自适应学习系统中“KCP学习者模型”研究

李春生，张永东，刘 澎，张可佳

(东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318)

0 引 言

远程教育经过长期的发展逐渐显示出以下趋势：以学习者为中心、实时反馈、各领域先进技术的融合、个性化学习以及开放性的终身教育[1]。自适应学习是提高学习效果的一种有效方式，即学习内容的选择和呈现方式能够满足学习者的学习个性化需求。但由于学习者的学习风格、学习偏好等各不相同导致自适应学习系统仍然面临许多困难。

学习者模型反映了学习者的学习情况，包括学习进度、对知识的理解程度、存在的认识偏差以及与预定目标之间存在的差距，是系统识别和区分学习者学习特性的重要依据。自适应学习强调以学习者为中心，因此获取学习者的学习特性并准确表述就显得极为重要[2]。自适应系统通过识别学习者的学习特性，根据学习者的知识水平和认知能力来推送相应的学习内容，根据学习者的学习需求及喜好来提供个性化指导，激发学习者兴趣。掌握学习者的初始知识水平和认知能力可以保证学习活动有效进行，另一方面，学习者的学习需要受动机的推动，因此，从学习的有效性出发，学习者的知识水平(knowledge level)、认知能力(cognitive ability)和偏好信息(preference information)[3-4]这三类特征是最基本的且不可或缺的。为提高自适应学习效率，使自适应系统更好地感知学习者的学习特性，提出了“KCP学习者模型”。其次，根据布鲁姆的教育目标和霍华德·加德纳的多元智能理论给出“KCP学习者模型”三个组成特征项的表示方法。

1 KCP学习者模型设计

自适应系统利用学习者模型来准确描述学习者的知识水平、认知能力和偏好信息，提高系统辅助学习的自适应性，实现个性化学习。自适应系统服务于学习者，学习者模型设计的目的是为学习者的个性化学习提供依据和规则[5]。因此要将先进的教育理念和现代教育技术充分结合，尊重不同学习者的学习需求和学习特点，使学习者能够得到丰富的学习资源，以及个性化的指导和实时的反馈。

为了使自适应系统能够更好地满足学习者的个性化学习需求，学习者模型需要具有以下特点：

(1)作为自适应系统，为学习者推送个性化学习资源的依据。系统通过获取学习者的学习特性，根据学习者的认知水平、认知能力和偏好信息，相应地推送适合学习者的学习内容。

(2)根据学习者的学习特性，自适应地提供适合学习者且能激发学习者兴趣的个性化指导。

(3)所建立的模型需要根据学习者的学习状况，不断主动完善模型。

根据以上原则设计的“KCP学习者模型”如图1所示。

图1 KCP学习者模型

该模型主要包括学习者的知识水平、认知能力以及学习偏好信息，具体描述如下：

知识水平是指学习者个体在知识获取方面的情况，包括知识缺陷、所掌握的知识水平等[6]。即学习者对各个相关知识的掌握程度，根据布鲁姆的认知目标分类可将掌握的程度划分为六个等级：识记、理解、应用、分析、综合以及评价。

认知能力是指对认知活动的自我调节和管理技巧。在教与学的活动中，学生自己感知记忆、思维、理解、想象的方法，预计自己操作的成绩，以及自我反馈学习效果，这都是“认知能力”的具体表现[7]。文中介绍的认知能力具体包括：观察、抽象、归纳、记忆、计算、分析、想象以及逻辑思维能力。

偏好信息是指学习过程中学习者表现出来的习惯、喜好的相对稳定的个性化学习活动方式[8]，包括背景材料偏好、学习策略偏好、系统功能偏好、资源呈现偏好、学习时间偏好等信息。

2 KCP学习者模型的表示方法研究

2.1 知识水平表示方法

根据布鲁姆的教育目标，对每个知识点的掌握程度都可以用参数ti来表示，具体方法如图2所示。

图2 知识水平表示方法

根据图2定义：K={(k1,t1),…,(ki,ti),…,(kn,tn)}，其中ki表示第i个知识点，ti表示第i个知识点的掌握程度，ti∈T，T={0，1，2，3，4，5，6}，“0”表示学习者对该知识点完全不了解。

2.2 认知能力表示方法

根据霍华德·加德纳的多元智能理论，认知能力有多种类型，这些认知能力水平可以用li表示，具体方法如图3所示。

图3 认知能力表示方法

根据图3定义：C={(c1,l1),…,(ci,li),…,(c8,l8)}，其中ci为第i种认知能力，li为第i种认知能力的水平值，且0

2.3 偏好信息表示方法

偏好信息表示方法具体如图4所示。

图4 偏好信息表示方法

定义：P=，其中Pb表示背景材料偏好(教育、艺术、科幻等)；Ps表示学习策略偏好(直观演示式、探究式、协作式等)；Pt表示学习时间；Pf表示系统功能偏好(用系统功能的使用频度表示)；Pp表示资源呈现方式偏好(文字、视频、ppt演示等)。γ表示喜好程度，且0<γ<1。

3 KCP学习者模型特征值获取方法研究

3.1 知识水平特征值获取方法

通过对学习者进行一系列测试，获取知识水平特征值。根据布鲁姆的教育目标，对知识的掌握水平分为知道、领会、应用、分析、综合、评价六类。在对学习者进行测试时，所测试题也相对应有知识水平标识[9-10]，即测试题考查了学习者对一项或多项知识水平的掌握情况，如表1所示。

表1 知识水平矢量表

若学习者回答正确所测试题的某项知识水平，则记为1，回答错误则记为-1，对于试题未涉及的知识水平或学习者没有参加测试，则记为0。

根据知识水平矢量表可以计算出各项知识水平hi的正确使用率r(hi)：

(1)

其中，Nhi(1)与Nhi(-1)分别表示学习者在测试中对知识水平hi回答正确和回答错误的次数。

因此，可以得到学习者对某一知识的的掌握程度矢量：

R={r(h1),r(h2),…,r(h6)}

(2)

所以可以计算出学习者对某项知识的综合掌握能力，即知识水平L(k)：

(3)

其中，Ci为某项知识水平在该知识点下的权值，Ci的初始值由专家确定，经过一定数量的学习测试之后可进行动态调整。

3.2 认知能力特征值获取方法

根据霍华德·加德纳的多元智能理论，将认知能力概括为下面几种类型，分别为：观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力以及想象能力[11]。为估算出学习者的认知能力，设计测试题类型为：

TEST=(Ai,Qi,γ,β,D)

(4)

其中，Ai为所测认知能力类别；Qi为题目类型；γ为该题型的难度系数，值域为[0～1];β为该题目的难度系数，值域为[0～1];D为该题的标准答案，由专家给出。

例如，要测试学习者的归纳能力(A1)和想象能力(A7)，设计试题类型如下：

TEST(1)=(A1,Q1,γ1,β1,D1)

TEST(2)=(A1,Q2,γ2,β2,D2)

TEST(3)=(A7,Q3,γ3,β3,D3)

TEST(4)=(A7,Q4,γ4,β4,D4)

(5)

那么，估算学习者认知能力水平L(C)的公式为：

(6)

3.3 偏好特征值获取方法

学习者偏好特征值获取方法分两步进行：第一，通过学习者的注册信息、量表或学习者上传等方式采集学习者偏好特征的静态值，之后通过直接、间接匹配、运算等方法来对这些原始数据进行处理，得到学习者的静态偏好特征值[12-13]；第二，通过挖掘学习者在学习时的行为，如搜索关键词、浏览网页的类型等，提取学习者的动态偏好特征[14]。

学习者在学习过程中，浏览网页的频率为该页面的点击率。一般的，如果该页面的点击率越高，就认为学习者较为偏好该页面。点击率公式为：

F(p)=S/S'

(7)

其中，S为学习过程中点击页面p的次数；S'为学习者学习过程中所点击页面的次数总和。

学习者在学习过程中，访问页面的时间也是偏好特征的一个体现[15]，访问时间可由页面的信息量决定。假设页面p中有资源集合ri={r1,r2,…,rn}，相对应的访问时间集合ti={t1,t2,…,tn}，可得访问时间公式为：

T(p)=α+∑(ri/n)

(8)

其中，α表示在当前页面中学习者访问的有效时间。

点击率和访问时间都可以体现出学习者的学习偏好，所以综合两者得出学习者的动态偏好特征P(p)如下：

P(p)=k*F(p)+(1-k)*T(p)

(9)

变形后得：

(10)

其中，k为调节参数，取值范围为0～1。

4 实例测试及效果综合分析

KCP学习者模型包含学习者的知识水平、认知能力以及学习偏好，作为自适应学习系统推送学习的依据，能够更加精准地为学习者推送学习资源，所以对学习者模型实施效果的评价需要依托于自适应学习系统。实验针对60名自适应系统学习者进行调查，将60名学习者均分为A、B、C三组，从用户满意度、考试成绩优秀率(考试成绩85分以上)两个维度对使用KCP学习者模型的自适应系统和传统自适应学习系统进行对比评价，评价结果如表2所示。

表2 评价结果

从表2中可以得出以下结论：相比于传统自适应学习系统，用户对KCP自适应系统的满意度更高；在学习者成绩优秀率(85分以上)方面，KCP自适应系统明显高于传统自适应学习系统。

5 结束语

文中提出了“KCP学习者模型”，模型包括学习者的知识水平、认知能力以及学习偏好信息，并将其应用到自适应学习系统中；运用算法量化表示出学习者模型的各个特征值，为自适应系统感知学习者的学习特性奠定基础；最后，对比分析当前传统自适应学习系统与使用“KCP学习者模型”的自适应学习系统的学习效果，从用户满意度以及学习者成绩优秀率两方面分析验证了该模型的可行性，能够使自适应学习系统更好地感知学习者学习特性，提高学习效率。

参考文献：

[1] 赵倩莹.网络学习者模型构建及其个性化学习服务研究[D].成都:四川师范大学,2013.

[2] 李唯实.个性化教育中的学习者模型技术研究[D].长沙:国防科学技术大学,2011.

[3] JIA Bing, ZHONG Shaochun,WANG Wei,et al.The construction and evolution of learner model in adaptive learning system[C]//International conference on computer technology and development.[s.l.]：IEEE, 2009:148-152.

[4] 贾 冰.自适应学习系统中学习者模型的表示及特征值获取方法研究[D].长春:东北师范大学,2010.

[5] CAKULA S,SEDLENIECE M.Development of a personalized e-learning model using methods of ontology[J].Procedia Computer Science,2013,26:113-120.

[6] 许 波,张结魁,周 军.基于行为分析的用户兴趣建模[J].情报杂志,2009,28(6):166-169.

[7] 姜 强,赵 蔚,王续迪.自适应学习系统中用户模型和知识模型本体参考规范的设计[J].现代远距离教育,2011(1):61-65.

[8] 尹春晖,邓 伟.基于用户浏览行为分析的用户兴趣获取[J].计算机技术与发展,2008,18(5):37-39.

[9] TIMUR S.Examining cognitive structures of prospective preschool teachers concerning the subject “force and motion”[J].Educational Sciences:Theory and Practice,2012,12(4):3039-3049.

[10] KIM Y S,YUM B J.Recommender system based on click stream data using association rule mining[J].Expert Systems with Application,2011,38(10):13320-13327.

[11] 马佳佳,熊才平,丁继红,等.面向学习过程的个性化资源推荐服务策略研究[J].中国教育信息化,2016(5):29-33.

[12] 李 宝,张文兰.智慧教育环境下学习资源推送服务模型的构建[J].远程教育杂志,2015,33(3):41-48.

[13] 姜 强,赵 蔚,王朋娇,等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):85-92.

[14] 张 舸,周东岱,葛情情.自适应学习系统中学习者特征模型及建模方法述评[J].现代教育技术,2012,22(5):77-82.

[15] CHRYSAFIADI K,VIRVOU M.Evaluating the integration of fuzzy logic into the student model of a web-based learning environment[J].Expert Systems with Applications,2012,39(18):13127-13134.