基于學習者驅(qū)動的移動學習模型構(gòu)建及微信開發(fā)實踐

李祥 金安安 張逸琴

摘 ? 要：隨著5G時代的到來，移動學習已成為當前教育行業(yè)發(fā)展的必然趨勢，而立足于學習者驅(qū)動進行移動學習，是當下移動學習領(lǐng)域亟待解決的難題之一。文章利用已有的知識推薦系統(tǒng)，在其基礎(chǔ)上加入?yún)f(xié)同過濾技術(shù)，提取學習者的“學習驅(qū)動”因素，挖掘出隱藏在行為數(shù)據(jù)背后的信息，建立基于學習者驅(qū)動的移動學習模型;并在此模型上進行微信平臺開發(fā)實踐，滿足學習者智能挖掘的學習需求，提供個性化滿意的學習服務(wù)，提升用戶體驗。

關(guān)鍵詞：學習驅(qū)動;移動學習;推薦系統(tǒng);協(xié)同過濾技術(shù);微信平臺

中圖分類號：G203 文獻標志碼：A 文章編號：1673-8454（2020）05-0077-05

一、引言

在互聯(lián)網(wǎng)飛速發(fā)展的今天，移動學習已經(jīng)在我們的學習生活中發(fā)揮著不可估量的作用并仍保持上升勢態(tài)。在當今網(wǎng)絡(luò)環(huán)境下，可以讓學習者充分發(fā)揮其自主學習的積極性，既可以進行個別化學習，又可以進行協(xié)作學習，符合學習者的學習需求。隨著5G時代的到來，各種智能設(shè)備基本得到普及，這為在線教育奠定了基礎(chǔ)，而在線教育具有碎片化、輕量化、結(jié)構(gòu)化等特點，這使移動學習發(fā)展迅速。當前教育機構(gòu)發(fā)展處于瓶頸期，這使其發(fā)現(xiàn)了希望的曙光，為其未來發(fā)展方式提供新思路，促使更多的教育機構(gòu)探索新模式。

移動學習利用移動互聯(lián)網(wǎng)技術(shù)使知識迅速傳播，不受時間和空間的阻礙，使學習者獲取知識的途徑越來越多，已成為當下教育行業(yè)發(fā)展的趨勢，與國外相比，我國移動學習發(fā)展較慢，處于初級階段，但我國對教育越來越重視，對教育的投入也在不斷加大，移動學習也可能會迎來發(fā)展高潮。

隨著各種智能設(shè)備的快速普及，例如手機、iPad等，移動學習獲得了更多的發(fā)展機會，各種輕量化、碎片化、結(jié)構(gòu)化的知識更符合移動學習，發(fā)展到現(xiàn)在，微信已成為移動學習的一種重要工具。據(jù)相關(guān)統(tǒng)計，截至2018年12月底，移動學習用戶中，手機移動用戶用微信學習占所有移動學習用戶的96.5%，由此可以看出，微信是當前移動學習中最受歡迎的工具之一，由于微信在流量獲取、社群運營、用戶規(guī)模與黏性等方面具有先天優(yōu)勢，越來越多的教育產(chǎn)品開始借助微信探索新的服務(wù)模式，可以大大降低宣傳成本，輕松獲取大量新用戶，吸引用戶通過微信群、公眾號、小程序等工具進行在線學習，并進行持續(xù)性分享，以降低獲得新用戶的成本，提升用戶黏性。

面對諸多學習資源，學習者如何快速找到自己所需要的學習資源，無疑是困難的，學習者學習一門新的技術(shù)，其中最大的“驅(qū)動”因素便是為了解決現(xiàn)階段的問題，這種驅(qū)動型的學習目標，可以大大提高他們的學習效率。然而，針對學習者驅(qū)動的移動學習模型較少，因此針對這個問題進行研究與實踐具有較強的意義及應(yīng)用價值，本文結(jié)合當下最為流行的微信構(gòu)建移動學習平臺，并在實踐中加深對移動學習的認識。

二、研究現(xiàn)狀

移動學習是當前最受歡迎的學習方式之一，其利用移動終端具有便捷、實時等特性，使學習者的學習生活充滿各類學習資源，讓學習者隨時隨地想學就學，打破傳統(tǒng)的課堂式學習、書本式學習，使他們的學習方式發(fā)生改變，讓學習資源的占有和使用成為他們的學習新方式。

為有效提升學習者的學習效率，對其行為方式進行分析具有重要意義，對學習者在學習中產(chǎn)生的各種行為數(shù)據(jù)進行廣泛搜集，利用復(fù)雜的分析工具進行挖掘分析，找出數(shù)據(jù)間的潛在聯(lián)系，以此來改善學習和教育，已成為一個新興研究領(lǐng)域。

從國內(nèi)外學者對移動學習的研究來看，目前主要對學習者的學習行為和學習結(jié)果進行研究。對其學習行為進行深入分析，其目的是預(yù)測他們的學習結(jié)果，根據(jù)前面的預(yù)測結(jié)果，然后推送相應(yīng)難度的學習資源，大大提高學習效率。正如國外學者George Siemens所說，對學習分析應(yīng)該利用各種數(shù)據(jù)進行建模，然后分析其內(nèi)在聯(lián)系，從而對學習者的學習進行預(yù)測，改善學習者的學習;[1]而Johnson等人認為分析學習者的學習，可以對他們的未來學習表現(xiàn)進行預(yù)測，從而發(fā)現(xiàn)潛在的問題;[2]Mayer等則認為對移動技術(shù)學習的研究應(yīng)該圍繞三個研究問題開展，他對這三個主要問題進行了深入研究;[3]Magnisalis等人則認為學習者需要合適的學習指導(dǎo)，否則學習者很難對所學知識進行合理的組織構(gòu)建，因為學習者所處的環(huán)境具有大量的學習資料，這些學習資料由豐富多彩的網(wǎng)絡(luò)資料和現(xiàn)實生活中的資料組成。[4]而國內(nèi)眾多學者也對其進行了充分研究，李艷燕等國內(nèi)學者認為分析學習者的學習，可以對他們的學習狀態(tài)和學習效果進行一個很好的預(yù)測，從而對他們的學習進行干預(yù)，提高他們的學習效率;[5]國內(nèi)學者郎波等對移動學習者產(chǎn)生的大數(shù)據(jù)進行研究，利用神經(jīng)網(wǎng)絡(luò)模型，對各種學習行為數(shù)據(jù)進行聚類分析，從而得出較為精準的推薦;[6]國內(nèi)李青等學者則認為分析學習者的學習是一種教學技術(shù)，該技術(shù)可以對他們的學習結(jié)果進行簡單預(yù)測，可以對他們學習中發(fā)現(xiàn)的問題及時糾正，可以對他們的學習效果進行提升。[7]

在最近幾年中，曾有學者想要開發(fā)一種系統(tǒng)，用它幫助學習者搭建知識框架，同時讓學習者進行自我反思。[8]如chang等人開發(fā)的用于數(shù)學課程的問題驅(qū)動系統(tǒng)，幫助學生更集中于他們正在學習的內(nèi)容并能增強解決問題的能力。[9][10]綜上所述，對他們的學習進行分析具有重要意義，通過對他們在學習中產(chǎn)生的各種行為數(shù)據(jù)進行搜集，然后對其進行多元化分析，最后對他們的學習進行評價和預(yù)測，同時對其做出適當?shù)母深A(yù)，但是這些都忽略了一個關(guān)鍵信息，沒有考慮他們的學習動機。本文通過調(diào)查他們的學習動機，進行深入研究并進行建模，以豐富移動學習在學習者動機方面的理論探索，并為設(shè)計基于學習者驅(qū)動的移動學習微信平臺提供理論依據(jù)。

三、模型構(gòu)建

對學習者在學習過程中產(chǎn)生的行為數(shù)據(jù)進行記錄，然后對其進行針對性分析，利用人工智能技術(shù)，通過提取數(shù)字化學習資源中的特征值，建立基于學習者驅(qū)動的移動學習模型，如圖1所示，能挖掘他們的學習動機、個體認知狀態(tài)和學習需求，找出隱藏在行為數(shù)據(jù)下的具有重要價值的信息，進而對學習者進行精準推薦。

常見的推薦技術(shù)有基于內(nèi)容的推薦技術(shù)、基于知識的推薦技術(shù)、協(xié)同過濾推薦技術(shù)、基于關(guān)聯(lián)規(guī)則的推薦技術(shù)、混合推薦技術(shù)等。其中基于內(nèi)容的推薦技術(shù)所推薦的資源比較單一，它是根據(jù)用戶的歷史信息進行推薦;[11]而基于知識的推薦技術(shù)是使用相關(guān)領(lǐng)域的概念知識進行推薦的，用來分析特定用戶的需求與物品之間的關(guān)系;[12]協(xié)同過濾推薦技術(shù)是通過分析用戶及其鄰居用戶的資源進行資源推薦;[13]基于關(guān)聯(lián)規(guī)則的推薦技術(shù)則是根據(jù)先前制定的規(guī)則分析用戶學習行為之間的關(guān)聯(lián)然后進行推薦;[14]混合推薦技術(shù)則是對幾種推薦技術(shù)根據(jù)不同場景進行組合或者混合使用。[15]

本文在基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ)上，引入?yún)f(xié)同過濾技術(shù)，對他們的學習行為（外顯行為和內(nèi)顯行為）進行分析。首先針對新用戶，用戶登錄后，綁定學號即可自動獲取到該用戶在學校的學習成績和課表等內(nèi)顯信息;其次根據(jù)用戶的課表，可以初步判定該用戶的一些大致情況，然后再根據(jù)用戶成績單，對該用戶的一個學習能力進行判斷，利用這個內(nèi)顯信息，可以避免基于內(nèi)容的推薦系統(tǒng)的冷啟動問題;最后再根據(jù)用戶的學習歷史記錄和學習行為，進行綜合分析，給用戶推薦用戶滿意的課程。因此無論是新用戶還是老用戶，都能夠獲得一個可信的推薦。

本文在基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ)上，引入?yún)f(xié)同過濾技術(shù)，然后對模型進行構(gòu)建，通過對學習者的特征（成績、課表）進行提取，然后對推薦課程與學習者的特征之間的相似度進行仔細研究，最后推薦具有較高相似度的課程。在提取學習者的特征的時候，主要以他們的文本歷史信息為主，這些文本歷史信息包含他們的課表、學習行為記錄、成績單等。本文在提取學習者的信息特征時采用逆信息頻率法，具體定義如下：假設(shè)課程有N個，在ni個課程中含有關(guān)鍵信息ki，我們將課程j中出現(xiàn)關(guān)鍵信息ki的次數(shù)設(shè)為fij，則關(guān)鍵信息ki在課程文件j中的信息頻率為Wij。

在公式（1）中，Z指的是課程j中含有關(guān)鍵信息的次數(shù)。在N個課程中含有關(guān)鍵信息的次數(shù)與待推薦的課程毫無關(guān)聯(lián)，故Zmax可以通過計算課程j中含有關(guān)鍵信息的頻率而求出。所以關(guān)鍵信息在課程中出現(xiàn)的次的逆Ii可以與Wij一同使用，如（2）式所示。

則我們可以用di一個向量來表示課程j中的內(nèi)容，其中di=（v1j，v2j，…，vij），vij可表示為：

根據(jù)課程的di值，進行初步推薦。

再利用協(xié)同過濾技術(shù)，對該課程進行相似度分析，利用相關(guān)系數(shù)等計算該課程與用戶之間的相似度，構(gòu)建最近候選集，再用偏移加權(quán)平均評分法，對該課程進行綜合評價，對候選集進行更新，利用最新的候選集進行推薦。具體的定義如下：假設(shè)用戶的集合為U=（u1，u2，…，un），待推薦的課程集合為V=（v1，v2，…，vn），用R（u，v）表示用戶對待推薦課程的評價。

在（4）式中，U′指的是與學習者u具有較高相似度的候選集，Rk，i指的是候選集中第k個學習者對課程i的評分，S（u，k）指的是學習者u和候選集中第k個用戶之間的相似性，R-u指的是學習者u對該課程的平均評分，在（4）式中，除了對權(quán)重進行考慮外，還對學習者的評分尺度以及不同偏好都有所考慮，使課程的推薦更為精準。

最后根據(jù)課程di的值和R（u，v）的值，利用基于學習者驅(qū)動的移動學習模型，給用戶一個可信的推薦，本文提出了一種全新的推薦算法，具體如公式（5）所示：

最后根據(jù)P（u，v）的值，給用戶推薦最為可信的課程。

四、微信平臺開發(fā)

根據(jù)基于學習者驅(qū)動的移動學習模型設(shè)計方案，開發(fā)一個微信學習平臺，實現(xiàn)模型運用。平臺框架圖如圖2所示。

用戶首先授權(quán)登錄該微信平臺，然后綁定學號，進入微信平臺后，用戶可以在里面進行學習。首先對學習者的顯式特征（學習記錄、學習筆記、課程表、成績單等）進行提取，利用基于內(nèi)容的推薦系統(tǒng)技術(shù)計算課程相似度，進行初步推薦，然后對學習者的隱式特征（學習時長、發(fā)帖情況、課程評價、課程分享等）進行提取，利用協(xié)同過濾推薦系統(tǒng)技術(shù)計算課程相似度，再結(jié)合之前的初步推薦課程，進行綜合評判，最終給用戶推薦最為滿意的課程。

在開發(fā)微信學習平臺的基礎(chǔ)上，將所提模型運用其中，該微信平臺頁面如圖3所示。

微信平臺搭建后，將該模型運用其中，對該模型進行測試和檢驗。

五、平臺測試

本平臺開發(fā)后，在本院所有學生（共計3187個）中進行測試，包含2016、2017、2018、2019四個年級，涉及軟件工程嵌入式、軟件工程電子商務(wù)、網(wǎng)絡(luò)工程、數(shù)字媒體與技術(shù)、物聯(lián)網(wǎng)工程、軟件工程（中外合作辦學）等6個專業(yè)。測試時間為2018年9月至2019年8月，為期1年，在前半年階段，未將該模型運用其中，而后半年階段將該模型運用其中，兩者進行結(jié)果對比，測試結(jié)果如圖4、5、6、7所示。

由圖可以看出，在未運用該模型期間，此平臺有317個學生用戶，每個用戶平均每天學習時長為10分鐘，平均每個學生學習課程數(shù)為1門，用戶活躍度低下，用戶活躍度僅為30%;而后半年使用該模型期間，此平臺使用人數(shù)為1891人，每個用戶平均每天學習時長為55分鐘，平均每個學生學習課程數(shù)為5門，用戶活躍度較高，從最開始的用戶活躍度30%，經(jīng)過半年試運行，用戶活躍度上升到88%，提高了58%。

從使用人數(shù)上來看，從圖4可以看出，未使用該模型期間，該平臺對學生吸引力不足，盡管在本院大力宣傳，使用人數(shù)不多，經(jīng)過6個月的運營，使用人數(shù)為317人，占本院學生總?cè)藬?shù)的9.95%，上升趨勢緩慢，而使用該模型后，本院學生使用人數(shù)明顯增多，經(jīng)過6個月運營，從最開始的317人上升到使用人數(shù)為1891人，占本院總?cè)藬?shù)的59.33%，整體提高49.38%，上升速度較快，說明該模型對學生吸引力較大，較多學生愿意使用本平臺學習，側(cè)面反映該模型推薦的課程較為受歡迎;從使用時長上來看，從圖5可以看出，未使用該模型期間，用戶平均學習時長為10分鐘，說明學生對該平臺使用不充分，在該平臺上尋找資源花費較多時間，很難快速找到學生所需的課程，難以滿足學生的學習需求，故不愿在本平臺使用，而使用該模型后，該模型根據(jù)學生的一些信息對其進行精準化課程推薦，獲得學生的認可，故每天在該平臺獲取自己想要的知識，每個學生平均每天至少花55分鐘在該平臺上進行學習，相對以前來說，有較大提高，說明該模型所推薦的課程，得到廣大學生的贊同，愿意在本平臺進行學習，提升自己的專業(yè)技能。

從學生學習課程數(shù)來看，從圖6可以看出，未使用該模型時，學生學習課程數(shù)少，運營6個月期間，平均每個學生所學課程為1門，說明學生未能在本平臺所提供的課程中尋找到自己所喜歡的內(nèi)容，故很少有學生去學習其他課程，而使用本模型后，本平臺給學生精準推薦相應(yīng)課程，大多數(shù)課程均被學生采納學習，平均每個用戶學習課程數(shù)為5，相對之前有較大提升，而且上升速度明顯，說明運用該模型后，所推薦的課程得到學生的認可。從平臺用戶活躍度來看，從圖7可以看出，未使用該模型時，該平臺用戶活躍度低下，運行6個月后，用戶活躍度為30%，說明大部分學生使用本平臺頻率低，而使用本模型后，由于該模型可以為用戶推薦課程，大部分學生使用后，對所推薦的課程較為滿意，故愿意在本平臺使用，每天都花一些時間在本平臺，經(jīng)過6個月試運行后，該平臺的用戶活躍度為88%，與之前相比提高了58%，有較大提高，側(cè)面反映該模型在學生中較為受歡迎。

六、結(jié)束語

本文所提出的移動學習模型較為成功，推薦課程較為精確，相對于基于內(nèi)容的推薦或基于協(xié)同過濾的推薦來說，本文提出的基于學習者驅(qū)動的移動學習模型結(jié)果較為理想，較為符合用戶的期望值。

參考文獻：

[1]Siemens， G. What are Learning Analytics？[EB/OL]. http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/，2010-08-25.

[2]Johnson， L.，Smith，R.，Willis，H.，Levine，A.，Haywood，K.The 2011Horizon Report [R].Austin，Texas：The New Media Consortium，2011.28.

[3]Mayer， R. E.（2019）. Where Is the Learning in Mobile Technologies for Learning？ Contemporary Educational Psychology， 101824.

[4]Magnisalis I， Demetriadis s， Karakostas A. Adaptive and Intelligent Systems for Collaborative Learning Support： A Review of the Field[J].IEEE Transactions on Learning Technologies，2011，4（1）：5-20.

[5]李艷燕，馬韶茜等.學習分析技術(shù)：服務(wù)學習過程設(shè)計和優(yōu)化[J].開放教育研究，2012（5）：18-24.

[6]郎波，樊一娜.基于深度神經(jīng)網(wǎng)絡(luò)的個性化學習行為評價方法[J].計算機技術(shù)與發(fā)展，2019（7）：6-10.

[7]李青，王濤.學習分析技術(shù)研究與應(yīng)用現(xiàn)狀述評[J].中國電化教育，2012（8）：129-133.

[8]Hirashima， T.， Yokoyama，T.， Okamoto， M.， & Takeuchi， A.An Experimental Use ?of Learning Environment for Problem-posing as Sentence-integration in Arithmetical Word Problems.Lecture Notes in Computer Science，2008（509l）：687-689.

[9]Cheng H N H， Weng Y L， Chan T W. Computer-supported problem-posing by annotated expressions：contcnt-first design and cvaluation[J]. Journal of Computers in Education，2014，1（4）：271-294.

[10]Chang K E， Wu L J， Weng S E， et al. Embedding Game-Based Problem-Solving Phase into Problem-Posing System for Mathematics Learning[J].Computers & Education，2012，58（2）：775-786.

[11]徐剛，孫高嶺.面向網(wǎng)絡(luò)用戶的個性化推薦服務(wù)實現(xiàn)[J].情報雜志，2008（8）：119-120.

[12]胡寬政.面向在線學習系統(tǒng)的個性化資源推薦算法的研究[D].武漢：湖北大學，2018.

[13]孫歆，王永固，邱飛岳.基于協(xié)同過濾技術(shù)的在線學習資源個性化推薦系統(tǒng)研究[J].中國遠程教育，2012（8）：78-82.

[14]郝國慶.基于迀移學習的個性化推薦算法研究[D].上海：東華大學，2014.

[15]陳桃利.個性化學習中的知識推送系統(tǒng)研究[D].長沙：湖南大學，2013.

（編輯：王天鵬）