刘平 刘潇 湖南外贸职业学院
当前高等院校教育资源个性化推荐主要是基于用户的学习情况进行分析,并且采取数字化的方式进行学习的模式,这种模式能够将丰富多样化的教育资源融入到学习者的学习过程中,也是学习者逐步建立起自身知识结构的一个重要路径。但是在数字化学习以及教育资源个性化推荐的过程中,也往往会出现用户的差异性问题,以及用户在通过使用教育资源个性化推荐时,会造成一定的学习负担或者认知负担,或者学习过程中会遇到其他认知困难,这是在个性化的教育资源推荐过程中必须解决的一个问题。如何进一步运用好数字化的资源,形成教育资源个性化的推荐模式,是提高学习者综合学习效率,并且提高高等院校教育效率的一个重要路径,因此只有通过深入分析,才能够推进教育资源个性化推荐的成熟与发展。
高等院校在形成教育资源个性化的过程中,最为重要的就是以学习者为中心,也就是学习者在学习过程中不断增强自身的知识储备,要根据其所掌握知识的各种不同节点,同时对学习的路径进行分析与规定等,挖掘学习者在学习过程中的一些实际需求和学习偏好,为教育资源个性化推荐提供扎实基础。教育资源的个性化首先是以学习者的个性化为重点,而本身涉及整体系统框架的架设,以及对于个性化资源推荐的模型构建,包括如何通过各种不同路径向学习者匹配相关资源,这些都需要通过数字化的手段进行建设,通过不同的维度形成推荐算法,从而在数字化的环境之下为学习者提供个性化的学习资源。
第一方面,在系统架构上要进行精心设计。高等院校在形成个性化教育资源的推荐系统时,要通过数字化平台对高校大学生学习的路径进行实质性的分析,这主要是依靠以时序为主要特点的匹配规则。也就是学习者在不同时间段学习的方式,高等院校对于学习者的各种行为通过监控器进行采集。个性化的资源推荐过程中,必须根据所采集到的各种信息,对学习者的学习风格以及认知偏好的隐性特征与信息进行匹配,从而在一定的关联规则基础上,形成推荐性的资源集合。因此高等院校在形成个性化的教育资源推荐时,必须在系统框架上加强设计,包括对学习支持工具的分析,如学习者在交流过程中所使用的各种在线工具,以及教育资源平台上所提供的阶段性测试的这些,都是为其个性化的学习提供相关辅助。在高等院校的个性化教育资源推荐系统框架设计中,包括了对监控器的设置以及个性化推荐引擎的算法设置等,这些都是整个系统中的各种具体部件,而个性化的推荐引擎是整体系统框架设计中的核心,通过对学习者大量的学习行为进行集合,挖掘符合相关规则的信息,从而为学习者提供个性化的教育资源推荐。
第二方面,在特征模型上要加强构建。高等院校在个性化的教育资源推荐系统上,要强化对不同特征的模型进行构建,这些模型主要是来源于学习者学习过程中的一些具体行为和习惯,对于学习者的认知思维变化的情况进行综合分析,从而对学习者的认知风格和学习偏好等方面进行系统性的整合。学习者的学习轨迹可以通过其浏览的文本或者图片等各种不同媒体格式进行分析,通过分析高等院校的教育目标和计划,在学习资源互相之间的隐性关系,将通过个性化教育资源推荐模型进行综合分析,从了进一步对学习者参与到个性化学习过程中的学习策略制定,以及学习方式的匹配进行进一步明确。在构建其具体模型时,需要考虑其结构化的标准方式,通过多维度的属性描述,对于个性化的教育资源推荐的对象模型进行建立,以此来提高整体系统的个性化特征以及使用的便捷性,在推荐个性化的教育资源时,能够体现出更高的精准程度。
在这一方面设置行为日记的事物模型是学习者个性化学习行为的具体描述方式,包括学习者访问页面的一些具体信息,通过数字化的个性教育资源推荐系统中,对于用户的行为日记进行记录,从而以关联规则挖掘相关的数据资源,通过数据之间的相关性分析,对于学习者提供更加个性化的推荐。在这种设计过程中,高等院校要尝试建立起用户的学习行为日记事务模型,在格式框架上包括访问者以及访问时间的其具体的数字化方式,囊括了学习者的各种行为,为个性化的定制各种教育资源提供基础。
第三方面,在个性化的教育资源推荐系统中,要形成路径匹配的基本规则。在数字化的学习环境里,学习者的各种学习行为,虽然可以通过行为日记进行记录,特别是对其不同时间节点上不同的学习行为进行分析,但是如果仅仅是基于学习行为日记进行记录,是无法实现个性化的教育资源推荐。因此在使用个性化的教育推荐系统时,必须要根据学习者的学习需求,形成基本的路径匹配原则,并且对不同时间段内的学习者的学习行为进行描述,进一步判定其内在的学习需求,从而形成最佳的学习路径,因此在搭建数字化的框架时,最主要是使用关联性规则技术,对于用户行为进行挖掘。
从上述的几种规则可以看出,搭建起系统性框架是个性化推荐教育资源的关键,而框架的核心内容就是对行为的记录,包括学习者在浏览以及学习过程中的具体情况。高等院校在搭建形成个性化的教育资源推荐模式时,针对行为日记的信息序列模式要加强处理,通过对用户访问资源的先后顺序,以及利用信息化的框架映射用户访问资源的对象标识,能够帮助高等院校描述出用户的具体图像,从而为教育资源的个性化推荐提供基础。
高等院校在开展教育资源个性化推荐的过程中,需要考虑如何进行策略上的选择,特别是对于学习行为的记录和考虑等,这是在整体系统化的模式中优化配置资源必须要重点建设的部分。因此,高等院校要确定好个性化推荐的步骤,并且循序渐进地推动系统发挥出作用。
第一方面,在高校的教育资源个性化推荐中,要明确基本步骤。首先,用户在登录数字化的学习系统时,系统要对用户的行为进行记录和分析,不能够仅仅是记录用户的登录状态。只要是通过个性化学习平台注册并且进行登录的用户,其行为都应该纳入到系统支持服务的范畴。其次,用户在实时学习的过程中,应该通过行为日记进行描述。高等院校在构建起信息化的处理模式时,需要运用行为监控器进行实时获取并且分析,并且把所记录的相关结果转化成为相关序列,并且为后续的相关规则记录提供基础。再者,在形成个性化的学习路径过程中,个性化的推荐引擎要对相关的用户行为进行分析,并且通过学习者的认知风格以及认知水平等多个方面进行深入挖掘,通过相关算法进行规制性的匹配,最终为学习者提供个性化的学习路径。最后,在学习路径上面要进行预处理。在个性化的教育资源推荐引擎发挥积极作用的过程中,同时要对相关数据进行预处理,这样才能够让使用者进行浏览并且使用。因为数据的形成必须要加强处理,才能够把个性化的学习路径的推荐以及学习教育资源的数据库进行关联性的映射,这样才能够通过转化生成的方式,把推荐的教育资源提供给相关的用户进行使用,从而以学习进度的方式进行体现。
第二方面,在算法的选择上要充分考虑个性化学习路径的关联算法,如何形成相对应的规则,同时在每一轮扫描数据库的时候,利用上一轮扫描形成的大序列形成候选的推荐序列,这样更有助于个性化教育资源的推荐。系统未根据相关权重的参数值以及相关关系的类型可以推导出最优的学习路径,因此在接下来的系统操作中分析资源对象的模型,依次分析出最优的学习路径节点,并且根据学习者的学习风格与学习偏好,匹配最优路径,以及符合学习者学习偏好的模式,按照学习者的学习进度进行映射的推荐。由此可见,学习者通过相关的学习支持工具,配合个性化的教育资源推荐,能够进一步通过用户终端进行浏览和学习,从而提高学习的效率。
在个性化的学习理论支持之下强调,在学习的过程中对学习者主体作用发挥和学习的本质,就是根据学习者不同的学习情况提供相关的帮助,因此高等院校的形成个性化的教育资源推荐系统建设过程中,就必须要对认知者和学习者的思维模式进行数字化的分析,才能够进一步运用个性化的教育资源,推荐帮助学习者掌握相关知识。因此在构建起相关的模型和框架过程里,高等院校要通过学习者持续化的学习行为,以及对其行为日记进行分析,从而深入挖掘相关数据,形成最优化的学习路径推荐进一步的对学习者的学习风格以及偏好等进行隐性特征的分析,为教育资源的个性化推荐提供基础。