基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦策略研究

師亞飛　彭紅超等

摘要：精準(zhǔn)個性化學(xué)習(xí)路徑推薦作為教育大數(shù)據(jù)助力精準(zhǔn)教學(xué)的重要研究內(nèi)容，引起了研究者的廣泛關(guān)注。鑒于傳統(tǒng)的學(xué)習(xí)路徑推薦通常只考慮了學(xué)習(xí)者的個體特征，網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中學(xué)習(xí)者的學(xué)習(xí)活動和學(xué)習(xí)軌跡等重要學(xué)習(xí)數(shù)據(jù)沒有被很好地利用，該文設(shè)計了一種基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦模型。模型根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，采用個性化推薦策略向?qū)W習(xí)者推薦學(xué)習(xí)元列表，學(xué)習(xí)者主動選擇其中最適合的一個學(xué)習(xí)元進行學(xué)習(xí)。學(xué)習(xí)元是一種包含學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動及其學(xué)習(xí)效果的學(xué)習(xí)元組，其細(xì)粒度的推薦內(nèi)容可以滿足學(xué)習(xí)者的學(xué)習(xí)需求。生成性推薦策略契合了學(xué)習(xí)者在學(xué)習(xí)過程中學(xué)習(xí)水平動態(tài)變化的特性，確保推薦的精準(zhǔn)性。最后，文章探討了人機協(xié)同視域下機器學(xué)習(xí)技術(shù)在精準(zhǔn)個性化學(xué)習(xí)路徑推薦中的應(yīng)用潛能，以期更好地服務(wù)于精準(zhǔn)個性化學(xué)習(xí)。

關(guān)鍵詞：學(xué)習(xí)畫像;個性化學(xué)習(xí)路徑;生成性推薦;精準(zhǔn)教學(xué);學(xué)習(xí)元

中圖分類號：G434 文獻標(biāo)識碼：A

教育信息化促進了教育理念的變革，信息時代的教育更加關(guān)注學(xué)習(xí)者的個體訴求。促進學(xué)習(xí)者個性化發(fā)展是信息技術(shù)時代教育的基本特征之一，也是培養(yǎng)創(chuàng)新型人才的重要手段。我國《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》指出：“把育人為本作為教育工作的根本要求”“關(guān)心學(xué)習(xí)者的身心發(fā)展規(guī)律，為每個學(xué)習(xí)者提供適合的教育”“關(guān)注學(xué)習(xí)者不同特點和個性差異，發(fā)展每一個學(xué)習(xí)者的優(yōu)勢潛能”。國務(wù)院《新一代人工智能發(fā)展規(guī)劃》提出發(fā)展智能教育，構(gòu)建以學(xué)習(xí)者為中心的教育環(huán)境，實現(xiàn)精準(zhǔn)教育服務(wù)。教育部《高等學(xué)校人工智能創(chuàng)新行動計劃》中提出：“鼓勵發(fā)展以學(xué)習(xí)者為中心的智能化學(xué)習(xí)平臺，提供豐富的個性化學(xué)習(xí)資源”。最近，教育部印發(fā)的《教育信息化2.0行動計劃》中提出“探索在信息化條件下實現(xiàn)差異化教學(xué)、個性化學(xué)習(xí)、精細(xì)化管理、智能化服務(wù)的典型途徑”。因此，關(guān)注個性化學(xué)習(xí)，促進學(xué)習(xí)者個性化發(fā)展，成為未來我國教育發(fā)展的重要內(nèi)容。

個性化學(xué)習(xí)路徑的尋徑是在線學(xué)習(xí)系統(tǒng)面臨的一個重要挑戰(zhàn)。由于個性化路徑推薦理念與技術(shù)實現(xiàn)等方面的局限，目前學(xué)習(xí)路徑推薦算法多是基于學(xué)習(xí)者的個體行為，且推薦對象多是課程序列等粗粒度的內(nèi)容，難以真正滿足學(xué)習(xí)者的學(xué)習(xí)需求;另外，由于學(xué)習(xí)者的學(xué)習(xí)水平在學(xué)習(xí)過程中是動態(tài)變化的，完整的學(xué)習(xí)路徑很難保證推薦的精準(zhǔn)度，這在一定程度上不利于促進學(xué)習(xí)者的有效學(xué)習(xí)。因此，本研究提出一種基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦模型，該模型根據(jù)學(xué)習(xí)者的學(xué)習(xí)畫像（學(xué)習(xí)模式或?qū)W習(xí)行為序列）向?qū)W習(xí)者推薦符合其個性特征的學(xué)習(xí)資源和學(xué)習(xí)活動序列等，為促進學(xué)習(xí)者個性化學(xué)習(xí)提供有力的支持。它倡導(dǎo)以學(xué)習(xí)者為中心的理念，旨在滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求，充分調(diào)動學(xué)習(xí)者的積極性，促進有效學(xué)習(xí)，能夠更好地實現(xiàn)精準(zhǔn)個性化學(xué)習(xí)。

一、個性化學(xué)習(xí)概述

（一）個性化學(xué)習(xí)的起源與發(fā)展

個性化學(xué)習(xí)最早可追溯至我國教育家孔子“因材施教”的理念?！耙虿氖┙獭奔瘁槍W(xué)習(xí)者的個性差異采用不同的教學(xué)內(nèi)容、教學(xué)方法和教學(xué)策略，最終達(dá)到“小以小成，大以大成，無棄人也”。同時期的西方教育家蘇格拉底的“產(chǎn)婆術(shù)”也是個性化學(xué)習(xí)思想產(chǎn)生的源頭之一。受學(xué)習(xí)者人數(shù)以及培養(yǎng)目標(biāo)的影響，這一時期主要采用個別化教學(xué)策略。由于生產(chǎn)力的發(fā)展，個別化教學(xué)無法滿足后來工業(yè)生產(chǎn)對大規(guī)模、標(biāo)準(zhǔn)化勞動力的需求。17世紀(jì)西方教育家夸美紐斯系統(tǒng)地研究和闡述了班級授課制，大班集體授課極大地提高了教學(xué)效率。然而，教師采用統(tǒng)一的教學(xué)內(nèi)容和教學(xué)方法，很難照顧到學(xué)習(xí)者的個性差異。20世紀(jì)初美國掀起了進步主義教育運動思潮，批判以教師為中心的傳統(tǒng)教育思想，倡導(dǎo)以兒童為中心，關(guān)注學(xué)生個性發(fā)展。之后，美國著名心理學(xué)家斯金納提出了程序教學(xué)。程序教學(xué)是為了克服班級授課制的弊端，適應(yīng)學(xué)生的個體差異，它是技術(shù)賦能個性化學(xué)習(xí)的起點。這一時期，以個性化學(xué)習(xí)為理念的適應(yīng)性超媒體系統(tǒng)或適應(yīng)性學(xué)習(xí)系統(tǒng)也開始發(fā)展起來，具有代表性的有InterBook、ELM-ART等。近年來，隨著智能技術(shù)的發(fā)展，教育信息化邁入了一個新的階段，即智慧教育階段。智慧教育倡導(dǎo)以學(xué)習(xí)者為中心，強調(diào)以數(shù)據(jù)驅(qū)動代替經(jīng)驗驅(qū)動，為學(xué)習(xí)者提供精準(zhǔn)教學(xué)服務(wù)。

（二）數(shù)據(jù)驅(qū)動的精準(zhǔn)個性化學(xué)習(xí)

網(wǎng)絡(luò)學(xué)習(xí)環(huán)境給予了學(xué)習(xí)者充分的自主權(quán)，學(xué)習(xí)者可以自主決定學(xué)習(xí)速度，選擇感興趣的學(xué)習(xí)資源和學(xué)習(xí)活動等。然而，學(xué)習(xí)者常常面臨“接下來學(xué)什么”的問題，導(dǎo)致學(xué)習(xí)者認(rèn)知過載。教育大數(shù)據(jù)使精準(zhǔn)個性化學(xué)習(xí)成為可能。個性化推薦作為教育大數(shù)據(jù)助力精準(zhǔn)個性化學(xué)習(xí)的重要研究領(lǐng)域，旨在向?qū)W習(xí)者推送最適合的學(xué)習(xí)資源、學(xué)習(xí)活動序列和學(xué)習(xí)任務(wù)等，促進學(xué)習(xí)者個性化學(xué)習(xí)。Aher和Lobo基于學(xué)習(xí)者的歷史數(shù)據(jù)使用聚類算法（K-means）和關(guān)聯(lián)規(guī)則算法（Apriori）為新生推薦課程得到了較好的效果。Ghauth和Abdullah提出一種新型的整合優(yōu)秀學(xué)習(xí)者評分的基于內(nèi)容的推薦算法，該方法可以為學(xué)習(xí)者推薦高質(zhì)量的學(xué)習(xí)資源。實驗結(jié)果證明，該方法比傳統(tǒng)基于內(nèi)容的推薦算法效果更好。Liang等人融合基于內(nèi)容的推薦和協(xié)同過濾技術(shù)設(shè)計了一種課件推薦方法。然而，無論是推薦課程、課件還是文件，這些推薦對象大多是由多個知識點構(gòu)成，學(xué)習(xí)者依然面臨進一步選擇問題。因此，這些粗粒度的推薦對象難以滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求。

Milicevic等人設(shè)計了一種可以自動適應(yīng)學(xué)習(xí)者的興趣（包含學(xué)習(xí)風(fēng)格和學(xué)習(xí)偏好）和知識水平的推薦模型，平行組實驗結(jié)果表明該模型可以根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、偏好和知識水平向?qū)W習(xí)者推薦合適的學(xué)習(xí)活動。Kurilovas等人根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格使用蟻群優(yōu)化算法為學(xué)習(xí)者推薦個性化的學(xué)習(xí)路徑，實驗結(jié)果表明個性化的學(xué)習(xí)路徑可以提高學(xué)習(xí)效果并且節(jié)省學(xué)習(xí)時間。然而，這些研究依據(jù)的學(xué)習(xí)者數(shù)據(jù)過于單一，主要是基于學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好和知識水平等，學(xué)習(xí)模式未得到很好地利用。

Intayoad等人提出一種基于社會情境感知的個性化學(xué)習(xí)路徑推薦方法，使用K近鄰和決策樹技術(shù)基于采集到的社會情景（即學(xué)習(xí)者與學(xué)習(xí)目標(biāo)的交互信息）對學(xué)習(xí)者進行分類，最后采用關(guān)聯(lián)規(guī)則向?qū)W習(xí)者推薦合適的學(xué)習(xí)路徑。Zhou等人基于聚類算法和LSTM神經(jīng)網(wǎng)絡(luò)提出了一種個性化全路徑推薦方法。然而，學(xué)習(xí)者的學(xué)習(xí)水平在學(xué)習(xí)過程中是動態(tài)變化的。因此，完整的學(xué)習(xí)路徑推薦很難保證推薦的適切性，路徑推薦的精準(zhǔn)度很難保證。

以上研究分析可知，個性化學(xué)習(xí)路徑推薦已經(jīng)成為教育大數(shù)據(jù)助力精準(zhǔn)個性化學(xué)習(xí)的重要研究內(nèi)容。然而，目前關(guān)于個性化學(xué)習(xí)路徑推薦的研究也存在一些問題。第一，學(xué)習(xí)內(nèi)容粒度較粗。已有的學(xué)習(xí)路徑推薦研究多是向?qū)W習(xí)者推薦課程序列等粗粒度的推薦內(nèi)容，很難滿足學(xué)習(xí)者的學(xué)習(xí)需求。第二，學(xué)習(xí)者數(shù)據(jù)屬性維度較少。目前關(guān)于個性化學(xué)習(xí)路徑推薦的研究主要依托于學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好和學(xué)習(xí)能力等屬性，學(xué)習(xí)者的學(xué)習(xí)行為模式未能很好利用。第三，學(xué)習(xí)路徑推薦精準(zhǔn)度較低。已有的路徑推薦研究多是推薦一個完整的學(xué)習(xí)路徑，學(xué)習(xí)路徑的適切性難以保證。增加路徑推薦的動態(tài)生成性以適應(yīng)學(xué)習(xí)水平的變化是解決此問題的一個可行思路。本研究設(shè)計新型個性化學(xué)習(xí)路徑推薦旨在解決這三個問題。

二、學(xué)習(xí)畫像模型的構(gòu)建

（一）學(xué)習(xí)畫像模型構(gòu)建依據(jù)

網(wǎng)絡(luò)學(xué)習(xí)行為是學(xué)習(xí)者留下的一種重要學(xué)習(xí)數(shù)據(jù)。有研究發(fā)現(xiàn)，網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)表現(xiàn)存在直接的關(guān)系。學(xué)習(xí)行為序列作為一種重要的學(xué)習(xí)數(shù)據(jù)已被開始用于個性化學(xué)習(xí)路徑推薦。因此，本研究提出一種刻畫學(xué)習(xí)者網(wǎng)絡(luò)學(xué)習(xí)過程的學(xué)習(xí)畫像模型，旨在通過對學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)軌跡等數(shù)據(jù)的記錄，更好地服務(wù)于精準(zhǔn)個性化學(xué)習(xí)。

（二）學(xué)習(xí)畫像模型透析

學(xué)習(xí)畫像模型是由學(xué)習(xí)元構(gòu)成的學(xué)習(xí)序列，描繪學(xué)習(xí)的發(fā)生、發(fā)展過程。借助教育數(shù)據(jù)挖掘和機器學(xué)習(xí)等技術(shù)探尋學(xué)習(xí)者潛在的學(xué)習(xí)模式是實現(xiàn)精準(zhǔn)個性化學(xué)習(xí)路徑推薦的關(guān)鍵。當(dāng)前的個性化學(xué)習(xí)路徑推薦往往過度關(guān)注學(xué)習(xí)者的個體特征，如學(xué)習(xí)偏好和認(rèn)知風(fēng)格等，學(xué)習(xí)過程以及學(xué)習(xí)模式對于個性化學(xué)習(xí)路徑推薦的價值還沒有得到充分地挖掘。基于對此問題的考慮，本文提出了學(xué)習(xí)畫像模型，從一個新的視角來解決精準(zhǔn)個性化學(xué)習(xí)路徑推薦問題。

如圖1所示，學(xué)習(xí)畫像模型包含學(xué)習(xí)元序列和學(xué)習(xí)元時間序列。學(xué)習(xí)元序列又叫學(xué)習(xí)模式，是一個有向圖模型，節(jié)點由學(xué)習(xí)元組成。學(xué)習(xí)元時間序列中的節(jié)點表示學(xué)習(xí)者學(xué)習(xí)一個學(xué)習(xí)元花費的時間，邊表示學(xué)習(xí)者由一個學(xué)習(xí)元跳轉(zhuǎn)到另一個學(xué)習(xí)元之間的時間間隔。學(xué)習(xí)者在學(xué)習(xí)元上耗費的時間可以體現(xiàn)學(xué)習(xí)投人度。學(xué)習(xí)元時間越長，表明學(xué)習(xí)者在某一部分學(xué)習(xí)內(nèi)容上的學(xué)習(xí)投入越多。學(xué)習(xí)元跳轉(zhuǎn)時間可以反應(yīng)學(xué)習(xí)者的學(xué)習(xí)動力，兩個學(xué)習(xí)元之間的時間間隔越小，說明學(xué)習(xí)的連貫性越好，學(xué)習(xí)動力越強。因此，學(xué)習(xí)元是學(xué)習(xí)畫像的重要元素。學(xué)習(xí)元內(nèi)部結(jié)構(gòu)如圖2所示。學(xué)習(xí)元刻畫了學(xué)習(xí)者的微觀學(xué)習(xí)狀況，由學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動和學(xué)習(xí)效果三部分組成。

學(xué)習(xí)內(nèi)容是解決“學(xué)什么”的問題，其呈現(xiàn)形態(tài)包括學(xué)材、習(xí)材和創(chuàng)材。文章依據(jù)Anderson和Krathwohl對認(rèn)知領(lǐng)域教育目標(biāo)的劃分結(jié)果，即記憶（Remember）、理解（Understand）、應(yīng)用（Apply）、分析（Analyze）、評價（Evaluate）和創(chuàng)造（Create）六個層次，構(gòu)建了學(xué)習(xí)內(nèi)容結(jié)構(gòu)圖。如圖3所示，自底向上表示教育目標(biāo)的層次逐漸升高，創(chuàng)造是最高層級的教育目標(biāo)。學(xué)材主要用于學(xué)習(xí)內(nèi)容的供給，對應(yīng)于教育目標(biāo)中的記憶和理解層級，包括與學(xué)習(xí)內(nèi)容相關(guān)的各種多媒體學(xué)習(xí)資源，如文本、視音頻和動畫等;習(xí)材用于學(xué)習(xí)內(nèi)容的夯實與內(nèi)化，對應(yīng)于應(yīng)用和分析層級，主要包括習(xí)題集、工具箱等;創(chuàng)材主要用于學(xué)習(xí)內(nèi)容的應(yīng)用和遷移，對應(yīng)于評價和創(chuàng)造目標(biāo)，主要包括虛擬實驗、仿真情景、案例和設(shè)計開發(fā)類軟硬件等。

學(xué)習(xí)活動是針對“怎么學(xué)”的問題?；顒永碚撛杏诰S果斯基的社會文化歷史理論，認(rèn)為活動是客體導(dǎo)向的，活動主體受動機和需要的驅(qū)動?；顒永碚搶⒒顒臃譃榛顒印⑿袨楹筒僮魅齻€層級。活動受學(xué)習(xí)動機驅(qū)動，是為了達(dá)到學(xué)習(xí)目標(biāo)而采取的一系列學(xué)習(xí)行為;行為受學(xué)習(xí)目標(biāo)導(dǎo)向，依據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和知識水平，將那些與學(xué)習(xí)目標(biāo)相關(guān)的操作關(guān)聯(lián)起來構(gòu)成了學(xué)習(xí)行為;操作沒有自己的目標(biāo)，直接作用于學(xué)習(xí)內(nèi)容，具有原子屬性，是學(xué)習(xí)活動的最小微粒。因此，一個學(xué)習(xí)活動可以看作一個學(xué)習(xí)行為序列。由于學(xué)習(xí)者學(xué)習(xí)風(fēng)格和知識水平等個體特征的差異，所表現(xiàn)出來的學(xué)習(xí)活動也各不相同。

學(xué)習(xí)效果是指學(xué)習(xí)者完成一個學(xué)習(xí)活動后對學(xué)習(xí)成果測量的結(jié)果。測量指標(biāo)用流暢度來代替?zhèn)鹘y(tǒng)的測驗得分，流暢度可以表征學(xué)習(xí)者測試的準(zhǔn)確度和速度。因此，流暢度更能體現(xiàn)學(xué)習(xí)者真實的學(xué)習(xí)效果和水平。流暢度包含正確流暢度和錯誤流暢度，即用測試正確或錯誤的得分除以測試正確或錯誤耗費的時間。通過引人測試時間維度，流暢度的功效得到了極大提升，如得分相同的兩位學(xué)習(xí)者，可以認(rèn)為正確流暢度高的學(xué)習(xí)者對學(xué)習(xí)內(nèi)容掌握得更好。

（三）學(xué)習(xí)畫像模型存儲

學(xué)習(xí)畫像模型存儲是對學(xué)習(xí)者的學(xué)習(xí)過程和學(xué)習(xí)軌跡進行記錄和存儲以便為后續(xù)的學(xué)習(xí)路徑推薦服務(wù)。以學(xué)習(xí)元序列為例，學(xué)習(xí)元序列是一張有向圖，可以用一個動態(tài)增長的二維矩陣來動態(tài)存儲。如圖4所示（其中，0代表沒有邊，1代表存在邊），對于每次增加的學(xué)習(xí)元，只需要把矩陣的行列增加相應(yīng)的個數(shù)，并且同時修改與新增加學(xué)習(xí)元相關(guān)的學(xué)習(xí)元相交處的值即可。類似地，對于學(xué)習(xí)元時間序列的存儲，只需將第一行和第一列存儲學(xué)習(xí)元的位置改為學(xué)習(xí)元持續(xù)的時間，有邊的位置改為學(xué)習(xí)元跳轉(zhuǎn)時間即可。

三、學(xué)習(xí)路徑生成性推薦模式建構(gòu)

現(xiàn)有研究界定的學(xué)習(xí)路徑主要指學(xué)習(xí)者在學(xué)習(xí)過程中選擇的活動和概念序列。本研究將其升華為由學(xué)習(xí)元組成的學(xué)習(xí)元序列，以更好地滿足學(xué)習(xí)者的學(xué)習(xí)需求。本節(jié)詳細(xì)闡述了模型的路徑推薦流程，并設(shè)計了學(xué)習(xí)畫像匹配策略，算法描述部分為模型的實踐應(yīng)用提供可行性支持。

（一）學(xué)習(xí)路徑推薦模式透析

學(xué)習(xí)路徑推薦模式主要包括學(xué)習(xí)畫像匹配、學(xué)習(xí)元列表、學(xué)習(xí)效果監(jiān)測和學(xué)習(xí)畫像等環(huán)節(jié)。如圖5所示，系統(tǒng)根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)采用不同的匹配策略向?qū)W習(xí)者推薦個性化的學(xué)習(xí)元列表，學(xué)習(xí)者依據(jù)需求自主選擇一個最合適的學(xué)習(xí)元進行學(xué)習(xí)，之后，對其學(xué)習(xí)效果進行測試，進而生成學(xué)習(xí)者的學(xué)習(xí)畫像。這是一個不斷迭代生成的過程，其中，對學(xué)習(xí)者采用不同的匹配策略是為了充分考慮學(xué)習(xí)者學(xué)習(xí)畫像的差異，從而更加精準(zhǔn)地向?qū)W習(xí)者推薦合適的學(xué)習(xí)元;采用學(xué)習(xí)元列表的推薦方式是讓學(xué)習(xí)者有選擇的自主權(quán)，而不是強制性地向其推薦學(xué)習(xí)內(nèi)容，突出了學(xué)習(xí)者的主動性和主體性。

學(xué)習(xí)路徑生成性推薦模式具有精準(zhǔn)化、個性化和生成性三大重要特征。精準(zhǔn)化主要體現(xiàn)在兩個方面：其一，推薦模型將學(xué)習(xí)者分為三個類別，即A類學(xué)習(xí)者、B類學(xué)習(xí)者和C類學(xué)習(xí)者，對不同類別的學(xué)習(xí)者采用個性化的匹配策略;其二，推薦模型會根據(jù)學(xué)習(xí)者的學(xué)習(xí)畫像匹配與之最為相似的優(yōu)秀學(xué)習(xí)者的學(xué)習(xí)模式，并將優(yōu)秀學(xué)習(xí)模式中的學(xué)習(xí)元推薦給目標(biāo)學(xué)習(xí)者。個性化體現(xiàn)在學(xué)習(xí)元列表推薦策略方面，即向?qū)W習(xí)者推薦一個具有優(yōu)先級的學(xué)習(xí)元列表，學(xué)習(xí)者根據(jù)個體需求選擇其中一個最適合自己的學(xué)習(xí)元進行學(xué)習(xí)。這樣可以充分體現(xiàn)學(xué)習(xí)者的主動性和主體性。生成性倡導(dǎo)推薦模型不是傳統(tǒng)意義上一次性推薦一條完整的學(xué)習(xí)路徑，而是推薦一個學(xué)習(xí)元，然后根據(jù)學(xué)習(xí)者更新后的學(xué)習(xí)畫像向其推薦下一個學(xué)習(xí)元，直到推薦一條完整的學(xué)習(xí)路徑。生成性契合了學(xué)習(xí)水平動態(tài)變化的特性，有助于提高推薦的精準(zhǔn)度。

（二）多樣化模式匹配

學(xué)習(xí)路徑生成性推薦模式中最為關(guān)鍵的一步是學(xué)習(xí)畫像的匹配。本研究按照學(xué)習(xí)者的學(xué)習(xí)狀態(tài)將學(xué)習(xí)畫像匹配分為三種情況：A類學(xué)習(xí)者匹配、B類學(xué)習(xí)者匹配和C類學(xué)習(xí)者匹配。A類學(xué)習(xí)者匹配指對于沒有或者有很少的歷史學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)者，選擇與其將要學(xué)習(xí)的學(xué)習(xí)內(nèi)容相同的優(yōu)秀學(xué)習(xí)者的學(xué)習(xí)元向其推薦。B類學(xué)習(xí)者匹配是對于有一定數(shù)量學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)者，選擇與其學(xué)習(xí)元最為相似的優(yōu)秀學(xué)習(xí)者的下一個學(xué)習(xí)元。C類學(xué)習(xí)者匹配是對于具有大量學(xué)習(xí)畫像數(shù)據(jù)的學(xué)習(xí)者，選擇與其學(xué)習(xí)模式（學(xué)習(xí)元序列）最為相似的學(xué)習(xí)者的下一個學(xué)習(xí)元。針對不同學(xué)習(xí)狀態(tài)的學(xué)習(xí)者，采用不同匹配策略可以提高學(xué)習(xí)元推薦的適切性。

（三）學(xué)習(xí)路徑推薦算法描述

協(xié)同過濾推薦是一種經(jīng)典的推薦算法，多用于商品推薦系統(tǒng)，其基本假設(shè)是喜歡相同物品的用戶具有相似性。受此思想的啟發(fā)，本文提出了一種基于學(xué)習(xí)畫像（學(xué)習(xí)行為序列）的學(xué)習(xí)路徑推薦理念，其基本假設(shè)是具有相似學(xué)習(xí)模式的學(xué)習(xí)者具有相似性。本部分將以此理念為基礎(chǔ)給出一種具體實現(xiàn)方法以供借鑒，當(dāng)然基于此理念還可以有不同的具體實現(xiàn)方法可以利用。

下表表示學(xué)習(xí)者的學(xué)習(xí)模式。其中，第一列表示學(xué)習(xí)者，第二列表示學(xué)習(xí)元序列。首先介紹路徑推薦中要用到的計算公式。

對于有大量歷史學(xué)習(xí)數(shù)據(jù)的C類學(xué)習(xí)者S₀，其已經(jīng)形成具有相對穩(wěn)定性的學(xué)習(xí)模式。我們以其學(xué)習(xí)過的所有學(xué)習(xí)元為匹配項，以閾值t為條件，尋找相似度和平均正確流暢度都大于t的學(xué)習(xí)者組成候選學(xué)習(xí)者列表;然后，以p（S_X）作為條件對候選學(xué)習(xí)者列表進行降序排列;最后，選出前k個候選學(xué)習(xí)者，將這k個學(xué)習(xí)者中與目標(biāo)學(xué)習(xí)者的最后一個具有相同學(xué)習(xí)內(nèi)容的學(xué)習(xí)元的下一個學(xué)習(xí)元推薦給目標(biāo)學(xué)習(xí)者，由學(xué)習(xí)者自主地選擇其中一個最合適的學(xué)習(xí)元進行學(xué)習(xí)。

四、機器學(xué)習(xí)賦能的生成性推薦

近年來，機器學(xué)習(xí)技術(shù)在科學(xué)理論研究和工業(yè)應(yīng)用方面均取得了引人注目的成就。然而，由于教育過程的復(fù)雜性和教育數(shù)據(jù)的非結(jié)構(gòu)性，機器學(xué)習(xí)技術(shù)直接應(yīng)用于個性化學(xué)習(xí)路徑推薦常常難以達(dá)到理想的效果。最近，人機協(xié)同的思想受到了研究者的關(guān)注。其主要思想是人擅長做的事讓人來做，機器擅長的事，讓機器來做，人和機器充分發(fā)揮各自的特長，協(xié)同工作。這在一定程度上有助于增強機器學(xué)習(xí)算法面對復(fù)雜情景時的魯棒性。本文提出的生成性路徑推薦理念也是期望基于人機協(xié)同的理念，借助機器學(xué)習(xí)技術(shù)來不斷地迭代與優(yōu)化推薦方法，以求更好地服務(wù)于精準(zhǔn)個性化學(xué)習(xí)任務(wù)。圖6為機器學(xué)習(xí)技術(shù)在路徑推薦中的賦能理念圖，擬通過協(xié)同使用深度學(xué)習(xí)、強化學(xué)習(xí)以及遷移學(xué)習(xí)等機器學(xué)習(xí)技術(shù)，追求更為精準(zhǔn)的推薦。

（一）深度學(xué)習(xí)技術(shù)：經(jīng)驗獲取

深度學(xué)習(xí)顧名思義是一種由多層神經(jīng)元堆疊而成的深層網(wǎng)絡(luò)，其成千上萬相互連接的神經(jīng)元節(jié)點使得它能夠提取出更加精準(zhǔn)、富有意義的特征。這種優(yōu)越的特征提取能力為學(xué)習(xí)路徑生成性推薦提供經(jīng)驗獲取的技能。

這里的經(jīng)驗主要有兩類數(shù)據(jù)：一類是學(xué)生的學(xué)習(xí)數(shù)據(jù)，另一類是教師的決策數(shù)據(jù)。學(xué)生的學(xué)習(xí)既有成功也會遭遇失敗，成功的經(jīng)驗當(dāng)然值得學(xué)習(xí)，然而失敗的經(jīng)驗更加值得借鑒。通過成功與失敗經(jīng)驗的學(xué)習(xí)，智能機器將能夠更加了解學(xué)習(xí)者，如特長、偏好、目標(biāo)、知識水平等，尤其是學(xué)生的當(dāng)前狀況。這些都是機器推薦或教師輔導(dǎo)的重要信息與依據(jù)。另外，作為教學(xué)專家，教師針對學(xué)生不同的學(xué)習(xí)狀況做出的專業(yè)決策也是機器學(xué)習(xí)的重要內(nèi)容。從教師決策數(shù)據(jù)中習(xí)得的教師經(jīng)驗，可以作為機器提供個性化推薦的良好依據(jù)。

總體來講，通過深度學(xué)習(xí)，智能機器可習(xí)得兩類經(jīng)驗：學(xué)生學(xué)習(xí)的經(jīng)驗，這讓機器更加了解學(xué)習(xí)者;教師決策的經(jīng)驗，這讓機器學(xué)會如何決策。二者的結(jié)合有望讓智能機器做出更有效的推薦策略。

（二）強化學(xué)習(xí)技術(shù)：精準(zhǔn)決策

機器了解了學(xué)生，也具有了教師的決策經(jīng)驗，接下來的問題是決策推薦哪個學(xué)習(xí)元。這可以借助強化學(xué)習(xí)技術(shù)來解決。強化學(xué)習(xí)主要包含機器、動作、環(huán)境狀態(tài)和獎賞函數(shù)等要素。它是一種通過與動態(tài)環(huán)境反復(fù)交互來學(xué)習(xí)某種決策行為的機器學(xué)習(xí)方法。機器選擇某一動作并作用于當(dāng)前狀態(tài)，環(huán)境狀態(tài)的改變會給予機器一個評價性的反饋（獎賞或懲罰），強化學(xué)習(xí)的目標(biāo)就是要學(xué)習(xí)一種使得累積獎賞值最大的決策策略，從而實現(xiàn)決策的優(yōu)化。

基于深度學(xué)習(xí)技術(shù)習(xí)得的經(jīng)驗，推薦系統(tǒng)根據(jù)學(xué)習(xí)者當(dāng)前的狀態(tài)向?qū)W習(xí)者推薦學(xué)習(xí)元，以學(xué)習(xí)之后的學(xué)習(xí)效果以及教師的評價來判斷此推薦方式的有效性，進而給予相應(yīng)的獎賞或懲罰措施。機器不斷地嘗試做出決策，學(xué)習(xí)者和教師不斷地給予反饋信息，以此不斷地迭代循環(huán)，尋找能使得累積獎賞函數(shù)最大化的推薦策略，最終達(dá)到人機協(xié)同的精準(zhǔn)決策。因此，基于人機協(xié)同理念，強化學(xué)習(xí)可以對學(xué)習(xí)者遇到的新問題自行做出決策，并且借助其反饋策略不斷地迭代和優(yōu)化，最終形成有效推薦策略從而使得推薦的學(xué)習(xí)元能夠更好地滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求。

（三）遷移學(xué)習(xí)技術(shù)：遷移應(yīng)用

遷移學(xué)習(xí)是利用已經(jīng)習(xí)得的知識來解決相關(guān)領(lǐng)域問題的一種機器學(xué)習(xí)方法。在實際應(yīng)用中，大規(guī)模結(jié)構(gòu)良好的數(shù)據(jù)通常難以獲取。遷移學(xué)習(xí)旨在通過共享已有的知識來解決相關(guān)領(lǐng)域訓(xùn)練樣本不足的問題，有效地解決了數(shù)據(jù)獲取困難、訓(xùn)練耗時繁雜等問題。

無論是機器習(xí)得的師生經(jīng)驗還是機器自行做出的推薦策略，都可以借助遷移學(xué)習(xí)技術(shù)將其拓展到形似問題的解決。由于兩個形似問題具有很大的相似性，所以，在新的應(yīng)用情境下只需要對原有的決策算法做微訓(xùn)練即可得到較好的決策結(jié)果。這一方面有效避免了重新建立模型，進行耗時繁雜訓(xùn)練的過程，另一方面克服了某些領(lǐng)域缺乏大規(guī)模結(jié)構(gòu)良好的訓(xùn)練數(shù)據(jù)問題。至此，通過機器學(xué)習(xí)技術(shù)，智能機器能夠習(xí)得師生決策經(jīng)驗以及相似情境下的決策策略。

五、結(jié)語

教育大數(shù)據(jù)為個性化學(xué)習(xí)提供了數(shù)據(jù)和技術(shù)支持，使個性化學(xué)習(xí)由經(jīng)驗驅(qū)動轉(zhuǎn)為數(shù)據(jù)驅(qū)動，從而推動了精準(zhǔn)個性化學(xué)習(xí)的發(fā)展?？紤]到學(xué)習(xí)者在個體特征上的差異，目前推薦算法大多是基于學(xué)習(xí)者的知識水平、認(rèn)知偏好和學(xué)習(xí)風(fēng)格等因素。學(xué)習(xí)行為數(shù)據(jù)作為一種重要的學(xué)習(xí)數(shù)據(jù)沒有被研究者很好地利用。盡管也有研究者使用學(xué)習(xí)行為序列（或?qū)W習(xí)路徑數(shù)據(jù)）作為學(xué)習(xí)路徑推薦的依據(jù)，然而，推薦內(nèi)容的粗粒度難以真正地滿足學(xué)習(xí)者個性化學(xué)習(xí)的需要。本研究提出一種基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦模型。推薦模型的創(chuàng)新點主要在于：（1）推薦內(nèi)容是學(xué)習(xí)元，包括學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動和學(xué)習(xí)效果，而不是傳統(tǒng)意義上簡單的概念序列或課程序列等粗粒度的推薦內(nèi)容;（2）推薦策略是推薦下一個最合適的學(xué)習(xí)元，學(xué)習(xí)路徑是生成性而不是一次性推薦一條完整的學(xué)習(xí)路徑。最后，文章從人機協(xié)同的視角，探討了深度學(xué)習(xí)、強化學(xué)習(xí)以及遷移學(xué)習(xí)等機器學(xué)習(xí)技術(shù)在學(xué)習(xí)路徑推薦中應(yīng)用的可能性，為機器學(xué)習(xí)賦能的精準(zhǔn)個性化學(xué)習(xí)路徑推薦新模式提供了思路。本研究從理論層面構(gòu)建了一種新型的學(xué)習(xí)路徑推薦模型，后續(xù)我們將在此基礎(chǔ)上進行實證研究，以迭代修正該模型，并形成有效的科研產(chǎn)品。