面向用戶需求的自適應(yīng)學(xué)習(xí)系統(tǒng)個(gè)性化學(xué)習(xí)路徑推薦研究

1、面向用戶需求的自適應(yīng)學(xué)習(xí)系統(tǒng)個(gè)性化學(xué)習(xí)路徑推薦研究摘 要：面向用戶需求構(gòu)建個(gè)性化學(xué)習(xí)環(huán)境是當(dāng) 前e-learning領(lǐng)域研究的熱點(diǎn)。自適應(yīng)學(xué)習(xí)系統(tǒng)(adaptive learning system, als)是 e-learning 個(gè)性 化學(xué)習(xí)支持服務(wù)的解決方案。針對(duì)als推薦學(xué)習(xí)資源 的精準(zhǔn)性與有效性問(wèn)題，文章嘗試性從用戶學(xué)習(xí)路徑 的視角出發(fā)，在對(duì)學(xué)習(xí)者與領(lǐng)域知識(shí)建模的基礎(chǔ)上通 過(guò)關(guān)聯(lián)規(guī)則挖掘技術(shù)動(dòng)態(tài)匹配與重組學(xué)習(xí)資源，進(jìn)而 實(shí)現(xiàn)als個(gè)性化學(xué)習(xí)路徑推薦機(jī)制。仿真實(shí)驗(yàn)結(jié)果表 明，利用本推薦機(jī)制在一定程度上能有效推薦學(xué)習(xí)資 源，進(jìn)而較好地滿足當(dāng)前用戶個(gè)性化學(xué)習(xí)需求。關(guān)鍵詞：自適應(yīng)學(xué)習(xí)系統(tǒng)；個(gè)

2、性化學(xué)習(xí)路徑；學(xué) 習(xí)者模型；領(lǐng)域知識(shí)模型；關(guān)聯(lián)規(guī)則中圖分類號(hào)：g434文獻(xiàn)標(biāo)志碼：a文章編號(hào)： 1673-8454 (2016) 21-0028-04當(dāng)前，數(shù)字化學(xué)習(xí)(e-learning)席卷遠(yuǎn)程教育領(lǐng) 域，成為網(wǎng)絡(luò)信息時(shí)代盛行的一種重要學(xué)習(xí)方式。 e-leaming打破了傳統(tǒng)面授式教育模式的常態(tài)化，突破 學(xué)習(xí)的時(shí)空限制，為學(xué)習(xí)者“隨時(shí)隨地”學(xué)習(xí)提供了 可能。然而，調(diào)查顯示，當(dāng)前許多e-leaming支持平 臺(tái)的實(shí)際應(yīng)用效果并不理想，其中最為突岀的問(wèn)題是 平臺(tái)忽視了 “以學(xué)習(xí)者為中心”的現(xiàn)代教學(xué)理念，不 能根據(jù)用戶的個(gè)性化需求準(zhǔn)確提供學(xué)習(xí)資源，進(jìn)而導(dǎo) 致在線學(xué)習(xí)效果不明顯。1正因如此，關(guān)于e

3、-learning 環(huán)境下的個(gè)性化學(xué)習(xí)理論與實(shí)踐研究受到眾多學(xué)者關(guān) 注，構(gòu)建支持用戶個(gè)性化學(xué)習(xí)需求的e-learning系統(tǒng) 成為當(dāng)前迫切而重要的研究主題。、als及其研究現(xiàn)狀als,即自適應(yīng)學(xué)習(xí)系統(tǒng)，亦稱適應(yīng)性學(xué)習(xí)系統(tǒng),是在建構(gòu)主義“以學(xué)習(xí)者為中心”的現(xiàn)代教育模式引 領(lǐng)下提出的一種針對(duì)當(dāng)前學(xué)習(xí)者的個(gè)體特征差異（如 年齡、專業(yè)背景、興趣偏好、認(rèn)知水平等）而動(dòng)態(tài)提 供其個(gè)性化學(xué)習(xí)支持服務(wù)的系統(tǒng)，其最早由國(guó)外以智 能教學(xué)系統(tǒng)和適應(yīng)性超媒體系統(tǒng)的術(shù)語(yǔ)提出，近年已 成為e-learning遠(yuǎn)程教育領(lǐng)域研究的熱點(diǎn)。23個(gè)性 化推薦機(jī)制是als的核心部件，其主要功能是對(duì)學(xué)習(xí) 資源的有效匹配與重組，進(jìn)而滿足

4、當(dāng)前用戶的個(gè)性化 學(xué)習(xí)需求。目前，關(guān)于als的研究尚處于探索時(shí)期。國(guó)外介 入該領(lǐng)域研究較早，典型的代表主要有：brusilovsky 等人首次提出了適應(yīng)性學(xué)習(xí)系統(tǒng)，并認(rèn)為可以從課程 序列化與適應(yīng)性導(dǎo)航技術(shù)實(shí)現(xiàn)系統(tǒng)的適應(yīng)性效果； 4tang等人采用聚類分析與協(xié)同過(guò)濾方法將用戶訪 問(wèn)頁(yè)面序列和內(nèi)容進(jìn)行篩選與分類并推薦給用戶，進(jìn) 而構(gòu)建了 als系統(tǒng)原型；5美國(guó)匹茲堡大學(xué)weber g 等人通過(guò)個(gè)性化導(dǎo)航策略實(shí)現(xiàn)了 als適應(yīng)機(jī)制，并開(kāi) 發(fā)了 elm-art> knowledge sea 系統(tǒng)原型；6castro 等人闡述了數(shù)據(jù)挖掘技術(shù)在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的重要作 用,為基于數(shù)據(jù)挖掘的e-lear

5、ning個(gè)性化學(xué)習(xí)研究奠 定了基礎(chǔ)。7國(guó)內(nèi)該領(lǐng)域研究起步較晚，典型的代表 有：華南師范大學(xué)陳品德教授從內(nèi)容呈現(xiàn)和導(dǎo)航支持 兩方面考慮適應(yīng)性，設(shè)計(jì)了 a-tutor原型系統(tǒng)；8中 國(guó)臺(tái)灣淡江大學(xué)利用agent技術(shù)研發(fā)了分布式智能學(xué) 習(xí)系統(tǒng)mmu,該系統(tǒng)具有一些簡(jiǎn)單的智能交互功能。9縱觀上述研究，國(guó)內(nèi)外提出的許多als系統(tǒng)仍處 于原型實(shí)驗(yàn)階段，其適應(yīng)性及個(gè)性化推薦機(jī)制還需要 不斷探索。因此，本研究擬嘗試性地從用戶學(xué)習(xí)路徑 的視角出發(fā)，在對(duì)學(xué)習(xí)者與領(lǐng)域知識(shí)建模的基礎(chǔ)上， 通過(guò)關(guān)聯(lián)規(guī)則挖掘技術(shù)動(dòng)態(tài)匹配與重組個(gè)性化學(xué)習(xí)路 徑，進(jìn)而實(shí)現(xiàn)als推薦機(jī)制，以期滿足當(dāng)前用戶個(gè)性 化學(xué)習(xí)需求，同時(shí)為本領(lǐng)域相關(guān)研究

6、提供參考借鑒。二、als個(gè)性化學(xué)習(xí)路徑推薦的解決方案1學(xué)習(xí)者建模學(xué)習(xí)者是als的主要參與者與體驗(yàn)者，也是個(gè)性 化資源獲取的主體，因此als的設(shè)計(jì)首先應(yīng)重點(diǎn)考慮 學(xué)習(xí)者的個(gè)性化需求特性。為了更清晰地表征學(xué)習(xí)者 對(duì)象在系統(tǒng)中的屬性，我們需要將其實(shí)例化，即對(duì)學(xué) 習(xí)者進(jìn)行建模。可以說(shuō)，學(xué)習(xí)者模型是als實(shí)現(xiàn)的基 礎(chǔ)，其主要借助用戶建模組件或第三方代理軟件實(shí)時(shí) 收集并處理學(xué)習(xí)者個(gè)性化信息來(lái)實(shí)現(xiàn)。3本研究鑒于 ims lip (learner information package)標(biāo)準(zhǔn)，采用四 元組的形式從基本特征、學(xué)習(xí)風(fēng)格、認(rèn)知水平和學(xué)習(xí) 記錄四個(gè)維度來(lái)表征學(xué)習(xí)者模型，其方法如下：learnermod

7、el= (baseinformation, learningstyle, cognitivelevel, accessrecords)。其中，baseinformation用于表示學(xué)習(xí)者一些基本 的靜態(tài)信息，例如昵稱、姓名、性別、年齡、專業(yè)背 景、個(gè)人簡(jiǎn)介等。leamingstyle表示學(xué)習(xí)者的學(xué)習(xí)風(fēng) 格，其可借鑒felder學(xué)習(xí)風(fēng)格模型構(gòu)建，包含值域定 義為： “直覺(jué)型-感知型”，“視覺(jué)型-言語(yǔ)型”，“活躍 型-反思型”，'全局型-序列型” ，該值域可通過(guò)als 系統(tǒng)設(shè)定或完成felder學(xué)習(xí)風(fēng)格量表(ilss)的形式 獲得o cognitivelevel表示學(xué)習(xí)者當(dāng)前所達(dá)到的認(rèn)知水

8、 平，可以從“初級(jí)”、“中級(jí)”、“高級(jí)”三個(gè)層次表征, 其主要以學(xué)習(xí)者的單元測(cè)試成績(jī)?yōu)閰⒖家罁?jù)由系統(tǒng)自 動(dòng)評(píng)定。accessrecords表示學(xué)習(xí)者在整個(gè)學(xué)習(xí)過(guò)程中 的訪問(wèn)記錄，包含訪問(wèn)者編號(hào)、訪問(wèn)時(shí)間、訪問(wèn)地址 以及訪問(wèn)內(nèi)容描述等基本信息，accessrecords的表示 方法為 accessrecords (ri) = (learnerld, accesstime, accessadress, contentinfo) 2.領(lǐng)域知識(shí)建模領(lǐng)域知識(shí)泛指專業(yè)領(lǐng)域內(nèi)所有經(jīng)驗(yàn)、理論、方法 論的知識(shí)單元集群，而在計(jì)算機(jī)世界中我們將其界定 為：針對(duì)某特定領(lǐng)域需要，采用某種(或若干種)表 示方法將知識(shí)實(shí)體

9、化與結(jié)構(gòu)化，使其能在計(jì)算機(jī)存儲(chǔ)、 系統(tǒng)組織和管理方面具有易操作等特性的知識(shí)集群。 10als中領(lǐng)域知識(shí)是對(duì)學(xué)習(xí)資源的結(jié)構(gòu)化，其為學(xué) 習(xí)者個(gè)性化學(xué)習(xí)提供數(shù)據(jù)來(lái)源。領(lǐng)域知識(shí)模型要求知 識(shí)體系具有良好的結(jié)構(gòu)關(guān)系，以便系統(tǒng)推薦資源路徑 時(shí)做出準(zhǔn)確的判斷。通常情況下，領(lǐng)域知識(shí)可用課程、 知識(shí)單元和知識(shí)點(diǎn)(或知識(shí)項(xiàng))三種粒度表征，知識(shí) 之間的關(guān)系包括前驅(qū)后繼關(guān)系、并列或包含關(guān)系以及 相關(guān)關(guān)系三種類型，而每個(gè)知識(shí)單元或知識(shí)點(diǎn)都應(yīng)包 含難度、風(fēng)格和學(xué)習(xí)任務(wù)屬性。根據(jù)它們之間的邏輯 關(guān)系，我們給出了領(lǐng)域知識(shí)模型的一般結(jié)構(gòu)，如圖1 所示。根據(jù)以上分析，我們將領(lǐng)域知識(shí)的結(jié)構(gòu) 模型表征為：kobject=kid, k

10、name, klevel, kstyle, kcontent, kor。其中，kid表示知識(shí)點(diǎn)的唯一標(biāo)識(shí), klevel表示知識(shí)點(diǎn)難度水平，kstyle表示知識(shí)點(diǎn)的偏 向風(fēng)格，kname表示知識(shí)點(diǎn)名稱，kcontent表示知識(shí) 點(diǎn)內(nèi)容信息，kor表示知識(shí)點(diǎn)所屬關(guān)系集合。基于上 述三種關(guān)系類型，本研究中領(lǐng)域知識(shí)對(duì)象間的關(guān)系模 型kor可用如下表達(dá)式表示：kor （a, b） =, ktype, kweighto其中，ktype表示關(guān)系類型（ktype “前驅(qū)”，“后 繼”，“并列”，“包含”，“相關(guān)” ）, kweight關(guān)系的 權(quán)重值（kweight 0, 1,該值越高代表知識(shí)間的相關(guān) 性越大

11、）。例如，某領(lǐng)域知識(shí)a與b的關(guān)系記為kor （a, b）二，“并列”，0.5,表示知識(shí)a與知識(shí)b之 間是并列關(guān)系，其關(guān)系權(quán)重為0.5。一般而言，領(lǐng)域知 識(shí)點(diǎn)間的關(guān)系類型及關(guān)系權(quán)重值由創(chuàng)建學(xué)習(xí)資源的系 統(tǒng)管理員（或任課教師）設(shè)定。3.關(guān)聯(lián)規(guī)則定義及其推薦方法關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域研究的一個(gè)范疇，其最 早由agrawal等人提出，主要用于從數(shù)據(jù)集合中發(fā)現(xiàn) 頻繁項(xiàng)并找出項(xiàng)集間的關(guān)聯(lián)關(guān)系。從本質(zhì)上講，關(guān)聯(lián) 規(guī)則挖掘是在事務(wù)數(shù)據(jù)集合d中發(fā)現(xiàn)滿足用戶給定的 最小支持度min_support和最小置信度min_conf的頻 繁項(xiàng)集并挖掘其關(guān)聯(lián)關(guān)系。11為了更清晰地反映 als基于關(guān)聯(lián)規(guī)則挖掘的推薦過(guò)程與方法

12、，在此我們 設(shè)定用戶訪問(wèn)記錄集(即日志事務(wù)集合)結(jié)構(gòu)如表1 所示。(1) 產(chǎn)生頻繁項(xiàng)集頻繁項(xiàng)集是關(guān)聯(lián)規(guī)則挖掘的第一環(huán)節(jié)，需要利用 aprioriall算法將表1中知識(shí)項(xiàng)集中頻繁項(xiàng)找出。在 此，設(shè)定最小支持度為0.6,則最小支持度計(jì)數(shù)為0.6 xlen (users) =1.8,頻繁項(xiàng)集產(chǎn)生過(guò)程為：通過(guò)第一 輪掃描得到候選集cl (item, support)從cl中剔除support小于1.8的項(xiàng)，即獲得頻繁項(xiàng)集l1 (item, support) =,;按同樣的方法進(jìn)行第二輪 掃描，l2 (item, support) =,;同理，進(jìn)行第三 輪掃描最終獲得l3 (item, support)

13、二。(2) 產(chǎn)生路徑關(guān)聯(lián)規(guī)則通過(guò)上述頻繁項(xiàng)集產(chǎn)生過(guò)程，用戶訪問(wèn)記錄集合 產(chǎn)生的知識(shí)項(xiàng)集i=k1, k3, k5,設(shè)定最小置信度 min_conf為0.8,那么得到候選關(guān)聯(lián)規(guī)則置信度如表2 所示。由表2可知，當(dāng)最小置信度為0.8時(shí)得到三條強(qiáng) 關(guān)聯(lián)規(guī)則，即：ki, k5?圮k3, k3, k5?圮 ki, k5?圮ki, k3o由此得到當(dāng)前用戶的學(xué) 習(xí)路徑存在三種可能：kpa=kl, k5, k3, kpb=k3, k5, k1或 kpc=k5, ki, k3。(3) 推薦路徑預(yù)處理推薦路徑預(yù)處理是對(duì)學(xué)習(xí)路徑的優(yōu)化處理，該過(guò) 程主要根據(jù)領(lǐng)域知識(shí)的關(guān)系模型kor對(duì)強(qiáng)關(guān)聯(lián)規(guī)則 路徑進(jìn)行匹配，以選擇最優(yōu)

14、學(xué)習(xí)路徑。例如，設(shè)定本 例中ki、k3和k5之間存在如下關(guān)系：kor (1, 3) =，'前驅(qū)”，0.8、kor (1, 5)二，“前驅(qū)”，0.9 和kor (3, 5)二，“后繼”，0.6),那么可推理為 當(dāng)前用戶最優(yōu)學(xué)習(xí)路徑。此時(shí)，得到的最優(yōu)學(xué)習(xí)路徑 需要進(jìn)一步與領(lǐng)域知識(shí)模型kobject進(jìn)行匹配與隱射 處理，將其按照生成的路徑規(guī)則轉(zhuǎn)換為資源集合提供 給學(xué)習(xí)者。三、仿真實(shí)驗(yàn)及其結(jié)果分析為了檢測(cè)本研究中als個(gè)性化學(xué)習(xí)路徑的推薦 效果，我們利用vc工具與c語(yǔ)言開(kāi)發(fā)了 als仿真運(yùn) 行環(huán)境。實(shí)驗(yàn)初始化數(shù)據(jù)由系統(tǒng)按照預(yù)先定義的權(quán)重 參數(shù)隨機(jī)自動(dòng)生成，且設(shè)定系統(tǒng)每次隨機(jī)生成30個(gè)知 識(shí)項(xiàng)集

15、，當(dāng)最小支持度和最小置信度分別設(shè)置為0.6 和0.8時(shí)，其運(yùn)行效果如圖2所示。實(shí)驗(yàn)中，我們首先固定最小支持度和最小置信度閾值分別為0.8和0.6,經(jīng)過(guò)10輪實(shí)驗(yàn)后從知識(shí)項(xiàng)平 均訪問(wèn)頻次與系統(tǒng)推薦頻次兩個(gè)維度對(duì)als推薦效 果進(jìn)行的分析，結(jié)果發(fā)現(xiàn)滿足最小支持度時(shí)知識(shí)項(xiàng)平 均訪問(wèn)軌跡與系統(tǒng)推薦路徑軌跡趨勢(shì)基本相似，說(shuō)明 系統(tǒng)推薦路徑基本有效。然后，我們嘗試性以0.05遞 增幅度調(diào)整最小支持度，再次經(jīng)過(guò)10輪試驗(yàn)后從最小 支持度minsup與推薦知識(shí)項(xiàng)個(gè)數(shù)kcount的分布關(guān)系 進(jìn)行分析（見(jiàn)圖3）,結(jié)果顯示系統(tǒng)推薦知識(shí)項(xiàng)數(shù)量會(huì) 隨著minsup的不斷增加而減少,進(jìn)一步說(shuō)明系統(tǒng)推薦 路徑的精確性會(huì)隨著

16、minsup的增加而提高。四、結(jié)束語(yǔ)基于web的als是未來(lái)遠(yuǎn)程學(xué)習(xí)的一種有效途 徑，是個(gè)性化學(xué)習(xí)環(huán)境建設(shè)的趨勢(shì)，目前仍有很大的 探究空間。als主要是通過(guò)個(gè)性化推薦機(jī)制對(duì)學(xué)習(xí)內(nèi) 容進(jìn)行有效篩選與重組來(lái)實(shí)現(xiàn)的，而學(xué)習(xí)者模型、領(lǐng) 域知識(shí)模型以及關(guān)聯(lián)規(guī)則挖掘技術(shù)是als個(gè)性化推 薦機(jī)制形成的有效保障，對(duì)改進(jìn)系統(tǒng)的推薦質(zhì)量、提 高學(xué)習(xí)者學(xué)習(xí)效率起著關(guān)鍵性作用。當(dāng)然，由于諸多 局限性因素，本研究仍存在不足之處，例如，als推 薦路徑的優(yōu)化處理、推薦機(jī)制的效率問(wèn)題等，這也是 本研究下一步的趨向。參考文獻(xiàn)：1 劉麗萍，魏書(shū)敏，趙新云個(gè)性化網(wǎng)絡(luò)學(xué)習(xí)支持 系統(tǒng)的研究j中國(guó)教育信息化，2010 (23)： 47

17、-51.2 牟連佳.網(wǎng)絡(luò)化學(xué)習(xí)系統(tǒng)的適應(yīng)性研究j.電化 教育研究.2009 (5)： 48-53.3 趙學(xué)孔，徐曉東，龍世榮.b/s模式下自適應(yīng)學(xué) 習(xí)系統(tǒng)個(gè)性化推薦服務(wù)研究j.中國(guó)遠(yuǎn)程教育,2015(10)： 71-80.4brusilovsky, p.(2001)adaptivehypermedia.user modeling and user adapted interaction, ten year anniversary issue (alfred kobsa, ed.) 11 (1/2)： 87-110.5 tangc., yin h., lit., laur., liq., &am

18、p;kilis d.： personalized courseware construction based on web data miningc.in proceedings of the first international conference on web information systems engineering, 2000： 204-211.6 weber g，brusilovsky p.elm-art: an adaptive versatile system for web-based instructionj. international journal of artificial intelligence in education, 2001： 351-3847 castroe, vellidoa., nebota., mugieaf.: applying data mining techniques to e-learning problems j .studies in computational intelligence.2007(62)： 183-221.8 陳品德，李克