量或资源量增多使推荐效果会提高，且对于非良好结构性的资源仍具有较好的推荐效果；缺点在于当吸引用户量或资源量较少时存在冷啟动和稀疏问题。

（二）基于内容的推荐技术

基于内容的推荐技术是协同过滤技术的延续和发展，其主要通过计算与比较系统中用户与资源的匹配值以及资源之间的相似度值来向目标用户推荐资源。该推荐技术优点是推荐简单、高效，对于具有良好结构性的资源（如文本类）推荐效果较好，且不存在协同过滤中的冷启动与稀疏问题；缺点表现在当系统资源量较大且资源属性复杂，或者对于非良好结构属性的资源（如视频、图片）推荐效果不理想。

（三）关联规则推荐技术

关联规则推荐技术主要原理是通过分析系统用户与资源对象之间的日志行为数据来获取频繁项集和项序列，以此挖掘用户与资源潜在的规则并产生推荐。典型代表如Apriori、AprioriAll等。其优点在于能从用户行为日志记录中挖掘潜在价值的信息；缺点在于算法需要频繁遍历扫描数据库，对系统开销较大。

（四）混合推荐技术

混合推荐技术是将多种推荐技术进行整合而提出的一种推荐方式，其体现了“扬长避短”思想，即整合各种推荐技术优势，弥补各种推荐技术的不足。该类推荐技术优点是算法灵活，可根据推荐需要整合多种推荐算法，且在时间、空间复杂度上对算法优化，进而提高推荐效率与质量。

五、结语

网络环境下基于Web的个性化学习是新时代学习方式的创新之举，其基础保障在于构建个性化E-learning学习环境。基于Web的个性化E-learning学习环境构建主旨是针对学习者特征差异性“分析”与“判断”其个性化需求，并以此精准推荐适当的学习资源。文章对在文献研究基础上从用户特征模型、结构化领域知识构建以及个性化推荐技术三个维度对个性化E-learning学习环境技术解决方案进行了分析，以期为本领域研究者和实践开发者提供参考借鉴。

当然，目前我们的研究仍处于探索阶段，尚有不足之處。下一步，我们将在理论模型研究基础上通过实践研究进一步探索个性化E-learning学习环境构建方案。

[ 参 考 文 献 ]

[1] L·约翰逊，刘德建，黄荣怀，等.2016新媒体联盟中国基础教育技术展望：地平线项目区域报告[R].德克萨斯：新媒体联盟，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] 余胜泉，陈敏.泛在学习资源建设的特征与趋势——以学习元资源模型为例[J].现代远程教育研究，2011（6）：14-22.

[7] 陈天云，张剑平.智能教学系统（ITS）的研究现状及其在中国的发展[J].中国电化教育，2007（2）：95-99.

[8] 杨丽娜，刘科成，颜志军.案例推理Agent合作框架下的个性化学习资源推荐研究[J].中国电化教育，2009（12）：105-109.

[9] 王永固，邱飞岳，赵建龙，等.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志，2011（3）：66-71.

[10] 赵学孔，徐晓东，龙世荣.协同推荐：一种个性化学习路径生成的新视角[J].中国远程教育，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.

[责任编辑：钟 岚]