基于場(chǎng)景感知的學(xué)習(xí)者建模研究

武法提 黃石華 殷寶媛

[摘 要] “互聯(lián)網(wǎng)+教育”時(shí)代，以往傳統(tǒng)的學(xué)習(xí)場(chǎng)景正不斷被重構(gòu)，新型的學(xué)習(xí)場(chǎng)景逐漸向動(dòng)態(tài)化、多元化、碎片化的模式發(fā)展，使得基于場(chǎng)景挖掘的新型個(gè)性化學(xué)習(xí)服務(wù)模式的重要性越發(fā)凸顯。而學(xué)習(xí)者模型作為個(gè)性化學(xué)習(xí)服務(wù)系統(tǒng)的核心部件，目前還無法滿足新時(shí)代下高精準(zhǔn)的個(gè)性化服務(wù)要求。基于此，文章提出一種基于場(chǎng)景感知的學(xué)習(xí)者建模方法，該方法是基于近些年有關(guān)學(xué)習(xí)者特征分析模型研究的分析結(jié)果，融合學(xué)習(xí)者的場(chǎng)景特性，設(shè)計(jì)了一個(gè)6維度學(xué)習(xí)者特征分析模型，在此基礎(chǔ)上，融合場(chǎng)景感知建模方法和頻繁序列挖掘算法，計(jì)算不同學(xué)習(xí)場(chǎng)景下各維度學(xué)習(xí)者特征值，由此構(gòu)建一個(gè)具有場(chǎng)景特性的個(gè)性化學(xué)習(xí)者模型，并基于該模型探討了個(gè)性化學(xué)習(xí)服務(wù)推薦演化框架。

[關(guān)鍵詞] 互聯(lián)網(wǎng)+教育； 場(chǎng)景感知； 學(xué)習(xí)者特征； 學(xué)習(xí)者建模

[中圖分類號(hào)] G434 [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事數(shù)字化學(xué)習(xí)環(huán)境與學(xué)習(xí)資源設(shè)計(jì)研究。E-mail：wft@bnu.edu.cn。

一、引 言

“互聯(lián)網(wǎng)+”時(shí)代的教育，是一個(gè)靈活、多樣、開放、終身的個(gè)性化教育，是重視學(xué)習(xí)者的個(gè)性化和多樣性發(fā)展的教育[1]，其教育形態(tài)是一個(gè)多元異構(gòu)、動(dòng)態(tài)多變、開放共享的教育形態(tài)。這種新型的教育形態(tài)，促使學(xué)習(xí)場(chǎng)景發(fā)生了巨大的變化，從學(xué)校傳統(tǒng)的課堂學(xué)習(xí)場(chǎng)景逐漸擴(kuò)張到校外碎片化的學(xué)習(xí)場(chǎng)景，這就要求個(gè)性化學(xué)習(xí)推薦服務(wù)需要在合適的學(xué)習(xí)場(chǎng)景中進(jìn)行，從而引發(fā)研究者重點(diǎn)關(guān)注圍繞“場(chǎng)景”進(jìn)行個(gè)性化學(xué)習(xí)服務(wù)設(shè)計(jì)研究，以提高學(xué)習(xí)服務(wù)的精準(zhǔn)度[2]。而學(xué)習(xí)者模型作為個(gè)性化學(xué)習(xí)服務(wù)系統(tǒng)的核心部件，其模型的準(zhǔn)確性直接決定著個(gè)性化學(xué)習(xí)服務(wù)系統(tǒng)的精準(zhǔn)度。因此，如何基于動(dòng)態(tài)多變的學(xué)習(xí)場(chǎng)景，構(gòu)建一個(gè)具有場(chǎng)景特性的個(gè)性化學(xué)習(xí)者模型，便成為當(dāng)前互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境亟須解決的重要問題之一。

二、學(xué)習(xí)者模型的相關(guān)研究

近年來，關(guān)于學(xué)習(xí)者模型的研究，逐漸從學(xué)術(shù)研究走向?qū)嶋H應(yīng)用。目前，對(duì)于學(xué)習(xí)者模型的研究，國內(nèi)外的權(quán)威機(jī)構(gòu)出臺(tái)了相關(guān)的學(xué)習(xí)者模型規(guī)范，其中比較有代表性的規(guī)范有：PAPI（Public and Private Information）規(guī)范[3]、IMS-LIP（IMS Learner Information Package）規(guī)范[4]和CELTS-11學(xué)習(xí)者模型規(guī)范[5]。PAPI規(guī)范規(guī)定了學(xué)習(xí)者的公開與隱私信息，把學(xué)習(xí)者的相關(guān)信息分為6大類：個(gè)人信息、關(guān)系信息、安全信息、偏好信息、績效信息和作品集信息。LIP規(guī)范則通過將學(xué)習(xí)者信息封裝成通用的一組信息包，以實(shí)現(xiàn)不同學(xué)習(xí)系統(tǒng)之間的數(shù)據(jù)交換與共享，它將學(xué)習(xí)者信息分為11類：身份驗(yàn)證，目標(biāo)，質(zhì)量、認(rèn)證和許可，可訪問性，活動(dòng)，能力，興趣，成績報(bào)告單，聯(lián)系，安全鑰匙，關(guān)系等信息。而CELITS-11學(xué)習(xí)者模型規(guī)范主要借鑒了PAPI和IMS-LIP等規(guī)范，是結(jié)合中國的實(shí)際情況制定的學(xué)習(xí)者模型規(guī)范，它將學(xué)習(xí)者信息劃分為8類：個(gè)人信息、學(xué)業(yè)信息、管理信息、關(guān)系信息、安全信息、偏好信息、績效信息和作品集信息。這三個(gè)學(xué)習(xí)者模型規(guī)范，雖然從理論層面上能比較全面地囊括學(xué)習(xí)者各方面的特征信息，使得學(xué)習(xí)者的行為表現(xiàn)數(shù)據(jù)可以在不同學(xué)習(xí)系統(tǒng)之間進(jìn)行交換、共享和重用，但這三個(gè)學(xué)習(xí)者模型規(guī)范缺乏對(duì)學(xué)習(xí)者的知識(shí)、情感等方面特征的描述，難以表征出學(xué)習(xí)者真實(shí)的學(xué)習(xí)狀態(tài)，無法滿足互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下個(gè)性化的學(xué)習(xí)需求。為此，許多研究者試圖在分析這些學(xué)習(xí)者模型規(guī)范的基礎(chǔ)上，再融合其他不可或缺的個(gè)性化學(xué)習(xí)者特征信息，來構(gòu)建個(gè)性化學(xué)習(xí)者模型。本文通過梳理近幾年有關(guān)學(xué)習(xí)者特征分析模型研究的文獻(xiàn)（梳理結(jié)果見表1）發(fā)現(xiàn)，目前的研究者更多地是基于智力（知識(shí)水平、認(rèn)知能力等）因素的學(xué)習(xí)者特征信息來構(gòu)建個(gè)性化學(xué)習(xí)者模型，很少關(guān)注非智力（社會(huì)關(guān)系、情感狀態(tài)等）因素的學(xué)習(xí)者特征信息的作用，并且在表征學(xué)習(xí)者特征信息上缺乏場(chǎng)景特性（如場(chǎng)景的時(shí)空特性）的考慮，導(dǎo)致學(xué)習(xí)者模型無法表征在不同學(xué)習(xí)場(chǎng)景下學(xué)習(xí)者的真實(shí)學(xué)習(xí)狀態(tài)，進(jìn)而無法滿足互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下高精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)要求。

三、融合場(chǎng)景特性的學(xué)習(xí)者特征分析

基于上述學(xué)習(xí)者特征的分析，學(xué)習(xí)者的個(gè)性特征不僅僅包括智力因素等個(gè)性特征，還應(yīng)該包括非智力因素等個(gè)性特征，且這些個(gè)性特征不是獨(dú)立存在的，而是相互作用共同構(gòu)成一個(gè)有機(jī)整體。這樣的學(xué)習(xí)者特征才能較全面地描述學(xué)習(xí)者真實(shí)的學(xué)習(xí)狀態(tài)，進(jìn)而更有利于深層次挖掘?qū)W習(xí)者潛在的學(xué)習(xí)需求。根據(jù)孫海民等人對(duì)學(xué)習(xí)者個(gè)性特征的分析[17]，認(rèn)為在遵循個(gè)性含義的整體性、層次性和系統(tǒng)性的前提下，學(xué)習(xí)者的個(gè)性特征是由自然特性、動(dòng)力系統(tǒng)、心理特性和社會(huì)特性這4個(gè)既相對(duì)獨(dú)立又相互密切聯(lián)系的亞系統(tǒng)構(gòu)成?；诖?，本文基于這四個(gè)亞系統(tǒng)對(duì)學(xué)習(xí)者的個(gè)性化特征進(jìn)行分析，將學(xué)習(xí)者的個(gè)性特征劃分為基本信息維度、認(rèn)知水平維度、學(xué)習(xí)風(fēng)格維度、興趣偏好維度、社會(huì)網(wǎng)絡(luò)維度、情感狀態(tài)維度等6個(gè)維度，這6個(gè)維度是既相對(duì)獨(dú)立又相互作用的有機(jī)整體，每個(gè)特征維度下又細(xì)分為不同粒度的個(gè)性特征，這樣就較為全面地描述出學(xué)習(xí)者在學(xué)習(xí)過程中的個(gè)性特征信息，很好地體現(xiàn)了學(xué)習(xí)者的個(gè)性化差異，由此構(gòu)成的6維度學(xué)習(xí)者特征分析模型如圖1所示。

由于“互聯(lián)網(wǎng)+教育”時(shí)代下的學(xué)習(xí)場(chǎng)景是動(dòng)態(tài)多變的，學(xué)習(xí)者所表現(xiàn)的學(xué)習(xí)特征狀態(tài)會(huì)隨著學(xué)習(xí)場(chǎng)景的切換有所不同，而上述6維度的學(xué)習(xí)者特征分析模型還缺乏對(duì)這種不同學(xué)習(xí)場(chǎng)景下學(xué)習(xí)特征狀態(tài)變化性的描述。如學(xué)習(xí)風(fēng)格維度，Silver Harvey等人認(rèn)為學(xué)習(xí)者的學(xué)習(xí)風(fēng)格在某一時(shí)間段內(nèi)會(huì)表現(xiàn)出強(qiáng)烈的風(fēng)格傾向[18]，隨著學(xué)習(xí)場(chǎng)景時(shí)空的變換，學(xué)習(xí)者也有可能表現(xiàn)出不同的學(xué)習(xí)風(fēng)格傾向；再如認(rèn)知水平維度，發(fā)生在“教室”的學(xué)習(xí)環(huán)境所表現(xiàn)出的學(xué)習(xí)狀態(tài)，與發(fā)生在“休閑吧”學(xué)習(xí)環(huán)境所表現(xiàn)出的學(xué)習(xí)狀態(tài)是不一樣的。為了從技術(shù)實(shí)踐層面對(duì)學(xué)習(xí)場(chǎng)景進(jìn)行量化，以更好地表征不同學(xué)習(xí)場(chǎng)景下的個(gè)性化學(xué)習(xí)特征狀態(tài)，則還需要對(duì)場(chǎng)景數(shù)據(jù)維度進(jìn)行劃分，便于系統(tǒng)準(zhǔn)確識(shí)別出學(xué)習(xí)者當(dāng)前的學(xué)習(xí)場(chǎng)景。本文基于武法提等人對(duì)“學(xué)習(xí)場(chǎng)景要素”的劃分方法[2]，將學(xué)習(xí)場(chǎng)景的數(shù)據(jù)維度劃分為：時(shí)間維度、空間維度、設(shè)備維度和事件維度4個(gè)維度。其中，設(shè)備是互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下不可或缺的要素，它是互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下人與物溝通的橋梁，是量化學(xué)習(xí)行為軌跡數(shù)據(jù)的技術(shù)支撐。由此得到融合場(chǎng)景特性的4維度學(xué)習(xí)者特征分析框架（如圖2所示）。該分析框架中4個(gè)數(shù)據(jù)維度的組合，可抽象成語義化程度更高且易于分析的學(xué)習(xí)場(chǎng)景，其形式化描述為“時(shí)間維度 + 空間維度 + 設(shè)備維度 + 事件維度 ≌ 學(xué)習(xí)場(chǎng)景”，很好地還原了學(xué)習(xí)者真實(shí)的學(xué)習(xí)場(chǎng)景，即：“學(xué)習(xí)者在什么時(shí)間，什么地點(diǎn)，使用什么設(shè)備，做了什么事情”。這樣的個(gè)性化學(xué)習(xí)者特征描述，更有利于深層次挖掘?qū)W習(xí)者潛在的學(xué)習(xí)需求。

四、基于場(chǎng)景感知的個(gè)性化學(xué)習(xí)者模型構(gòu)建

（一）基于場(chǎng)景感知的個(gè)性化學(xué)習(xí)者模型的總體架構(gòu)設(shè)計(jì)

為了構(gòu)建一個(gè)閉環(huán)、自適應(yīng)的個(gè)性化學(xué)習(xí)者模型總體架構(gòu)，本文將個(gè)性化學(xué)習(xí)者模型劃分為場(chǎng)景感知模塊、場(chǎng)景數(shù)據(jù)計(jì)算模塊、模型應(yīng)用3個(gè)模塊。其中，場(chǎng)景感知模塊是架構(gòu)的基礎(chǔ)模塊，主要是通過智能感知技術(shù)主動(dòng)感知并采集場(chǎng)景化的學(xué)習(xí)行為數(shù)據(jù)（包括時(shí)間信息、空間信息、設(shè)備信息、行為信息等），再融合通用的數(shù)據(jù)規(guī)范中間件，對(duì)采集到的場(chǎng)景化學(xué)習(xí)行為數(shù)據(jù)進(jìn)行規(guī)范化描述，并對(duì)規(guī)范化描述后的場(chǎng)景數(shù)據(jù)進(jìn)行清洗、處理，生成可供學(xué)習(xí)者特征值計(jì)算的場(chǎng)景數(shù)據(jù)集；場(chǎng)景數(shù)據(jù)計(jì)算模塊是架構(gòu)的核心模塊，主要是基于前面生成的規(guī)范化的場(chǎng)景數(shù)據(jù)集，融合場(chǎng)景感知建模方法[19]和頻繁場(chǎng)景挖掘算法[20]計(jì)算各維度的學(xué)習(xí)者特征值，生成涵蓋基本信息維度、認(rèn)知水平維度、學(xué)習(xí)風(fēng)格維度、興趣偏好維度、社會(huì)網(wǎng)絡(luò)維度和情感狀態(tài)維度6個(gè)子模型的學(xué)習(xí)者模型；模型應(yīng)用模塊是架構(gòu)的關(guān)鍵模塊，它是各個(gè)模塊之間數(shù)據(jù)交互共享的樞紐，使得各個(gè)模塊共同作用為學(xué)習(xí)者提供精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)。其主要任務(wù)是根據(jù)學(xué)習(xí)者當(dāng)前學(xué)習(xí)場(chǎng)景的需求，再融合相關(guān)的個(gè)性化學(xué)習(xí)推薦算法，篩選合適的個(gè)性化學(xué)習(xí)推送策略，找準(zhǔn)個(gè)性化學(xué)習(xí)推送時(shí)機(jī)，提供給學(xué)習(xí)者適配的個(gè)性化學(xué)習(xí)信息資源?；谶@三個(gè)模塊的分析，可以生成基于場(chǎng)景感知的個(gè)性化學(xué)習(xí)者模型的總體架構(gòu)，如圖3所示。

（二）基于場(chǎng)景感知的個(gè)性化學(xué)習(xí)者模型的構(gòu)建

從圖3的模型總體架構(gòu)可以看出，學(xué)習(xí)者模型主要包括學(xué)習(xí)者場(chǎng)景化行為數(shù)據(jù)的獲取、處理以及模型輸出的表示等流程?；诖?，本文將個(gè)性化學(xué)習(xí)者模型的構(gòu)建流程主要分為學(xué)習(xí)場(chǎng)景數(shù)據(jù)的采集、模型的特征值計(jì)算和模型的形式化描述3個(gè)關(guān)鍵步驟。

1. 基于場(chǎng)景感知的數(shù)據(jù)采集

互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下，場(chǎng)景化學(xué)習(xí)行為數(shù)據(jù)的采集是借助互聯(lián)網(wǎng)的智能感知能力，主動(dòng)感知并采集學(xué)習(xí)者學(xué)習(xí)過程的學(xué)習(xí)情境數(shù)據(jù)，包括靜態(tài)的學(xué)習(xí)情境數(shù)據(jù)和動(dòng)態(tài)的學(xué)習(xí)情境數(shù)據(jù)。而為了便于系統(tǒng)的分析與計(jì)算，還需要將采集到的學(xué)習(xí)行為數(shù)據(jù)作進(jìn)一步的規(guī)范化處理，提取成系統(tǒng)易于識(shí)別和處理的場(chǎng)景化數(shù)據(jù)。因此，基于場(chǎng)景感知的數(shù)據(jù)采集過程主要分為3個(gè)階段：學(xué)習(xí)情境監(jiān)測(cè)階段、場(chǎng)景數(shù)據(jù)感知階段和數(shù)據(jù)場(chǎng)景化規(guī)范階段3個(gè)階段。其采集的流程如圖4所示。

（1）學(xué)習(xí)情境監(jiān)測(cè)階段。該階段是對(duì)學(xué)習(xí)者產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行歸類分析，生成感知設(shè)備易于感知的學(xué)習(xí)情境數(shù)據(jù)，在此基礎(chǔ)上，借助互聯(lián)網(wǎng)的智能感知設(shè)備，主動(dòng)監(jiān)測(cè)并采集這些學(xué)習(xí)情境數(shù)據(jù)變化信息。

（2）場(chǎng)景數(shù)據(jù)感知階段。該階段主要是將學(xué)習(xí)情境數(shù)據(jù)轉(zhuǎn)化為場(chǎng)景化的學(xué)習(xí)行為數(shù)據(jù)。而為了更全面、更完整地獲取學(xué)習(xí)者的學(xué)習(xí)場(chǎng)景數(shù)據(jù)，本文采用直接感知和間接感知的方式。直接感知主要是基于感知設(shè)備本身來進(jìn)行數(shù)據(jù)采樣，如用于獲取溫/濕度、心跳、血壓等傳感器數(shù)據(jù)以及識(shí)別學(xué)習(xí)者地理位置的GPS、無線網(wǎng)絡(luò)定位等數(shù)據(jù)的獲??；間接感知是感知設(shè)備無法直接獲取，則由外設(shè)系統(tǒng)或環(huán)境等間接獲取，如學(xué)習(xí)者的學(xué)習(xí)任務(wù)、社交網(wǎng)絡(luò)等情境。基于這些數(shù)據(jù)感知方式，一旦感知到變化的學(xué)習(xí)情境數(shù)據(jù)，系統(tǒng)就將這些原始學(xué)習(xí)情境數(shù)據(jù)轉(zhuǎn)換切割為4維度的場(chǎng)景化學(xué)習(xí)行為數(shù)據(jù)。

（3）數(shù)據(jù)場(chǎng)景化規(guī)范階段。該階段主要采用規(guī)范化的數(shù)據(jù)格式，將場(chǎng)景化學(xué)習(xí)行為數(shù)據(jù)轉(zhuǎn)換為直接被機(jī)器識(shí)別的結(jié)構(gòu)化、標(biāo)準(zhǔn)化的學(xué)習(xí)場(chǎng)景數(shù)據(jù)，生成的規(guī)范化學(xué)習(xí)場(chǎng)景數(shù)據(jù)可以表示為：LC = T × L × D × E = {（t，l，d，e）|t∈T，l∈L， d∈D，e∈E}，其中，t為時(shí)間集合T中的元素，l為位置集合L中的元素，d為設(shè)備集合D中的元素，e為事件集合E中的元素。

2. 基于頻繁場(chǎng)景挖掘的模型特征值計(jì)算

基于前面采集到的具有高度語義、規(guī)范化的學(xué)習(xí)場(chǎng)景數(shù)據(jù)集，見表2。而基于頻繁場(chǎng)景挖掘的模型特征值計(jì)算就是從這些學(xué)習(xí)場(chǎng)景數(shù)據(jù)集中，挖掘出與學(xué)習(xí)者特征關(guān)聯(lián)的頻繁學(xué)習(xí)場(chǎng)景序列模式，結(jié)合各維度特征值的計(jì)算方法，計(jì)算學(xué)習(xí)者模型的特征值。其計(jì)算過程主要經(jīng)歷原始學(xué)習(xí)場(chǎng)景數(shù)據(jù)集的語義唯一性編碼、基于時(shí)空聚類的學(xué)習(xí)場(chǎng)景發(fā)現(xiàn)計(jì)算、頻繁學(xué)習(xí)場(chǎng)景挖掘計(jì)算、基于頻繁場(chǎng)景挖掘的學(xué)習(xí)者特征值計(jì)算這四個(gè)步驟，其具體的算法設(shè)計(jì)如下：

（1）學(xué)習(xí)場(chǎng)景數(shù)據(jù)集的語義唯一性編碼

該步驟是將采集到的規(guī)范化學(xué)習(xí)場(chǎng)景數(shù)據(jù)集進(jìn)行語義唯一性編碼，生成具有語義標(biāo)注的學(xué)習(xí)場(chǎng)景數(shù)據(jù)集。根據(jù)學(xué)習(xí)場(chǎng)景的數(shù)據(jù)維度語義分類，對(duì)原始的學(xué)習(xí)場(chǎng)景數(shù)據(jù)集（見表3）的空間維度、設(shè)備維度、事件維度進(jìn)行語義的唯一性編碼，由此生成編碼后的學(xué)習(xí)場(chǎng)景數(shù)據(jù)集R。其中，表中l(wèi)01的編碼是代表空間維度的語義為“教室”，d01的編碼是代表設(shè)備維度的語義為“平板電腦”，e01的編碼是代表事件維度的語義為“做課堂練習(xí)”。

（2）基于時(shí)空聚類的學(xué)習(xí)場(chǎng)景發(fā)現(xiàn)計(jì)算

該步驟是對(duì)編碼后的學(xué)習(xí)場(chǎng)景集R進(jìn)行時(shí)空聚類分析，識(shí)別出學(xué)習(xí)者不同類別學(xué)習(xí)場(chǎng)景的過程。將編碼后的學(xué)習(xí)場(chǎng)景數(shù)據(jù)集R以時(shí)間為關(guān)鍵字，按照時(shí)間的先后順序進(jìn)行排序，得到排序后的學(xué)習(xí)場(chǎng)景數(shù)據(jù)結(jié)果集R，遍歷計(jì)算結(jié)果集R中相鄰數(shù)據(jù)記錄的時(shí)空相似度，將相似度高的學(xué)習(xí)場(chǎng)景數(shù)據(jù)記錄合并為一個(gè)學(xué)習(xí)場(chǎng)景，生成相對(duì)獨(dú)立的學(xué)習(xí)場(chǎng)景序列，并對(duì)合并后的學(xué)習(xí)場(chǎng)景中的事件維度進(jìn)行頻繁事件序列計(jì)算，由此生成的頻繁學(xué)習(xí)場(chǎng)景數(shù)據(jù)集FR見表4。表中的{（st01，）， （st01， e02）}的序列集表示學(xué)習(xí)者在課堂學(xué)習(xí)場(chǎng)景下的事件項(xiàng)集，項(xiàng)集中st表示學(xué)習(xí)場(chǎng)景的編碼標(biāo)識(shí)，如st01代表“課堂學(xué)習(xí)”場(chǎng)景，e表示事件維度的編碼標(biāo)識(shí)，如：e01代表“課堂練習(xí)”事件。

（3）頻繁學(xué)習(xí)場(chǎng)景挖掘計(jì)算

該步驟是對(duì)前面生成的頻繁學(xué)習(xí)場(chǎng)景數(shù)據(jù)集FR進(jìn)行事件頻繁項(xiàng)的支持度計(jì)算的過程，便于挖掘不同學(xué)習(xí)場(chǎng)景的行為模式。掃描頻繁學(xué)習(xí)場(chǎng)景數(shù)據(jù)集FR，根據(jù)時(shí)空關(guān)聯(lián)的事件項(xiàng)，統(tǒng)計(jì)不同學(xué)習(xí)場(chǎng)景下產(chǎn)生的事件頻繁項(xiàng)的支持度，由此生成不同學(xué)習(xí)場(chǎng)景下的事件頻繁項(xiàng)支持度的結(jié)果集RS，見表5，其結(jié)果集的序列模式為：學(xué)習(xí)者在教室進(jìn)行課堂練習(xí)和課堂討論的頻繁度達(dá)到50%，在教室里玩游戲的頻繁度達(dá)到40%，在地鐵站里玩游戲的頻繁度達(dá)到65%等。

（4）基于頻繁場(chǎng)景挖掘的學(xué)習(xí)者特征值計(jì)算

該步驟是基于上述生成的不同學(xué)習(xí)場(chǎng)景的事件頻繁項(xiàng)的支持度的結(jié)果集RS，提取與各維度的學(xué)習(xí)者特征量化指標(biāo)集，統(tǒng)計(jì)頻繁度大于1的事件項(xiàng)，再融合各維度學(xué)習(xí)者特征值的計(jì)算方法，計(jì)算各維度的學(xué)習(xí)者特征值，構(gòu)建了6維度的個(gè)性化學(xué)習(xí)者模型。其具體的挖掘算法如下：

輸入：

√不同學(xué)習(xí)場(chǎng)景的事件頻繁項(xiàng)的支持度的結(jié)果集RS={RS1，RS2，RS3，RS4，RS5，RS6}，其中RSi表示第i個(gè)維度的學(xué)習(xí)者特征的量化指標(biāo)集；

√各維度量化指標(biāo)的最小支持度min-sup。

輸出：各維度學(xué)習(xí)者特征值的結(jié)果集

Step1：初始化RS數(shù)據(jù)集；

While（RS不為空）

{

Step2：遍歷一次結(jié)果集RS，依次計(jì)算RSi的量化指標(biāo)的每個(gè)事件項(xiàng)的支持度；

Step3：刪除支持小于最小支持度的頻繁項(xiàng)，將剩下頻繁項(xiàng)按照支持度的大小排序得到頻繁項(xiàng)集RSi；

Step4：基于生成的各維度學(xué)習(xí)者特征的頻繁1-項(xiàng)集RSi，結(jié)合各維度的學(xué)習(xí)者特征計(jì)算方法，計(jì)算各維度的學(xué)習(xí)者特征值；

}

Step5： 輸出最終各維度的學(xué)習(xí)者特征值的結(jié)果集，生成6維個(gè)性化學(xué)習(xí)者模型。

以上基于頻繁學(xué)習(xí)場(chǎng)景挖掘的學(xué)習(xí)者特征值計(jì)算方法，不但從不同學(xué)習(xí)場(chǎng)景描述了學(xué)習(xí)者特征狀態(tài)的變化過程，而且還有利于發(fā)現(xiàn)學(xué)習(xí)者的頻繁事件序列模式，進(jìn)而挖掘出學(xué)習(xí)者的學(xué)習(xí)行為模式，便于構(gòu)建更客觀、更準(zhǔn)確的個(gè)性化學(xué)習(xí)者模型。

3. 個(gè)性化學(xué)習(xí)者模型的形式化描述

基于前面融合場(chǎng)景特性的6維學(xué)習(xí)者特征模型分析，本文的個(gè)性化學(xué)習(xí)者模型的形式化將采用6元組LM來表示，每一個(gè)元組對(duì)應(yīng)每一個(gè)學(xué)習(xí)者特征維度。該6元組表示為：LM=（LMB，LMC，LMS，LMM，LMR，LMP），其中，LMB代表基本信息子模型，LMC代表認(rèn)知水平子模型，LMS代表學(xué)習(xí)風(fēng)格子模型，LMM代表情感狀態(tài)子模型，LMR代表社會(huì)網(wǎng)絡(luò)子模型，LMP代表興趣偏好子模型，并且每一個(gè)子模型的元組是由序偶對(duì)<δ，φ，LM>來組成，其中，δ表示時(shí)間維度的信息，φ表示空間維度信息，LM表示某一學(xué)習(xí)場(chǎng)景下的學(xué)習(xí)特征狀態(tài)值。基于這樣的形式化描述，由此構(gòu)成的學(xué)習(xí)者模型的形式化描述如圖5所示。

（三）模型的應(yīng)用框架設(shè)計(jì)

為了形成一個(gè)閉環(huán)、自適應(yīng)的個(gè)性化學(xué)習(xí)者模型架構(gòu)，本文基于上述構(gòu)建的個(gè)性化學(xué)習(xí)者模型，進(jìn)一步分析了互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下個(gè)性化學(xué)習(xí)服務(wù)推送的演化過程，提出了一個(gè)場(chǎng)景化個(gè)性化學(xué)習(xí)服務(wù)推送的演化框架（如圖6所示）。該演化框架結(jié)合個(gè)性化學(xué)習(xí)者模型、學(xué)習(xí)行為分析模型和資源關(guān)聯(lián)分析模型等，利用相關(guān)的數(shù)據(jù)挖掘算法，設(shè)計(jì)了自適應(yīng)的學(xué)習(xí)服務(wù)推送引擎，以識(shí)別出學(xué)習(xí)者的當(dāng)前學(xué)習(xí)場(chǎng)景，定位到當(dāng)前學(xué)習(xí)者的學(xué)習(xí)進(jìn)度，匹配學(xué)習(xí)者需求的學(xué)習(xí)內(nèi)容，找準(zhǔn)恰當(dāng)?shù)耐扑蜁r(shí)機(jī)，選擇恰當(dāng)?shù)耐扑头绞剑鲃?dòng)地為學(xué)習(xí)者推送適配的學(xué)習(xí)資源。通過分析互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下的學(xué)習(xí)服務(wù)推送的演化框架，及時(shí)地了解學(xué)習(xí)者的真實(shí)學(xué)習(xí)需求，從而高效、高質(zhì)量地為學(xué)習(xí)者推送精確的學(xué)習(xí)服務(wù)信息，促使學(xué)習(xí)者采取自我改進(jìn)的學(xué)習(xí)策略，主導(dǎo)控制自己的學(xué)習(xí)，從而有效地提高學(xué)習(xí)者的學(xué)習(xí)效率。

五、結(jié) 語

隨著互聯(lián)網(wǎng)+教育的深度融合，如何構(gòu)建一個(gè)精確性高、實(shí)時(shí)性強(qiáng)的個(gè)性化學(xué)習(xí)者模型以應(yīng)對(duì)互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下高精準(zhǔn)化的個(gè)性化學(xué)習(xí)服務(wù)要求，是加快推進(jìn)教育現(xiàn)代化進(jìn)程的重要階段。本文提出的基于場(chǎng)景感知的個(gè)性化學(xué)習(xí)者模型，是通過深入分析學(xué)習(xí)者特征維度的基礎(chǔ)上，將場(chǎng)景特性融合到學(xué)習(xí)者建模的設(shè)計(jì)中，構(gòu)建一個(gè)能表征不同學(xué)習(xí)場(chǎng)景下學(xué)習(xí)者特征狀態(tài)變化的個(gè)性化學(xué)習(xí)者模型，并基于該模型設(shè)計(jì)了場(chǎng)景化的個(gè)性化學(xué)習(xí)服務(wù)推送的演化框架，試圖從場(chǎng)景的視角探索新型的個(gè)性化學(xué)習(xí)服務(wù)模式，以滿足互聯(lián)網(wǎng)學(xué)習(xí)環(huán)境下高精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)需求。目前，模型的研究尚處于初始探索階段，下一步的工作是對(duì)模型進(jìn)行迭代優(yōu)化與完善，基于該模型設(shè)計(jì)開發(fā)原型系統(tǒng)并應(yīng)用到實(shí)踐中進(jìn)行實(shí)驗(yàn)，以驗(yàn)證該模型的有效性與準(zhǔn)確性。

[參考文獻(xiàn)]

[1] 陳麗，郭玉娟，王懷波，鄭勤華.新時(shí)代信息化進(jìn)程中教育研究問題域框架[J].現(xiàn)代遠(yuǎn)程教育研究，2018（1）：40-46，87.

[2] 武法提，黃石華，殷寶媛.場(chǎng)景化：學(xué)習(xí)服務(wù)設(shè)計(jì)的新思路[J].電化教育研究，2018（12）：63-69.

[3] IEEE Learning Technology Standards Committee（LTSC）[EB/OL].[2018-12-01]. http：//ltsc.ieee.org/.

[4] IMS learner information package summary of changes version 1.0.1 final specification[EB/OL].[2005-01-04].https：//www.imsglobal.org/profiles/lipv1p0p1/imslip_sumcv1p0p1.html.

[5] 祝智庭.網(wǎng)絡(luò)教育技術(shù)標(biāo)準(zhǔn)研究[J].電化教育研究，2001（8）：72-78.

[6] BRUSILOVSKY P， MILL？譧N E.User models for adaptive hypermedia and adaptive educational systems[J].The adaptive web，lecture notes in computer science，2007（4321）：3-53.

[7] 王曉琳，高丹丹，張際平.智能授導(dǎo)系統(tǒng)中的學(xué)習(xí)者本體構(gòu)建[J].電化教育研究，2009（4）：56-58，77.

[8] 陳仕品，張劍平.適應(yīng)性學(xué)習(xí)支持系統(tǒng)的學(xué)生模型研究[J].中國電化教育，2010（5）：112-117.

[9] 王怡涵. 能力導(dǎo)向終身學(xué)習(xí)個(gè)性化推薦系統(tǒng)學(xué)習(xí)者模型構(gòu)建[D]. 長春：東北師范大學(xué)，2011.

[10] CHRYSAFIADI K， VIRVOU M. Student modelling approaches： a literature reviewfor last decade[J].Expert system with applications，2013（40）：4715-4729.

[11] 黃煥. 面向e-Learning的學(xué)習(xí)者情感建模及應(yīng)用研究[D].武漢：華中師范大學(xué)，2014.

[12] 牟智佳，武法提.電子書包中基于學(xué)習(xí)者模型的個(gè)性化學(xué)習(xí)資源推薦研究[J].電化教育研究，2015，36（1）：69-76.

[13] JELENA N， ANDRINA G， VLADO G. Anatomy of student models in adaptive learning systems：a systematic literature review of individual difeferences from 2001 to 2013[J].Educational computing research， 2015， 51（4）： 459-489.

[14] TADLAOUI M A， AAMOU S， KHALDI M， CARVALHO R N. Learner modeling in adaptive educational systems： a comparative study[J].Modern education and computer science， 2016， 8（3）：1-10.

[15] 岳俊芳，陳逸.基于大數(shù)據(jù)分析的遠(yuǎn)程學(xué)習(xí)者建模與個(gè)性化學(xué)習(xí)應(yīng)用[J].中國遠(yuǎn)程教育，2017（7）：34-39.

[16] 孫力，張婷.網(wǎng)絡(luò)教育中個(gè)性化學(xué)習(xí)者模型的設(shè)計(jì)與分析[J].遠(yuǎn)程教育雜志，2017，35（3）：93-101.

[17] 孫海民.個(gè)性特征對(duì)網(wǎng)絡(luò)學(xué)習(xí)行為影響研究的關(guān)鍵問題探究[J].電化教育研究，2012，33（10）：50-55，63.

[18] 哈維·席爾瓦.多元智能新視點(diǎn)叢書：多元智能與學(xué)習(xí)風(fēng)格[M].張玲，譯. 北京：教育科學(xué)出版社，2003：146.

[19] ACHAR A， LAXMAN S， SASTRY P S. A unified view of the apriori-based algorithms for frequent episode discovery[J]. Knowledge & information systems， 2012， 31（2）：223-250.

[20] BIRANT D， KUT A.ST-DBSCAN： an algorithm for clustering spatial-temporal data[J]. Data & knowledge engineering， 2007， 60（1）：208-221.