融合用户画像的在线学习伙伴推荐方法研究①

林萍萍, 杨传斌

(浙江师范大学a.教育学院,b.信息化办公室,浙江 金华 321004)

0 引 言

互联网技术的发展,在线学习环境以其便捷性和可重复性,为学习者的知识理解、技能掌握提供良好的条件。据统计,约40%～80%选课的学生会在学习过程中出现辍学,其中学习孤独感问题是影响在线学习效果的一个重要因素,因此为学习者提供合适的学习伙伴,是在线协作学习亟待解决的重要问题。中共中央、国务院印发的《中国教育现代化2035》强调以启发式、探究式、参与式、合作式等教学方式,培养学生创新精神与实践能力,创新人才培养模式[1];在《关于深化教育教学改革全面提高义务教育质量的意见》中支持开展研究型、项目化、合作式学习,运用现代技术手段促进协作学习的开展[2]。合适的学习伙伴是协作学习取得良好效果的重要前提。在此背景下,利用用户画像技术为学习者推荐个性化学习伙伴是解决在线学习问题的有效方式。

1 研究现状

学习伙伴推荐方式分为4类:(1)随机推荐,这种方式学生具有完全的自主性,但课堂纪律难以控制。(2)基于共同的学习主题推荐,适合大规模网络环境下的教学。(3)依据学生的动态特征推荐学习伙伴,具有个性化、可视化等特点。(4)根据学习风格的差异推荐学习伙伴。用户画像是通过获取与用户需求相关的信息,尽可能全面细致地抽出一个用户的信息全貌[7]。这里的用户画像是学习者模型,有助于深入分析学生对于学习伙伴的需求,从而实现更准确的伙伴匹配。

2 学习者画像模型构建

2.1 画像标签设计

2.1.1 基本信息

学习者的基本信息包括用户名、性别、专业背景、教育层次,数据可以在网络教学平台的学生注册信息去隐私化后获得。

2.1.2 学习准备

学习准备包括知识基础和学习动机将学习者的前两次单元测验成绩平均值作为知识基础的指标。学习动机通过吴峰[4]编制的适合成人在线学习情形的学习动机量表测量。

2.1.3 学习风格

研究中选择以FSLSM模型通过在线学习行为识别学习风格,如表1所示。

表1 学习风格的在线学习行为模式[5]

2.1.4 学习行为

研究从投入度、喜爱度、活跃度分析学习行为。投入度由视频完成度、平均作业完成度决定;喜爱度由学习资源下载量、学习资源评分数表现;活跃度是由发帖数、评论数、被评论数、被点赞数体现。

2.2 数据收集

本研究的数据来源于某大学的线上开放课程“声乐”。研究对2023年春选课的2810名学习者的课程后台数据和网络日志进行挖掘、提取、清洗,得到2795个有效样本。

2.3 画像建模

2.3.1 基本属性

用户名作为学习者的唯一身份标识码;学习者的性别有男、女两类,分别用0,1进行表示;教育层次分为专科(1)、本科(2)、硕士(3);专业背景按照专业门类代码进行标注。

2.3.2 学习准备

学习者的知识基础对平均成绩进行Min-Max标准化处理,计算公式如式(1):

在课程的作业栏目发放学习动机的问卷链接,回收问卷,系统自动统计得分,并作为学习动机的最终数值。

2.3.3 学习风格

文中以信息加工为例进行详细描述。对收集的数据进行归一化处理后,提取前10%的样本和后10%的样本,为前10%学生贴上“活跃”的标签,后10%学生贴上“沉思”的标签,通过逻辑回归和交叉验证,得到模型的准确度和召回率是100%,这表明该模型和数据达到一致。每个维度有对应的标签自动识别模型,用归一化后的数值表示。

2.3.4 学习行为

学习者的评论、发帖等各项记录对学习行为的影响作用不同,因此处理时需要综合权重。计算表示公式如式(2):

式(2)中,n是数据项的个数;mi是各数据项的数值,wi是对应数据项的权重。通过层次分析法,设置权重。

3 用户画像的学习伙伴推荐应用

3.1 推荐算法

研究中将使用基于用户的协同过滤算法。学习者之间的相关程度是通过Pearson相关系数来计算的。rXY是学习者X与Y的Pearson相关系数的计算公式如式(3)。

(3)

Xi和Yi分别是学习者X和学习者Y的第i个标签对应的分数值,n表示用户X和用户Y已进行计算的标签个数。学习伙伴的推荐算法流程如图1所示。

图1 学习伙伴推荐算法流程

3.2 学习伙伴的推荐结果

假设学习者总数量是M,网络学习平台将相似学习者列表List1={Stui,Stui,Stuk}和互补学习者列表List2={Stux,Stuv,Stuz}推送给学习者。为保证推荐的质量和效果,相关系数绝对值均大于或等于0.6且由大到小按序排列,以短信或邮箱的方式定向推送给学习者。

4 实验分析

随机选择2023年春季课程中的12位学习者作为典型的案例,收集学习者在学习平台中的数据,得到学习者画像各维度的标签信息如表2所示。

表2 12位学习者的画像标签信息

以Stu1为例,去除教育层次、专业背景这两个标签,利用公式(1)计算出Stu1与其他11名学习者的相似度,如表3所示。

表3 与Stu1的相似度

从表3可知,与Stu1最相似的是Stu3,Stu6,Stu10,因为他们之间的相关系数r都是正值且大于0.6;Stu2,Stu4,Stu9和Stu1的相关系数r是负值且大于0.6,所以他们可以和Stu1是互补的。按照相似系数r的绝对值由大到小排序,将最后的推荐结果发送给Stu1,同质学习伙伴为{Stu10,Stu3,Stu6},异质学习伙伴为{Stu2,Stu9,Stu4}。

5 结 语

学习伙伴推荐是在线协作学习研究中的重要问题。本研究在分析了现有的学习伙伴推荐方法和用户画像应用的基础上,从学习者的基本属性、学习准备、学习风格、学习行为多个方面建立学习者画像,为学习者推荐同质和异质学习伙伴。融合用户画像的学习伙伴推荐方法具有动态化、个性化等特征,既解决了协作学习中学习者寻求合适的学习伙伴困难的问题,又解决了大规模网络教学中学习者的学习孤独感问题。未来,将针对用户画像技术在协作学习活动设计和学习预警等方面做进一步探究,以完善用户画像在在线学习中的应用。