E-Learning環(huán)境下基于知識點(diǎn)偏好的學(xué)習(xí)社區(qū)組建

趙海燕 王傳安 葛華

(安徽科技學(xué)院數(shù)理與信息工程學(xué)院，安徽 鳳陽 233100)

數(shù)字化學(xué)習(xí)(E-Learning)是通過計算機(jī)互聯(lián)網(wǎng)或手機(jī)無線網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)教學(xué)與學(xué)習(xí)的一種方式。在E-Learning學(xué)習(xí)環(huán)境下，學(xué)習(xí)者在學(xué)習(xí)時可以根據(jù)自己的學(xué)習(xí)目標(biāo)，選擇學(xué)習(xí)內(nèi)容和學(xué)習(xí)方式。但是E-Learning環(huán)境下的學(xué)習(xí)者數(shù)量眾多，每個學(xué)習(xí)者的學(xué)習(xí)能力、個人興趣與習(xí)慣、個人學(xué)習(xí)基礎(chǔ)、努力程度都存在較大的差異［1］，不可避免地產(chǎn)生了很多“孤獨(dú)”的學(xué)習(xí)者。在此情況下，一些學(xué)者認(rèn)為建立合適的學(xué)習(xí)社區(qū)，不僅可消除學(xué)習(xí)者的孤獨(dú)感，還可提高學(xué)生的學(xué)習(xí)效率。文獻(xiàn)［2］采用技術(shù)維度、社會交互維度和教學(xué)維度創(chuàng)建虛擬學(xué)習(xí)社區(qū)的三角形理論模型。Carabajal等人在建立虛擬學(xué)習(xí)社區(qū)模型時也采用了技術(shù)要素、社會交互要素和學(xué)習(xí)任務(wù)3個要素［3］。王云等人采用內(nèi)容分析法對構(gòu)建的學(xué)習(xí)社區(qū)模型進(jìn)行實(shí)證研究，驗(yàn)證學(xué)習(xí)者的學(xué)習(xí)動機(jī)、學(xué)習(xí)方式和自我效能感等與其知識建構(gòu)水平具有一定的相關(guān)性［4］。文獻(xiàn)［5］從理論支撐、系統(tǒng)管理等方面解析如何構(gòu)建個性化的成人虛擬學(xué)習(xí)社區(qū)。學(xué)習(xí)社區(qū)在一定程度上可以解決在線學(xué)習(xí)者之間的交互問題，但在學(xué)習(xí)社區(qū)的數(shù)字資源的組織及管理上還存在一些問題。

本體論具有概念和關(guān)系定義明確的特性，許多學(xué)習(xí)者利用本體對E-Learning進(jìn)行研究［6-7］。這些方法通過對本體的使用，在知識組織、相關(guān)關(guān)系提取等方面取得了明顯的進(jìn)步，但忽略了學(xué)習(xí)者學(xué)習(xí)情況的實(shí)時收集，沒有考慮學(xué)習(xí)者之間協(xié)作幫助的問題，導(dǎo)致學(xué)習(xí)者在網(wǎng)絡(luò)課程中感到“孤獨(dú)”，限制學(xué)習(xí)效率的進(jìn)一步提高。

本次研究首先對在線學(xué)習(xí)者的個性化信息進(jìn)行抽象，并進(jìn)行合理描述及分析基礎(chǔ)上，提出描述學(xué)習(xí)者在學(xué)習(xí)過程中的E-Learning模型，進(jìn)一步建立基于知識偏好的學(xué)習(xí)社區(qū)，使得學(xué)習(xí)者之間的交流更有針對性，從而提高學(xué)習(xí)者的學(xué)習(xí)積極性、學(xué)習(xí)效果和效率。

1 本體模型及推理規(guī)則

學(xué)習(xí)者在學(xué)習(xí)過程中的知識偏好信息是組建學(xué)習(xí)社區(qū)的依據(jù)。因此首先給出學(xué)習(xí)者的知識偏好信息，并利用本體論合理、有效、清楚地描述出概念、邏輯之間的內(nèi)部關(guān)系，從而建立E-learning環(huán)境中的知識偏好的本體模型并制定相關(guān)本體推理規(guī)則。

1.1 基于知識點(diǎn)偏好的本體模型

學(xué)習(xí)者學(xué)習(xí)過程中主要建模要素有學(xué)習(xí)、提問、測試和交流。E-Learning學(xué)習(xí)環(huán)境中知識本體模型框架包括知識偏好信息12元組，PS={S，KD，KP，QA，KPQA，IA，KPI，TA，PT，TEST，TM，TS}。式中分別對應(yīng) 12 個概念:Student，KnowledgeDomain，KPoint，QAActive，KPointQA，InhabitActive，KPointInhabi，TalkActive，KPointTalk，Test，TestMark，TestStandard。這些概念間的關(guān)系如圖1所示。

圖1 基于知識偏好的本體模型

為更好地描述建立的本體模型，首先引入以下概念和相互間的關(guān)系。

(1)學(xué)習(xí)者學(xué)習(xí)活動概念及關(guān)系

Student表示E-learning環(huán)境中的學(xué)習(xí)者。

KnowledgeDomain表示知識域，包含下面幾種關(guān)系:包含關(guān)系(hasIncluded)，前序關(guān)系(hasSequence)以及相關(guān)關(guān)系(hasRelativity);hasIncluded具有傳遞性，x hasIncluded y表示知識域y包含知識域x，表示為:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧x?y};hasSequence具有傳遞性，x hasSequence y表示知識域x是學(xué)習(xí)知識域y的前提，可表示為:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧學(xué)習(xí)x是學(xué)習(xí)y的前提條件};hasRelativity具有自反性，x hasRelativity y表示知識域y和知識點(diǎn)x相關(guān)，可以表示為:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧x和y是相關(guān)的}。

KPoint表示知識點(diǎn)。知識點(diǎn)與知識域之間具有被包含的關(guān)系(hasIncluedBy)。x hasIncluedBy y表示知識點(diǎn)x包含于知識域y，可以表示為:

{＜x，y ＞ |x∈KPoint∧y∈KnowledgeDomain∧x∈y}。

(2)學(xué)習(xí)者測試活動概念及關(guān)系

Test—某個知識域的相關(guān)測試;

TestStandard—測試要求學(xué)習(xí)者要達(dá)到的標(biāo)準(zhǔn);

TestMark—測試成績;

hasGoodMark—取得較好的學(xué)習(xí)成績;

hasNormalMark—取得達(dá)標(biāo)成績;

hasBadMark—學(xué)習(xí)者沒有達(dá)到測試標(biāo)準(zhǔn)。

(3)學(xué)習(xí)者知識偏好概念及關(guān)系

QAActive—針對知識域提問行為;

KPointQA—關(guān)于某個知識點(diǎn)提問行為;

InhabitActive—瀏覽知識域的行為;

KPointInhabit—針對某個知識點(diǎn)的瀏覽行為;

TalkActive—針對知識域的交流行為;

KPointTalk—針對知識點(diǎn)的交流行為;

hasMoreTime—實(shí)際駐留某知識點(diǎn)的時間大于平均駐留時間;

hasInTime—實(shí)際駐留某知識點(diǎn)時間近似平均駐留時間;

hasLessTime—實(shí)際駐留某知識點(diǎn)時間少于平均駐留時間;

hasMoreFrequency—對某知識點(diǎn)的實(shí)際交流次數(shù)大于平均交流次數(shù);

hasInFrequency—對某知識點(diǎn)實(shí)際交流次數(shù)近似平均交流次數(shù);

hasLessFrequency—對某知識點(diǎn)的實(shí)際交流次數(shù)少于平均交流次數(shù);

hasInNumber—對某知識點(diǎn)的實(shí)際提問次數(shù)近似平均提問次數(shù);

hasLessNumber—對某知識點(diǎn)的實(shí)際提問次數(shù)少于平均提問次數(shù)。

1.2 學(xué)習(xí)偏好的推理

根據(jù)上述提出的概念及相互間的關(guān)系，對學(xué)習(xí)者針對某個知識點(diǎn)的偏好程度進(jìn)行推理，并進(jìn)行動態(tài)調(diào)整，進(jìn)而獲得學(xué)習(xí)者對某個知識域的偏好情況。具體推理規(guī)則如下。

為方便表述，記Student個體為s，KnowledgeDomain個體為 kd，KPoint個體為 kp，KPointInhabit個體為 kpi，InhabitActive個體為 ia，KPointTalk個體為kpt，TalkActive 個體為 ta，KPointQA 個體為 kpq，QAActive個體為qa，k相應(yīng)的 Test個體為 t，s對應(yīng)于t的TestMark個體為tm，t相應(yīng)的TestStandard個體為 ts。

(1)初始學(xué)習(xí)的知識偏好推理

知識偏好較大的推理規(guī)則:

＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞

“口頭程式本質(zhì)上是聲音、形式與意義的歌唱模式”[10]。如果以詩歌的音美、形美、意美來對應(yīng)，程式作為一種固定形式，對應(yīng)的是音美與形美；而主題作為一組意義，對應(yīng)的是意美。換言之，主題是民歌創(chuàng)作時的宏觀指導(dǎo)思路，而程式則是構(gòu)建民歌詩行的具體韻律、語法規(guī)則。綜合起來，民歌的創(chuàng)作是以主題為引導(dǎo)，程式系統(tǒng)為調(diào)控，以詞語、格律為手段的過程?！盎▋骸弊鳛橐环N少數(shù)民族口頭文學(xué)形式，反映的是西北民族地區(qū)的民風(fēng)與民心，具有獨(dú)特而穩(wěn)定的形態(tài)和表現(xiàn)形式，具有表演性、民族性、瞬時性、動態(tài)性、語境化等特點(diǎn)，它的對外譯介不能簡單地搬用書面文本文學(xué)的譯介思路與方法，應(yīng)采用異化策略與民族志式深度英譯方法。

∈hasMoreNumber

|→s對知識點(diǎn)kp偏好程度較大

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)均高出平均水平，則推理出學(xué)習(xí)者s對知識點(diǎn)kp具有較大的偏好程度。

知識偏好中等的推理規(guī)則:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨ ＜kpi，ia＞

∈hasMoreTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber)|→s對知識點(diǎn)kp偏好程度中等

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，有兩者超出平均水平，且另一者在平均水平范圍之內(nèi)，則推理出學(xué)習(xí)者s對知識點(diǎn)kp的偏好程度為中等。

知識偏好較小的推理規(guī)則:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞∈

hasInNumber)∨ ＜kpi，ia＞∈

hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber)|→s對知識點(diǎn)kp偏好程度較小

該條規(guī)則表示的含義是，若學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，有其中兩者或兩者以上小于平均水平，則推理出學(xué)習(xí)者s對知識點(diǎn)kp具有較小的偏好程度。

(2)持續(xù)學(xué)習(xí)中的相關(guān)偏好推理規(guī)則

在實(shí)際的學(xué)習(xí)過程中，學(xué)習(xí)者的學(xué)習(xí)偏好是動態(tài)變化的，因此就需要對其進(jìn)行動態(tài)調(diào)整來反映學(xué)習(xí)者當(dāng)前的學(xué)習(xí)偏好。在做動態(tài)調(diào)整之前，要綜合考慮到以前的知識偏好程度和最近一段時間內(nèi)的該學(xué)習(xí)者個性化學(xué)習(xí)行為等情況。

知識偏好調(diào)整為較大的推理規(guī)則:

(＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∧(＜s，kp ＞∈hasInPrefer∨

＜p，kp＞∈hasLessPrefer)

|→s對知識點(diǎn)kp偏好程度調(diào)整為較大

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，三者均高出個人相應(yīng)的平均水平，若該學(xué)習(xí)者之前對知識點(diǎn)kp的偏好程度較小或中等，則將知識偏好程度調(diào)整為較大。

知識偏好調(diào)整為中等的推理規(guī)則(1):

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈hasInFrequency

∧ ＜kpq，qa＞∈hasMoreNumber)∨

＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧＜kpq，qa＞∈hasInNumber)

|→s對知識點(diǎn)kp偏好程度中等

該條規(guī)則表示的含義是，如果s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，如果有兩者高出平均水平，并且另一者相似于平均水平，則將學(xué)習(xí)者s對知識點(diǎn)kp的偏好程度調(diào)整為中等。

知識偏好調(diào)整為中等的推理規(guī)則(2):

((＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈hasMoreTime

∧ ＜kpt，ta＞∈hasInFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨ ＜kpi，ia＞∈hasInTime∧

＜kpt，ta＞∈hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber))∧ ＜s，kp＞∈hasMorePrefer

|→s對知識點(diǎn)kp偏好程度調(diào)整為中等

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，如果有一者高出平均水平，且另兩者相似于平均水平，則將學(xué)習(xí)者s對知識點(diǎn)kp的偏好程度調(diào)整為中等。

知識偏好調(diào)整為較小的推理規(guī)則:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈hasInFrequency

∧ ＜kpq，qa＞∈hasInNumber)∧(＜s，kp＞∈

hasMorePrefer∨ ＜s，kp ＞∈hasInPrefer)

|→s對知識點(diǎn)kp的偏好程度調(diào)整為較小

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，三者均近似于平均水平范圍，而之前該學(xué)習(xí)者的知識偏好為中等或較大，則將該知識偏好調(diào)整為較小。

知識偏好刪除的推理規(guī)則:

(＜kpi，ia＞∈hasLessTime∨ ＜kpt，ta＞∈

hasLessFrequency∨＜kpq，qa＞∈hasLessNumber)

∧(＜s，kp＞∈hasMorePrefer∨ ＜s，kp＞∈

hasInPrefer∨ ＜s，kp ＞∈hasLessPrefer)|→

s對知識點(diǎn)kp不再具有偏好，把kp從s的學(xué)習(xí)偏好中刪除

該條規(guī)則表示的含義是，如果學(xué)習(xí)者s訪問某知識點(diǎn)kp的實(shí)際訪問時間、實(shí)際交流次數(shù)以及提問次數(shù)，三者中有一者低于平均水平，則將該學(xué)習(xí)者的知識偏好情況刪除。

(3)認(rèn)知狀態(tài)的推理

認(rèn)知狀態(tài)較好的推理規(guī)則:

＜s，k＞∈hasStudied∧ ＜tm，ts＞∈hasGoodMark

|→s對知識域kd認(rèn)知狀態(tài)較好

認(rèn)知狀態(tài)一般的推理規(guī)則:

＜s，k＞∈hasStudied∧＜tm，ts＞∈hasNormalMark

|→s對知識域kd認(rèn)知狀態(tài)一般

認(rèn)知狀態(tài)較差的推理規(guī)則:

＜s，k＞∈hasStudied∧ ＜tm，ts＞∈hasBadMark

|→s對知識域kd認(rèn)知狀態(tài)較差

根據(jù)上述推理規(guī)則，可對學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的各種學(xué)習(xí)情形進(jìn)行合理、有效地推理和分析，從而及時獲得較為準(zhǔn)確的學(xué)習(xí)偏好和學(xué)習(xí)狀態(tài)。

2 組建知識偏好的學(xué)習(xí)社區(qū)

根據(jù)前面提出的知識偏好模型，就能得到學(xué)習(xí)者在學(xué)習(xí)某個知識域的過程中的偏好情況，進(jìn)而使用模糊聚類算法進(jìn)一步將學(xué)習(xí)者進(jìn)行分組，得到知識偏好的學(xué)習(xí)社區(qū)。

構(gòu)建基于知識偏好的學(xué)習(xí)社區(qū)的步驟如下:(1)將得到的知識點(diǎn)進(jìn)行學(xué)習(xí)偏好推理，并對推理出的學(xué)習(xí)偏好進(jìn)行數(shù)字量化;

(2)根據(jù)量化后的推理偏好數(shù)據(jù)進(jìn)行聚類，最終得到學(xué)習(xí)者的偏好分組。

2.1 知識偏好的量化

根據(jù)學(xué)習(xí)者學(xué)習(xí)某個知識域的情況，可以得到學(xué)習(xí)者關(guān)于該知識點(diǎn)的偏好情況。假如該學(xué)習(xí)者對某個知識點(diǎn)的偏好程度較大(hasMorePrefer)，則將該學(xué)習(xí)者對該知識點(diǎn)的偏好量化為1.0;如果學(xué)習(xí)者對某個知識點(diǎn)的偏好程度中等(hasInPrefer)，則將其對該知識點(diǎn)的偏好量化為0.6;如果學(xué)習(xí)者對某個知識點(diǎn)的偏好較低(hasLessPrefer)，則將其對該知識點(diǎn)的偏好量化為0.4;如果學(xué)習(xí)者無任何學(xué)習(xí)記錄信息或?qū)θ魏沃R點(diǎn)都沒有偏好，則將其對該知識點(diǎn)的偏好量化為0。

根據(jù)上面的定義規(guī)則，就能得到學(xué)習(xí)者學(xué)習(xí)某個知識域中知識點(diǎn)偏好的向量。例如，有一個知識域U包含了m個知識點(diǎn)，表示為U={x1，x2，… ，xm}。因此學(xué)習(xí)者對該知識域的知識偏好就能量化成m維的向量。得到學(xué)習(xí)者對知識域的偏好信息之后，使用聚類分析方法依據(jù)學(xué)習(xí)者的具體偏好情況將學(xué)習(xí)者分類，組成知識點(diǎn)偏好社區(qū)。假設(shè)當(dāng)前有一個學(xué)習(xí)者的集合S，S中有n個學(xué)習(xí)者，表示為S={s1，s2，… ，sn}。其中si表示當(dāng)中的一個學(xué)習(xí)者對知識域U的知識偏好的m維向量，則我們就得到了關(guān)于這n個學(xué)習(xí)者對知識域U的知識偏好的矩陣R={rij}m×n，其中rij表示學(xué)習(xí)者si對知識點(diǎn)xj的偏好情況。

學(xué)習(xí)者知識偏好的聚類算法。

步驟1:計算每個學(xué)習(xí)者之間的相似度qij=f(si，sj)，其中(0≤qij≤1)從而得到矩陣 Q=(qij)n×n;Q=(rij)n×n。

步驟2:運(yùn)用合成運(yùn)算R2=R×R求出最接近相似關(guān)系R的模糊等價關(guān)系S=R2(或R4等)。

步驟3:若R已是模糊等價關(guān)系，則取S=R。選擇適當(dāng)?shù)拈撝郸藢⒛：葍r矩陣變換成基于閾值λ的矩陣。具體變換規(guī)則如下:

(1)如果sij≥λ，則將sij的值設(shè)置成1;

(2)如果 sij＜λ，則將 sij的值設(shè)置成0。

這樣就得到學(xué)習(xí)者之間的相似矩陣。Q=(a1，a2，…，an)-1。如果 ai=aj，則表示學(xué)習(xí)者處于同一個組，如果ai≠aj，則表示學(xué)習(xí)者不在同一個組。

2.2 基于分組的學(xué)習(xí)者推薦

在E-learning環(huán)境中提供個性化推薦服務(wù)的依據(jù)是學(xué)習(xí)者的分組情況和認(rèn)知狀態(tài)。

s1對kd的認(rèn)知狀態(tài)較差∧s2對kd的認(rèn)知狀態(tài)較好∧s1與s2處于同一社區(qū)|→推薦s1與s2進(jìn)行交流，表示學(xué)習(xí)者s1的認(rèn)知狀態(tài)比較差，那么推薦s1與社區(qū)中認(rèn)知狀態(tài)較好的s2進(jìn)行交流。

s1對kd的認(rèn)知狀態(tài)較差∧與s1同社區(qū)的學(xué)習(xí)者的認(rèn)知狀態(tài)都不好|→推薦s1與鄰近社區(qū)里認(rèn)知狀態(tài)好的學(xué)習(xí)者進(jìn)行交流，表示學(xué)習(xí)者s1的認(rèn)知狀態(tài)比較差，并且與s1同社區(qū)的學(xué)習(xí)者的認(rèn)知狀態(tài)都不好，則推薦s1與鄰近社區(qū)的認(rèn)知狀態(tài)較好的學(xué)習(xí)者進(jìn)行交流。

3 社區(qū)組建實(shí)例

根據(jù)對E-learning環(huán)境中知識點(diǎn)偏好的模型的設(shè)計，以及基于此模型的聚類分析，利用本體建模工具對定義的概念、屬性及它們之間的相互關(guān)系進(jìn)行建模處理，最終生成Semantic Web的OWL語言文檔，同時利用惠普公司提供的JENA推理機(jī)對基于本體知識偏好的社區(qū)組建的E-learning原型系統(tǒng)做進(jìn)一步開發(fā)研究。

圖2給出的是學(xué)習(xí)者s5完成知識域“數(shù)據(jù)庫基礎(chǔ)”之后，依據(jù)知識點(diǎn)偏好模型的設(shè)計得到的學(xué)習(xí)者的知識點(diǎn)偏好情況。從圖2可以看出，學(xué)習(xí)者s5在數(shù)據(jù)庫概述以及關(guān)系數(shù)據(jù)庫這2個知識點(diǎn)上有較大的偏好，在數(shù)據(jù)庫系統(tǒng)這個知識點(diǎn)上偏好較小，在數(shù)據(jù)庫概述這個知識點(diǎn)上沒有偏好。此外，該圖中還可看到系統(tǒng)為學(xué)習(xí)者建立的學(xué)習(xí)社區(qū)。這個社區(qū)除了s5本人之外，還有 s3，s4，s6以及 s7共5個人。如果學(xué)習(xí)者在學(xué)習(xí)某個知識域的時候認(rèn)知能力沒達(dá)到知識域的要求，系統(tǒng)會告知學(xué)習(xí)者，并推薦該學(xué)習(xí)者與其所在學(xué)習(xí)社區(qū)中學(xué)習(xí)優(yōu)異的學(xué)習(xí)者進(jìn)行交流。

圖2 基于知識點(diǎn)偏好的社區(qū)實(shí)例

對使用該系統(tǒng)的本校學(xué)生進(jìn)行問卷調(diào)查，其結(jié)果表明，根據(jù)提供的學(xué)習(xí)社區(qū)，學(xué)習(xí)者可以很方便地與其他學(xué)習(xí)者進(jìn)行在線交流，并能夠及時進(jìn)行提問，避免了以往在線學(xué)習(xí)時無法與他人進(jìn)行在線交流或?qū)崟r提問而產(chǎn)生的“孤獨(dú)感”。另外通過與社區(qū)人員的交流，適當(dāng)調(diào)節(jié)自己的學(xué)習(xí)偏好，能夠有效地提高自己在某個知識域當(dāng)中的學(xué)習(xí)效果。

4 結(jié)語

結(jié)合基于本體的E-Learning環(huán)境的特點(diǎn)，在對學(xué)習(xí)者學(xué)習(xí)過程中的知識點(diǎn)偏好進(jìn)行分析的基礎(chǔ)上，提出了組建基于知識點(diǎn)偏好的學(xué)習(xí)社區(qū)。不僅考慮了學(xué)習(xí)者的學(xué)習(xí)情況，更考慮了學(xué)習(xí)者之間交流的有效性，給學(xué)習(xí)者之間架起了一條非常便捷的交流通道，能起到更好的指導(dǎo)作用，從而提高了學(xué)習(xí)者的學(xué)習(xí)效率。

［1］ Ghael SP，Sayeed A M，Baraink R G.Improved Wavelet Denoising Via Empirical Wiener Filtering［J］.In Proc.of SPIE，1997，3169:389-399.

［2］ Tu C H，Corry M.E-learning Communities［J］.Quarterly Review of Distance Education，2002(2):207-218.

［3］ Carabajal K，LaPointe D，Gunawardena C N.Group Development in Online Learning Communities［C］//Moore M，Anderson W G.Handbook of Distance Education.NJ:Lawrence Erlbaum Associates，2003:217-234.

［4］王云，董炎俊.學(xué)習(xí)者個性特征對虛擬學(xué)習(xí)社區(qū)中知識建構(gòu)的影響研究［J］.電化教育研究，2013，34(1):62-67.

［5］劉東進(jìn).個性化學(xué)習(xí)導(dǎo)向下成人虛擬學(xué)習(xí)社區(qū)初探［J］.中國成人教育，2014，37(10):9-11.

［6］ Kickmeier-Rust D M，Albert D.The ELEKTRA Ontology Model:A Learner-Centered Approach to Resource Description.In Proc.of ICWL，2007:78-89.