基于用戶模型的生成性學(xué)習(xí)資源個性化推薦研究

譚明新+鮑曉琴

摘 要：個性化推薦作為解決學(xué)習(xí)者信息迷航的重要途徑已成為研究熱點(diǎn)。以生成性學(xué)習(xí)資源中學(xué)習(xí)者的個性化學(xué)習(xí)特征為基礎(chǔ)，構(gòu)建用戶模型。根據(jù)布盧姆認(rèn)識理論，采用貝葉斯網(wǎng)絡(luò)評估學(xué)習(xí)者認(rèn)知狀態(tài)，并基于Felder-Silverman模型，利用TAN貝葉斯網(wǎng)絡(luò)預(yù)測學(xué)習(xí)者學(xué)習(xí)風(fēng)格，依據(jù)學(xué)習(xí)者的認(rèn)知水平和學(xué)習(xí)風(fēng)格推薦不同的學(xué)習(xí)策略，以有效提高學(xué)習(xí)效率。

關(guān)鍵詞：生成性學(xué)習(xí)資源；認(rèn)知狀態(tài)；學(xué)習(xí)風(fēng)格；用戶模型；個性化推薦

DOIDOI：10.11907/rjdk.171203

中圖分類號：TP319

文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：1672-7800（2017）008-0123-05

0 引言

信息技術(shù)的迅猛發(fā)展，尤其是Web2.0技術(shù)的出現(xiàn)，為資源的再生提供了支撐[1]。然而，一些常見的教學(xué)系統(tǒng)，如SaKai 、Blackboard、Moodle等采用單一的學(xué)習(xí)方式，不能根據(jù)用戶特征提供個性化服務(wù)。為學(xué)習(xí)者提供“最短路徑”的學(xué)習(xí)體驗，根據(jù)學(xué)習(xí)者的學(xué)習(xí)偏好、認(rèn)知狀態(tài)、學(xué)習(xí)風(fēng)格等“量身定制”學(xué)習(xí)方案，是許多教育工作者努力的目標(biāo)。

隨著以學(xué)習(xí)者為中心的網(wǎng)絡(luò)學(xué)習(xí)興起，關(guān)于學(xué)習(xí)者模型的研究倍受青睞，個性化推薦得到發(fā)展。例如Jon Herlocker等[2]基于推薦算法，對相似度計算、鄰居用戶的選擇和評估模塊進(jìn)行介紹，詳細(xì)分析了基于鄰居用戶的協(xié)同過濾算法，并給出較優(yōu)選擇；Yao Jung Yang等[3]利用Kolb學(xué)習(xí)風(fēng)格模型測量學(xué)習(xí)者的風(fēng)格偏向，并對學(xué)習(xí)資源進(jìn)行分類處理，以保證個性化學(xué)習(xí)資源推薦；Gra等[4]分析了基于Felder-Silverman學(xué)習(xí)風(fēng)格測量表，向活躍/沉思型、感悟/直覺型、視覺/言語型或序列/綜合型的學(xué)習(xí)者推薦適合的學(xué)習(xí)資源；TG Baudson等[5]利用多層次分析原則，從學(xué)生、教師、課堂等角度分析影響學(xué)生認(rèn)知能力的因素；張劍平等[6]構(gòu)建了CS-LS學(xué)生模型，將學(xué)習(xí)風(fēng)格（Learning Style）和認(rèn)知狀態(tài)（Cognitive State）融入學(xué)習(xí)者模型，通過分析學(xué)習(xí)者特征提供適應(yīng)性網(wǎng)絡(luò)學(xué)習(xí)；衷克定等[7]闡述了學(xué)習(xí)風(fēng)格類型、特點(diǎn)及測量方式，依此設(shè)計教學(xué)策略，驗證學(xué)習(xí)風(fēng)格的可行性；李艷燕等[8]通過學(xué)習(xí)分析，預(yù)測學(xué)習(xí)者學(xué)習(xí)環(huán)境，干預(yù)指導(dǎo)學(xué)習(xí)，繼而提高學(xué)習(xí)效果；趙蔚等[9]采用Felder-Silverman學(xué)習(xí)風(fēng)格模型與個性化推薦技術(shù)評估學(xué)習(xí)者學(xué)習(xí)行為特點(diǎn)，培養(yǎng)學(xué)生的自我效能感，提供更優(yōu)化的學(xué)習(xí)服務(wù)。雖然這些研究取得了一定成果，但仍存在一些不足，如缺乏對學(xué)習(xí)者學(xué)習(xí)特征的分析，用戶模型構(gòu)建信息不足，無法整體把握學(xué)生的學(xué)習(xí)過程，教學(xué)策略設(shè)計不夠靈活，協(xié)作交互方式單一等。本文對用戶模型信息進(jìn)行完善，引入學(xué)習(xí)者的認(rèn)知狀態(tài)與學(xué)習(xí)風(fēng)格兩大要素；采用基于知識關(guān)系的貝葉斯網(wǎng)絡(luò)對學(xué)習(xí)狀態(tài)進(jìn)行評估，能較好反映學(xué)習(xí)者的相關(guān)知識結(jié)構(gòu)；根據(jù)Felder-Silverman模型對學(xué)習(xí)風(fēng)格進(jìn)行初始化，在學(xué)習(xí)過程中使用TAN貝葉斯網(wǎng)絡(luò)挖掘?qū)W習(xí)者學(xué)習(xí)行為并更新學(xué)習(xí)風(fēng)格。根據(jù)用戶模型引導(dǎo)學(xué)習(xí)，以學(xué)習(xí)資源的個性化推薦為主，支持性活動、工具、策略等推薦為輔，充分體現(xiàn)“因材施教”的教學(xué)理念，發(fā)揮學(xué)習(xí)資源的最大價值，提高學(xué)習(xí)效率。

1 用戶生成性學(xué)習(xí)資源

1.1 用戶生成性學(xué)習(xí)資源定義

用戶生成性學(xué)習(xí)資源（User Generated Learning Resources，UGLR）又稱為用戶創(chuàng)建內(nèi)容（User Created Content，UCC）或用戶貢獻(xiàn)內(nèi)容，泛指學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下，結(jié)合自身的知識背景將潛隱的智慧資源顯現(xiàn)化，通過網(wǎng)絡(luò)工具將其發(fā)布在網(wǎng)絡(luò)上，為他人所用。新的想法、思路以及解決問題的方法將添加到原有認(rèn)識結(jié)構(gòu)中，如此循環(huán)，實現(xiàn)資源再生[10]。

1.2 用戶生成性學(xué)習(xí)資源構(gòu)建

用戶生成性學(xué)習(xí)資源具有零散性，一張圖片、一個詞條或一段視頻/音頻都可作為其最小內(nèi)容單元——微內(nèi)容。將微內(nèi)容有效組織起來，使非結(jié)構(gòu)化資源逐步結(jié)構(gòu)化，是用戶生成性資源構(gòu)建中至關(guān)重要的一步，加上人為干預(yù)性指導(dǎo)，新的資源將不斷創(chuàng)造。生成性資源設(shè)計模型如圖1所示。

用戶生成性學(xué)習(xí)資源構(gòu)建依賴于學(xué)習(xí)者之間的頭腦風(fēng)暴、思想碰撞、正確的指導(dǎo)和效果評價。遵循建構(gòu)主義學(xué)習(xí)理論，包括學(xué)習(xí)交流、學(xué)習(xí)活動、學(xué)習(xí)評價3大部分，學(xué)習(xí)者可以利用學(xué)習(xí)交互工具參與到學(xué)習(xí)各個環(huán)節(jié)，充分發(fā)揮主觀能動性。

在學(xué)習(xí)交流中，利用Wiki發(fā)起一個話題，其他學(xué)習(xí)者修改完善，資源將得到新的發(fā)展；RSS 實現(xiàn)了學(xué)習(xí)資源訂制，為信息發(fā)布和共享提供了一種高效方式；Blog可以用來記錄學(xué)習(xí)心得、學(xué)習(xí)筆記和學(xué)習(xí)反思，使學(xué)習(xí)交流更加自主化；而論壇和聊天室滿足了學(xué)習(xí)者之間同步或異步的交流互動[11]；對疑難問題，也可直接請教教師或相關(guān)專家。在學(xué)習(xí)活動中，添加不同的場景可以使學(xué)習(xí)效果事半功倍，例如在操場、植物園或教室等地點(diǎn)進(jìn)行內(nèi)容各異的學(xué)習(xí)活動，讓學(xué)習(xí)者真正體會到學(xué)習(xí)的樂趣，促進(jìn)學(xué)習(xí)者之間觀點(diǎn)的交流、補(bǔ)充和啟發(fā)。與此同時，學(xué)習(xí)工具的推薦保證了生成性資源的產(chǎn)生、保存、有效利用和傳播。彼此的知識、經(jīng)驗和體驗的分享也可提高學(xué)習(xí)的主動性和積極性。學(xué)習(xí)活動開展方式很多，如問題教學(xué)、項目學(xué)習(xí)、任務(wù)驅(qū)動和小組協(xié)作等。在學(xué)習(xí)評價過程中，教師根據(jù)學(xué)生反饋，對取得進(jìn)步的學(xué)生給予必要的獎勵，對有落后趨勢的學(xué)生給予相應(yīng)的鼓勵和指導(dǎo)，激勵學(xué)習(xí)熱情，保持學(xué)習(xí)高漲氣氛。倡導(dǎo)多元化評價，如學(xué)生自評和互評、教師評價、學(xué)生與教師互動評價以及專家評價。

2 用戶模型

用戶模型（User Models）是智能系統(tǒng)中某個用戶或用戶群的表示法，基于用戶需求建立 [12]。為了適應(yīng)不同階段的學(xué)習(xí)者，通過學(xué)習(xí)行為挖掘掌握用戶興趣愛好，更新用戶模型。依據(jù)《學(xué)習(xí)者模型規(guī)范 CELTS-11》[13]構(gòu)建用戶模型，選取個人信息、學(xué)業(yè)信息、偏好信息和績效信息4類，每類信息含有標(biāo)識和外標(biāo)識，用于數(shù)據(jù)連接。其中個人信息為一般的通用信息；學(xué)業(yè)信息與學(xué)習(xí)者的學(xué)習(xí)背景相關(guān)；偏好信息可促進(jìn)人機(jī)交互的參數(shù)選擇，包含先前偏好集、后繼偏好集、情感和興趣等信息；績效信息基于學(xué)習(xí)者目前的學(xué)習(xí)情況，如學(xué)習(xí)體驗和知識掌握情況，據(jù)此推薦學(xué)習(xí)資源。endprint

本文對CELTS-11規(guī)范進(jìn)行了擴(kuò)展和綜合，增加了“角色分類”擴(kuò)展元，將管理者、教師、學(xué)生和專家角色引入到個人信息中。在學(xué)業(yè)信息中添加學(xué)習(xí)行為操作：分享、下載、閱讀和評價等；把學(xué)習(xí)者偏好的資源類型添加到偏好信息中；“學(xué)習(xí)效果”增加獎勵情況、測試成績到績效成績中；新增學(xué)習(xí)風(fēng)格和認(rèn)知狀態(tài)兩類信息。新增擴(kuò)展元使得學(xué)習(xí)者模型信息更加完整，同時為可視化提供數(shù)據(jù)，方便學(xué)習(xí)者查詢學(xué)習(xí)信息及教師干預(yù)指導(dǎo)，用戶模型如圖2所示。

3 生成性學(xué)習(xí)資源個性化推薦

學(xué)習(xí)者初次使用本系統(tǒng)時須注冊信息（如姓名、性別、學(xué)歷、資源的偏好類型等），并進(jìn)行認(rèn)知狀態(tài)的評估和學(xué)習(xí)風(fēng)格的測量，以此顯式方式得到初始化用戶模型。在學(xué)習(xí)過程中，通過隱式獲取方式挖掘?qū)W習(xí)者潛在特性以不斷修正用戶模型，向用戶推薦適合自身的學(xué)習(xí)資源、活動、交流工具等，在保證學(xué)習(xí)質(zhì)量的同時提高學(xué)習(xí)效率。學(xué)習(xí)結(jié)束后，通過學(xué)習(xí)測試檢驗用戶是否達(dá)到了預(yù)期學(xué)習(xí)效果。將測試數(shù)據(jù)傳送到“測試成績”中，并給出學(xué)習(xí)建議——進(jìn)行后續(xù)學(xué)習(xí)還是繼續(xù)本內(nèi)容學(xué)習(xí)。學(xué)習(xí)資源個性化推薦模型如圖3所示。

學(xué)習(xí)資源類型豐富，包括視頻、音頻、圖片、文本和綜合多媒體等，可以很好地滿足學(xué)習(xí)者對資源的需求。為方便學(xué)習(xí)者對資源的管理，提供添加標(biāo)簽方式對資源進(jìn)行標(biāo)注。教師根據(jù)測試結(jié)果對學(xué)生單獨(dú)指導(dǎo)，在把握學(xué)生自身特征的同時，實現(xiàn) “學(xué)生自主學(xué)習(xí)為主，老師指導(dǎo)為輔”的教學(xué)模式。

3.1 貝葉斯網(wǎng)絡(luò)評估認(rèn)知水平推薦

美國著名教育學(xué)專家布盧姆指出：認(rèn)知領(lǐng)域的目標(biāo)是知識的結(jié)果，包括識記、理解、運(yùn)用、分析、綜合和評價6部分[14]。而學(xué)習(xí)評估能夠較準(zhǔn)確地獲取學(xué)習(xí)者當(dāng)前的認(rèn)知水平和狀態(tài)，為個性化支持服務(wù)提供依據(jù)。近年來，貝葉斯網(wǎng)絡(luò)（Bayesian Nets，BN）常被用于有監(jiān)督的學(xué)習(xí)形式，能綜合學(xué)習(xí)前的信息，判斷學(xué)生對相關(guān)知識的掌握情況。

貝葉斯網(wǎng)絡(luò)是一種基于概率推理的圖形化網(wǎng)絡(luò)，用于模擬事物之間的因果關(guān)系，可用一個三元組（E，V，P）表示。其中，V為一組代表知識變量的節(jié)點(diǎn)集合，節(jié)點(diǎn)間有向邊的集合用E表示，用于反應(yīng)知識變量間的依賴關(guān)系；P為條件概率集合[15]，可通過BN先驗信息與后驗信息的結(jié)合能力，將學(xué)習(xí)資源中知識間的因果關(guān)系編碼，并隨學(xué)習(xí)進(jìn)度更新用戶模型。

貝葉斯網(wǎng)絡(luò)的建立基于貝葉斯定理，計算公式如下：

P（X1，X2，...，Xn）=∏ni=1P（Xi/pa（Xi））（1）

其中，Xi∈V，pa（Xi）表示Xi的父節(jié)點(diǎn)，P（Xi/pa（Xi））表示條件概率，是條件概率表（CPT）的依據(jù)。為了合理反映學(xué)習(xí)資源各知識項的關(guān)系，采用基于知識關(guān)系的貝葉斯評估模型。以《通信原理》知識結(jié)構(gòu)為例構(gòu)建評估模型，如圖4所示。

Subjects表示科目（S），Topic（T）為主題，即章節(jié)， Concepts（C）代表每章節(jié)中的知識項，Questions（Q）為試題，其屬性有{編號、所測認(rèn)知能力、知識點(diǎn)、等級、選項、答案、解析、關(guān)聯(lián)知識點(diǎn)、區(qū)分度}，S、T和C之間的關(guān)系可表示如下：

Ci是相互獨(dú)立的元知識單元集，可表示為Ci={Ci1，Ci2，…，Cin} ；Wi元知識Ci相對其所屬T的權(quán)重，Wi={Wi1，Wi2，…Win}；T表示關(guān)于一個主題的知識集，T={T1，T2，…Tn}，由Ci、Wi表示為Ti=∑nj=1WijCij；H是主題相對于所屬學(xué)科的權(quán)重，H={H1，H2，…，Hn}；那么，科目S=∑nj=1HjTj。

本文以一個知識項Ci為例，題庫中關(guān)于Ci的試題Qi的等級分為非常不重要、不重要、一般、重要、非常重要5類，分別用X1、X2、X3、X4、X5表示。學(xué)習(xí)者對知識項C的掌握情況用L表示，分為掌握M與未掌握UM兩種，M又分為初步掌握IM、基本掌握BM、熟練PM、應(yīng)用AM四類，即L={UM，IM，BM，PM，AM}。測試試題由教育專家根據(jù)領(lǐng)域知識和用戶學(xué)習(xí)策略設(shè)計，并按照量化表中數(shù)據(jù)的類型與難度級別進(jìn)行映射。不同難度的試卷包含不同比例的難度等級試題，學(xué)習(xí)者進(jìn)行認(rèn)識能力測試時，系統(tǒng)會根據(jù)其認(rèn)知狀態(tài)生成一套符合學(xué)習(xí)者認(rèn)知規(guī)律且內(nèi)容豐富的試卷。在測試過程中，采用0-1評分方式（答對記1，答錯記0），根據(jù)作答情況和類別概率，在CPT中查詢相應(yīng)節(jié)點(diǎn)概率，根據(jù)公式（1）即可得到學(xué)習(xí)者對某知識項的認(rèn)知水平（掌握情況）。根據(jù)學(xué)習(xí)者的認(rèn)知水平不同將學(xué)習(xí)者劃分于不同的區(qū)間，對不同的學(xué)習(xí)者推薦不同的教學(xué)策略，幫助學(xué)習(xí)者完成學(xué)習(xí)目標(biāo)，如表1所示。

將測試所得值保存到數(shù)據(jù)庫中，并以曲線圖的形式展示學(xué)習(xí)者的測試成績。根據(jù)測試情況，針對學(xué)習(xí)者的弱項采取措施，從而幫助教師、學(xué)習(xí)者和家長全面了解學(xué)習(xí)者的的認(rèn)知狀態(tài)與認(rèn)知結(jié)構(gòu)。若學(xué)習(xí)者對測試結(jié)果不滿，可以選擇重新測試，系統(tǒng)會更換測試題，并對所測試過的題目用不同的顏色標(biāo)記，答對的題目標(biāo)記為綠色，答錯的為紅色，沒有作答的題目為黃色，保證測試的有效性。

3.2 依據(jù)TAN貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)風(fēng)格推薦

傳統(tǒng)的學(xué)習(xí)風(fēng)格檢測基于一種靜態(tài)方式，即通過測量表獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。多次填寫測量表平乏無味，導(dǎo)致部分學(xué)習(xí)者隨意應(yīng)付，同時，無法實時檢測學(xué)習(xí)風(fēng)格。貝葉斯網(wǎng)絡(luò)可對學(xué)習(xí)風(fēng)格實時檢測，提供一種更準(zhǔn)確的個性化服務(wù)，在有監(jiān)督的學(xué)習(xí)中得到快速發(fā)展。

Felde和Soloman[16]對學(xué)習(xí)風(fēng)格的測量及分類做了很多研究，提出了Felder-Silverman學(xué)習(xí)風(fēng)格模型，從感知、輸入、處理和理解4個維度對學(xué)習(xí)風(fēng)格進(jìn)行分類，分為活躍/沉思型、感悟/直覺型、視覺/言語型、序列/綜合型，并在教學(xué)實踐和多元智能理論基礎(chǔ)上完成了《學(xué)習(xí)風(fēng)格指數(shù)問卷》（Index of learning styles， ILS），用于學(xué)習(xí)風(fēng)格測評。

隨著教育信息化發(fā)展，靜態(tài)的學(xué)習(xí)風(fēng)格測量已不能滿足學(xué)習(xí)者需求，本文在Felder-Silverman基礎(chǔ)上，運(yùn)用樸素貝葉斯網(wǎng)絡(luò)（Tree Augmented Naive Bayesian，TAN），自動檢測學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，并對學(xué)習(xí)風(fēng)格特性和學(xué)習(xí)行為進(jìn)行分析，得到如表2所示的學(xué)習(xí)風(fēng)格分類及學(xué)習(xí)行為模式，建立了學(xué)習(xí)風(fēng)格檢測模型，如圖5所示。endprint

學(xué)習(xí)風(fēng)格檢測過程中，對內(nèi)容理解（U）的檢測作詳細(xì)說明，其它學(xué)習(xí)風(fēng)格的檢測過程相同。內(nèi)容理解維度分為序列型（U1）和綜合型（U2）兩類，節(jié)點(diǎn)信息描述如下：①測試成績（R）：優(yōu)秀R1[8，10]分，良好R2[6，8），差R3[0，6）；②學(xué)習(xí)路徑（P）：順序?qū)W習(xí)（P1），非順序?qū)W習(xí)（P2）。

從學(xué)習(xí)風(fēng)格訓(xùn)練庫中的數(shù)據(jù)可以分析得出U、P、P節(jié)點(diǎn)的先驗概率表，然后通過參數(shù)學(xué)習(xí)計算得到節(jié)點(diǎn)的CPT表，如表3所示。

某學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)：P（P1）=0.68，P（P2）=0.32，P（R1）=0.3，P（R2）=0.6，P（R3）=0.1，由公式（1）得到：

P（U1/P，R）=0.98*0.32*0.3+0.8*0.32*0.6+0.6*0.32*0.1+0.02*0.68*0.3+0.25*0.68*0.1=0.59304

同理P（U2/P，R）=0.40696

則P（U=U1）=P（X/U1）/（P（X/U1））+P（X/U2）

=59.304%

P（U=U2）=P（X/U2）/（P（X/U1））+P（X/U2）

=40.696%

ILS將所檢測到的Feler-Silverman學(xué)習(xí)風(fēng)格進(jìn)行了等級分類：中間型（差值為1或3）、趨向性較弱（差值為5或7）、趨向性較強(qiáng)（差值為9或11）。因此，將50%～100%分為與之對應(yīng)的3個等級，分別為50%～67%，67%～85%，85%～100%。綜合以上P值計算結(jié)果可知該學(xué)生為中間型。在生成性學(xué)習(xí)資源中，依據(jù)梅耶的知識理論，將知識分為語義知識、程序性知識和策略性知識3類[17]。在不同階段根據(jù)學(xué)習(xí)風(fēng)格設(shè)計學(xué)習(xí)資源、學(xué)習(xí)策略和學(xué)習(xí)過程，讓學(xué)習(xí)風(fēng)格融入到整個學(xué)習(xí)過程。

（1）基于學(xué)習(xí)風(fēng)格的語義知識資源設(shè)計。在語義知識階段，概念和事實性知識居多，對序列/綜合型及視覺/言語型學(xué)習(xí)者影響較大。序列型學(xué)習(xí)者喜歡按順序?qū)W習(xí)知識點(diǎn)。因此，學(xué)習(xí)資源的設(shè)計要遵循“線性”原則，將學(xué)習(xí)資源的章節(jié)、單元分類，并對知識點(diǎn)之間關(guān)系進(jìn)行詳細(xì)分析，例如包含關(guān)系、依賴關(guān)系等，采用邏輯順序或類別順序組織知識點(diǎn)；綜合型學(xué)習(xí)者偏愛從整體到局部的學(xué)習(xí)方式，思維發(fā)散性、跳躍性較強(qiáng)，利用思維導(dǎo)圖或概念圖展現(xiàn)知識的“整體性”尤為重要，相關(guān)知識點(diǎn)采用“超鏈接”方式嵌入，保證了知識整體與局部的結(jié)合；視覺型學(xué)習(xí)者擅長信息的記憶，通過字體大小和顏色加強(qiáng)視覺沖擊，或?qū)⒏拍钚蜗蠡?，幫助學(xué)習(xí)者記憶知識；言語型學(xué)習(xí)者傾向音頻或視頻型資源，可以在概念與原理知識中添加語音或視頻講解。

（2）基于學(xué)習(xí)風(fēng)格的程序性知識資源設(shè)計。程序性知識對感知信息維度的作用較為明顯，以綜合與運(yùn)用為主，知識點(diǎn)較多。感悟型學(xué)習(xí)者傾向?qū)⒅R與實際生活中的事物聯(lián)系起來，以事實或問題作為學(xué)習(xí)的開端，可以推薦“案例學(xué)習(xí)”與“問題學(xué)習(xí)”資源；直覺型學(xué)習(xí)者與感悟型學(xué)習(xí)者的學(xué)習(xí)順序相反，應(yīng)先向?qū)W習(xí)者推薦理論知識，然后推薦應(yīng)用案例類資源；視覺型學(xué)習(xí)者在此階段，傾向包括認(rèn)知策略、知識總結(jié)等內(nèi)容的視頻類資源；而言語型學(xué)習(xí)者以圖片、音頻資源為主，資源內(nèi)容中可適當(dāng)添加對知識點(diǎn)之間關(guān)聯(lián)的講解。

（3）基于學(xué)習(xí)風(fēng)格的策略性知識資源設(shè)計。策略性知識是前兩種知識的綜合應(yīng)用與評價過程，要求挖掘新知識?；钴S型學(xué)習(xí)者是該過程中的積極分子，擅長溝通與合作，喜歡動手操作，可向活躍型學(xué)習(xí)者推薦交流工具與學(xué)習(xí)活動，如聊天室、討論區(qū)及教育游戲等；沉思型學(xué)習(xí)者獨(dú)立性強(qiáng)，喜歡安靜思考，適合Blog和RSS類交流工具的推薦，且資源設(shè)計中需要預(yù)留充足的時間讓其思考；策略性知識是學(xué)習(xí)者的最高追求，也是用戶生成性學(xué)習(xí)資源的收尾工作，頭腦風(fēng)波在此過程中尤為重要，要對資源的學(xué)習(xí)價值進(jìn)行評價，將有價值的資源保留下來，刪掉無用的學(xué)習(xí)資源。

為了鼓勵學(xué)習(xí)者積極思考，可以采取積分獎勵、獎狀表彰等獎勵措施，獎勵情況記入學(xué)習(xí)成績中。學(xué)習(xí)者可以查看其他用戶的瀏覽內(nèi)容和學(xué)習(xí)成績，共同學(xué)習(xí)、探討問題。學(xué)習(xí)者可通過可視化信息面板了解學(xué)習(xí)情況，進(jìn)行自我認(rèn)識與自我規(guī)劃；學(xué)生、教師和專家之間的聯(lián)通關(guān)系構(gòu)成“人際渠道”，便于學(xué)習(xí)者進(jìn)行問題求助，獲取學(xué)習(xí)支持?？傊J(rèn)知狀態(tài)與學(xué)習(xí)風(fēng)格無縫融入用戶模型，可促使生成性學(xué)習(xí)資源再生。

3.3 基于用戶模型的個性化學(xué)習(xí)效果

本文以華中師范大學(xué)2014級通信專業(yè)80名本科生為研究對象進(jìn)行測試調(diào)查，其中男生43人，女生37人。被研究者均能較熟練操作計算機(jī)，且81.26%的被研究者每天上網(wǎng)時間都在1小時以上。將研究對象隨機(jī)分為實驗組和普通組，每組40人，根據(jù)研究者的前測成績（分?jǐn)?shù)）將各組分為A類生[5，10]和B類生[0，5）兩類。經(jīng)過半個學(xué)期的《通信原理》課程學(xué)習(xí)后，實驗組與普通組的測試數(shù)據(jù)如表4所示。

由表4可知，實驗組的學(xué)習(xí)成績提升效果明顯，兩個組中A類生學(xué)習(xí)成績提升效果不如B類生明顯，分析原因：A類生原本有較為理想的學(xué)習(xí)計劃、方法和效率，而B類生學(xué)習(xí)漫無目的，學(xué)習(xí)方法不正確，沒有支持性學(xué)習(xí)伙伴與學(xué)習(xí)熱情。通過該系統(tǒng)的幫助，B類生找到了較適合的學(xué)習(xí)方法、工具和伙伴，學(xué)習(xí)熱情提高，學(xué)習(xí)成績提升效果明顯。根據(jù)表中的學(xué)習(xí)時間、拋棄問題數(shù)量、嘗試解決次數(shù)和資源再生次數(shù)4類數(shù)據(jù)可以看出，實驗組學(xué)習(xí)效率更高，學(xué)習(xí)資源再生次數(shù)更多。主要原因在于系統(tǒng)會根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格與認(rèn)知狀態(tài)水平提供個性化學(xué)習(xí)資源、工具與活動，使學(xué)習(xí)者充分融入學(xué)習(xí)氛圍，積極參入到知識討論環(huán)節(jié)，對知識點(diǎn)的理解也更為深刻。此外，通過調(diào)查發(fā)現(xiàn)實驗組的學(xué)習(xí)者認(rèn)為此系統(tǒng)的資源推薦可代替自選資源，節(jié)約了查找資源時間。而普通組的學(xué)習(xí)者則趨向自選資源，因為系統(tǒng)所推薦的資源不符合自身認(rèn)知狀態(tài)或?qū)W習(xí)風(fēng)格，由此得出結(jié)論：基于用戶模型的生成性學(xué)習(xí)資源個性化推薦系統(tǒng)可以提高學(xué)習(xí)效率和學(xué)習(xí)熱情，便于生成性資源 “成長”。endprint

本研究使用的測試量表借鑒前人成果，通過相關(guān)領(lǐng)域?qū)＜腋木幎桑囶}共30題，不同學(xué)科采用不同的測試試卷，從多個維度測試被調(diào)查者相關(guān)知識的掌握情況。通過對測試量表的數(shù)據(jù)分析，得到總量表的信度系數(shù)為0.861>0.7，單項信度系數(shù)均在0.785～0.876之間，故各測量維度較好地反映了所需測量內(nèi)容，具有良好的一致性。而測前與測后的Sig.=0.02<0.05，由于測后分?jǐn)?shù)明顯提高，更進(jìn)一步證明了該推薦系統(tǒng)可以有效提高學(xué)習(xí)效果，且對所有被調(diào)查者適用。

4 結(jié)語

用戶生成性學(xué)習(xí)資源作為重要的數(shù)字化學(xué)習(xí)資源開發(fā)途徑，在整個生命周期中都需要學(xué)習(xí)者新思想的注入。本文以用戶模型為依據(jù)實現(xiàn)學(xué)習(xí)資源、學(xué)習(xí)活動、交流工具等個性化推薦，并對學(xué)習(xí)者的認(rèn)知狀態(tài)和學(xué)習(xí)風(fēng)格測量提供方法，以此推薦適合學(xué)習(xí)者個性化的內(nèi)容；認(rèn)知狀態(tài)的評估依據(jù)布盧姆認(rèn)識理論，根據(jù)學(xué)習(xí)者作答情況，通過貝葉斯網(wǎng)絡(luò)確定認(rèn)知狀態(tài)；學(xué)習(xí)風(fēng)格的測量基于Felder-Silverman模型與量表，采用TAN貝葉斯網(wǎng)絡(luò)自動檢測更新學(xué)習(xí)風(fēng)格。在學(xué)習(xí)過程中，不斷發(fā)掘用戶新特征以修正用戶模型，最終實現(xiàn)學(xué)習(xí)資源的最佳推薦。

下一步研究重點(diǎn)是基于學(xué)習(xí)內(nèi)容的推薦，即知識專家與學(xué)習(xí)同伴以同心圓方式圍繞在學(xué)習(xí)內(nèi)容周圍，越靠近中心的學(xué)習(xí)者對該知識的掌握越好，以此為其他學(xué)習(xí)者提供更精確的咨詢服務(wù)。

參考文獻(xiàn)：

[1] 劉淼，楊鎮(zhèn)豪，謝韻玲，等.Andorid圖文同步識別系統(tǒng)的設(shè)計和實現(xiàn)[J].計算機(jī)工程與設(shè)計，2014，35（6）：2207-2212.

[2] JON HERLOCKER，JOSEPH A， KONSTAN，et al.An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms[J].Information Retrieval，2002，5 （4） ：287-310.

[3] YAO JUNG YANG，CHUNI WU.An attribute-based ant colony system for adaptive learing object recommendation[J].Expert System with Applications，2009（36）：3034-3047.

[4] GRA，F(xiàn) S.Adaptivity in learing management systems focussing on learing styles[D].University of Vienna，2007.

[5] TG BAUDSON，F(xiàn) PRECKEL，A FISCHBACH.Teacher judgments as measures of children's cognitive ability：a multilevel analysis .Learning and Individual [C].Differences，2014.

[6] 張劍平，陳仕品，張家華.網(wǎng)絡(luò)學(xué)習(xí)及其適應(yīng)性學(xué)習(xí)支持系統(tǒng)研究[M].北京：科學(xué)出版社，2010：136-137.

[7] 衷克定，劉洋.基于學(xué)習(xí)風(fēng)格理論的在線導(dǎo)學(xué)策略設(shè)計與實踐[J].開放教育研究，2012，18（3）：83-89.

[8] 李艷燕，馬韶茜.學(xué)習(xí)分析技術(shù)：服務(wù)學(xué)習(xí)過程設(shè)計和優(yōu)化[J].開放教育研究，2012，18（5）：18-24.

[9] 姜強(qiáng)，趙蔚，王朋嬌，等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實現(xiàn)[J].中國電化教育，2015 （1）：85-92.

[10] 萬力勇，趙呈領(lǐng)，黃志芳，等.用戶生成性學(xué)習(xí)資源：數(shù)字化學(xué)習(xí)資源開發(fā)與利用的新視角[J].電化教育研究，2014 （5）：53-58.

[11] 王梅.基于Moodle平臺的生成性學(xué)習(xí)資源的設(shè)計與開發(fā)[D].濟(jì)南：山東師范大學(xué)，2014.

[12] 姜強(qiáng)，趙蔚，杜欣，等.基于用戶模型的個性化本體學(xué)習(xí)資源推薦研究[J].中國電化教育，2015 （5）：106-110.

[13] 教育部教育信息化技術(shù)標(biāo)準(zhǔn)委員會.CELTS-11，學(xué)習(xí)者模型[S].2012.

[14] 裴雪嬌.適應(yīng)性學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者認(rèn)知能力診斷方法研究[D].長春：東北師范大學(xué)，2014.

[15] 謝朝輝，馬進(jìn)，原海英.基于貝葉斯的網(wǎng)絡(luò)學(xué)習(xí)效果評估系統(tǒng)研究[J].中國人力資源開發(fā)，2015 （2）：63-67.

[16] 崔曉陽.基于Felder-Silverman學(xué)習(xí)風(fēng)格模型的在線導(dǎo)學(xué)系統(tǒng)設(shè)計與開發(fā)[D].濟(jì)南：山東師范大學(xué)，2014.

[17] 高虎子，周東岱.自適應(yīng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型的研究現(xiàn)狀與展望[J].電化教育研究，2012（2）：32-38.endprint