基于学习状态监测的个性化学习算法研究

王 嵬

(安徽工贸职业技术学院,安徽 淮南 232007)

0 引言

学习是一件十分复杂的事情,个体的学习效果受到多个方面因素的影响。不同的人有不同的学习需求和不同的学习任务规划,个性化学习推荐在知识大爆炸时代显得至关重要,能够使学习者花费较少的时间学习更多自身感兴趣、有用的知识,同时也更容易达到预期的学习效果[1]。个性化学习是一种结合个人实际需求的、具有更强针对性的学习,引起了学术界的广泛关注。谭珍琼等采用二分图法构建了学习任务分配场景,并结合学习目标设计了自适应效用函数,提出了基于迁移学习的学习任务动态分配算法,为学生科学制定学习任务分配提供了参考[2]。李浩君等基于深度神经网络设计了个性化学习资源推荐算法,通过衡量学习者对学习资源的关注程度以及个性化偏好,从而为学习者推荐最佳的学习资源,使学习者的在线学习体验大大提升[3]。匡容等综合考虑知识点综合权重、错误率、失分率等多个要素,构建了知识点掌握概率模型,并结合该模型设计了在线个性化学习推荐系统,由该系统推荐的top-8知识点准确率高达91.2%[4]。林振荣等指出传统基于用户协同过滤推荐算法未考虑物品特征对推荐效果所产生的影响,提出了基于词频-逆文本频率指数和用户聚类相结合的推荐算法,并且将提出的推荐算法和传统的用户协同过滤算法进行对比,验证了所提出的推荐算法在推荐性能上更优,具有非常不错的推荐效果[5]。刘凤娟等从学习者导向视角,结合自我决定理论,构建了基于知识图谱的个性化学习模型,并搭建了动机激发、知识建构、意志提升、能力增强的个性化学习“四位一体”协同支持机制[6]。同一个学习者对不同的学习内容有不同的学习状态,不同的学习者对同一部分内容也会产生不同的学习状态,通过学习状态监测来构建个性化学习内容推荐算法,提升学习者个性化学习的质量。

1 学习资源关系分析

信息化网络化时代,学习资源复杂多样。不同的学习者由于专业背景不同、兴趣爱好不同,所需要的学习资源也存在比较大的差异。大学生的学习资源主要来自于教师和网络两个方面,不同类的学习资源之间将构成复杂的系统,具体如图1所示。

图1 学习资源内在复杂关系网

在图1中,三角形、五边形、六边形、圆形表示不同类型的学习资源。对于同类型的学习资源而言,其存在知识结构上的前序、同级、后继层次关系,同时不同类型的学习资源之间也存在知识上的交叉,如相互引用、扩展知识等。面对种类数量繁多、结构复杂的学习资源,通过个性化学习推荐算法来提高学习者的学习效率就显得尤为重要。

2 个性化学习系统框架

2.1 学习状态监测

学习状态监测是进行学习者建模的基础,通过学习状态去了解学习者的个性化参数。不同学习者的学习状态存在较大的差异,在对学习状态数据分析的基础上提取学习者的个性化标签,学习者个性化标签分类如图2所示。

图2 学习者个性化标签分类

由图2可知,学习者个性化标签包括为什么学、学习什么以及如何学习。为什么学反映的是学习者的学习目的、学习动机等,不同学习者在“为什么学”上存在显著差异。学习什么反映的是学习者学习的知识点、技能等,同时也包含了学习的时间限制。如何学习反映的是学习者个人的学习偏好、学习所采用的方法等,不同学习者在如何学习上也存在显著差异。

大学生的学习状态直接影响了学习的质量和学习的效率,帮助大学生制定个性化学习规划应该从大学生的学习状态出发,通过监控学习状态来采取更具针对性的推荐策略。构建如图3所示的大学生学习状态监测指标体系。

图3 大学生学习状态监测指标体系

学习成绩通过单元测试方式来实现,每学习完成一个单元进行一次测试,监测学习状态。互动讨论通过发布讨论数、回复讨论数、置顶讨论数的方式来进行评价,监测学习状态。出勤表现通过签到次数、视频观看进度、登陆学习时长的方式来进行评价,监测学习状态。课堂表现通过单元观看时长、观看视频个数的方式来进行评价,监测学习状态。作业情况通过作业进度、测验进度、考试进度的方式来进行评价,监测学习状态。

2.2 个性化学习系统框架

个性化学习是考虑学生个性化差异,促进学生个性发展的学习范式。个性化学习系统是通过对学习者进行全方位的评价,发现和解决学习者在学习过程中所存在的问题,同时结合学习者自身的实际所制定的具有专属性的学习策略与学习方法,使学习者能够高效学习。个性化学习系统框架示意图如图4所示[7]。

图4 个性化学习系统框架示意图

由图4可知,个性化学习系统由学习者建模、推荐算法、推荐对象建模三部分组成。学习者建模是构建个性化学习系统的基础,通过对学习状态监测来完成学习者建模。由学习状态监测数据能够了解学习者的学习兴趣、学习偏好、学习态度,更加客观全面反映学习者的本质特征。推荐对象建模包括“分类”和“交互”两种方式:“分类”就是将推荐的内容放到不同的类别中,学习者在选择该类型知识的时候推荐给学习者;“交互”是结合学习者和推荐对象之间的交互数据进行建模,在交互的过程中把握被推荐对象的学习特征,从而将具有相同特征的学习内容推荐给学习者,提升学习者的学习效率和学习质量。

3 个性化学习推荐算法

3.1 个性化知识状态图

学生不同的基础知识、学习进度、学习时间等因素直接影响个性化学习,不同学习对象所构成的学习资源是生成个性化知识状态图的基础。根据中国网络教育标准定义,所有的课程体系均可以分解为许多个知识点,不同知识点之间有从属关系或者先决关系。在知识点的从属关系中,如果该知识点不包含其他的知识点,那么称该知识点为元知识点;如果该知识点包含其他的知识点,那么称该知识点为复合知识点[8]。

在个性化知识状态图中,不同元知识点分值也不同,因此可以通过学习状态监测将学生学习行为记录、学习效果跟踪等数据传递到元知识点,进而得到元知识点分值S,即

(1)

(1)式中:n为从属知识点个数;ωi为第i个知识点权重;si为第i个知识点分值。

结合知识点之间的层次结构可以由元知识点生成整个的知识域,得到不同学生的个性化知识状态图。图5为学生个性化学习内容生成架构。

图5 学生个性化学习内容生成架构

3.2 个性化知识图生成规则

根据学习状态监测数据可以获得学习者的目标知识点,结合目标知识点来生成个性化的知识图,进而达到个性化学习推荐的目的[9]。设课程知识结构图G包含个性化学习的所有知识点以及知识点之间先后学习的顺序关系,定义

G=(K,R)

(2)

(2)式中:K为所有知识点的集合;R为知识点之间关系集合。

每一位学习者都有专属的期望学习目标,设e为目标知识点,很显然e∈K,生成达到该期望学习目标的个性化知识图步骤如下:

1)产生课程知识结构图G的n个知识子图G1,G2,…,Gn,n个知识子图可以独立学习。定义Gi=(Ki,Ri),那么满足

Ki⊆K,Ri⊆R,Gi∩Gj

G=G1∪G2∪…∪Gn

(3)

式中:1≤i≤n,1≤j≤n,i≠j。

在知识子图中Gi不存在知识子图Gj的先学知识点,同时知识子图Gi中至少包含一个知识点不是其他知识子图的先学知识点。

2)搜索目标知识点e所在的知识子图,设该知识子图为Gk,那么Gk便是目标知识点所在知识子图。

3)在知识子图Gk中生成以目标知识点e作为目标的局部知识子图Gke,满足Gke⊆Gk,e∈Gke,在局部知识子图Gke中包含有目标知识点e的直接先学知识点以及间接先学知识点。

3.3 个性化学习内容生成

个性化学习往往是自主学习,为提高学习者自主学习的效率和质量,必须按照知识的先后顺序进行学习,即知识点之间具有“先学后学”的客观规律,在个性化学习推荐的过程中必须按照特定的顺序推荐学习。根据局部知识子图Gke来生成按照先后学习关系排列的知识点序列,并将该序列提供给学生。设知识点序列Kexp为

Kexp=(k1,k2,…,km)

(4)

(4)式中:k为局部知识子图Gke的顶点;m为局部知识子图Gke顶点个数;最后一个顶点km=e,即达到了学习者期望的目标知识点。

知识点序列Kexp为根据学习者期望目标知识点所产生的局部学习目标,如果在Kexp中每一个顶点的学习状态都是“未学习”或者“未通过”,那么就无法达成期望的学习目的,同时前一个顶点“未学习”或者“未通过”的情况下不能进入下一个顶点的学习,直到完成最后一个顶点km的学习,具体如图6所示。

图6 局部知识子图学习示意

不同学生在实际的自主学习过程中实时学习状态也存在不同,在生成个性化学习内容的过程中要依据学习状态监测数据。检查每一个顶点的学习状态,输出序列Kindi,即

Kindi=(K1,K2,…,Kn)

(5)

很明显,Kindi和Kexp之间满足Kindi⊆Kexp,j为实际个性化学习序列中的顶点个数,满足j≤m。输出序列Kindi的步骤如下:

1)当前顶点学习状态为“未学习”或者“未通过学习”,那么输出的内容为该顶点对应知识点为待学习的内容,同时推荐和该顶点对应知识点相关联的学习资源,帮助学习者完成该顶点的知识点学习;

2)当前顶点学习状态为“基本通过学习”,那么输出的内容为以该知识点为基础,具有极强相关性、难度相对较大的学习资源,帮助学习者对该顶点知识具有更加全面地了解;

3)当前顶点学习状态为“已经通过学习”,表明学习者完全掌握了该顶点所对应知识点目标,输出内容为直接进入下一个顶点的知识点学习。

3.4 学习者满意度

知识大爆炸和互联网技术的快速发展在给学习者的学习带来便利的同时也使学习者在搜集资料的过程中面临巨大的盲目性[10]。采用准确率、召回率、F1指标、运行时间来评价算法推荐性能,各评价指标计算公式为

(6)

(6)式中:TP为正确推荐知识点个数;FP为推荐知识点错误个数;FN学习者反馈系统未推荐知识点个数。

分别采用传统方法和基于学习状态监测方法进行个性化学习内容推荐,推荐效果如表1所示。

表1 不同算法推荐效果对比

由表1可知,基于学习状态监测的个性化学习内容推荐算法明显优于传统算法。为了完成期望的学习目标,学习者往往从教师和网络两个渠道来获取资源,分别调查采用传统方法进行学习的满意度和采用本文方法进行学习的满意度,结果如图7所示。

图7 学习者个性化学习满意度

由图7可知,基于学习状态监测的个性化学习使学习者的满意度大幅提升,该系统结合学习者的实时学习状态来动态推荐快速达成学习期望的学习资源,节省了学习者在学习的过程中对学习资料筛选的时间,同时所推荐的学习内容具有针对性强的特点,更加有助于学习者学习,符合学习者的一般学习规律。

4 结论

不同目标学习群体的学习内容存在比较大的差异,构建个性化学习推荐模型对提升学习者的学习质量和学习效率具有至关重要的作用。构建了大学生学习状态监测指标体系和个性化学习系统框架,在此基础上构建了学习者个性化知识状态图,提出了个性化知识图生成规则,并结合学习者实时学习状态监测数据生成学习者个性化学习内容。将该方法和传统学习方法进行对比,学习者对采用结合学习状态监测数据生成的个性化学习内容具有更高的满意度,对提升学习者学习质量和学习效率具有一定的参考价值。