自適應(yīng)學(xué)習(xí)系統(tǒng)中“KCP學(xué)習(xí)者模型”研究

李春生，張永東，劉 澎，張可佳

(東北石油大學(xué) 計算機與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

0 引 言

遠程教育經(jīng)過長期的發(fā)展逐漸顯示出以下趨勢：以學(xué)習(xí)者為中心、實時反饋、各領(lǐng)域先進技術(shù)的融合、個性化學(xué)習(xí)以及開放性的終身教育[1]。自適應(yīng)學(xué)習(xí)是提高學(xué)習(xí)效果的一種有效方式，即學(xué)習(xí)內(nèi)容的選擇和呈現(xiàn)方式能夠滿足學(xué)習(xí)者的學(xué)習(xí)個性化需求。但由于學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好等各不相同導(dǎo)致自適應(yīng)學(xué)習(xí)系統(tǒng)仍然面臨許多困難。

學(xué)習(xí)者模型反映了學(xué)習(xí)者的學(xué)習(xí)情況，包括學(xué)習(xí)進度、對知識的理解程度、存在的認識偏差以及與預(yù)定目標之間存在的差距，是系統(tǒng)識別和區(qū)分學(xué)習(xí)者學(xué)習(xí)特性的重要依據(jù)。自適應(yīng)學(xué)習(xí)強調(diào)以學(xué)習(xí)者為中心，因此獲取學(xué)習(xí)者的學(xué)習(xí)特性并準確表述就顯得極為重要[2]。自適應(yīng)系統(tǒng)通過識別學(xué)習(xí)者的學(xué)習(xí)特性，根據(jù)學(xué)習(xí)者的知識水平和認知能力來推送相應(yīng)的學(xué)習(xí)內(nèi)容，根據(jù)學(xué)習(xí)者的學(xué)習(xí)需求及喜好來提供個性化指導(dǎo)，激發(fā)學(xué)習(xí)者興趣。掌握學(xué)習(xí)者的初始知識水平和認知能力可以保證學(xué)習(xí)活動有效進行，另一方面，學(xué)習(xí)者的學(xué)習(xí)需要受動機的推動，因此，從學(xué)習(xí)的有效性出發(fā)，學(xué)習(xí)者的知識水平(knowledge level)、認知能力(cognitive ability)和偏好信息(preference information)[3-4]這三類特征是最基本的且不可或缺的。為提高自適應(yīng)學(xué)習(xí)效率，使自適應(yīng)系統(tǒng)更好地感知學(xué)習(xí)者的學(xué)習(xí)特性，提出了“KCP學(xué)習(xí)者模型”。其次，根據(jù)布魯姆的教育目標和霍華德·加德納的多元智能理論給出“KCP學(xué)習(xí)者模型”三個組成特征項的表示方法。

1 KCP學(xué)習(xí)者模型設(shè)計

自適應(yīng)系統(tǒng)利用學(xué)習(xí)者模型來準確描述學(xué)習(xí)者的知識水平、認知能力和偏好信息，提高系統(tǒng)輔助學(xué)習(xí)的自適應(yīng)性，實現(xiàn)個性化學(xué)習(xí)。自適應(yīng)系統(tǒng)服務(wù)于學(xué)習(xí)者，學(xué)習(xí)者模型設(shè)計的目的是為學(xué)習(xí)者的個性化學(xué)習(xí)提供依據(jù)和規(guī)則[5]。因此要將先進的教育理念和現(xiàn)代教育技術(shù)充分結(jié)合，尊重不同學(xué)習(xí)者的學(xué)習(xí)需求和學(xué)習(xí)特點，使學(xué)習(xí)者能夠得到豐富的學(xué)習(xí)資源，以及個性化的指導(dǎo)和實時的反饋。

為了使自適應(yīng)系統(tǒng)能夠更好地滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求，學(xué)習(xí)者模型需要具有以下特點：

(1)作為自適應(yīng)系統(tǒng)，為學(xué)習(xí)者推送個性化學(xué)習(xí)資源的依據(jù)。系統(tǒng)通過獲取學(xué)習(xí)者的學(xué)習(xí)特性，根據(jù)學(xué)習(xí)者的認知水平、認知能力和偏好信息，相應(yīng)地推送適合學(xué)習(xí)者的學(xué)習(xí)內(nèi)容。

(2)根據(jù)學(xué)習(xí)者的學(xué)習(xí)特性，自適應(yīng)地提供適合學(xué)習(xí)者且能激發(fā)學(xué)習(xí)者興趣的個性化指導(dǎo)。

(3)所建立的模型需要根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀況，不斷主動完善模型。

根據(jù)以上原則設(shè)計的“KCP學(xué)習(xí)者模型”如圖1所示。

圖1 KCP學(xué)習(xí)者模型

該模型主要包括學(xué)習(xí)者的知識水平、認知能力以及學(xué)習(xí)偏好信息，具體描述如下：

知識水平是指學(xué)習(xí)者個體在知識獲取方面的情況，包括知識缺陷、所掌握的知識水平等[6]。即學(xué)習(xí)者對各個相關(guān)知識的掌握程度，根據(jù)布魯姆的認知目標分類可將掌握的程度劃分為六個等級：識記、理解、應(yīng)用、分析、綜合以及評價。

認知能力是指對認知活動的自我調(diào)節(jié)和管理技巧。在教與學(xué)的活動中，學(xué)生自己感知記憶、思維、理解、想象的方法，預(yù)計自己操作的成績，以及自我反饋學(xué)習(xí)效果，這都是“認知能力”的具體表現(xiàn)[7]。文中介紹的認知能力具體包括：觀察、抽象、歸納、記憶、計算、分析、想象以及邏輯思維能力。

偏好信息是指學(xué)習(xí)過程中學(xué)習(xí)者表現(xiàn)出來的習(xí)慣、喜好的相對穩(wěn)定的個性化學(xué)習(xí)活動方式[8]，包括背景材料偏好、學(xué)習(xí)策略偏好、系統(tǒng)功能偏好、資源呈現(xiàn)偏好、學(xué)習(xí)時間偏好等信息。

2 KCP學(xué)習(xí)者模型的表示方法研究

2.1 知識水平表示方法

根據(jù)布魯姆的教育目標，對每個知識點的掌握程度都可以用參數(shù)ti來表示，具體方法如圖2所示。

圖2 知識水平表示方法

根據(jù)圖2定義：K={(k1,t1),…,(ki,ti),…,(kn,tn)}，其中ki表示第i個知識點，ti表示第i個知識點的掌握程度，ti∈T，T={0，1，2，3，4，5，6}，“0”表示學(xué)習(xí)者對該知識點完全不了解。

2.2 認知能力表示方法

根據(jù)霍華德·加德納的多元智能理論，認知能力有多種類型，這些認知能力水平可以用li表示，具體方法如圖3所示。

圖3 認知能力表示方法

根據(jù)圖3定義：C={(c1,l1),…,(ci,li),…,(c8,l8)}，其中ci為第i種認知能力，li為第i種認知能力的水平值，且0

2.3 偏好信息表示方法

偏好信息表示方法具體如圖4所示。

圖4 偏好信息表示方法

定義：P=，其中Pb表示背景材料偏好(教育、藝術(shù)、科幻等)；Ps表示學(xué)習(xí)策略偏好(直觀演示式、探究式、協(xié)作式等)；Pt表示學(xué)習(xí)時間；Pf表示系統(tǒng)功能偏好(用系統(tǒng)功能的使用頻度表示)；Pp表示資源呈現(xiàn)方式偏好(文字、視頻、ppt演示等)。γ表示喜好程度，且0<γ<1。

3 KCP學(xué)習(xí)者模型特征值獲取方法研究

3.1 知識水平特征值獲取方法

通過對學(xué)習(xí)者進行一系列測試，獲取知識水平特征值。根據(jù)布魯姆的教育目標，對知識的掌握水平分為知道、領(lǐng)會、應(yīng)用、分析、綜合、評價六類。在對學(xué)習(xí)者進行測試時，所測試題也相對應(yīng)有知識水平標識[9-10]，即測試題考查了學(xué)習(xí)者對一項或多項知識水平的掌握情況，如表1所示。

表1 知識水平矢量表

若學(xué)習(xí)者回答正確所測試題的某項知識水平，則記為1，回答錯誤則記為-1，對于試題未涉及的知識水平或?qū)W習(xí)者沒有參加測試，則記為0。

根據(jù)知識水平矢量表可以計算出各項知識水平hi的正確使用率r(hi)：

(1)

其中，Nhi(1)與Nhi(-1)分別表示學(xué)習(xí)者在測試中對知識水平hi回答正確和回答錯誤的次數(shù)。

因此，可以得到學(xué)習(xí)者對某一知識的的掌握程度矢量：

R={r(h1),r(h2),…,r(h6)}

(2)

所以可以計算出學(xué)習(xí)者對某項知識的綜合掌握能力，即知識水平L(k)：

(3)

其中，Ci為某項知識水平在該知識點下的權(quán)值，Ci的初始值由專家確定，經(jīng)過一定數(shù)量的學(xué)習(xí)測試之后可進行動態(tài)調(diào)整。

3.2 認知能力特征值獲取方法

根據(jù)霍華德·加德納的多元智能理論，將認知能力概括為下面幾種類型，分別為：觀察能力、抽象能力、歸納能力、記憶能力、分析能力、計算能力以及想象能力[11]。為估算出學(xué)習(xí)者的認知能力，設(shè)計測試題類型為：

TEST=(Ai,Qi,γ,β,D)

(4)

其中，Ai為所測認知能力類別；Qi為題目類型；γ為該題型的難度系數(shù)，值域為[0～1];β為該題目的難度系數(shù)，值域為[0～1];D為該題的標準答案，由專家給出。

例如，要測試學(xué)習(xí)者的歸納能力(A1)和想象能力(A7)，設(shè)計試題類型如下：

TEST(1)=(A1,Q1,γ1,β1,D1)

TEST(2)=(A1,Q2,γ2,β2,D2)

TEST(3)=(A7,Q3,γ3,β3,D3)

TEST(4)=(A7,Q4,γ4,β4,D4)

(5)

那么，估算學(xué)習(xí)者認知能力水平L(C)的公式為：

(6)

3.3 偏好特征值獲取方法

學(xué)習(xí)者偏好特征值獲取方法分兩步進行：第一，通過學(xué)習(xí)者的注冊信息、量表或?qū)W習(xí)者上傳等方式采集學(xué)習(xí)者偏好特征的靜態(tài)值，之后通過直接、間接匹配、運算等方法來對這些原始數(shù)據(jù)進行處理，得到學(xué)習(xí)者的靜態(tài)偏好特征值[12-13]；第二，通過挖掘?qū)W習(xí)者在學(xué)習(xí)時的行為，如搜索關(guān)鍵詞、瀏覽網(wǎng)頁的類型等，提取學(xué)習(xí)者的動態(tài)偏好特征[14]。

學(xué)習(xí)者在學(xué)習(xí)過程中，瀏覽網(wǎng)頁的頻率為該頁面的點擊率。一般的，如果該頁面的點擊率越高，就認為學(xué)習(xí)者較為偏好該頁面。點擊率公式為：

F(p)=S/S'

(7)

其中，S為學(xué)習(xí)過程中點擊頁面p的次數(shù)；S'為學(xué)習(xí)者學(xué)習(xí)過程中所點擊頁面的次數(shù)總和。

學(xué)習(xí)者在學(xué)習(xí)過程中，訪問頁面的時間也是偏好特征的一個體現(xiàn)[15]，訪問時間可由頁面的信息量決定。假設(shè)頁面p中有資源集合ri={r1,r2,…,rn}，相對應(yīng)的訪問時間集合ti={t1,t2,…,tn}，可得訪問時間公式為：

T(p)=α+∑(ri/n)

(8)

其中，α表示在當(dāng)前頁面中學(xué)習(xí)者訪問的有效時間。

點擊率和訪問時間都可以體現(xiàn)出學(xué)習(xí)者的學(xué)習(xí)偏好，所以綜合兩者得出學(xué)習(xí)者的動態(tài)偏好特征P(p)如下：

P(p)=k*F(p)+(1-k)*T(p)

(9)

變形后得：

(10)

其中，k為調(diào)節(jié)參數(shù)，取值范圍為0～1。

4 實例測試及效果綜合分析

KCP學(xué)習(xí)者模型包含學(xué)習(xí)者的知識水平、認知能力以及學(xué)習(xí)偏好，作為自適應(yīng)學(xué)習(xí)系統(tǒng)推送學(xué)習(xí)的依據(jù)，能夠更加精準地為學(xué)習(xí)者推送學(xué)習(xí)資源，所以對學(xué)習(xí)者模型實施效果的評價需要依托于自適應(yīng)學(xué)習(xí)系統(tǒng)。實驗針對60名自適應(yīng)系統(tǒng)學(xué)習(xí)者進行調(diào)查，將60名學(xué)習(xí)者均分為A、B、C三組，從用戶滿意度、考試成績優(yōu)秀率(考試成績85分以上)兩個維度對使用KCP學(xué)習(xí)者模型的自適應(yīng)系統(tǒng)和傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)進行對比評價，評價結(jié)果如表2所示。

表2 評價結(jié)果

從表2中可以得出以下結(jié)論：相比于傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)，用戶對KCP自適應(yīng)系統(tǒng)的滿意度更高；在學(xué)習(xí)者成績優(yōu)秀率(85分以上)方面，KCP自適應(yīng)系統(tǒng)明顯高于傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)。

5 結(jié)束語

文中提出了“KCP學(xué)習(xí)者模型”，模型包括學(xué)習(xí)者的知識水平、認知能力以及學(xué)習(xí)偏好信息，并將其應(yīng)用到自適應(yīng)學(xué)習(xí)系統(tǒng)中；運用算法量化表示出學(xué)習(xí)者模型的各個特征值，為自適應(yīng)系統(tǒng)感知學(xué)習(xí)者的學(xué)習(xí)特性奠定基礎(chǔ)；最后，對比分析當(dāng)前傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)與使用“KCP學(xué)習(xí)者模型”的自適應(yīng)學(xué)習(xí)系統(tǒng)的學(xué)習(xí)效果，從用戶滿意度以及學(xué)習(xí)者成績優(yōu)秀率兩方面分析驗證了該模型的可行性，能夠使自適應(yīng)學(xué)習(xí)系統(tǒng)更好地感知學(xué)習(xí)者學(xué)習(xí)特性，提高學(xué)習(xí)效率。

參考文獻：

[1] 趙倩瑩.網(wǎng)絡(luò)學(xué)習(xí)者模型構(gòu)建及其個性化學(xué)習(xí)服務(wù)研究[D].成都:四川師范大學(xué),2013.

[2] 李唯實.個性化教育中的學(xué)習(xí)者模型技術(shù)研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2011.

[3] JIA Bing, ZHONG Shaochun,WANG Wei,et al.The construction and evolution of learner model in adaptive learning system[C]//International conference on computer technology and development.[s.l.]：IEEE, 2009:148-152.

[4] 賈 冰.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者模型的表示及特征值獲取方法研究[D].長春:東北師范大學(xué),2010.

[5] CAKULA S,SEDLENIECE M.Development of a personalized e-learning model using methods of ontology[J].Procedia Computer Science,2013,26:113-120.

[6] 許 波,張結(jié)魁,周 軍.基于行為分析的用戶興趣建模[J].情報雜志,2009,28(6):166-169.

[7] 姜 強,趙 蔚,王續(xù)迪.自適應(yīng)學(xué)習(xí)系統(tǒng)中用戶模型和知識模型本體參考規(guī)范的設(shè)計[J].現(xiàn)代遠距離教育,2011(1):61-65.

[8] 尹春暉,鄧 偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機技術(shù)與發(fā)展,2008,18(5):37-39.

[9] TIMUR S.Examining cognitive structures of prospective preschool teachers concerning the subject “force and motion”[J].Educational Sciences:Theory and Practice,2012,12(4):3039-3049.

[10] KIM Y S,YUM B J.Recommender system based on click stream data using association rule mining[J].Expert Systems with Application,2011,38(10):13320-13327.

[11] 馬佳佳,熊才平,丁繼紅,等.面向?qū)W習(xí)過程的個性化資源推薦服務(wù)策略研究[J].中國教育信息化,2016(5):29-33.

[12] 李 寶,張文蘭.智慧教育環(huán)境下學(xué)習(xí)資源推送服務(wù)模型的構(gòu)建[J].遠程教育雜志,2015,33(3):41-48.

[13] 姜 強,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.

[14] 張 舸,周東岱,葛情情.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者特征模型及建模方法述評[J].現(xiàn)代教育技術(shù),2012,22(5):77-82.

[15] CHRYSAFIADI K,VIRVOU M.Evaluating the integration of fuzzy logic into the student model of a web-based learning environment[J].Expert Systems with Applications,2012,39(18):13127-13134.