泛在學習環(huán)境下個性化導學模型的設(shè)計與實現(xiàn)

陳清華，翁正秋，李林錦

（1.溫州職業(yè)技術(shù)學院 信息技術(shù)系，浙江 溫州 325035；2.溫州市人民醫(yī)院，浙江 溫州 325000）

0 引 言

隨著4G網(wǎng)絡通訊技術(shù)的廣泛應用，人類社會已從電腦互聯(lián)時代跨入移動互聯(lián)時代。智能移動終端不僅為人們提供了上網(wǎng)的便利，也為遠程泛在學習的發(fā)展提供了更為便捷的途徑[1]?，F(xiàn)有學習系統(tǒng)大都實現(xiàn)了資源的共享，學習者可依據(jù)資源類別進行資源瀏覽或搜索學習。然而，在學習者學習目的不明確、資源分類不精確的情況下，盲目的瀏覽及簡單的基于關(guān)鍵詞的搜索式學習，難以充分有效地引導學習者進行學習，易造成資源本身及學習者個人精力的浪費，難以實現(xiàn)高效學習[2]，存在課程信息過載、學習控制功能不全、學習者學習迷航等問題，導致大量水平不一的學習者學習興趣、學習質(zhì)量及學習效率的下降。個性化推薦技術(shù)通過分析學習者個體特征、動態(tài)學習行為及學習對象的特征，動態(tài)地產(chǎn)生個性化學習方案，為學習者量身定制學習路徑，從而建立起一個充分體現(xiàn)交互性和靈活性的具有良好自適應性的智能化導學系統(tǒng)。本文針對移動泛在學習環(huán)境的新特點，提出個性化導學方案，以個性化服務技術(shù)[3]為依托，以動態(tài)社區(qū)[4]為核心，通過規(guī)范課程建模、采集用戶多方位數(shù)據(jù)、全面分析用戶行為等步驟，使學習者由資源被動瀏覽者轉(zhuǎn)變?yōu)橹鲃訁⑴c者，解決學習者普遍存在的孤獨感、學習無序、學習迷航等問題，從而逐步提升學習者學習的積極性，實現(xiàn)高效學習。

1 泛在學習環(huán)境的優(yōu)化

泛在學習常常被定義為使用各種無線網(wǎng)絡、智能移動終端和情景感知技術(shù)等進行學習的教育系統(tǒng)[1]。區(qū)別于傳統(tǒng)遠程教育系統(tǒng)中的學習特性，泛在學習呈現(xiàn)出靈活性、及時性、無縫銜接性等新特點。移動泛在學習為學習者提供的學習環(huán)境主要包括學習資源、信息檢索與查詢工具、各種通信工具等。為準確實現(xiàn)個性化導學，對傳統(tǒng)教學環(huán)境重新優(yōu)化改造，建立個性化導學模型，體現(xiàn)在重構(gòu)數(shù)據(jù)采集方案、細化在線課程、優(yōu)化設(shè)計學習資源和改進通信工具四個方面。

1.1 重構(gòu)數(shù)據(jù)采集方案

泛在學習環(huán)境中，學習者的學習交互行為更加頻繁，數(shù)據(jù)采集覆蓋范圍更為寬廣。為實現(xiàn)更優(yōu)質(zhì)、準確、高效的服務，將學習數(shù)據(jù)劃分為個人基礎(chǔ)信息、地理位置信息、用戶行為數(shù)據(jù)等五類（見表1）。個人基礎(chǔ)信息是指對用戶采集的基本信息，主要包括用戶性別、年齡、專業(yè)或?qū)ｉL等，此類信息穩(wěn)定性好，主要用于用戶特征分析；地理位置信息是指利用移動終端的位置傳感器，對用戶的地理位置變化進行采集，并使之服務于用戶關(guān)聯(lián)度分析；用戶行為數(shù)據(jù)是學習者在使用平臺時所留下的軌跡，是對登錄時間、學習過程、交互與交流等行為結(jié)果的采集；交互性數(shù)據(jù)是指通過對此類數(shù)據(jù)進行過濾、分析，以用于用戶關(guān)系挖掘和構(gòu)建社區(qū)；社區(qū)關(guān)系是對每位用戶在社區(qū)中的動態(tài)關(guān)系維護，社區(qū)關(guān)系隨各類數(shù)據(jù)的變化而動態(tài)調(diào)整。

表1 學習者學習數(shù)據(jù)采集、分析與應用

1.2 細化在線課程

現(xiàn)代泛在學習具有碎片化的特點，學習行為隨時發(fā)生，對原有網(wǎng)絡課程的知識點劃分粗細度[4]進行調(diào)整，將原有元知識點結(jié)構(gòu)再度劃分，建立細粒度更高的元知識點結(jié)構(gòu)，所構(gòu)建的課程知識點結(jié)構(gòu)更為細致。

1.3 優(yōu)化設(shè)計學習資源

基于移動資費的計算方式及知識點結(jié)構(gòu)細粒度的變化，學習對象同樣需要碎片化、小型化。結(jié)合泛在學習新特點，各知識點下掛的各種學習資源單位學習時長應進一步縮短。所對應的學習對象設(shè)計應遵循以下三個原則：一是學習對象與知識點相對應；二是單個知識點的學習耗費時長被重新規(guī)劃，以5min為上限；三是每個知識點的學習對象至少應包含過程資源、測試試題兩類。

1.4 改進通信工具

遠程個體學習常常具有時空、地理位置的不一致性，學習者往往倍感孤獨。個性化導學模型，建立以AGENT技術(shù)[4-5]為核心的智能虛擬學習社區(qū)，通過社區(qū)成員間的交流與互助解決突出的學習者孤獨感問題（見圖1）。智能學習社區(qū)系統(tǒng)基于用戶基本特征、用戶實時交互行為、用戶評價結(jié)果等數(shù)據(jù)構(gòu)建智能虛擬學習社區(qū)。用戶通過自動構(gòu)建的個性化學習社區(qū)實現(xiàn)與相似遠程群體的高效互助學習。

圖1 智能虛擬學習社區(qū)系統(tǒng)功能設(shè)計

2 個性化導學模型的設(shè)計與實現(xiàn)

2.1 泛在學習系統(tǒng)功能

基于學習者學習需求和學習過程，設(shè)計泛在學習系統(tǒng)（見圖2）。依據(jù)角色和功能，泛在學習系統(tǒng)分為5個子模塊，分別為課程本體構(gòu)建模塊、用戶數(shù)據(jù)采集模塊、用戶聚類分析模塊、P2P社區(qū)自組織模塊和學習計劃生成模塊。

圖2 泛在學習系統(tǒng)

課程本體構(gòu)建模塊，主要根據(jù)先驗建立知識點與知識點間、學習資源與知識點間的各種關(guān)系。用戶數(shù)據(jù)采集模塊，主要提供學習者進行用戶信息維護、網(wǎng)絡學習、測評的前臺學習功能，通過實時數(shù)據(jù)采集，實現(xiàn)用戶特征分析、學習社區(qū)構(gòu)建與交流互動、個性化導學方案生成等功能。用戶聚類分析模塊，主要對系統(tǒng)采集的各類數(shù)據(jù)（包括用戶基礎(chǔ)特征信息、用戶行為數(shù)據(jù)、資源特征及用戶評價數(shù)據(jù)等）進行分析，推薦具有相似特征的學習者，并依情況變化進行動態(tài)調(diào)整，通過構(gòu)建的社區(qū)將興趣相似的學習者聚集在一起，彼此間相互交流、相互借鑒，并依據(jù)對推薦資源的評價值動態(tài)調(diào)整社區(qū)成員列表。P2P社區(qū)自組織模塊，主要實現(xiàn)交流、資源評價、個性化引導、學習和測評功能。學習計劃生成模塊，根據(jù)學習者自身的學習行為，在課程體系和資源特征的基礎(chǔ)上，推薦學習路徑、學習資源和學習時長，完成個性化學習方案的動態(tài)生成。

2.2 個性化導學過程

導學方案是個性化學習模型的關(guān)鍵部分，在原有個性化方案的基礎(chǔ)上，學習計劃生成模塊針對教學環(huán)境新需求，改進學習方案編排，提出基于社區(qū)數(shù)據(jù)、資源信息、時長估算的個性化導學過程（見圖3）。

個性化導學過程根據(jù)社區(qū)內(nèi)動態(tài)學習行為、基于課程信息的知識點結(jié)構(gòu)和豐富的學習對象設(shè)計，通過推薦知識點學習順序、規(guī)劃基于知識點的學習資源、評估資源學習時間和時長等步驟，實現(xiàn)個性化學習方案的初步編排和動態(tài)調(diào)整。

2.3 改進個性化推薦方案

為應對數(shù)據(jù)采集寬度、廣度的變化和學習方式的進一步變革，對個性化推薦方案進行改進。一是在虛擬學習社區(qū)關(guān)系構(gòu)建過程中，學習者特征提取、分析維度增加了地理位置項。當兩個學習者處于同一區(qū)域內(nèi)時，學習者的社區(qū)聚類中將動態(tài)增加彼此。二是在基于社區(qū)內(nèi)的學習路徑推薦中，為更加明確元知識點的關(guān)系，減少計算量，不再考慮復合知識點間的關(guān)系。三是在保持原有基于學習路徑的知識點推薦的基礎(chǔ)上，對原導學方案生成算法進行改進和調(diào)整，添加學習時間間隔和學習時長估算的編排，生成的方案更加完善。四是對社區(qū)可能存在的抖動問題和成員間的信任危機問題，引入信任度因子，當計算得到的信任度因子未超過閾值時，則采納相應的推薦與調(diào)整。

圖3 個性化導學過程

資源相應學習時長的計算主要根據(jù)當前學習者相應社區(qū)內(nèi)對該資源的使用時長加權(quán)平均值進行估算。學習者Lj對資源Oi的學習時長ljm）。其中，m表示學習者Lj的社區(qū)中使用資源Oi的采信人數(shù)，ljx表示學習者Lj與學習者Lx間的關(guān)系緊密程度，Tij表示學習者Lj對資源Oi的實際學習時長。當社區(qū)內(nèi)成員數(shù)為0時，則Tij為系統(tǒng)設(shè)置的學習資源默認時長。學習資源學習時長的確定主要基于領(lǐng)域?qū)＜抑R，并根據(jù)課程實時使用情況進行調(diào)整。是否采納某學習者的使用實況以更新學習資源的推薦學習時長值，取決于判定閾值，當測評情況未超過閾值時，則按比例更新時長。學習間隔的確定同樣采取加權(quán)平均的算法。

針對系統(tǒng)中資源評價、用戶交流信息存在的信任危機問題，個性化導學模型引入信任度因子，構(gòu)建用戶信任度因子提取模型（見圖4）。信任度因子提取模型設(shè)置為輸入層、網(wǎng)絡學習層和輸出層三層網(wǎng)絡結(jié)構(gòu)。設(shè)定網(wǎng)絡中的兩個用戶分別為用戶i和用戶j，利用輸入層提取用戶i與用戶j間的位置距離d（i, j）、用戶間隔度g（i, j）和通訊頻次f（i, j），將提取到的3個值輸入到網(wǎng)絡學習層中，通過網(wǎng)絡學習層的實時學習和運算，計算得出網(wǎng)絡結(jié)構(gòu)，最終計算得出用戶信任度因子r（i, j）。

圖4 用戶信任度因子提取模型

3 仿真測試

2015年末，對溫州職業(yè)技術(shù)學院軟件服務專業(yè)所授基礎(chǔ)課程“操作系統(tǒng)應用與實踐”線上自學子課程“Linux實戰(zhàn)”的87位學習者進行調(diào)查，結(jié)果表明，86%的學習者表示更喜歡增加了動態(tài)虛擬社區(qū)功能的平臺。究其原因，在于其為互助學習和交流提供了強有力的工具支撐，有助于提高課程學習效率，可實現(xiàn)更高的推薦準確性和更強的用戶粘度。

學生的認同是改造個性化導學過程的主要外在驅(qū)動源之一。為有效證明個性化導學方案的可行性和有效性，根據(jù)87位學習者的原始在線學習數(shù)據(jù)，對改進的個性化導學過程進行仿真測試。一是對數(shù)據(jù)源進行重塑。由于學習對象的低時長需求，仿真根據(jù)知識點結(jié)構(gòu)對學習時間偏長的學習對象與相應的學習數(shù)據(jù)進行隨機切割分片，產(chǎn)生了[2，5]的碎片化學習時長數(shù)據(jù)，并對課程結(jié)構(gòu)和學習對象的對應關(guān)系進行重新關(guān)聯(lián)，數(shù)據(jù)集由此擴充了10倍之多。另外，歷史數(shù)據(jù)中缺乏對地理位置信息的采集，仿真則根據(jù)學習者的寢室信息對位置信息進行對應，量化后設(shè)置為地理位置信息維度，而用戶間隔度、通訊頻次則采用一致的度量（即忽略此項因素的影響）。二是對無用的噪聲數(shù)據(jù)進行清洗，去除缺少相關(guān)數(shù)據(jù)項的人員與學習數(shù)據(jù)。通過顯性分析不難發(fā)現(xiàn)，位置信息與學習對象在使用時序上有著驚人的關(guān)聯(lián)關(guān)系。對推薦結(jié)果與原始數(shù)據(jù)的資源使用時序進行仿真比對，結(jié)果表明，信任度因子有助于提高推薦準確度。改進后的推薦方法匹配程度達81%，相較于原始推薦算法67%的準確度，提高了14%。

原始推薦算法與改進后的推薦算法區(qū)別在于采信的數(shù)據(jù)范圍。原始推薦算法采信的是全部關(guān)聯(lián)的數(shù)據(jù)；而改進后的推薦算法只采信具有相近地理位置的數(shù)據(jù)，基于位置條件的數(shù)據(jù)過濾，在一定程度上提高了準確度。然而，這些歷史數(shù)據(jù)的不利因素在于，學習過程數(shù)據(jù)是人為參與指導的過程中發(fā)生的，數(shù)據(jù)本身具有很強的時序性和計劃性，數(shù)據(jù)過于接近目標結(jié)果，使得結(jié)果數(shù)據(jù)匹配提高程度偏高，影響了仿真結(jié)果的準確性。同時，由于缺乏其他維度數(shù)據(jù)的支撐，并未全面體現(xiàn)信任度因子的作用結(jié)果。

4 結(jié) 語

個性化教學、因材施教一直都是教育界探索與追求的目標[6]。目前，基于數(shù)據(jù)挖掘、個性化推薦技術(shù)的智能化導學系統(tǒng)有著廣闊的應用前景。個性化導學模型結(jié)合泛在學習新特點，提出改進的智能化學習方式，為學習者在新的學習環(huán)境中解決缺乏互動交流、有效引導等問題提供了一種方案。個性化導學模型對傳統(tǒng)教學環(huán)境重新優(yōu)化改造，以用戶數(shù)據(jù)為基石，根據(jù)動態(tài)用戶行為和交互信息，快速構(gòu)建智能虛擬學習社區(qū)，精確生成個性化導學方案，并實時更新課程信息。然而，個性化導學過程的改進并未有效落在實處，缺乏真實實驗數(shù)據(jù)和應用效果的支撐。在下一步研究中，需要根據(jù)實際情況對個性化導學模型進行開發(fā)與應用。同時根據(jù)反饋結(jié)果，不斷調(diào)整算法模型與各類參數(shù)；根據(jù)大數(shù)據(jù)背景從算法的效率上改進個性化導學模型，以不斷完善個性化導學過程的普適性和高效性。此外，現(xiàn)有泛在學習系統(tǒng)中仍存在監(jiān)控、調(diào)節(jié)學習過程工具缺乏等問題，仍應從學習控制和監(jiān)督出發(fā)，探討結(jié)合督學技術(shù)的系統(tǒng)實現(xiàn)。