協(xié)同推薦：一種個性化學(xué)習(xí)路徑生成的新視角

趙學(xué)孔　徐曉東　龍世榮

【摘要】

以用戶需求為中心的個性化學(xué)習(xí)環(huán)境構(gòu)建是e-Learning未來的發(fā)展趨勢，也是當(dāng)前遠程教育及智慧教育領(lǐng)域研究的熱點。針對個性化e-Learning學(xué)習(xí)環(huán)境的“適應(yīng)性”問題，從用戶認知水平維度切入，利用鄰近區(qū)用戶群（鄰居用戶）相似性規(guī)則提出了一種Web環(huán)境下個性化學(xué)習(xí)路徑生成的協(xié)同推薦機制，并通過架構(gòu)設(shè)計、系統(tǒng)建模、路徑提取及算法設(shè)計四個方面重點剖析了自適應(yīng)學(xué)習(xí)系統(tǒng)（Adaptive Learning System，ALS）協(xié)同推薦機制的技術(shù)解決方案，通過系列實驗設(shè)計、實施以及數(shù)據(jù)分析對其有效性進行了驗證。結(jié)果表明，本研究成果在一定程度上能夠向日標(biāo)用戶推薦較理想的學(xué)習(xí)路徑，有效改善推薦資源的精準(zhǔn)度，進而提高用戶學(xué)習(xí)質(zhì)量和學(xué)習(xí)效果。

【關(guān)鍵詞】個性化學(xué)習(xí)；協(xié)同推薦；學(xué)習(xí)路徑；自適應(yīng)學(xué)習(xí)系統(tǒng)

【中圖分類號】G434 【文獻標(biāo)識碼】A 【文章編號】1009-458 x（2017）05-0024-11

以互聯(lián)網(wǎng)為代表的信息技術(shù)迅猛發(fā)展催生了教育手段與學(xué)習(xí)方式的深度變革。作為互聯(lián)網(wǎng)信息時代的衍生物及一種重要學(xué)習(xí)方式，e-Learning環(huán)境下的個性化學(xué)習(xí)因其強調(diào)學(xué)習(xí)過程中的個體差異性需求，倡導(dǎo)“以學(xué)習(xí)者為中心”的教學(xué)理念而備受關(guān)注，成為遠程教育及智慧教育領(lǐng)域研究的熱點。美國新媒體聯(lián)盟（NMC）在（（2016版地平線報告》中預(yù)言，基于自適應(yīng)學(xué)習(xí)技術(shù)的個性化學(xué)習(xí)成為e-Learning未來發(fā)展態(tài)勢（L·約翰遜，等，2016，PP.1-36）。緊跟時代發(fā)展步伐，201 2年教育部在《教育信息化十年發(fā)展規(guī)劃（201 1-2020年）》中明確提出：“推進信息技術(shù)與教學(xué)深度融合，建設(shè)智能化教學(xué)環(huán)境，提供優(yōu)質(zhì)數(shù)字教育資源和軟件工具……創(chuàng)新信息化教學(xué)與學(xué)習(xí)方式，為每一名學(xué)習(xí)者提供個性化學(xué)習(xí)的信息環(huán)境和服務(wù)。”2016年6月，教育部發(fā)布的《教育信息化“十三五”規(guī)劃》中再次強調(diào)：“要構(gòu)建網(wǎng)絡(luò)化、數(shù)字化、個性化、終身化的教育體系……建立線上線下相結(jié)合的混合式教學(xué)模式，為全民學(xué)習(xí)、終身學(xué)習(xí)提供方便、靈活、個性化的學(xué)習(xí)條件?！庇纱耍瑐€性化學(xué)習(xí)成為教育方式變革的重點之一，探索及構(gòu)建滿足用戶個性化學(xué)習(xí)支持服務(wù)與環(huán)境成為當(dāng)前迫切而重要的研究主題。本研究針對當(dāng)前個性化e-Learning學(xué)習(xí)系統(tǒng)的“適應(yīng)性”問題，即如何向不同用戶高效、精準(zhǔn)地推薦適當(dāng)?shù)膶W(xué)習(xí)資源，嘗試從學(xué)習(xí)者認知水平維度切入，提出一種Web環(huán)境下個性化學(xué)習(xí)路徑動態(tài)生成的解決方案及其技術(shù)實現(xiàn)路線，以期為相關(guān)研究提供參考。

一、相關(guān)研究進展

個性化學(xué)習(xí)（Personalized Learning）是一種針對學(xué)習(xí)者個體差異性而開展的滿足其個性化需求的學(xué)習(xí)方式。李克東（2014）將其定義為：以學(xué)習(xí)者個性差異為基礎(chǔ)，針對學(xué)習(xí)者的個性特點和發(fā)展?jié)撃芏扇§`活、適當(dāng)?shù)姆椒?、手段、?nèi)容、評價方式等滿足學(xué)習(xí)者個性需求，使其各方面獲得充分、自由、和諧發(fā)展，以促進個體發(fā)展為目標(biāo)的學(xué)習(xí)范式。顯然，學(xué)習(xí)者的個體差異（如學(xué)習(xí)偏好、專業(yè)背景、認知水平等）呈多樣化，其心智發(fā)展過程與學(xué)習(xí)路徑也復(fù)雜多樣，是構(gòu)建個性化學(xué)習(xí)支持環(huán)境的難點與挑戰(zhàn)。

進入21世紀(jì)以來，信息技術(shù)高速發(fā)展引發(fā)了學(xué)習(xí)方式、認知思維模式、交流互動方式的變革，知識可視化、學(xué)習(xí)分析、大數(shù)據(jù)挖掘、電子書包以及各種智能移動終端等的出現(xiàn)，為大規(guī)模開展個性化學(xué)習(xí)提供契機，個性化學(xué)習(xí)成為信息時代教育發(fā)展的重要特征。受技術(shù)熱潮的影響，當(dāng)前關(guān)于個性化學(xué)習(xí)的研究逐漸由“概念—內(nèi)涵—模式”理論層面傾向于“機制—模型—系統(tǒng)”技術(shù)實踐層面，技術(shù)支持下的個性化學(xué)習(xí)成為國內(nèi)外關(guān)注的熱點。典型的研究成果包括：

1.個性化學(xué)習(xí)系統(tǒng)適應(yīng)性機制與策略

英國教育技術(shù)與通信技術(shù)局（Becta，2008）在《利用技術(shù)：新一代學(xué)習(xí)（2008-2014）》中提出了基于協(xié)作與互動機制建立一套支持個性化學(xué)習(xí)活動的個人在線學(xué)習(xí)空間，通過為學(xué)習(xí)者提供差異化課程和學(xué)習(xí)經(jīng)歷、可定制的響應(yīng)性評價機制滿足學(xué)生個性化需求；美國加州大學(xué)利用QSP（Quality School Port-folio）項目所開發(fā)的在線決策支持工具采集學(xué)生成長記錄，并以此分析學(xué)生行為和確定個性化學(xué)習(xí)需求（Eva，et al.，2009）；卡斯特羅等人以數(shù)據(jù)挖掘為視角論述了e-Learning個性化學(xué)習(xí)環(huán)境實現(xiàn)策略（Castro，et al.，2007）；趙蔚等（2010）提出了基于Web數(shù)據(jù)挖掘技術(shù)的個性化e-Learning推薦機制解決方案。

2.個性化學(xué)習(xí)系統(tǒng)模型構(gòu)建

史爾赤等人（Shishehchi，et al.，2014）通過本體技術(shù)對學(xué)習(xí)者及學(xué)習(xí)資源進行建模，利用語義關(guān)系實現(xiàn)了系統(tǒng)個性化推薦效果；王等人（Wang，et al.，2013）基于學(xué)習(xí)者的特征模型對課程架構(gòu)與內(nèi)容進行標(biāo)記，進而實現(xiàn)個性化學(xué)習(xí)功能；陳敏和余勝泉等人（2011）以“學(xué)習(xí)元”平臺為例，通過對用戶興趣、學(xué)習(xí)偏好和領(lǐng)域知識建模，提出了一種個性化內(nèi)容推薦模型；張劍平等（2010，p.36）詳細闡述了知識可視化、學(xué)生模型、學(xué)習(xí)能力評估與適應(yīng)性測試等，為適應(yīng)性學(xué)習(xí)系統(tǒng)開發(fā)提供了參考借鑒；姜強等（2016）對e-Learning環(huán)境中用戶的學(xué)習(xí)風(fēng)格模型進行了分析，并構(gòu)建了適應(yīng)性學(xué)習(xí)系統(tǒng)用戶模型。

3個性化學(xué)習(xí)系統(tǒng)開發(fā)

美國Knewton公司基于自適應(yīng)學(xué)習(xí)技術(shù)開發(fā)了在線學(xué)習(xí)平臺“Knewton”，利用分析引擎判斷學(xué)生當(dāng)前學(xué)習(xí)狀態(tài)，為學(xué)生提供個性化課程指導(dǎo)（Kame-netz，2013）；愛爾蘭都柏林大學(xué)的歐文博士（Ow-en，2008）將學(xué)習(xí)對象進行了元數(shù)據(jù)標(biāo)記，并利用規(guī)則引擎實現(xiàn)了個性化學(xué)習(xí)系統(tǒng)ApeLS；韓國慶熙大學(xué)的曾等人（Jeong，et al.，2013）基于學(xué)習(xí)者偏好和能力水平開發(fā)了自適應(yīng)教育超媒體系統(tǒng)AEHS，該系統(tǒng)可按照知識難度水平呈現(xiàn)各種媒體資源；楊現(xiàn)民等（2013）將語義本體技術(shù)引入學(xué)習(xí)資源的組建過程，并以此開發(fā)了學(xué)習(xí)元平臺，實現(xiàn)了資源內(nèi)容的持續(xù)進化，且在一定程度上支持個性化學(xué)習(xí)功能。

縱觀上述研究，國外眾多研究機構(gòu)、學(xué)者以及商業(yè)公司等在個性化學(xué)習(xí)領(lǐng)域研究中開展了大量的理論與實踐探索，以不同的視角設(shè)計開發(fā)了多種具有一定“適應(yīng)性”的學(xué)習(xí)系統(tǒng)原型，取得初步成效；國內(nèi)的研究者也進行了大膽的嘗試，但實踐性研究成果相對較少。比較發(fā)現(xiàn)，上述研究成果就其內(nèi)容或所采用的技術(shù)來分析具有一定的相通性與延續(xù)性，主要集中在適應(yīng)性機制、系統(tǒng)建模、數(shù)據(jù)挖掘、語義本體、推薦策略等方面。這些成果為今后的實踐研究提供了寶貴的參考借鑒。同時也不難發(fā)現(xiàn)，目前關(guān)于個性化學(xué)習(xí)的技術(shù)支持環(huán)境，仍處于探索階段，多數(shù)研究者通過開發(fā)適應(yīng)性學(xué)習(xí)系統(tǒng)（或智能導(dǎo)學(xué)系統(tǒng)）為個性化學(xué)習(xí)提供技術(shù)解決方案，但所設(shè)計的模型或開發(fā)的學(xué)習(xí)系統(tǒng)仍處于原型階段，其滿足學(xué)習(xí)者個性需求的“適應(yīng)性”效果并非理想，還需要進一步研究。在此基礎(chǔ)上，本研究試圖探索如何通過生成最優(yōu)個性化學(xué)習(xí)路徑來改進學(xué)習(xí)系統(tǒng)的“適應(yīng)性”。受當(dāng)前相關(guān)推薦技術(shù)的啟發(fā)，從學(xué)習(xí)者認知水平維度切入，進行實時建模與分析，基于鄰居用戶群相似性規(guī)則，提出一種個性化學(xué)習(xí)路徑動態(tài)生成解決方案——協(xié)同推薦機制，并進一步設(shè)計了ALS原型系統(tǒng)。

二、協(xié)同推薦及其支持下的ALS系統(tǒng)解決方案

（一）協(xié)同推薦機制

個性化學(xué)習(xí)是一種極其復(fù)雜的學(xué)習(xí)體驗，其學(xué)習(xí)軌跡不僅受學(xué)習(xí)者問的差異性特征影響，同時也因?qū)W習(xí)者個體內(nèi)在的動態(tài)發(fā)展因素（如認知水平等）的改變而修正，如何讓支持個性化學(xué)習(xí)的系統(tǒng)在深入“理解”當(dāng)前學(xué)習(xí)者個性需求的基礎(chǔ)上做出適當(dāng)?shù)摹巴评怼保⒁源藶閷W(xué)習(xí)者推薦適當(dāng)?shù)膶W(xué)習(xí)資源，一直是充滿挑戰(zhàn)的話題。然而，在電子商務(wù)領(lǐng)域，許多知名的電商平臺通過對海量用戶購買習(xí)慣、反饋評價等信息進行分析，采用相關(guān)推薦技術(shù)向用戶推薦商品，取得了顯著的成效，例如亞馬遜平臺每年利用推薦技術(shù)獲得巨額收益；國內(nèi)淘寶、京東等知名電商平臺也正在向該方向擴展業(yè)務(wù)。關(guān)于推薦模式，目前常見的有協(xié)同過濾推薦、關(guān)聯(lián)規(guī)則推薦、基于內(nèi)容推薦以及混合式推薦四種。其中，協(xié)同過濾推薦是應(yīng)用較成熟的一種模式，采用該模式的推薦系統(tǒng)有Amazon、MovieFinder、CDNow等（陳雅茜，劉韜，2014）。受此啟發(fā)，本研究嘗試將協(xié)同過濾推薦原理遷移到學(xué)習(xí)系統(tǒng)中，并從學(xué)習(xí)者及其個性化學(xué)習(xí)路徑的角度提出一種協(xié)同推薦機制。

協(xié)同推薦，從本質(zhì)上說，是系統(tǒng)針對當(dāng)前用戶的個性需求而采取的一種篩選、重組、呈現(xiàn)資源的技術(shù)解決方案，其策略在于“協(xié)同”，成效在于“推薦”。在個性化學(xué)習(xí)中，系統(tǒng)對當(dāng)前學(xué)習(xí)者個性需求的深入理解至關(guān)重要，直接影響最終資源的推薦質(zhì)量，而協(xié)同策略在此扮演了重要角色。協(xié)同的本質(zhì)源于協(xié)作互助，在此特指將系統(tǒng)中其他用戶的數(shù)據(jù)信息作為參考并以此為目標(biāo)對用戶狀態(tài)做出合理的判斷推理。推薦是系統(tǒng)在相關(guān)程序算法的作用下為用戶呈現(xiàn)適當(dāng)?shù)馁Y源，是實現(xiàn)個性化、適應(yīng)性學(xué)習(xí)效果的關(guān)鍵。由此，本研究提出的個性化學(xué)習(xí)協(xié)同推薦機制的設(shè)計思想是：以協(xié)同過濾推薦技術(shù)為基礎(chǔ)，首先利用模型分析工具對目標(biāo)用戶分別從認知水平和學(xué)習(xí)路徑兩個維度進行建模分析，然后參考用戶群相似性規(guī)則篩選學(xué)習(xí)路徑序列，并采用AprioriAll算法從學(xué)習(xí)路徑序列中提取路徑共同體，進而生成最優(yōu)路徑資源項序列，最后通過預(yù)處理組件將資源項序列轉(zhuǎn)換生成最終資源列表個性化推薦給用戶。圖1是該推薦機制的實現(xiàn)機理的一個示例。

由上分析，個性化學(xué)習(xí)系統(tǒng)協(xié)同推薦機制的實現(xiàn)主要涉及三個過程：①系統(tǒng)建模。從認知水平及學(xué)習(xí)路徑兩個基本維度構(gòu)建用戶模型，基于學(xué)習(xí)策略構(gòu)建資源內(nèi)容模型。②獲取鄰居用戶。以認知水平作為判定標(biāo)準(zhǔn)對用戶模型進行分析，并從用戶群中篩選相似性用戶作為當(dāng)前用戶的鄰居用戶。③產(chǎn)生推薦路徑。利用相關(guān)算法從鄰居用戶的學(xué)習(xí)路徑中挖掘最優(yōu)學(xué)習(xí)路徑，并將轉(zhuǎn)換后的資源序列推薦給目標(biāo)用戶。為了進一步探索協(xié)同推薦機制及其支持下的個性化學(xué)習(xí)路徑的技術(shù)實現(xiàn)方案，我們嘗試構(gòu)建了ALS原型系統(tǒng)及其具體實現(xiàn)方法。

（二）ALS系統(tǒng)模型構(gòu)建

1.系統(tǒng)架構(gòu)設(shè)計

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)），它是一種針對學(xué)習(xí)者的個體特征差異（如年齡、性別、專業(yè)背景、認知水平等）動態(tài)提供個性化學(xué)習(xí)支持服務(wù)的系統(tǒng)（趙學(xué)孔，等，2015）。根據(jù)網(wǎng)絡(luò)學(xué)習(xí)需要，ALS用戶角色應(yīng)該包括學(xué)習(xí)者和管理者（可由教師兼任）?；诖耍鶚?gòu)建的ALS主要提供在線個性化學(xué)習(xí)和資源管理兩大功能模塊，其總體架構(gòu)如圖2所示。其中，學(xué)習(xí)單元測評用于診斷學(xué)習(xí)者當(dāng)前的認知水平，主要借助習(xí)題測試來實現(xiàn)；學(xué)習(xí)者建模組件負責(zé)測驗成績與認知水平數(shù)據(jù)轉(zhuǎn)換，以此動態(tài)完善用戶模型；記錄器用于實時記錄學(xué)習(xí)者訪問的頁面信息；協(xié)同推薦模塊作為系統(tǒng)的核心部件，主要完成用戶模型分析、學(xué)習(xí)記錄提取、推薦知識項序列、知識序列預(yù)處理等一系列工作過程，進而向用戶推薦個性化學(xué)習(xí)資源；系統(tǒng)數(shù)據(jù)庫主要包括用戶模型、學(xué)習(xí)記錄、學(xué)習(xí)策略以及學(xué)習(xí)資源數(shù)據(jù)庫，用戶模型數(shù)據(jù)庫存儲用戶的特征信息，學(xué)習(xí)記錄數(shù)據(jù)庫存儲用戶的學(xué)習(xí)歷史記錄信息，學(xué)習(xí)策略數(shù)據(jù)庫存儲學(xué)習(xí)資源的關(guān)系信息（如章節(jié)項關(guān)系、知識項的前驅(qū)后繼關(guān)系等）、學(xué)習(xí)資源數(shù)據(jù)庫存儲資源的實體信息。

如圖2所示，ALS的工作過程大致描述如下：①學(xué)習(xí)者登錄ALS系統(tǒng)后，首先通過測試題對其當(dāng)前認知水平進行診斷，并利用建模組件將測試成績記錄在用戶模型數(shù)據(jù)中。②學(xué)習(xí)者在學(xué)習(xí)過程中，系統(tǒng)利用模型分析工具獲取學(xué)習(xí)者當(dāng)前的認知水平信息，然后從鄰居用戶群中提取學(xué)習(xí)記錄集并以此產(chǎn)生推薦知識項序列（即學(xué)習(xí)路徑），最后利用預(yù)處理組件將最優(yōu)學(xué)習(xí)路徑與實體資源建立映射關(guān)系，將個性化資源列表推薦給目標(biāo)用戶。學(xué)習(xí)者則在相關(guān)學(xué)習(xí)工具的支持下，借助Web瀏覽器完成在線學(xué)習(xí)。同時，記錄器實時捕獲學(xué)習(xí)者訪問頁面的序列、內(nèi)容、訪問時間等信息，隨時更新學(xué)習(xí)記錄數(shù)據(jù)庫。③學(xué)習(xí)者每學(xué)完一個知識單元都需要進行單元測試練習(xí)，系統(tǒng)將其測驗成績作為當(dāng)前認知水平，然后利用建模組件更新用戶模型信息，為后續(xù)推薦服務(wù)提供數(shù)據(jù)參考。④資源管理者登錄系統(tǒng)后，通過管理功能實時更新學(xué)習(xí)資源信息，如上傳和編輯資源、修改學(xué)習(xí)資源的策略關(guān)系等。

2系統(tǒng)建模

（1）用戶模型。學(xué)習(xí)者是ALS系統(tǒng)的主體使用者，同時也是系統(tǒng)的個性化推薦服務(wù)對象，因此系統(tǒng)的設(shè)計首先不能忽視學(xué)習(xí)者用戶的主體地位。ALS協(xié)同推薦實現(xiàn)的關(guān)鍵是在分析目標(biāo)用戶模型的基礎(chǔ)上獲取鄰居用戶的學(xué)習(xí)路徑，并以此提取最優(yōu)學(xué)習(xí)路徑?？梢哉f，ALS推薦內(nèi)容的精準(zhǔn)度在很大程度上受用戶模型的影響。在本系統(tǒng)中，用戶建模組件通過實時采集處理學(xué)習(xí)者個性化信息來修正用戶模型。為了能夠真實地反映學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，主要從認知水平和學(xué)習(xí)記錄兩個維度建構(gòu)用戶模型，具體表示方法如下：