智能教育下基于情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)構(gòu)建*

程光勝

智能教育下基于情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)構(gòu)建*

程光勝

（寧夏財經(jīng)職業(yè)技術(shù)學(xué)院 信息與智能工程系，寧夏 銀川 750021）

伴隨著大數(shù)據(jù)和人工智能在教育領(lǐng)域的滲透和融合，個性化學(xué)習(xí)成為當(dāng)前和未來教育關(guān)注的焦點，而自適應(yīng)學(xué)習(xí)系統(tǒng)為個性化學(xué)習(xí)提供了一種實踐路徑．在分析自適應(yīng)學(xué)習(xí)基本模型的基礎(chǔ)上，結(jié)合自適應(yīng)超媒體系統(tǒng)通用模型AEHS，引入了學(xué)習(xí)情境，構(gòu)建了基于情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)模型．為了提高自適應(yīng)結(jié)果的精準性，根據(jù)學(xué)習(xí)情境中的學(xué)習(xí)者要素、時間要素、空間要素和設(shè)備要素，對學(xué)習(xí)者進行學(xué)習(xí)情境分組，以此為基礎(chǔ)，通過學(xué)習(xí)者模型、領(lǐng)域模型和教學(xué)模型的協(xié)同作用，在自適應(yīng)引擎的驅(qū)動下，生成自適應(yīng)學(xué)習(xí)結(jié)果．最后，結(jié)合動態(tài)變化的時間因素，提供了個性化資源推薦的實現(xiàn)思路．

情境感知；自適應(yīng)學(xué)習(xí)系統(tǒng)；個性化學(xué)習(xí)；資源推薦；智能教育

借助人工智能及其相關(guān)技術(shù)，每個學(xué)習(xí)者的學(xué)習(xí)活動和過程都會被記錄，從而產(chǎn)生海量的學(xué)習(xí)數(shù)據(jù)，而個性化學(xué)習(xí)通過利用機器學(xué)習(xí)、數(shù)據(jù)挖掘、學(xué)習(xí)分析等技術(shù)，對這些數(shù)據(jù)進行挖掘，探究學(xué)習(xí)者的學(xué)習(xí)規(guī)律，從而為其提供個性化的學(xué)習(xí)資源和差異化的學(xué)習(xí)路徑，從而促進知識的主動建構(gòu)和有效學(xué)習(xí)．實現(xiàn)個性化學(xué)習(xí)是一個目標(biāo)，是有教無類、因材施教、因人施教的體現(xiàn)，而自適應(yīng)學(xué)習(xí)系統(tǒng)為個性化學(xué)習(xí)提供了一種可探索的實踐路徑和技術(shù)支持．自適應(yīng)學(xué)習(xí)系統(tǒng)是一種以計算機技術(shù)為主導(dǎo)的學(xué)習(xí)環(huán)境和平臺，是一種技術(shù)賦能的智能化學(xué)習(xí)方式，其特點是個性化、數(shù)據(jù)驅(qū)動、多元化、非線性的．

相關(guān)學(xué)者對自適應(yīng)學(xué)習(xí)做了大量的研究[1-5]，這些研究為自適應(yīng)學(xué)習(xí)系統(tǒng)的發(fā)展提供了理論探索和實踐參考．但是，從實驗結(jié)果來看，準確度和滿意率仍然比較低下．伴隨著大數(shù)據(jù)和人工智能在教育領(lǐng)域的深度滲透，自適應(yīng)學(xué)習(xí)系統(tǒng)為這些新技術(shù)的應(yīng)用提供了用武之地，同時融合學(xué)習(xí)情境，來分析和設(shè)計自適應(yīng)學(xué)習(xí)系統(tǒng)，提升系統(tǒng)的服務(wù)質(zhì)量，增強學(xué)習(xí)者的個性化使用體驗．因此，本文從自適應(yīng)學(xué)習(xí)模型、自適應(yīng)學(xué)習(xí)系統(tǒng)架構(gòu)及其關(guān)鍵技術(shù)等方面來討論自適應(yīng)學(xué)習(xí)系統(tǒng)，以便為相關(guān)的研究和實踐應(yīng)用提供有益的探索和借鑒．

1 自適應(yīng)學(xué)習(xí)系統(tǒng)分析

1.1 自適應(yīng)學(xué)習(xí)基本模型

1973年，Hartley和Sleeman認為智能計算機教學(xué)系統(tǒng)的基本結(jié)構(gòu)由專家模型、學(xué)習(xí)者模型和導(dǎo)師模型三部分組成，專家模型解決教什么的問題（What），體現(xiàn)的是專家知識及知識結(jié)構(gòu)關(guān)系，學(xué)習(xí)者模型解決誰來學(xué)（Who），體現(xiàn)學(xué)習(xí)者的各項特征，導(dǎo)師模型解決怎么教（學(xué)）（How），體現(xiàn)的是具體的方法和策略，由此構(gòu)成了自適應(yīng)學(xué)習(xí)的基本模型．專家模型、學(xué)習(xí)者模型、導(dǎo)師模型是對傳統(tǒng)課堂環(huán)境中教師、學(xué)生和教學(xué)內(nèi)容的抽象，是構(gòu)建在虛擬計算機環(huán)境中教與學(xué)的程序化實現(xiàn)，三者相互協(xié)同、相互作用，共同完成智能化的教與學(xué)．

1.2 情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)模型

從自適應(yīng)學(xué)習(xí)基本模型來看，導(dǎo)師模型是自適應(yīng)學(xué)習(xí)系統(tǒng)的關(guān)鍵，一方面其提供個性化適應(yīng)的角色，另一方面，其內(nèi)涵各種教學(xué)策略和學(xué)習(xí)策略．為了保持功能的獨立性，增強自適應(yīng)學(xué)習(xí)系統(tǒng)的“自適應(yīng)”功能，同時為了結(jié)構(gòu)的可擴展性，這里將導(dǎo)師模型進行分解，分解為教學(xué)模型和自適應(yīng)引擎，就是Brusilovsky提出的自適應(yīng)超媒體系統(tǒng)通用模型AEHS（Adaptive Educational Hypermedia Systems）[6]．在此基礎(chǔ)上，增加情境模型和交互模型，形成情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)模型，如圖1所示．圖1模型中，領(lǐng)域模型、學(xué)習(xí)者模型和教學(xué)模型保持獨立，就如一個“黑匣子”，各自封裝自身的特定功能，對外提供特定的訪問接口，實現(xiàn)這些模型進行交互的組件就是自適應(yīng)引擎．自適應(yīng)引擎驅(qū)動這三個模型協(xié)同作用，通過特定界面和方式輸出適應(yīng)性的學(xué)習(xí)資源或?qū)W習(xí)導(dǎo)航．

鑒于目前自適應(yīng)學(xué)習(xí)系統(tǒng)推薦準確率偏低的實際情況，有可能推薦引擎中算法的設(shè)計問題，但更重要的學(xué)習(xí)者模型中對學(xué)習(xí)者各項特征的提取和分析不準確．在自適應(yīng)學(xué)習(xí)系統(tǒng)中，學(xué)習(xí)者是系統(tǒng)運行的驅(qū)動者，系統(tǒng)最終的落腳點和服務(wù)對象也是學(xué)習(xí)者，因此，對學(xué)習(xí)者各項特征建模的準確與否，直接決定著系統(tǒng)服務(wù)的效果和質(zhì)量．學(xué)習(xí)者在學(xué)習(xí)過程中，其學(xué)習(xí)行為反映了學(xué)習(xí)的風(fēng)格、學(xué)習(xí)的偏好，而且在移動互聯(lián)網(wǎng)環(huán)境下，學(xué)習(xí)者的在線學(xué)習(xí)無處不在，學(xué)習(xí)過程與學(xué)習(xí)情境是融為一體的，學(xué)習(xí)情境也會影響學(xué)習(xí)效果，比如在地鐵環(huán)境和在教室的學(xué)習(xí)，其學(xué)習(xí)的方式肯定存在一定的差異．因此，在本文所構(gòu)建的自適應(yīng)學(xué)習(xí)系統(tǒng)中，加入了情境模型，以反映不同情境下學(xué)習(xí)者的學(xué)習(xí)模式、認知風(fēng)格、學(xué)習(xí)情感等學(xué)習(xí)者特征．這樣，在原有學(xué)習(xí)者模型構(gòu)建中加入了情境描述，使學(xué)習(xí)者特征的刻畫和分析更加細粒度化．

圖1 情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)模型

個性化推薦引擎在推薦與之相適應(yīng)的學(xué)習(xí)資源或?qū)W習(xí)導(dǎo)航時，也會融入學(xué)習(xí)情境，推薦結(jié)果會展示到界面模塊．在界面模塊中，通過交互模型記錄和存儲學(xué)習(xí)者對推薦結(jié)果的各種操作，對其分析可以獲得學(xué)習(xí)者是否對推薦結(jié)果滿意，從而修改推薦引擎的推薦方案和參數(shù)，提高推薦的準確性和服務(wù)質(zhì)量．因此，作為自適應(yīng)學(xué)習(xí)系統(tǒng)架構(gòu)設(shè)計，由于領(lǐng)域模型和教學(xué)模型相對比較穩(wěn)定．架構(gòu)的重點就體現(xiàn)在兩個方面，一是學(xué)習(xí)者模型，二是推薦引擎組件，考慮到模型和組件的動態(tài)性，在技術(shù)選擇上，通過大數(shù)據(jù)和人工智能技術(shù)構(gòu)建高效、靈活的算法支持．

2 自適應(yīng)學(xué)習(xí)系統(tǒng)架構(gòu)設(shè)計

2.1 學(xué)習(xí)情境數(shù)據(jù)分組

關(guān)于情境，不同的學(xué)者有不同的認識，從而有不同的度量指標(biāo)，不同的自適應(yīng)學(xué)習(xí)系統(tǒng)根據(jù)設(shè)計和實現(xiàn)的不同，納入了不同的指標(biāo)[7-11]．在綜合文獻[7-11]的基礎(chǔ)上，從可測量、可計算等角度出發(fā)，本文將學(xué)習(xí)情境分為：學(xué)習(xí)者要素、時間要素、空間要素、設(shè)備要素．學(xué)習(xí)者要素主要以學(xué)習(xí)者基本信息為主，學(xué)習(xí)者不同年齡、不同專業(yè)（行業(yè)）等信息會反映不同的學(xué)習(xí)特點；時間要素反映學(xué)習(xí)者的學(xué)習(xí)時間是否頻繁，是以碎片化學(xué)習(xí)為主還是集中型學(xué)習(xí)為主；空間要素反映出學(xué)習(xí)者的空間位置多變還是比較固定；設(shè)備要素表面上反映出學(xué)習(xí)者對某種設(shè)備的偏好，但實質(zhì)上在某種程度上反映著學(xué)習(xí)者對在線學(xué)習(xí)從某種要求，是學(xué)習(xí)情境的一種具體體現(xiàn)．

融入學(xué)習(xí)情境后，可以對學(xué)習(xí)者進行多維度分組，如圖2所示．

圖2 基于學(xué)習(xí)情境對學(xué)習(xí)者進行多維度分組

數(shù)據(jù)立方體是對不同學(xué)習(xí)情境下各維度學(xué)習(xí)者的一個綜合反映，可以實現(xiàn)對學(xué)習(xí)者的分組，這樣基于學(xué)習(xí)者模型以及自適應(yīng)引擎中的各種推薦方法，就可以針對特定分組下的學(xué)習(xí)者推薦個性化的資源和路徑．

數(shù)據(jù)立方體是構(gòu)建精準自適應(yīng)學(xué)習(xí)的基礎(chǔ)，凸顯學(xué)習(xí)情境在學(xué)習(xí)行為分析中的作用，以學(xué)習(xí)者要求、時間要素、空間要素、設(shè)備要素等創(chuàng)建相似情境子空間，從而使得學(xué)習(xí)資源和學(xué)習(xí)路徑的推薦更加準確．比如，側(cè)重于空間要素的數(shù)據(jù)立方體中，通過對空間情境數(shù)據(jù)的深度處理，可以區(qū)分空間位置變化是頻繁還是固定，是偏好圖書館還是上下班途中，這樣可以將學(xué)習(xí)空間相似的學(xué)習(xí)者聚合在一起，從而根據(jù)他們的學(xué)習(xí)情況進行相互推薦．同時，在推薦內(nèi)容的選擇上，還需要進一步考慮，如果學(xué)習(xí)者在地鐵或商場，受環(huán)境因素的影響，推薦比較輕松、內(nèi)容短小的學(xué)習(xí)內(nèi)容；如果是位于圖書館，可以推薦相對專業(yè)的、需要高度注意力的學(xué)習(xí)內(nèi)容．在側(cè)重于時間要素的數(shù)據(jù)立方體中，時間信息可以反映學(xué)習(xí)者在特定時間段的學(xué)習(xí)情況以及學(xué)習(xí)內(nèi)容的變化，對其推薦以近期學(xué)習(xí)興趣為主的適合不同時段的學(xué)習(xí)資源．?dāng)?shù)據(jù)立方體可以動態(tài)生成，也可以預(yù)先實現(xiàn)，但是，有一點需要注意的是，數(shù)據(jù)立方體是不斷變化的，而且尤以近期的數(shù)據(jù)為主．

2.2 情境感知自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)構(gòu)設(shè)計

有了數(shù)據(jù)立方體，一方面大大降低了計算的工作量，另一方面使得推薦結(jié)果更加精準．?dāng)?shù)據(jù)立方體的生成，需要對情境數(shù)據(jù)進行相應(yīng)處理，比如概念分層、數(shù)據(jù)規(guī)約等，同時有可能需要提出新的度量指標(biāo)描述時間和空間變化是否頻繁或是否穩(wěn)定．?dāng)?shù)據(jù)立方體的最終結(jié)果是產(chǎn)生相似學(xué)習(xí)情境的學(xué)習(xí)者群體，這也是借助基于情境的大數(shù)據(jù)優(yōu)勢來度量學(xué)習(xí)者之間的相關(guān)性．在此基礎(chǔ)上，自適應(yīng)推薦引擎基于相似學(xué)習(xí)情境的學(xué)習(xí)者群體以及學(xué)習(xí)者模型、領(lǐng)域模型、教學(xué)模型生成個性化學(xué)習(xí)資源和學(xué)習(xí)路徑，如圖3所示．

在圖3中，學(xué)習(xí)者的歷史學(xué)習(xí)行為數(shù)據(jù)遵從xAPI（Experience API）規(guī)范和標(biāo)準，最終被保存到LRS（Learning Record Store）中．通過LRS就可以獲取到每一個學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)，進而對學(xué)習(xí)者的各項特征進行分析，從而建立學(xué)習(xí)者模型，全面準確地對學(xué)習(xí)者進行畫像．學(xué)習(xí)者模型的建立是一個動態(tài)反復(fù)的過程，特定時間階段的模型只針對當(dāng)前學(xué)習(xí)者有效，隨著學(xué)習(xí)時間的推進，學(xué)習(xí)者的各項行為特征都會發(fā)生變化，因此模型需要動態(tài)更新，而更新的基礎(chǔ)就是學(xué)習(xí)者的歷史學(xué)習(xí)行為數(shù)據(jù)．借助智能化的數(shù)據(jù)采集設(shè)備和海量的數(shù)據(jù)處理和分析技術(shù)，學(xué)習(xí)者模型已經(jīng)不僅僅描述學(xué)習(xí)者的知識掌握情況，更重要的是可以實現(xiàn)情感識別、認知風(fēng)格等．自適應(yīng)引擎主要作用是實現(xiàn)自適應(yīng)功能，是融合各種規(guī)則和算法的智能知識系統(tǒng)，也是領(lǐng)域模型、教學(xué)模型和學(xué)習(xí)者模型之間進行交互的神經(jīng)中樞．自適應(yīng)引擎由各種適配器和各種生成器組成，而且隨著計算任務(wù)的需要以及功能的增加，會動態(tài)擴展，產(chǎn)生新的適配器和生成器．通過各種適配器和生成器的協(xié)同作用，向?qū)W習(xí)者提供個性化學(xué)習(xí)資源和個性化學(xué)習(xí)路徑．對于個性化學(xué)習(xí)資源，其工作基礎(chǔ)是知識點（或知識元），而對于個性化學(xué)習(xí)路徑，其工作基礎(chǔ)是學(xué)習(xí)活動，輸出的是學(xué)習(xí)活動的序列．在實際工作中，自適應(yīng)引擎是一個不斷調(diào)整的學(xué)習(xí)過程，是一個不斷迭代和螺旋改進的過程，最終在各種約束條件輸出學(xué)習(xí)資源和學(xué)習(xí)路徑的最優(yōu)值．

圖3 情境感知自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)構(gòu)圖

3 自適應(yīng)學(xué)習(xí)系統(tǒng)實現(xiàn)思路

3.1 推薦個性化的學(xué)習(xí)資源

作為自適應(yīng)學(xué)習(xí)系統(tǒng)，最基本的功能就是給學(xué)習(xí)者推薦適合學(xué)習(xí)者自身學(xué)習(xí)和興趣需要的學(xué)習(xí)資源．這里需要使用到協(xié)同過濾算法，考慮到個性化學(xué)習(xí)的需要，論文選擇基于物品的協(xié)同過濾算法（item_based collaborative filtering，ItemCF），具體實現(xiàn)首先需要計算學(xué)習(xí)資源之間的相似度，計算公式如下：

有了學(xué)習(xí)資源的相似性后，然后計算學(xué)習(xí)者對學(xué)習(xí)資源的興趣，計算公式如下：

3.2 融入時間的自適應(yīng)

時間是學(xué)習(xí)者學(xué)習(xí)情境中的一個重要要素，加入了時間要素，一方面使得學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)成為了時間序列，另一方面使得自適應(yīng)學(xué)習(xí)系統(tǒng)在工作中有了很強的時變特性．在學(xué)習(xí)者真實的學(xué)習(xí)過程中，基本學(xué)習(xí)者的學(xué)習(xí)興趣是隨時間不斷變化的，同時部分學(xué)習(xí)資源也是有生命周期的．所以，在自適應(yīng)學(xué)習(xí)系統(tǒng)中融入時間要素，可以提供推薦結(jié)果的精準性，增強學(xué)習(xí)者的滿意度．

有了時間要素，可以對學(xué)習(xí)者做這樣合理的假設(shè)：學(xué)習(xí)者在短時間內(nèi)喜歡的學(xué)習(xí)資源具有更高的相似度；學(xué)習(xí)者近期學(xué)習(xí)行為更能體現(xiàn)學(xué)習(xí)者當(dāng)下的學(xué)習(xí)興趣．基于此，可以對學(xué)習(xí)資源的相似度進行改進，公式如下：

通常情況下，學(xué)習(xí)者當(dāng)下的學(xué)習(xí)行為和其最近的學(xué)習(xí)行為關(guān)系更大，所以，學(xué)習(xí)者對學(xué)習(xí)資源興趣的度量修改如下：

4 結(jié) 語

文章在對自適應(yīng)學(xué)習(xí)系統(tǒng)的三大模型：專家模型、學(xué)習(xí)者模型和導(dǎo)師模型深入分析的基礎(chǔ)上，結(jié)合自適應(yīng)超媒體系統(tǒng)通用模型AEHS，引入學(xué)習(xí)者要素、時間要素、空間要素和設(shè)備要素的學(xué)習(xí)情境，構(gòu)建了基于情境感知的自適應(yīng)學(xué)習(xí)系統(tǒng)模型，并基于學(xué)習(xí)情境實現(xiàn)學(xué)習(xí)者分組，以此為基礎(chǔ)，根據(jù)學(xué)習(xí)者的學(xué)習(xí)經(jīng)歷數(shù)據(jù)對學(xué)習(xí)者進行建模，通過專家模型、學(xué)習(xí)者模型、教學(xué)模型的協(xié)同作用，在自適應(yīng)引擎的驅(qū)動下，產(chǎn)生自適應(yīng)結(jié)果．最后，引入可變的時間因素，提供了個性化資源推薦的實現(xiàn)思路．但是，作為自適應(yīng)學(xué)習(xí)系統(tǒng)，其功能不僅僅是個性化學(xué)習(xí)資源的推薦．因此，本研究下一階段的計劃是在此分析和設(shè)計的基礎(chǔ)上，引入人工智能技術(shù)，從提升學(xué)習(xí)者的學(xué)習(xí)效果角度對自適應(yīng)學(xué)習(xí)系統(tǒng)開展深入的研究，在理論的支撐下給出具體的實現(xiàn)機制和方案．

[1] 孔維梁，韓淑云，張昭理．人工智能支持下自適應(yīng)學(xué)習(xí)路徑構(gòu)建[J]．現(xiàn)代遠程教育研究，2020，32（3）：94-103．

[2] 童名文，師亞飛，戴紅斌，等．智慧學(xué)習(xí)環(huán)境中自適應(yīng)學(xué)習(xí)系統(tǒng)動力機制研究[J]．電化教育研究，2020，322（2）：68-75．

[3] 林一，王舜波．基于學(xué)習(xí)風(fēng)格的自適應(yīng)式虛擬交互方法的研究[OL]．計算機工程與應(yīng)用[2020-12-18]．https://kns.cnki.net/kcms/detail/11.2127.tp.20201216.1722.012. html．

[4] 王麗萍，趙蔚，魏久鴻．自適應(yīng)學(xué)習(xí)系統(tǒng)中開放性學(xué)習(xí)者模型實證研究[J]．吉林大學(xué)學(xué)報：信息科學(xué)版，2019，37（5）：512-517．

[5] 張琳捷，羅雯，劉博，等．學(xué)習(xí)云空間中基于情境感知的移動學(xué)習(xí)自適應(yīng)模型及其應(yīng)用研究[J]．電化教育研究，2020，322（2）：83-90．

[6] Brusilovsky P. Methods and techniques of adaptive hypermedia[J]., 1996，6（2-3）：87-129．

[7] DEY A K, ABOWD G D. Providing architectural support for building context-aware applications[D]. Atlanta: Georgia Institute of Technology, 2000．

[8] YANG S J. Context aware ubiquitous learning environments for peer -to -peer collaborative learning[J]., 2006，9（1）：188-201．

[9] SCHMIDT A, BEIGL M, GELLERSEN H W. There is more to context than location[J]., 1999，23（6）：893-901．

[10] 武法提，黃石華，殷寶媛．場景化：學(xué)習(xí)服務(wù)設(shè)計的新思路[J]．電化教育研究，2018，39（12）：65-71．

[11]陳敏，余勝泉．泛在學(xué)習(xí)環(huán)境下感知學(xué)習(xí)過程情境的推薦系統(tǒng)設(shè)計[J]．電化教育研究，2015（4）：76-82．

On Construction of Adaptive Learning System with Context Awareness in Intelligent Education

CHENG Guangsheng

（）

With the integration of big data and artificial intelligence into the field of education, personalized learning has become the focus of current and future education, and adaptive learning system provides a practical path for personalized learning. Based on the analysis of the basic model of adaptive learning, combined with the general model of adaptive hypermedia system AEHS, the learning situation is introduced, and the adaptive learning system model based on situation perception is constructed. In order to improve the accuracy of adaptive results, learners are grouped according to their type, learning time, learning space and learning equipment. Based on this, adaptive learning results are generated under the drive of adaptive engine through the synergy of learner model, domain model and teaching model. Finally, combined with the time factor of dynamic change, ideas to realize personalized resources recommendation are provided.

learning context awareness; adaptive learning system; personalized learning; resources recommendation; intelligent education

G434

A

1672-0318（2022）01-0047-05

10.13899/j.cnki.szptxb.2022.01.010

2021-05-14

2020年度寧夏哲學(xué)社會科學(xué)（教育學(xué)）規(guī)劃項目：人工智能環(huán)境下精準學(xué)習(xí)者模型及系統(tǒng)構(gòu)建研究（20NXJC07）；2020年度寧夏財經(jīng)職業(yè)技術(shù)學(xué)院院級課題“互聯(lián)網(wǎng)+教育環(huán)境下自適應(yīng)學(xué)習(xí)系統(tǒng)的研究”（CYJG20209）部分成果．

程光勝，男，講師，碩士，研究方向：職業(yè)教育、數(shù)據(jù)科學(xué)和軟件工程．

（責(zé)任編輯：王璐）