“互联网+”时代移动学习资源个性化推荐的现状与趋势研究

王吉林

（广州大学华软软件学院，广州 510990）

“互联网+教育”时代的到来，为用户提供越来越多移动学习资源的同时，也使用户在海量学习资源中获取所需的学习资源十分困难。于是，移动习资源个性化推荐的研究应运而生。本文通过对我国近十年（2010-2019）间有关移动学习资源个性化推荐的论文进行内容分析和数量的统计，对其研究现状和存在的问题进行梳理。

1 研究思路

本文以中国知网CNKI 全文数据库为研究来源，检索条件为：主题、或者篇名、或者关键词、或者摘要、或者全文（移动学习资源）并含（个性化推荐），通过精确匹配方式对我国近十年的论文进行检索。为提高本研究的信度和效度，剔除与本研究主题无关的文章，最终确定131篇论文作为研究样本。

本文使用计量可视化的CNKI 文献分析工具，从论文基本情况、研究者、基金、研究内容等方面对样本论文进行分类统计和分析，还使用内容分析法对相关论文进行内容分析。

2 统计分析

2.1 论文基本情况分析

2.1.1 论文来源分析

样本论文分布分散，硕士论文64篇，58篇期刊，博士论文6篇，国际会议3篇，来自47种期刊。其中，载文量大于2篇的期刊共有8种，占总数的38.3%。CSSCI 来源期刊有8篇，《中国远程教育》、《电化教育研究》、《现代教育技术》、《中国电化教育》载文数量较多，作为CSSCI 来源期刊，其刊载的论文质量较高，有很高的参考价值。

2.1.2 论文数量分布

对样本论文分布年份进行统计如图1。由此可见，移动学习资源的广泛应用使得人们更加关个性化推荐，进而使得研究移动学习资源个性化推荐的学者增多，研究方向逐渐拓宽。

图1 年份分析

2.2 研究者分析

2.2.1 论文作者分析

样本论文发表情况各不相同，有24位作者发表了2篇论文。他们对我国近十年移动学习资源个性化推荐的研究作出了较大贡献。在作者团队合作方面，40篇是由2名或者以上的人合作发表的。合作研究的论文比较少，占总数的30.53%。

2.2.2 论文作者所属机构分析

论文的第一作者所属机构，共有94所。大部分来自普通高等学校，少数部分来自广播电视大学和职业技术学院。由此可见，普通高等学校、广播电视大学和职业技术学院是移动学资源个性化推荐研究的主要力量，而其中又以普通高等学校为主。

2.3 基金分析

样本的基金分布如图2，总共有14项基金支持，国家自然科学基金和中国博士后基金支持比较多。这说明移动学习资源个性化推荐具有较大的研究意义，是未来研究的趋势。

图2 基金分布

2.4 研究内容分析

移动学习资源个性化推荐的研究划分为系统、平台或案例设计研究、基本理论研究、应用研究、推荐模型或模式构建研究、调查研究和推荐算法或策略研究六大领域，从这六个方面对58篇期刊论文样本进行归类统计，结果如图3。由此可以看出：

图3 样本研究领域统计

（1）当前推荐模型或模式的构建是研究热点，并已经取得了一定的成果。

（2）运用何种方式能有效地推荐学习资源，如何建设学习资源系统或平台是研究者关注的焦点。

（3）个性化推荐在移动学习资源中的应用研究究尚有欠缺，需要完善，还有很大的研究空间。

（4）基本理论研究偏少。

3 研究现状分析

笔者从三大研究领域对这58篇文献进行深入分析，以期能够得出我国目前移动学习资源个性化推荐的研究现状、趋势与问题瓶颈所在。

（1）推荐模型研究现状

庄科君，贺宝勋利用移动上下文推荐、学习进度预测的算法，构建个性化推荐的移动学习模型。[1]牟智佳，武法提以学习者个性信息特征为分析维度，构建了基于电子书包学习系统数据库的学习者模型，设计了基于学习者模型的个性化学习资源推荐框架。[2]陈淼，唐章蔚设计了情境因素、用户特点因素、用户兴趣因素、用户目标因素和反馈更新因素这五个维度的学习资源个性化推荐模型。[3]张剑提出了基于学习情境的个性化移动学习推荐系统模型。[4]李小文，童莉莉，李荣禄提出了PMKS——学习主体（Person）、移动工具（Mobile）、知识或者服务（Knowledge）和情境（Scene）的移动学习理论框架。[5]

（2）推荐算法或策略研究现状

杨丽娜提出了用户偏好模式识别和移动用户偏好的进化机制等有效提高移动学习资源可用性策略。[6]王晓康提出了基于协同过滤算法的移动学习者偏好模型。[7]张琳提出了快速获取个性化学习资源的内容过滤及协同过滤两种推送策略及技术实现方法。[8]夏立新，毕崇武，程秀峰提出一种面向布尔型移动在线学习资源的协同推荐方法。[9]

（3）系统平台或案例设计研究现状

朱书架，韦存存采用个性化推荐技术和标签技术组织移动学习资源，提出了移动学习系统的设计架构和实现方案。[10]伍冬莉，唐万梅，赵瑛实现了混合云模式下的“重师微学”移动学习平台。[11]江梦茜，周勇军，柯晓昱运用基于记忆的协同过滤算法，设计了一个基于协同过滤算法的移动英语学习平台。[12]肖祥林，周春容，万铮综合运用协同过滤（CF）推荐算法、基于内容的推荐算法以及情景感知推荐算法等算法集合，设计了一款基于个性化推荐方法的多终端微型课程学习平台。[13]曹伟采用情景感知技术，构建移动学习资源自适应推荐系统。[14]

4 总结与展望

4.1 研究现状

（1）关于质的研究比较少，对个性化推荐算法的评价、规范和应用到移动学习资源中等问题的研究仍然不透彻。样本论文的基金论文比比较低，这说明热度不够，研究的力度和支持度不够，研究也不深入。另外，涉及到移动学习资源个性化推荐的核心期刊论文较少。

（2）偏重模型构建、系统设计与技术实现，在教学中的实际应用偏少，有待进一步加强。样本论文中，推荐模型或模式构建的文献占比最高，其次是系统的设计与实现、推荐算法和策略等，且研究结果通常为一种移动学习资源个性化推荐模型、推荐算法的优化与引进、移动学习资源个性化系统的设计等。

（3）应用研究偏少。研究者设计并实现的移动学习资源个性化系统投入到实际教学中的偏少，即使真正投入到学习系统中使用，还不能做到十分的个性化。

（4）基础理论研究比较薄弱。虽然移动学习和个性化推荐的基础理论研究的发展已趋于多元化、稳定化，但是将个性化推荐应用于移动学习中，其基础理论研究偏少，已有的文献很少。

4.2 研究趋势

“互联网+教育”时代的到来，促进了移动学习资源个性化推荐的研究和发展，也使得其应用研究显得越来越迫切。样本究结果表明，个性化推荐将越来越面向个体，越来越能体现个性化。个性化推荐算法将会与教育教学实际相结合，移动学习资源的建设越来越智慧化。