APP下载

面向用户个性需求的教育资源混合式推荐模型

2019-09-20赵学孔龙世荣

大学教育 2019年9期
关键词:模型构建智慧教育

赵学孔 龙世荣

[摘 要]以用户个性需求為导向构建Web环境下智能学习系统是现代远程教育与智慧教育领域研究的热点,也是E-learning的未来发展趋势。推荐技术是智能学习系统的“智慧”所在,其根据学习者差异性特征属性“分析—判断—理解”个性化需求并以此精准推荐合适的学习资源。基于内容和协同过滤的混合式推荐可解决单类型推荐所引起的冷启动、非结构化内容推荐等诸多短板问题,进而有效提高推荐资源的效率与质量。该研究在分析领域相关研究现状的基础上,提出了Web环境下智能学习系统中基于内容和协同过滤的教育资源混合式推荐模型构建方案,着重对其架构设计、对象建模与推荐算法进行详细论述。

[关键词]智慧教育;智能学习系统;模型构建;混合式推荐;推荐算法

[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437(2019)09-0014-03

当前互联网信息技术的迅猛发展悄然改变着人们的生活习惯、工作方式、交流途径以及认知思维模式等,传统的教学模式愈加暴露出其时效性、针对性不强等弊端。物联网、大数据、云计算技术的成熟以及各种智能终端的涌现,为推崇具有“数字化、网络化、智能化、多媒体化”典型特征的智慧教育带来了契机。智能学习系统作为智慧教育领域的分支,因其遵循学生的个体差异性发展规律,在具备开放、共享、交互、协作等特征的同时又体现了因材施教、以学习者为中心等诸多现代教学理念,备受国内外众多研究者关注。然而,当前智能学习系统的推荐效果并不理想,其智能化推荐技术仍有待探索优化,其研究意义深远。

一、本领域相关研究进展

智能学习系统,又名适应性学习系统、智慧学习系统等,是近年来现代远程教育与智慧教育领域研究的热点。该系统针对学习者的个体差异性特征属性,通过在智能化推荐技术“分析—判断—理解”个性化需求的基础上实现学习资源的有效筛选与重组,进而动态提供适合当前学习者的个性化学习资源。为了探索与构建具有“智慧”机能的智能学习系统,国内外众多研究者在该领域进行了大量的理论与实践研究,并从不同视角提出了智能化推荐技术解决方案。Thorat等人[1]对基于内容推荐和协同过滤推荐进行了比较分析,并通过获取学习者的学习反馈信息提出智能学习系统推荐模型;Wang等人[2]利用学习者的特征模型与课程内容标签匹配实现了个性化推荐功能。北京师范大学余胜泉教授通过对用户的学习偏好和领域知识进行建模,提出了具备个性化内容推荐的“学习元”平台构建方案[3];台湾淡江大学利用Agent分布式代理技术开发了智能学习系统MMU[4];杨丽娜等[4]尝试利用多角色Agent合作框架解决智能学习系统个性化资源推荐问题;王永固等[5]提出了基于协同过滤技术的学习资源个性化推荐方法。

国内外研究者主要从推荐技术、系统建模、Agent代理等视角研究并提出了智能学习系统个性化推荐方案。在对系统建模过程中,学习者的学习偏好、认知水平、学习记录等特征属性是较多研究者切入的视角。应该说,当前的智能学习系统领域研究尚处于“百家争鸣”阶段,其智能化推荐技术与推荐效果仍有待优化。因此,本研究拟在对Web环境下学习者与领域教育资源建模基础上,尝试构建基于内容和协同过滤的混合式推荐模型,进而有效提高资源推荐的效率与质量。

二、ILS教育资源混合式推荐模型构建方案

智能学习系统(Intelligent Learning System,简称ILS)作为一种支持学习者个性化学习服务的有效解决方案,其实质在于根据学习者认知过程中的个性学习需求推荐合适的教育资源。ILS实现的关键在于探索其“智慧”机能,即对学习者个性化需求的理解以及对教育资源的匹配推荐。下文将从ILS的架构设计、对象建模以及推荐技术与算法三个维度切入,探索教育资源混合式推荐模型构建方案。

(一)架构设计

从ILS视角来看,网络个性化学习支持服务主要体现于两方面:一是对学习者个性化需求的分析、判断与理解,二是对匹配学习者个性需求的教育资源进行精准化推荐。其中,ILS对学习者个性化需求的判定依据主要涉及用户的特征属性信息,如学习风格、学习偏好、认知水平等;而对教育资源进行精准化推荐主要是基于相关推荐技术。基于此,本文所构建的ILS总体架构设计如图1所示。图中的学习风格测量用于判定学习者的学习风格类型;学习单元测评主要借助单元习题测试来诊断学习者当前的认知水平;学习行为记录器可以实时采集学习者的学习行为日志;推荐机制作为ILS的核心部件,在对用户模型以及资源模型提取分析的基础上通过相关推荐算法完成资源的精准化推荐;系统数据库主要包括用户模型、学习记录、教育资源以及学习策略等数据库,其中的用户模型数据库存储用户的特征信息,学习记录数据库存储用户的学习行为日志信息,教育资源数据库存储各类资源的实体信息,学习策略数据库存储教育资源对象间的关联性信息(如章节项关系、单元项的前驱后继关系等)。

如图1所示,ILS的工作机理如下:(1)资源管理者(教师)通过资源管理功能组件上传、更新与设置相关的教育资源,包括对资源学习策略进行设置。(2)学习者首次登录系统,需要注册完善个人基本信息,并在系统指导下设置初始化学习风格类型。(3)学习过程中,系统通过推荐机制的相关程序算法动态获取与分析学习者当前的学习需求并以此筛选合适的教育资源序列,然后在预处理组件的加工处理下将最优教育资源推荐给目标用户;学习者则在相关学习工具支持下并借助Web浏览器进行个性化学习,而其学习路径日志会被学习行为记录器实时采集与存储。(4)学习者每学完一个知识单元即可在线测试,其测试结果可作为判定学习者阶段性认知水平的参考依据,为更新完善用户模型提供数据基础。

(二)对象建模

与传统数字化学习环境E-learning相比,ILS更重视对用户以及教育资源特征属性的结构化描述与存储。可以说,用户是ILS智慧推荐的逻辑起点与推荐目标,教育资源是ILS的数据源与推荐对象,二者是ILS实现“智慧”机能的基础。因此,ILS中对用户以及教育资源的建模尤为关键,其直接影响教育资源推荐的精准度。

1.学习者用户建模

学习者用户模型,即对学习者特征属性的建模表征。ILS中学习者的用户特征属性是复杂多样的,它既包含姓名、性别、年级、学科、专业等静态的特征信息,也包含学习风格、学习偏好、认知水平等动态的特征信息。对于静态的特征属性,通过直接调用相关的二维表数据即可获知;而对于动态的特征属性,由于随着用户学习成长其特征数据也会不断更新,因此需要借助算法来综合分析用户的学习日志、测验成绩等记录信息才可获知。可见,为了能真实全面地反映用户当前的特征状态,建模时需要从多个维度考虑,具体表征方法如下:

LearnerModel=(BasicInformation,LearningStyle,CognitiveLevel,LearningRecords)

其中,BasicInformation用于表征学习者基本的静态信息;LearningStyle用于表征学习者当前的学习风格类型;CognitiveLevel用于表征学习者某个阶段的认知水平状态,主要采用<单元成绩,单元标识>形式存储;LearningRecords用于表征学习者学习过程中的访问记录,包含学习者的身份标识、访问时间、访问地址等。

学习者模型中,LearningStyle的表征可以借鉴著名的Felder学习风格模型,包括直觉型(intuitive)—感知型(sensitive)、视觉型(visual)—言语型(verbal)、活跃型(active)—反思型(reflective)、全局型(global)—序列型(sequential)四个维度,它可表示为:LearningStyle(Ui)=()。其中,(i∈[1,4])表示Felder学习风格某个维度取值,Di表示四个维度的风格类型,lsi为模糊取值(lsi∈[0,1]),其代表在学习风格Di维度的取值。

2.领域教育资源建模

领域教育资源是领域知识的结构化,泛指学习者某个专业领域学习的知识项内容,可以是文本、图片、音频以及微视频等各种数字媒体资源。领域教育资源是ILS数据推荐来源,其良性的结构体系化表征对ILS推荐结果有较大影响。领域教育资源的结构化表示与存储通常可采用不同粒度来构建,如课程、单元、章、节、项等,粒度越小意味着其关联性、层级性等属性描述越精细。因此,为了更加精细准确地表示领域教育资源的结构化特征,ILS中的资源类型尽可能以微型化方式来存储。在参考当前国际数字化教育资源IMS建模标准的基础上,本研究对领域教育资源表征方法如下:

ResourceModel=(Rid,Rname,Rcontent,Rstyle,Rlevel,ROR)

其中,Rid表示资源对象的(下次将“资源对象的”称为“其”)唯一标识,Rname表示其名称,Rcontent表示其内容信息,Rstyle表示其风格类型(Rstyle∈{“文本型”,“图片型”,“动画型”,“音频型”,“视频型”}),Rlevel表示其难度系数(Rlevel∈[0,1],该值越大意味着其难度越大),ROR表示其所属的关系集类型。通常情况下,资源对象间的关系主要包含前驱关系、后继关系、并列关系以及相关关系四种。基于此,资源模型中的ROR可进一步表征为:ROR(a,b)={,Rtype,Rweight}。ROR关系模型中,Raid表示资源对象a的标识,Rtype表示资源对象间的关系类型(Rtype∈{“前驱关系”,“后继关系”,“并列关系”,“相关关系”}),Rweight表示资源对象间关系的权重值(Rweight∈[0,1],该值越大意味着资源对象间的关系程度越高)。

在领域知识模型中,上述资源对象的标识、名称、内容信息存于教育资源数据库,而资源的风格类型、难度系数以及关系类型数据主要存于学习策略数据库,这些数据可由资源管理者(教师)根据教学设计需要在系统管理页面详细设置。

(三)推荐技术与算法

推荐技术是智能学习系统的“智慧”所在,其根据学习者的差异性特征属性“分析—判断—理解”个性化需求并以此精准推荐合适的学习资源。目前常见的推荐技术主要包括协同过滤推荐、基于内容推荐以及关联规则推荐等。然而,推荐技术也会因自身的算法特性而产生一些推荐问题,如协同过滤推荐会因用户群数据稀少而出现“冷启动”现象,基于内容推荐会因推荐资源的非结构性特性而降低推荐精准度。为了发挥多种推荐技术优势,本研究尝试采用基于内容和协同过滤的混合式推荐方法对ILS智能推荐机制进行探索。ILS混合式推荐过程中,一方面从用户模型数据库和学习记录数据库中获取用户的认知风格、认知水平、学习行为等特征属性,然后利用相似度聚类算法分析邻居群用户的状态特征并以此向目标用户推荐合适的资源;另一方面从教育资源数据库和学习策略数据库中获取资源内容类型、关联度等特征属性,然后利用相似度聚类算法对资源对象归类,并基于目标用户的状态行为特征向其推荐合适的资源内容。其混合式推荐流程如图2所示。

本研究所采用的混合式推荐主要是将基于内容推荐和协同过滤推荐两种算法进行整合与优化,以下是其核心算法描述。

系统的输入项:目标用户信息、对象特征值矩阵、推荐资源对象数量的最大值N。

系统的输出项:推荐结果列表Top-N。

第一步,基于用户学习行为记录(浏览页面路径)建立用户模型,并计算该目标用户的相似度Sim(LO),在此基础上调用K-Means聚类算法获取目标用户Ui的邻居用户群,其结果表示为Neighbor_User={U1,U2,U3…,Un}的形式。第二步,递归计算Neighbor_User序列中所有用户U的浏览页面路径支持度,以此找出与目标用户Ui匹配的最优学习路径Learning_Path,并进一步将Learning_Path中的资源序列存于数组Rp中。第三步,基于内容类型、关联度特征建立教育资源模型,并在此基础上调用K-Means聚类算法对相似性资源进行多维聚类,将其结果存于数组R中。第四步,将数组R中的元素与Rp中的元素进行类型与关联度匹配(相似度计算),将满足相似度值的元素按取值高低排序存于数组Ri中。第五步,根据目标用户Ui的学习风格与认知水平,从数组Ri中筛选前N个对象序列,并以此推荐目标用户Ui。算法结束。

三、结语

以用户个性化学习需求为导向构建Web环境下智能学习系统(ILS)是现代远程教育与智慧教育领域研究的热点,也是E-learning的未来发展趋势。ILS实现的关键在于探索其“智慧”机能,即对学习者个性化需求的理解以及对教育资源的匹配推荐。学习者用户以及领域教育资源建模是ILS智能推荐的基础,推荐技术是ILS智能推荐的动力。基于内容和协同过滤的混合式推荐可避免单类型推荐的诸多短板问题,进而有效提高推荐资源的效率与质量。

[ 参 考 文 献 ]

[1] Poonam B. Thorat, R.M.Goudar, Barve. Survey on collaborative filtering, content-based filtering and hybrid recommendation system[J]. International Journal of Computer Applications, 2015(4):31-36.

[2] Wang L, Zeng Z, Li R. Cross-domain personalized learning resources recommendation method[J]. Mathematical Problems in Engineering, 2013(5):206-232.

[3] 余勝泉,陈敏.泛在学习资源建设的特征与趋势:以学习元资源模型为例[J].现代远程教育研究,2011(6):14-22.

[4] 杨丽娜,刘科成,颜志军.案例推理Agent合作框架下的个性化学习资源推荐研究[J].中国电化教育,2009(12):105-109.

[5] 王永固,邱飞岳,赵建龙,等.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志,2011(3):66-71.

[责任编辑:庞丹丹]

猜你喜欢

模型构建智慧教育
社会资本视角下行业协会商会能力模型构建研究
区域智慧教育持续推进的机制创新
财务报表分析课程教学改革研究
虚拟现实技术在电力培训中的应用
模型构建在高中生物教学中的应用
基于云计算的大学生移动学习模型构建
高校智慧教育生态发展新挑战
高中物理解题的模型构建
基于知识图谱的智慧教育研究热点与趋势分析