個性化移動學(xué)習(xí)系統(tǒng)分析與設(shè)計

摘要：為實現(xiàn)更高效的移動學(xué)習(xí)，提出了一種個性化移動學(xué)習(xí)系統(tǒng)的設(shè)計，系統(tǒng)以微服務(wù)的形式實現(xiàn)自適應(yīng)學(xué)習(xí)單元，使得學(xué)習(xí)單元之間可根據(jù)需要動態(tài)調(diào)整，并通過采集到的各種使用數(shù)據(jù)，使用混合式推薦系統(tǒng)得到對于不同學(xué)習(xí)者的學(xué)習(xí)路徑、學(xué)習(xí)活動和學(xué)習(xí)資源的實時推薦，還可根據(jù)評價和反饋進(jìn)行調(diào)整，從而組織更靈活的學(xué)習(xí)過程及學(xué)習(xí)活動，實現(xiàn)個性化學(xué)習(xí)資源推薦，提高移動學(xué)習(xí)效率。

關(guān)鍵詞：推薦系統(tǒng)；工作流；移動開發(fā)；自適應(yīng)

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2019）05-0189-02

1 概述

移動互聯(lián)網(wǎng)時代，移動互聯(lián)網(wǎng)主導(dǎo)地位進(jìn)一步強化。據(jù)2017年8月第40次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》的統(tǒng)計結(jié)果，截至2017年6月，我國網(wǎng)民規(guī)模達(dá)7.51億，其中手機網(wǎng)民達(dá)7.24億，占比達(dá)96.3%。移動學(xué)習(xí)是學(xué)習(xí)者在自己需要學(xué)習(xí)的任何時間、任何地點通過移動設(shè)備和無線通信網(wǎng)絡(luò)獲取學(xué)習(xí)資源，與他人進(jìn)行交流和協(xié)作，實現(xiàn)個人與社會知識建構(gòu)的過程，同時移動學(xué)習(xí)也是傳統(tǒng)課堂、非正式學(xué)習(xí)、終身學(xué)習(xí)的補充和延伸，是翻轉(zhuǎn)課堂、微課、MOOC、SPOOC 等多種教學(xué)模式移動學(xué)習(xí)環(huán)境下的重要載體[1，2]。由于移動設(shè)備的廣泛應(yīng)用，移動學(xué)習(xí)已成為碎片化知識獲取的重要途徑。

目前，基于移動智能終端的APP 開發(fā)模式主要有原生應(yīng)用（Native APP）、網(wǎng)頁式應(yīng)用（Web APP）、混合式應(yīng)用（Hybrid APP）、類原生應(yīng)用（React Native APP）等[3]，而目前流行的基于HTML5 開發(fā)的APP，可實現(xiàn)“一次開發(fā)，多平臺使用”，現(xiàn)在大熱的“微信小程序”，就是這種模式的典型代表。這種開發(fā)模式可以無縫連接桌面端和移動端，不受客戶端系統(tǒng)限制，更好地實現(xiàn)數(shù)據(jù)和資源的共享，成為目前移動APP開發(fā)的一個熱門選擇。

用戶在使用移動終端設(shè)備學(xué)習(xí)時產(chǎn)生大量數(shù)據(jù)，結(jié)合大數(shù)據(jù)分析及挖掘，有助于個性化學(xué)習(xí)平臺的構(gòu)建。結(jié)合了學(xué)習(xí)分析技術(shù)的個性化學(xué)習(xí)平臺，能根據(jù)基于大數(shù)據(jù)分析及挖掘構(gòu)建的學(xué)習(xí)者畫像，對每個學(xué)習(xí)者規(guī)劃適當(dāng)?shù)膶W(xué)習(xí)計劃、學(xué)習(xí)路徑和學(xué)習(xí)資源，還能在學(xué)習(xí)過程中根據(jù)學(xué)習(xí)的情況提供學(xué)習(xí)建議及調(diào)整相應(yīng)的規(guī)劃[4]。

目前關(guān)于個性化學(xué)習(xí)系統(tǒng)的實現(xiàn)，多集中在個性化學(xué)習(xí)資源的推送方面，而對于個性化學(xué)習(xí)計劃、學(xué)習(xí)路徑方面的研究不多。本文將考慮全面的個性化移動學(xué)習(xí)系統(tǒng)的分析與設(shè)計，包括個性化學(xué)習(xí)計劃、學(xué)習(xí)路徑和學(xué)習(xí)資源的定制等。

2 個性化學(xué)習(xí)系統(tǒng)構(gòu)建原理與方法

2.1 柔性工作流技術(shù)及自適應(yīng)單元

工作流是流程的完全或部分自動化運行，而工作流的柔性指的是根據(jù)實際運行情況進(jìn)行動態(tài)調(diào)整的能力。工作流的柔性包括靈活性、動態(tài)性和自適應(yīng)性[5]。移動學(xué)習(xí)系統(tǒng)中，學(xué)習(xí)任務(wù)驅(qū)動的學(xué)習(xí)過程，可基于柔性工作流技術(shù)構(gòu)建，而自適應(yīng)學(xué)習(xí)單元[6]是實現(xiàn)這種柔性的重要方式。自適應(yīng)學(xué)習(xí)單元旨在幫助學(xué)習(xí)者更好地進(jìn)行個性化的自主學(xué)習(xí)，在構(gòu)建時可充分考慮學(xué)習(xí)者的不同需求，設(shè)計多樣化的學(xué)習(xí)路徑及個性化學(xué)習(xí)內(nèi)容，再通過教學(xué)活動的設(shè)計與實施，使自適應(yīng)學(xué)習(xí)單元可以根據(jù)學(xué)習(xí)者的情況動態(tài)地調(diào)整學(xué)習(xí)路徑[6]。自適應(yīng)學(xué)習(xí)單元的實現(xiàn)可通過微服務(wù)技術(shù)解決。微服務(wù)指在單個應(yīng)用系統(tǒng)中一組被集中管理的、規(guī)模較小的服務(wù)，每個服務(wù)只完成內(nèi)聚性很強的一組功能，并通過網(wǎng)絡(luò)彼此協(xié)作，每個服務(wù)可單獨部署維護(hù)[1]。把自適應(yīng)學(xué)習(xí)單元映射為微服務(wù)的方式，可使自適應(yīng)學(xué)習(xí)單元達(dá)到最大的靈活性，從而實現(xiàn)學(xué)習(xí)計劃、學(xué)習(xí)路徑、學(xué)習(xí)方式的動態(tài)調(diào)整。

2.2 個性化推薦系統(tǒng)

根據(jù)不同的推薦算法，個性化推薦系統(tǒng)主要分為：基于協(xié)同過濾的推薦系統(tǒng)、基于內(nèi)容的推薦系統(tǒng)以及混合式的推薦系統(tǒng)[7]。

1）基于協(xié)同過濾的推薦系統(tǒng)主要是根據(jù)用戶屬性的相似性，包括用戶信息、對項目的評價等信息的相關(guān)性，由用戶群的行為信息計算項目間關(guān)聯(lián)度，得到推薦結(jié)果?；趨f(xié)同過濾的推薦又可以分為：基于用戶的協(xié)同過濾推薦、基于項目的協(xié)同過濾推薦、基于模型的協(xié)同過濾推薦三類。協(xié)同過濾實現(xiàn)的要點是在記錄中找到相似的用戶和項目，從而計算推薦列表項目。推薦列表的建立主要有基于用戶和基于項目兩種方法。

2）基于內(nèi)容的推薦系統(tǒng)則主要根據(jù)項目本身的特征及屬性，在項目庫中進(jìn)行搜索，計算哪些項目更能滿足用戶需求，從而得到推薦結(jié)果?；趦?nèi)容的推薦系統(tǒng)最大的優(yōu)勢是沒有冷啟動的問題，只需抽取項目本身的一些特征屬性，利用用戶以往關(guān)于項目的喜好特征數(shù)據(jù)來學(xué)習(xí)，即可得到用戶的一組推薦列表。

3）混合式的推薦系統(tǒng)，則綜合以上兩種方式，結(jié)合用戶相似性、項目關(guān)聯(lián)性及特征，通過分析某一款產(chǎn)品的所有記錄，來推測用戶感興趣的項目，更從用戶需求、商品標(biāo)簽以及相似用戶的使用度等方面來增加推薦結(jié)果的可信度。本文所設(shè)計的系統(tǒng)將采用混合式的方案。

3 個性化移動學(xué)習(xí)系統(tǒng)設(shè)計

3.1 系統(tǒng)架構(gòu)設(shè)計

個性化移動學(xué)習(xí)系統(tǒng)的框架如圖1所示。學(xué)習(xí)者通過登錄學(xué)習(xí)系統(tǒng)的移動客戶端完成學(xué)習(xí)，而學(xué)習(xí)者在使用系統(tǒng)的過程中產(chǎn)生的數(shù)據(jù)（如操作序列、瀏覽記錄、學(xué)習(xí)歷史等），將自動采集、記錄在系統(tǒng)日志中并上傳。系統(tǒng)將根據(jù)采集到的日志記錄，與用戶屬性等數(shù)據(jù)共同構(gòu)建用戶畫像，并根據(jù)教學(xué)計劃、教學(xué)要求、教學(xué)設(shè)計等得到針對不同學(xué)習(xí)者的個性化學(xué)習(xí)計劃。根據(jù)個性化學(xué)習(xí)計劃設(shè)計個性化學(xué)習(xí)路徑，即可組織針對用戶的個性化學(xué)習(xí)資源。個性化學(xué)習(xí)資源以微服務(wù)的形式提供，并根據(jù)教學(xué)要求和教學(xué)設(shè)計組成為若干模塊。過程監(jiān)控模塊將隨時監(jiān)控、分析學(xué)習(xí)過程并對當(dāng)前學(xué)習(xí)計劃提供反饋，以對學(xué)習(xí)計劃提供階段性的調(diào)整的依據(jù)，并根據(jù)學(xué)習(xí)計劃調(diào)整學(xué)習(xí)路徑和學(xué)習(xí)資源的推送。

3.2 模塊設(shè)計

3.2.1教學(xué)設(shè)計

教學(xué)設(shè)計模塊主要由教師根據(jù)教學(xué)計劃、教學(xué)要求、課程體系、知識點分布等設(shè)計。為實現(xiàn)個性化學(xué)習(xí)，教學(xué)設(shè)計以自適應(yīng)單元為基本單位，以便于以微服務(wù)技術(shù)實現(xiàn)。根據(jù)課程的要求和特點，可依次設(shè)計主要學(xué)習(xí)路徑、備選路徑集合以及每個環(huán)節(jié)相匹配的候選資源集。初始路徑可以是默認(rèn)學(xué)習(xí)路徑及其默認(rèn)資源，在學(xué)生學(xué)習(xí)的過程中，可以根據(jù)數(shù)據(jù)采集及分析結(jié)果，實現(xiàn)個性化學(xué)習(xí)。

3.2.2 數(shù)據(jù)采集與過程監(jiān)控

學(xué)生在學(xué)習(xí)過程中所產(chǎn)生的各種數(shù)據(jù)，包括操作序列、瀏覽記錄、學(xué)習(xí)進(jìn)度、在線時間信息等，都將自動采集并上傳到數(shù)據(jù)庫。教師或班主任等教學(xué)管理人員可通過所記錄的數(shù)據(jù)，實時了解每個學(xué)生的學(xué)習(xí)情況。系統(tǒng)也可以通過對采集到的這些數(shù)據(jù)的分析，對學(xué)生實現(xiàn)學(xué)習(xí)路徑的調(diào)整及個性化資源推薦。

3.2.3 個性化推薦系統(tǒng)

通過混合式推薦系統(tǒng)，可組織個性化學(xué)習(xí)，推送個性化學(xué)習(xí)資源。推薦系統(tǒng)可用于學(xué)習(xí)計劃、學(xué)習(xí)活動的計劃和調(diào)整，也可用對對應(yīng)學(xué)習(xí)資源的推薦。基于內(nèi)容的推薦主要根據(jù)項目本身的特征及屬性進(jìn)行推薦，可用于在教學(xué)設(shè)計環(huán)節(jié)給出一些資源推薦及教學(xué)組織的建議，還可在冷啟動及稀疏記錄的條件下得到推薦結(jié)果。而協(xié)同推薦則可結(jié)合用戶特征和項目特性，提高算法的效率。

3.2.4 客戶端呈現(xiàn)

由于目前移動學(xué)習(xí)的普及，學(xué)習(xí)系統(tǒng)必須支持各種移動終端，并根據(jù)所采集的數(shù)據(jù)及個性化推薦結(jié)果，在客戶端上呈現(xiàn)不同的推薦列表。還可以針對不同的客戶端，設(shè)計不同的學(xué)習(xí)資源，并結(jié)合學(xué)生常用客戶端數(shù)據(jù)的反饋來實現(xiàn)個性化的推薦。

3.2.5 反饋及評價

學(xué)生在使用系統(tǒng)時對所推薦的路徑和資源產(chǎn)生的反饋、評價等，是學(xué)習(xí)過程及推薦結(jié)果改進(jìn)的重要依據(jù)。評價的指標(biāo)主要有以下幾項：

1）平均誤差MAE（Mean Absolute Error）。平均絕對誤差通過計算預(yù)測評價與真實評價數(shù)據(jù)上的差別，來衡量推薦結(jié)果的準(zhǔn)確性。MAE的值越小，推薦準(zhǔn)確性越高。若預(yù)測的用戶評分集合表示為{p1， p2， … ， pn}，而實際用戶評分集合為{q1， q2， … ， qn}，則MAE計算公式如下式所示：

[MAE=i=1Npi-qiN]

2）準(zhǔn)確率與召回率（Precision & Recall）。準(zhǔn)確率和召回率用來評價結(jié)果的質(zhì)量。其中準(zhǔn)確率是檢索出相關(guān)項目數(shù)與檢索出的項目總數(shù)的比率，衡量的是系統(tǒng)的查準(zhǔn)率；召回率是指檢索出的相關(guān)項目數(shù)和所有的相關(guān)項目數(shù)的比率，衡量的是系統(tǒng)的查全率。簡單地說，準(zhǔn)確率就是所推薦的項目有多少是被用戶接受的（即“是對的”），而召回率就是所有用戶可以接受的項目有多少被檢索出來了。這兩個取值越接近1，算法的效率就越好。

3）綜合評價指標(biāo)（F-Measure）。準(zhǔn)確率與召回率的指標(biāo)有時候會出現(xiàn)的矛盾的情況，這時就可能要綜合考慮，最常見的方法就是F-Measure，又稱為F-Score。F-Measure是準(zhǔn)確率和召回率的加權(quán)調(diào)和平均，一般計算如下式所示（其中P位準(zhǔn)確率，R為召回率）：

[F=（α2+1）P?Rα2（P+R）]

4 總結(jié)

本文考慮了一種個性化移動學(xué)習(xí)系統(tǒng)的分析與設(shè)計，采用了混合式推薦系統(tǒng)，以微服務(wù)的形式組織學(xué)習(xí)過程和學(xué)習(xí)資源，可針對不同的學(xué)習(xí)者，實現(xiàn)不同的學(xué)習(xí)過程、活動組織和學(xué)習(xí)資源推薦。這種新型的個性化移動學(xué)習(xí)系統(tǒng)，將可以實現(xiàn)更靈活的學(xué)習(xí)過程和形式，提高學(xué)習(xí)效率。

參考文獻(xiàn)：

[1] 王書玲，王小軍. 基于微服務(wù)的移動學(xué)習(xí)平臺構(gòu)建研究[J]. 中國成人教育，2017（23）：18-22.

[2] 羅潔. 信息技術(shù)帶動學(xué)習(xí)變革——從課堂學(xué)習(xí)到虛擬學(xué)習(xí)、移動學(xué)習(xí)再到泛在學(xué)習(xí)[J]. 中國電化教育，2014（1）：15-21，34.

[3] 趙梅，楊文正，孫夢琴， 等. 教育APP開發(fā)模式演進(jìn)及發(fā)展趨勢分析[J]. 電化教育研究，2018，39（6）：90-97.

[4] 曹曉明，朱勇. 學(xué)習(xí)分析視角下的個性化學(xué)習(xí)平臺研究[J]. 開放教育研究，2014，20（5）：67-74.

[5] 鄭婷婷. 時態(tài)工作流的時間異常處理算法[D].廣州：中山大學(xué)，2009.

[6] 梁存良， 張修陽， 鄧敏杰. 在線課程中自適應(yīng)學(xué)習(xí)單元的構(gòu)建與設(shè)計[J]. 教學(xué)與管理， 2018（9）.

[7] 劉靜，熊才平，丁繼紅，等. 教育信息資源個性化推薦服務(wù)模式研究[J]. 中國遠(yuǎn)程教育，2016（2）：5-9，79.

【通聯(lián)編輯：謝媛媛】