基于web的自适应学习匹配模式动态建构

赫宜 李卫军 杨文涛

摘要：在课程资源库建设逐渐成熟，但学生自主上网学习的动力不足，面对如何解决学习者需求的个性化与教学资源的有效利用的问题。提出了通过自适应学习系统的设计及实施，提高网络教学的有效性，扩展学生学习的时效性，加强学生技能的提升，进而提升学生综合职业素质。

关键词：网络学习;个性化自适应;学习系统

中图分类号：TP393 文献标识码：A

文章编号：1009-3044（2019）35-0209-02

在大数据不断发展的现在，海量数据呈现下，给经济发展、科学研究和教育领域带来了新契机的同时，面对大量和丰富的资源如何有效利用，教育资源提供者在网上提供的课程种类和数量越来越丰富，随着学习资源数量的不断扩大，资源库网站平台上的课程量激增能为学习者带来更多的选择，同时增加了学习者信息处理的负担，学习者在如此多的学习资源中如何选择。推荐技术是克服信息过载的一种有效手段，它能帮助用户筛选出感兴趣的信息[1]。信息过载问题出现于网络资源学习环境中。学习者面对大量的结构复杂的资源库信息而无从使用，经常会迷失在大量的资源信息中，一方面是不易快捷地找到所需要的资源，另一方面是资源庞杂不易学习。自适应学习匹配模式是提供一种类似搜索助手的功能来帮助学习者选取学习内容，并依据学习者的偏好自动地推荐学习方案。选出感兴趣的信息同时引导学生掌握和应用知识，创设智慧学习环境，更加充分、有效地利用这些数据，优化教与学，使学习资源库平台不再是静态化的提供，而成为动态适应学习者个性的自适应学习环境，解决学习者需求的个性化与教学资源的有效利用的问题。

1 利用网络学习者学习现状分析

在对被试大学1至3年级的学生发放了520份问卷。研究团队将收集到的网络学习资源了解状况、网络学习资源现状和对学校提供网络学习资源的评价的数据进行统计分析，以发现网络学习者的学习风格类型，以及学习风格类型与在线学习行为特征之间的关系，进而为制定教师指导行为和策略奠定可行性基础。

1.1学生网络使用基本情况调研

问卷第一部分对学生上网的基本情况进行调研，以分析出学生上网时长、地点的特点。经统计，每天都上网，几乎成为网迷占8.5%，每天都上网，偶尔包宿占6.3%，经常上网，但从未包过宿占46.8%，说明学生会经常上网，但自我管理能力还是强的。

1.2学生对网络资源的了解状况

问卷的第二部分，对网络资源了解状况进行了调研。第1题是针对了解或使用过哪些网络知识资源的，学生了解最多的是“知识百科（百度百科等）”和“文档共享网站（百度文库等）”，分别占82.9%和74.4%，这些资源是人文社会类资源，而对于如“专业学者Blog”“知名大学公开课”和“精品课程网站”很少关注，学生上网的目的更多的是在网络上游戏或娱乐。第2题对搜索专业知识的首选，“搜索引擎（google、百度等）”占比59.6%，而专业相关门户网站知道的不多，只占了10%，google、百度等搜索引擎并不提供智慧学习环境。使用网络学习资源的主要目的大部分是扩展知识视野，占89.37%，说明网络学习资源的重要性。

1.3网络学习资源现状

问卷的第三部分，对网络学习资源现状进行了调研。第1题是针对网络上的学习资源现状，认为重复度高的占了53.2%，专业学习资源很少占了31.9%，学生不能很快有效的找到适合自己学习的资源，使网络上的资源看似庞大，却出现严重不足的现象。第2题是您是如何使用网上的学习资源的，认真对比后使用占了66%，第3题是您认为网络学习资源有个性化功能么，认为有的和没有的人数对半，说明个性化功能不明显，不足以让学习者认可。

1.4学校提供网络学习资源的评价

问卷的第四部分对学校提供网络学习资源的评价。学习者最希望课程学习资源的呈现方式是课堂教学视频，占比51%，对希望课程资源可以根据学生个体需要进行推荐个性化的学习路径和学习资源这个题目，非常希望有的占38.3%，可以有的占61.7%，不希望有的为0。学习者还是希望有这样的一个系统给出建议或意见。

2 自适应学习系统的搜索引擎开发

2.1项目背景

目前，很多电子商务网站（如亚马逊（Amazon.com）、當当网、豆瓣、MovieLens.org等）也都采用了类似推荐机制，来促使用户更多地购物。因此，我们有必要把“个性化推荐机制”思想引入到网络学习系统设计上来，研发一个能够根据用户特性实现个性化学习的自适应学习系统。

2.2需求概述

基于信息技术的应用模式理论研究，检索相关文献了解相关理论。通过调研了解学生对自适应学习系统的需求并构建面向服务的自适应学习系统的参考模型。

2.3系统时序图

学习者上网查阅学习资料时，动态获取学习者的搜索路径及关键词，产生数据表，通过对数据表的算法分析获得初步的学习风格偏爱。

2.4数据库连接设计

本系统针对学生需求以及网站搜索需求主要有5张数据库表组成。

Institute（学院）：记录校内所有学院。属性有ins_id（学院ID，主键），ins_name（学院名）;

Major（专业）：记录所有学院信息。属性有major_id（学院ID，主键），major_name（学院名称），外键：ins_id，跟学院多对一的关联;

Course（课程）：记录所有课程信息。属性有course_id（课程ID，主键），course_name（课程名称），外键：major_id，跟专业多对一的关联;

Article_info（文章）：记录发布的所有文章信息。属性有co_id（课程ID，主键），title（文章题目），discription（文章描述），con-tent（文章内容），hits（点击量），外键：co_id，跟学院多对一的关联;user_id（用户ID），跟用户表多对一的关联;

User_info（用户信息）：记录用户信息。属性有：user_id（用户ID，主键）username（用户呢称），motto（个性签名），resume（简介），role（角色）;

2.5注册登录模块

注册：验证使用iQuery的表单的验证规则，对学习者对一些值的空值（类型：空）验证及对密码（类型：长度）的验证。加密处理：本系统对学习者前端传过的用密码使用辅助函数en-crypt来加密一个值。所有加密的值都使用OpenSSL的AES-256-CBC来进行加密。此外，所有加密过的值都会使用消息认证码（MAC）来签名，以检测加密字符串是否被篡改过。保证学习者的独立性。

2.6站内搜索推荐模块

所有学习者可以在资源库内进行检索。学习者通过自己喜欢的文章标题进行检索。可以输入想要找到的文章全名来检索，也可以输入标题所含的关键词来找到自己所想要的文章。可以通过输入某个老师的名称来查找该老师所发布的文章。

本系统使用Laravel模型关联将各个表关联起来，可以检索某个专业的文章也可以检索某个学院的文章。资源库网站以学习者所输入的关键词进行检索并将其以点击量的高低排序，返回给用户。

根据资源库自身的特点使自适应学习推荐系统能够顺利实施，主要包括以下几个方面。

（1）大量的统计数据：自适应学习系统环境收集学习者在资源库中使用的各种数据丰富，如学习者注册数据、学习者评分数据、学习者浏览数据等。丰富的数据为建立多种推荐模型、产生高质量的推荐提供了可能。

（2）自动化的数据收集：自适应学习系统环境中的各种数据通过自动化方式收集，减小了手工方式收集数据可能出现的误差，噪声数据明显减少，各种数据的可信度比较高，数据预处理比较简单。

（3）推荐效果可以进行评估：在自适应学习系统中实施推荐有利于通过资源库网站访问量的增加、学习时间的增加等指标直接进行评估，而评估的结果又可为推荐系统的改进方向提供指导。

本系统的推荐方式采用通用推荐和个性化推荐两种方式共用。

通用推荐是依据学习者注册和登录资源库的数据以及在资源库中浏览学习等统计数据产生的推荐。没有参考学习者的学习情况、学习内容和学习规律，也就是不考虑当前学习者的风格，通用推荐的数据比较容易获得，考虑的是学生群体对网络学习资源的使用，不考虑当前学习者的个体的风格。例如，资源库网站根据资源的点击量进行推荐，也考虑学习者所在的专业等少量的学习者信息推荐本专业的学习内容或新技术应用内容。

个性化推荐是指根据学习者在知识水平、学习风格、动机、目标等方面的特点和规律，向学习者推荐资源。例如，推荐系统在推荐课程资源时，会考虑到具体学习者正在学习的内容主题、专业、已学习过的课程等众多要素，综合判断所要推荐的课程资源是否是学习者可能适用的，从而做出推荐决策。

显然个性化推荐技术，相比通用推荐更具有针对性，更能体现出个性化服务。针对学习者的使用偏好作为推荐依据，更能充分考虑目标学习者的偏好，达到有效的缩小浏览范围，减少浏览时间，服务于学生，通过自适应学习系统能够为学习者提供适应性学习服务支持，为学生提供最佳学习路线、策略支持服务，学习资源支持服务等。另一方面系统推荐的学习内容与学习者需要学习的知识技能相符。将学生的被动学习转化为能主动学习，解决学习者在利用网络进行学习，而非是在网络环境中娱乐的现象，同时，解决“因材施教”，针对不同学习者满足个性化学习需求，实现根据学习者的多种特点和行为倾向，如学习风格、媒体倾向、兴趣、认知水平等，采用相应的教学策略，推荐个性化的学习路径和学习资源。

3 总结

解决学习者需求的个性化与教学资源的有效利用的问题。通过自适应系统的设计及实施，有利于提高网络教学的有效性，有利于扩展学生学习的时效性，有利于加强学生技能的提升，有利于提升学生综合职业素质。

参考文献：

[1]姜维.文本分析与文本挖掘[M].北京：科学出版社，2018.

[2]姜强，赵蔚，王朋娇.基于网络学习行为模式挖掘的用户学习风格模型建构研究[J].电化教育研究，2012（11）：55-61.

[3]吴青，罗儒国.基于网络学习行为的学习风格挖掘[J].现代远距离教育，2014（1）.

[4]吴鹏泽.远程学习者内部学习动机的激发策略[J].现代远距离教育，2011（2）.

[5]李艳燕.学习分析技术：服务学习过程设计和优化[J].开放教育研究，2012（18）：5.

[6]姜强，赵蔚.自适应学习系统述评及其优化机制研究[J].现代远距离教育，2011（6）.

[7]P.Brusilovsky，J. Eklund，E.Schwarz. Web-basedEducationfor All：A Tool for Developing Adaptive Courseware[C].Proc，7th Intemational World Wide Web Conference，1998，30（1-7），291-300.

[8]P.Brusilovsky，R. Farzan，J. Ahn. LaVeredEvaluationof AdaptiveSearch[C].ln Proceedings of Workshop on Evalua-ting Explor-atory Search Systems.At SIGIR 2006.

[9]祝智庭，沈德梅.學习分析学：智慧教育的科学力量[J].电化教育研究，2013（5）：5-12.

[10]阮滢.适应性学习：信息技术支持下的因材施教一访首都师范大学王陆教授[J].中小学信息技术教育，2006（11）：4-6，11.

[11]Zhong Keding. Online leaming and development（inChinese）[M].Beijing： Higher Education Press.2011.

【通联编辑：唐一东】

收稿日期：2019-08-20

基金项目：“基于web的自适应学习匹配模式动态构建研究”课题的成果（项目编号宁工商职院〔2016〕27号，主持人：赫宜）

作者简介：赫宜（1971-），副教授，硕士，研究方向计算机应用、物联网应用技术;李卫军（1979-），在读博士，讲师，研究方向语义网，本体的构建和重用;杨文涛（1984-），系统架构师，研究方向信息管理系统。