開放環(huán)境下學(xué)習(xí)資源內(nèi)容進化的智能控制研究

楊現(xiàn)民 余勝泉

[摘要] 開放環(huán)境下用戶群體的復(fù)雜性和生產(chǎn)的自由化直接導(dǎo)致數(shù)字資源的爆炸式增長和無序進化。學(xué)習(xí)資源內(nèi)容進化過程的智能控制，對于促進開放環(huán)境下學(xué)習(xí)資源的有序建設(shè)和進化發(fā)展具有重要意義。本研究提出一種綜合應(yīng)用語義基因和信任評估模型的內(nèi)容進化智能控制方法。實踐應(yīng)用結(jié)果表明，該方法具有較高的智能控制準(zhǔn)確率，能夠有效減輕資源管理者內(nèi)容審核的負(fù)擔(dān)。

[關(guān)鍵詞] 開放環(huán)境； 學(xué)習(xí)資源； 內(nèi)容進化； 智能控制

[中圖分類號] G434 [文獻標(biāo)志碼] A

[作者簡介] 楊現(xiàn)民（1982—），男，河北邢臺人。博士，主要從事移動與泛在學(xué)習(xí)研究。E-mail：yangxianmin8888@163.com。

一、引 言

開放環(huán)境下的資源建設(shè)存在資源“雜亂”生長、質(zhì)量難以保障等缺陷，嚴(yán)重影響開放學(xué)習(xí)資源的順利建設(shè)和應(yīng)用推廣。維基百科完全開放式的編輯與組織方式使其質(zhì)量和可靠性問題成為關(guān)注的焦點。[1]進行性學(xué)習(xí)資源保證了內(nèi)容的及時性、適用性，更加適合非正式學(xué)習(xí)、終身學(xué)習(xí)的學(xué)習(xí)需求。[2]俗話說“沒有規(guī)矩不成方圓”，不加控制與約束的資源進化必然導(dǎo)致“事與愿違”。Web2.0時代人人可以生產(chǎn)、消費、傳播資源，用戶群體的復(fù)雜性和生產(chǎn)的自由化直接導(dǎo)致數(shù)字資源的爆炸式增長和無序進化。因此，必須對資源的內(nèi)容進化進行有效控制，方可保障資源進化的有序性和質(zhì)量的可靠性。

網(wǎng)絡(luò)課程是國際遠程教育領(lǐng)域非常重要的一種資源形態(tài)。傳統(tǒng)網(wǎng)絡(luò)課程常采用一次性的“瀑布式”開發(fā)方法，建成后很少進行內(nèi)容的變動，進化能力不足。進化式網(wǎng)絡(luò)課程開發(fā)模型[3]通過對原型系統(tǒng)的漸進式開發(fā)，實現(xiàn)網(wǎng)絡(luò)課程的版本更迭和進化發(fā)展，最終生成高質(zhì)量的課程資源。國內(nèi)有研究者設(shè)計了網(wǎng)絡(luò)課程的內(nèi)容進化機制，[4]提出采用嚴(yán)格的角色權(quán)限管理和版本控制技術(shù)實現(xiàn)對網(wǎng)絡(luò)課程內(nèi)容進化的控制。當(dāng)前的網(wǎng)絡(luò)課程建設(shè)無論采用何種創(chuàng)建模式和內(nèi)容進化機制，在對課程內(nèi)容進化的控制上基本都采用了相同的方法，即依賴課程建設(shè)團隊的集體決策或課程教師的人工審核。此種方法的優(yōu)點是進化控制的準(zhǔn)確率高，比較可靠，有利于課程內(nèi)容朝著理想的方向不斷進化；缺點是需要過多的人工干預(yù)，控制周期較長，不利于資源內(nèi)容的快速更新。

維基百科是以“協(xié)同創(chuàng)作”為核心特征的開放知識社區(qū)。在內(nèi)容的進化控制上，維基百科主要采用的是一套基于人工協(xié)作的協(xié)調(diào)機制[5]和一系列的約束規(guī)則[6]（3R規(guī)則、事實校驗和實時同級評審規(guī)則等）來實現(xiàn)信息的有序進化。其他各種開放知識社區(qū)（百度百科、Google Knol、Freebase等）也基本上沿用維基百科的控制模式，在反饋、交流的基礎(chǔ)上最終通過人工審核的方式實現(xiàn)內(nèi)容版本的不斷更迭和進化。近年來，一些研究者開始從信任的角度研究維基百科的進化控制，[7][8]通過構(gòu)建信任模型計算詞條或用戶的可信度，以輔助用戶判斷詞條的質(zhì)量或編輯的可靠性。信任思想的引入，無疑給維基百科內(nèi)容的有序進化提供了一種新的解決思路。語義維基[9]采用語義化的信息描述和組織方式，與維基百科相比，更容易基于語義信息開展一些上層應(yīng)用。Denny Vrandeˇci'（2009）提出，可以通過約束語義（概念基數(shù)、定義域值域限制、屬性限制等）進行自動化的內(nèi)容檢查，[10]但只提出了一個想法，并未對具體方法進行設(shè)計和予以實現(xiàn)。如何利用結(jié)構(gòu)化語義信息控制外部資源的自動引入是亟須解決的關(guān)鍵問題。

總的來說，當(dāng)前e-Learning領(lǐng)域的開放資源大都通過人工決策與手動版本審核的方式來實現(xiàn)對資源內(nèi)容質(zhì)量的控制。隨著資源群體和用戶群體規(guī)模的不斷擴大，單純依賴人工決策與手動版本審核來實現(xiàn)資源內(nèi)容的有序進化已經(jīng)無法滿足泛在學(xué)習(xí)時代對資源進化性的需求，因此亟須探索一種智能化的、可以有效減輕資源管理者負(fù)擔(dān)和壓力、促進資源快速有序進化的智能控制方法。本研究提出一種綜合應(yīng)用語義基因和信任評估模型的內(nèi)容進化智能控制方法，可以一定程度上減輕資源管理者人工審核內(nèi)容版本的負(fù)擔(dān)，促進學(xué)習(xí)資源內(nèi)容的持續(xù)有序進化。

二、 學(xué)習(xí)資源的內(nèi)容進化

學(xué)習(xí)資源的進化表現(xiàn)在兩個方面：一是自身內(nèi)容的逐步發(fā)展和完善；二是外部結(jié)構(gòu)（資源之間的關(guān)聯(lián)）的逐步豐富和優(yōu)化。[11]可以將學(xué)習(xí)資源進化歸納為兩種模式，分別是資源的內(nèi)容進化和資源的關(guān)聯(lián)進化。學(xué)習(xí)資源的內(nèi)容進化是指學(xué)習(xí)資源通過開放的組織方式吸引多個用戶參與內(nèi)容的協(xié)同編輯，實現(xiàn)資源內(nèi)容的快速更新和逐步完善，主要表現(xiàn)為資源內(nèi)容版本的不斷更新和發(fā)展。

如圖1所示，用戶首先生產(chǎn)出學(xué)習(xí)資源，然后對外發(fā)布，邀請協(xié)作者來編輯資源內(nèi)容，由于資源對外開放，任何學(xué)習(xí)者都可以編輯已有的資源內(nèi)容，添加文本、插入圖片、嵌入外部鏈接等。隨著資源的成長，越來越多的用戶接觸到該資源，開始發(fā)表評論、寫筆記、作批注等。隨著時間的推移和用戶集體智慧的不斷匯聚，資源的內(nèi)容版本不斷升級更新，最終形成高質(zhì)量的、滿足不同用戶需求的學(xué)習(xí)資源。目前，大多數(shù)開放資源的內(nèi)容進化都是通過協(xié)同編輯功能實現(xiàn)的，通過引入版本控制機制實現(xiàn)對資源內(nèi)容的安全保護和進化控制。

三、內(nèi)容進化智能控制技術(shù)

（一）相關(guān)假設(shè)

內(nèi)容進化中的智能控制方法是基于兩個基本假設(shè)進行設(shè)計和實施的。假設(shè)的內(nèi)容如下。

假設(shè)1：內(nèi)容進化是圍繞特定主題的進化，內(nèi)容的前后變化往往具有較強的語義相關(guān)性

一般而言，資源的內(nèi)容進化具有很強的指向性，是圍繞特定知識結(jié)構(gòu)（語義基因）進化發(fā)展的。也就是說，資源內(nèi)容要表達特定的主題，內(nèi)容版本的更迭是對主題的不斷豐富和完善。資源內(nèi)容的前后變化往往具有較強的語義相關(guān)性，新增加的內(nèi)容和語義基因具有一定的語義相似性。

假設(shè)2：高可信用戶的行為往往比較可靠，傾向于善意的內(nèi)容編輯

用戶的信任度是基于信任評估模型，通過分析影響用戶信任的各種交互數(shù)據(jù)計算得出。隨著用戶善意行為的積累，會不斷提高其信任值。如果某用戶的信任度超過一定數(shù)值，則認(rèn)為該用戶的絕大多數(shù)操作是可信的，其參與的內(nèi)容編輯（增、刪、改）可以被系統(tǒng)自動接受。

（二）總體技術(shù)框架

語義基因是指能夠反映資源內(nèi)容所要表達含義的基本信息單元，形式上表現(xiàn)為基于本體描述的帶有權(quán)重的概念集合（包括核心概念以及概念間的關(guān)系）。社會信任模型是參照現(xiàn)實社會中的信任關(guān)系構(gòu)建的一套可計算的信任評估技術(shù)，可用于評價代理、用戶、資源等任何參與網(wǎng)絡(luò)交互實體的信任度。

圖 2描述了基于語義基因和社會信任評估模型的內(nèi)容進化智能控制技術(shù)的總體框架。核心是綜合兩方面的信息進行內(nèi)容編輯的可信度計算，一方面應(yīng)用新添加內(nèi)容的特征信息和當(dāng)前資源的語義基因進行語義相似度計算結(jié)果；另一方面基于用戶的交互操作數(shù)據(jù)應(yīng)用社會信任模型計算用戶的信任度。設(shè)定內(nèi)容編輯可以被接受的可信度閾值，如果此次內(nèi)容編輯的可信度超過閾值則自動接受此次內(nèi)容編輯結(jié)果，否則，自動拒絕。

（三）關(guān)鍵技術(shù)介紹

上述技術(shù)框架的實現(xiàn)需要解決兩大關(guān)鍵問題：一是如何自動提取學(xué)習(xí)資源的語義基因；二是如何構(gòu)建開放環(huán)境下的社會信任評估模型，實現(xiàn)資源信任度和用戶信任度的計算。接下來將對內(nèi)容進化智能控制技術(shù)框架中的兩大關(guān)鍵技術(shù)進行介紹，分別是學(xué)習(xí)資源語義基因的自動提取和信任評估模型的構(gòu)建。

1. 學(xué)習(xí)資源語義基因提取

提取學(xué)習(xí)資源語義基因的前提是領(lǐng)域本體庫的建立，語義基因本質(zhì)上是基于本體的資源內(nèi)容特征項，即用標(biāo)準(zhǔn)化的本體數(shù)據(jù)來表征資源的核心內(nèi)容。關(guān)于語義基因的設(shè)置主要有兩種方式：一種是手動設(shè)置，即讓資源的創(chuàng)建者手動添加語義基因，從領(lǐng)域本體庫中選擇能夠準(zhǔn)確表征資源內(nèi)容的本體類，并賦予不同的權(quán)重；二是自動提取，即通過程序從資源的文本內(nèi)容中提煉出核心的語義特征項（概念）及其關(guān)系，并通過一定的規(guī)則為每個語義特征項賦予不同的權(quán)重。學(xué)習(xí)資源語義基因提取的總體技術(shù)框架如圖 3所示。

為了從學(xué)習(xí)資源的內(nèi)容中提取語義基因，需要將資源實體進行結(jié)構(gòu)化表征。這里可以將學(xué)習(xí)資源實體用四元組表示Res =，Title表示資源的標(biāo)題，Tag表示資源上附加的標(biāo)簽，Content表示資源的具體內(nèi)容，SemanticData表示附加在資源上的基于本體的語義描述信息。Title、Tag、Content和SemanticData為語義基因提取的四種重要來源，在表征資源核心內(nèi)容方面的重要程度不同。一般而言，資源的語義描述信息最為重要，SemanticData采用規(guī)范化的本體對資源內(nèi)容進行描述，是獲取語義基因非常重要的數(shù)據(jù)來源；其次，資源的標(biāo)題也很重要，通過Title可以大體判斷資源的核心內(nèi)容，用戶在檢索、選擇資源時也常常依賴標(biāo)題；再次，資源的標(biāo)簽是創(chuàng)建者為了從整體上描述資源而附加的特征詞，常常也會成為用戶判斷資源內(nèi)容和選擇瀏覽資源的重要依據(jù)；最后，資源的內(nèi)容是對資源的詳細(xì)描述，由于數(shù)據(jù)豐富，承載了資源所要表達的核心內(nèi)容，因此，也常常作為文本特征提取的重要來源。

本研究假設(shè)在語義基因提取方面，SemanticData所占權(quán)重大于Title所占權(quán)重，Title所占權(quán)重大于Tag所占權(quán)重，Tag所占權(quán)重大Content所占權(quán)重。權(quán)重集合可以表示為WT={WT1， WT2， WT3， WT4}，其中WT1表示SemanticData所占權(quán)重，WT2表示Title所占權(quán)重，WT3表示Tag所占權(quán)重，WT4表示Content所占權(quán)重。WT的初始值可以設(shè)置為WT = {0.4， 0.3， 0.2， 0.1}。

明確了語義基因提取四種重要數(shù)據(jù)來源及各自的權(quán)重后，接下來，借鑒Web數(shù)據(jù)挖掘領(lǐng)域較為成熟的文本特征項提取技術(shù)，同時結(jié)合領(lǐng)域本體庫從資源中提取出一系列的特征詞（核心概念），并將這些特征詞映射到本體，存放到CS集合中。然后，通過預(yù)先設(shè)定好的特征評價函數(shù)為每個特征項賦予不同的權(quán)重值，將這些權(quán)重值放到WS集合中。最后，通過Jena框架將這些特征詞在領(lǐng)域本體庫中存在的語義關(guān)系以三元組的形式提取出來放到RS集合中。

2. 信任評估模型構(gòu)建

自從1994年Marsh博士在其博士論文[12]中首次將社會網(wǎng)絡(luò)中的信任關(guān)系引入到計算機網(wǎng)絡(luò)環(huán)境之后，信任評估模型便開始在網(wǎng)絡(luò)通信、電子商務(wù)等領(lǐng)域普及應(yīng)用。近年來，少數(shù)e-Learning領(lǐng)域的研究者將信任的思想應(yīng)用到虛擬學(xué)習(xí)社區(qū)的機制設(shè)計、[13]學(xué)習(xí)資源和學(xué)習(xí)路徑的選擇[14]等方面，但在信任模型的設(shè)計和應(yīng)用研究上仍處于起步階段。

如何判斷資源和用戶的可信度，如何幫助用戶選擇高可信度的知識，已經(jīng)成為開放知識社區(qū)亟待解決的問題。本研究針對當(dāng)前開放知識社區(qū)現(xiàn)有信任模型[15][16][17]設(shè)計的不足，結(jié)合現(xiàn)實社會中信任關(guān)系的特征，提出一種可以評價開放知識社區(qū)中用戶信任度和資源信任度的雙向互動反饋模型（Two-way Interactive Feedback Model， TIFM），如圖4所示。TIFM包括資源信任度和用戶信任度兩個核心部件，二者相互影響。兩側(cè)是信任度的各項影響因素，中心是有關(guān)信任評估的四條假設(shè)。這里的信任指的是全局信任。資源信任度表示所有社區(qū)用戶對資源節(jié)點的整體信任評價，用戶信任度表示社區(qū)中的所有其他用戶對當(dāng)前用戶的整體信任評價。

（1）資源信任度的影響因素

對于資源信任度可以從兩個方面進行評價：一是針對資源的顯性信任評價（直接評價），通過在社區(qū)中提供資源信任度投票評價功能，讓用戶進行主觀的評價；二是通過記錄、分析用戶與資源的交互日志對資源信任度進行隱性的評價（間接評價）。

資源的顯性信任評價：目前還沒有統(tǒng)一的評價指標(biāo)體系，各個社區(qū)結(jié)合自己的特征和需求，采用了不同的評價指標(biāo)。維基百科從內(nèi)容的可靠性、客觀性、完整性、寫作規(guī)范性等四個維度對詞條進行評價。學(xué)習(xí)元網(wǎng)站從內(nèi)容準(zhǔn)確性、內(nèi)容客觀性、內(nèi)容完整性、標(biāo)注規(guī)范性、內(nèi)容更新及時性等維度進行評價。百度百科、互動百科則直接采用五星級整體評分和對 “本詞條對我有幫助”投票的方式進行評價。

資源的隱性信任評價：主要依賴用戶與資源的交互記錄，是一種基于交互過程性信息的間接評價，常見的交互操作包括協(xié)同編輯、訂閱、收藏、瀏覽、引用等。當(dāng)然，不同的社區(qū)由于軟件功能設(shè)計上的差異，會支持不同類型的交互操作。實際上，用戶與資源交互的背后一定程度上反映了用戶對資源信任度的一種潛在評價。例如，越來越多的用戶訂閱資源A，客觀上可以說明資源A比較具有吸引力、更為可靠。

（2）用戶信任度的影響因素

開放知識社區(qū)中影響用戶信任度的因素，一方面源于用戶所創(chuàng)建資源的平均信任度，另一方面源于用戶之間的交互記錄，不同的交互行為代表了用戶之間的隱性評價。影響用戶信任度的常見因素包括以下幾種。

創(chuàng)建資源的可信度：用戶所創(chuàng)建資源的信任度會反過來影響用戶的信任度，若用戶A創(chuàng)建了很多高質(zhì)量、高可信度的資源，則用戶A的信任度會比較高。

被邀請協(xié)作或取消協(xié)作的次數(shù)：用戶A邀請用戶B可以視為用戶A對用戶B的一次正向投票，反之，取消協(xié)作可視為一次負(fù)向投票；當(dāng)很多用戶都邀請B協(xié)作編輯資源時，表明用戶B具有較高的可信度。

被加為好友或取消好友的次數(shù)：用戶A添加用戶B為好友，可視為用戶A對用戶B的一次正向投票，反之，取消好友關(guān)系可視為一次負(fù)向投票；當(dāng)很多用戶喜歡添加B為好友時，表明用戶B具有較高的可信度。

修訂被接受或拒絕的次數(shù)：用戶A編輯的內(nèi)容被接受一次可以視為對用戶A的一次正向投票，反之被拒絕一次可視為一次負(fù)向投票，用戶A進行的內(nèi)容修訂被接受的概率越高，表明用戶A越具有較高的可信度。

（3）信任評估的相關(guān)假設(shè)

{1}時間效應(yīng)假設(shè)

信任具有時間衰減性，用戶對資源的交互操作、用戶對用戶的交互操作對于信任的效用依賴于時間并有一定的期限，影響程度將隨著時間的增長而逐漸減弱。也就是說，近期的交互操作與早期相同的交互操作相比，對信任度的影響程度更大。

{2}差異影響假設(shè)

不同用戶對同一個客體（資源或用戶）進行的相同的交互操作會對客體信任度的改變產(chǎn)生不同的影響。高可信度用戶進行的操作更加值得信賴，對客體的影響值較大；反之，低可信度用戶的操作對客體信任度的影響則較小。

{3}多數(shù)可靠假設(shè)

多數(shù)人參與的評價結(jié)果是可靠的，假定很多用戶都對某資源進行了顯性信任度投票，則該評價結(jié)果能較好地反映資源的真實信任度；反之，若只有少數(shù)幾個用戶參與了資源的顯性信任度投票，則該評價結(jié)果將難以反應(yīng)資源真實的可信度。

{4}交互影響假設(shè)

一個資源被用戶引用、推薦、訂閱、收藏的次數(shù)越多，則表明該資源越受歡迎、越值得用戶信賴。同樣，若一個用戶被邀請協(xié)作的次數(shù)越多、被添加為好友的次數(shù)越多、修訂的內(nèi)容被接受的次數(shù)越多、創(chuàng)建高可信資源的數(shù)量越多，則表明該用戶比較受其他用戶認(rèn)可，進行的操作行為比較可信。

（四）智能控制流程設(shè)計

不同的開放知識社區(qū)往往具有不同的角色和權(quán)限設(shè)置。總的來說，可以歸總為兩種角色：管理者和普通用戶。管理者一般是資源的創(chuàng)建者，遵循“誰創(chuàng)建誰管理”的原則，具有對資源進行任何操作的權(quán)限。普通用戶是無管理權(quán)限但可以參與內(nèi)容編輯的用戶。普通用戶編輯的內(nèi)容需要經(jīng)過管理員審核后，方可正式對外公開。智能控制的目的是要實現(xiàn)普通用戶內(nèi)容編輯的（半）自動化審核，以減輕用戶頻繁手動審核資源內(nèi)容的負(fù)擔(dān)，加快資源內(nèi)容的進化速度。

基于智能控制的兩個基本假設(shè)，應(yīng)用語義基因和信任評估模型設(shè)計了如圖 5所示的開放環(huán)境下學(xué)習(xí)資源內(nèi)容進化的智能控制流程。

當(dāng)有普通用戶編輯資源內(nèi)容時，首先使用TIFM中提出的用戶信任度計算方法，計算出該用戶的信任值。再根據(jù)預(yù)先設(shè)定的用戶高可信閾值HTT（High Trust Threshold），判斷用戶是否屬于高可信度用戶。如果是高可信度用戶，則其對資源內(nèi)容進行的增、刪、改操作將默認(rèn)為是善意的，系統(tǒng)將自動接受；如果該用戶不是高可信度用戶，則根據(jù)用戶的不同操作進行處理；如果用戶進行了“添加內(nèi)容”操作，則通過文本比較算法獲取用戶新添加的文本內(nèi)容。然后，對添加的內(nèi)容進行文本特征項提取，將提取的文本特征項集和資源的語義基因進行語義相似度計算。如果相似度大于等于預(yù)設(shè)的新內(nèi)容語義相似接受閾值SAT（Similarity Accept Threshold），則系統(tǒng)自動接受此次內(nèi)容編輯；如果相似度小于等于預(yù)設(shè)的新內(nèi)容語義相似拒絕閾值SRT（Similarity Reject Threshold），則系統(tǒng)自動拒絕此次內(nèi)容編輯；若語義相似度介于SRT和SAT之間（SRT

四、智能控制效果檢驗

本研究選擇學(xué)習(xí)元平臺（Learning Cell System， LCS）[18]為實驗環(huán)境，驗證上述內(nèi)容進化智能控制方法的應(yīng)用效果。LCS是為泛在學(xué)習(xí)環(huán)境設(shè)計開發(fā)的一種新型開放知識社區(qū)，官方網(wǎng)址為http：//lcell.bnu.edu.cn。LCS以學(xué)習(xí)元作為基本的資源單元，學(xué)習(xí)元[19]是一種語義化組織的學(xué)習(xí)資源，多個學(xué)習(xí)元可以聚合成知識群。自2011年9月上線以來，截至2013年1月25日，LCS已有注冊用戶7579人，12068個學(xué)習(xí)元，1232個知識群。

筆者于2012年2月1日正式在學(xué)習(xí)元平臺中發(fā)布資源內(nèi)容進化智能控制功能。截至2012年3月1日，運行整一個月。LCS平臺開發(fā)了資源進化控制日志功能，詳細(xì)記錄了每條編輯記錄的編輯時間、編輯原因、編輯者、審核結(jié)果與審核方式。這里的審核方式有三種，一是由學(xué)習(xí)元的管理者手動審核；二是由系統(tǒng)自動審核，即采用智能控制方法實現(xiàn)的自動審核；三是學(xué)習(xí)元的管理者和正式協(xié)作者進行的內(nèi)容編輯不需要審核，即無需審核。

通過對2012年2月1日至2012年3月1日時間段LCS后臺監(jiān)控日志的數(shù)據(jù)統(tǒng)計，發(fā)現(xiàn)一個月內(nèi)共有3938次的編輯記錄。其中87.84%的內(nèi)容編輯是由資源管理者和正式協(xié)作者完成的（無需審核），8.63%的內(nèi)容審核是通過系統(tǒng)自動審核完成的，3.53%的內(nèi)容審核是由人工審核完成的。除了無需審核的內(nèi)容編輯外，共有497次編輯需要審核。在所有需要審核的內(nèi)容編輯中，340次由智能控制程序自動審核（70.98%），139次由人工完成審核（29.02%）。結(jié)果表明，智能控制程序減輕了約70%的內(nèi)容審核工作量。

在所有自動審核的編輯記錄中，自動接受的總次數(shù)為277次，占自動審核總次數(shù)的81.47%；自動拒絕次數(shù)為63次，占自動審核總次數(shù)的18.53%。數(shù)據(jù)統(tǒng)計結(jié)果表明，2012年2月1日至2012年3月1日期間，LCS中絕大多數(shù)的編輯都被系統(tǒng)自動接受，同時也表明近期LCS平臺中資源進化效果比較理想，惡意編輯較少。通過進一步對編輯者的數(shù)據(jù)進行分析，發(fā)現(xiàn)活躍的編輯用戶絕大多數(shù)屬于高可信度用戶（Trust Value >0.6）。智能控制有一個默認(rèn)的假設(shè)，即高可信度用戶進行的操作是可靠的。因此，依據(jù)智能控制流程，這些高可信度用戶進行的編輯操作會被系統(tǒng)自動接受。反過來，用戶編輯的接受率又會影響用戶的信任度，進一步提高善意用戶的信任度，降低惡意用戶的信任度。

為了進一步檢驗LCS平臺中近三個月資源進化智能控制的效果，筆者隨機從進化控制日志中審核方式為“自動”的150條記錄進行了抽檢，計算智能控制的準(zhǔn)確率。結(jié)果顯示，提取的150條編輯記錄中，有124條的判斷結(jié)果是正確的，準(zhǔn)確率為82.67%。隨著LCS中注冊用戶數(shù)量的增長，用戶群體將越來越豐富，用戶的操作也將越來越復(fù)雜和難以預(yù)測，智能控制的準(zhǔn)確率還需要根據(jù)實際情況作進一步的統(tǒng)計分析，并依據(jù)結(jié)果不斷完善智能控制方法。

五、 結(jié)論與展望

學(xué)習(xí)資源內(nèi)容進化的智能控制研究對于促進開放環(huán)境下學(xué)習(xí)資源的有序進化具有重要意義。本研究提出一種綜合應(yīng)用語義基因和信任評估模型的內(nèi)容進化智能控制方法。該方法可以對資源內(nèi)容協(xié)同編輯的結(jié)果進行智能審核，實現(xiàn)對資源進化方向的智能控制，有效減輕資源管理者人工審核內(nèi)容版本的負(fù)擔(dān)。

本研究的不足之處在于：（1）難以對用戶編輯的多媒體內(nèi)容（如視頻、動畫等）實現(xiàn)有效的智能控制；（2）資源語義基因和資源/用戶信任度的更新需要耗費大量的計算資源，導(dǎo)致難以實時反映資源語義基因和資源/用戶信任度的變化，一定程度上影響了智能控制的準(zhǔn)確率。

本研究的后續(xù)工作將聚焦在三個方面：（1）引入視頻語義信息提取技術(shù)，將視頻表達的語義信息轉(zhuǎn)化為視頻資源的語義基因；（2）研究語義基因的進化問題，在資源變動的同時實現(xiàn)語義基因的實時更新；（3）提高資源內(nèi)容進化智能控制方法的運行效率，優(yōu)化相關(guān)算法。

[參考文獻]

[1] 王丹丹. 維基百科自組織模式下的質(zhì)量控制方式研究[J]. 圖書館理論與實踐， 2009， （8）： 21～24.

[2] 楊現(xiàn)民， 余勝泉. 生態(tài)學(xué)視角下的泛在學(xué)習(xí)環(huán)境設(shè)計[J]. 教育研究， 2013， （3）： 103～110.

[3] 王雅麗. 網(wǎng)絡(luò)課程的進化式開發(fā)研究[J]. 教育教學(xué)論壇， 2011， （2）： 137～139.

[4] 譚霓， 余勝泉， 呂嘯. 網(wǎng)絡(luò)課程的內(nèi)容進化機制設(shè)計與技術(shù)實現(xiàn)[J]. 遠程教育雜志， 2011， 29（1）： 80～84.

[5] Aniket Kittur， & Robert E. Kraut. Harnessing the Wisdom of Crowds in Wikipedia： Quality through Coordination[A]. Proceedings of the 2008 ACM Conference on Computer Supported Cooperative work[C]. November 08-12， San Diego， CA， USA.

[6] 羅志成， 付真真. 外部因素對維基百科序化過程的影響分析[J]. 圖書情報知識， 2008， （3）： 28～33.

[7] B. Thomas Adler ， Krishnendu Chatterjee ， Luca de Alfaro ， Marco Faella ， Ian Pye ， & Vishwanath Raman. Assigning Trust to Wikipedia Content[P]. Proceedings of the 4th International Symposium on Wikis， September 08-10， 2008， Porto， Portugal.

[8] Silviu Maniu， Talel Abdessalem， & Bogdan Cautis. Casting A Web of Trust over Wikipedia： An Interaction-Based Approach[P]. Proceedings of the 20th International Conference Companion on World Wide Web （WWW '11）. ACM， New York， NY， USA， 87～88.

[9] M. Krotzsch， D. Vrandecic， M. Volkel， H. Haller， & R. Studer. Semantic Wikipedia[J]. Journal of Web Semantics， 2007， （5）： 251～ 261.

[10] Denny Vrandeˇci'c. Towards Automatic Content Quality Checks in Semantic Wikis[DB/OL].http：//www.aaai.org/Papers/Symposia/Spring/2009/SS-09-08/SS09-08-017.pdf，2012-10-12.

[11] 楊現(xiàn)民， 余勝泉. 泛在學(xué)習(xí)環(huán)境下的資源進化模型構(gòu)建[J]. 中國電化教育，2011，（9）： 80～85.

[12] Marsh， S.. Formalising Trust as A Computational Concept[D]. Scotland： University of Stirling， 1994.

[13] 王淑娟， 劉清堂. 虛擬學(xué)習(xí)社區(qū)信任機制的研究[J]. 遠程教育雜志， 2007， （3）： 12～15.

[14] Mason， Jon； Lefrere， Paul .Trust， Collaboration， e-Learning and Organisational Transformation[J]. International Journal of Training & Development，2003， 7（4）：259～270.

[15] B. Thomas Adler ， Krishnendu Chatterjee ， Luca de Alfaro ， Marco Faella ， Ian Pye ， & Vishwanath Raman. Assigning Trust to Wikipedia Content[P]. Proceedings of the 4th International Symposium on Wikis， September 08-10， 2008， Porto， Portugal.

`[16] Sara Javanmardi， Cristina Lopes， & Pierre Baldi. Modeling User Reputation in Wikis[J]. Statistical Analysis and Data Mining. 2010， 3（2）：126～139.

[17] Silviu Maniu， Talel Abdessalem， & Bogdan Cautis. Casting A Web of Trust over Wikipedia： An Interaction-Based Approach[P]. Proceedings of the 20th International Conference Companion on World Wide Web （WWW '11）. ACM， New York， NY， USA， 87～88.

[18] 楊現(xiàn)民， 余勝泉. 學(xué)習(xí)元平臺的設(shè)計開發(fā)及其應(yīng)用場景分析[J]. 電化教育研究， 2013， （3）：55～61.

[19] 余勝泉， 楊現(xiàn)民， 程罡. 泛在學(xué)習(xí)環(huán)境中的學(xué)習(xí)資源設(shè)計與共享——“學(xué)習(xí)元”的理念與結(jié)構(gòu)[J]. 開放教育研究， 2009， 15（1）： 47～53.