齐锋华

摘  要：目前，随着网络技术的普及，人们会获得众多网络资源，这也就给其学习资源选择带来了较大困难。要想为人们找到需要的学习资源提供便利，就必须建立健全资源推送平台，这也正是当今教育技术的研究重点。因此，该文将对学习资源推送机制的相关研究进行阐述，并详细探究大数据环境下学习资源智能化推送机制的建立，希望可以为相关工作者的研究提供一些帮助。

关键词：大数据  学习资源  智能化推送

中图分类号：G250    文献标识码：A 文章编号：1672-3791（2019）08（a）-0022-02

在大数据技术的作用下，在线学习已经成为了人们重要学习方式之一，可以为人们获得更多资源、提高学习质量提供便利。但在实际学习中，还存在梳理困难、缺乏组织性等问题，会影响人们的学习效率。因此，必须正确认识学习资源推送机制，并结合实际情况，合理设计智能化的学习资源推送机制，从而促进在线学习更好地发展。

1  学习资源推送机制的研究综述

在当今社会，网络技术与智能手机在人们日常生活与学习中得到了广泛运用，并导致网络数据呈现爆炸式增长趋势，而只有对处理方法与模式进行创新，才能有效适应大数据的发展要求[1]。学习资源是指为学习提供支持的各种资源，如教学材料、学习环境以及支持系统等。有效结合数据库技术和人工智能，并在这一基础上加强对机器学习方法的运用，则能够对用户实际偏好或者是兴趣进行有效预测，并有针对性地将信息主动、及时提供给用户，从而使其个性化需求得到满足。

通过调查可知，当前国内外经常运用的资源推送模型主要有内容推送与协同过滤推送两种。其中，内容推送在具体运用过程中，经常会出现因对用户在线学习课程有着较大依赖而无法对有效特征项进行提取的问题，这也就使得系统无法获得用户实际的课程信息，极易导致资源局限问题的产生。而协同过滤推送则会导致课程评价稀疏、推送不准确以及无法获得理想效果等问题的发生。

2  大数据环境下学习资源智能化推送机制的建立

2.1 机制模型构建原则

在大数据环境下，要想建立智能化的学习资源推送机制，就必须严格遵循以下几方面原则：第一，关联性原则。关联是指导出数据相互关系，并且同种数据之间存在较大相似性。在该研究中，在分析好学习者与资源之后，会凭借对关联聚类原则的利用，找出具备共同学习需求与兴趣的学生及关联资源。第二，个性化原则。在各种先进技术的支持下，如云计算、大数据等，将个性化学习资源提供给学习者是推送机制建立必须遵循的关键原则之一。第三，精准性原则。在对学习资源智能化推送机制进行建立时，应该充分考虑学习者特点与资源特点，并针对学生实际需求，促进个性化资源推送的实现，而这正是按需性与精准性原则的体现。第四，易用性原则。在实际设计过程中，不管是学习技术选择、学习环境设置，还是资源设计、活动实施，都必须遵循易用性原则，以此来为学习者使用提供便利。

2.2 学习资源推送平台

（1）设计思想。首先，应该以学习者实际需求为依据对资源进行定制，这也就意味着，平台应该结合用户实时性需求，合理选择推送方法，并在充分考虑用户端实际配置的基础上，适当转换在线学习资源，如图像或者是视频格式的转换等，保证资源分配的合理性、正确性。其次，应该做好资源实时更新工作。推送平台需要详细分析学习者最近一段时间浏览的学科与网站，并利用关联聚类，将动态更新在线学习资源提供给学习者。最后，保证优先级设置的合理性。推送平臺应该分类并排序学习者实际资源需求，并对其有着较高请求级别的资源进行优先处理，还需要通过适当转换，让用户端可以正常接收相关推送内容，从而促进平台运用性能的提升[2]。

（2）系统架构。智能化的学习资源推送平台主要包含以下几方面模块：第一，注册模块。在这一模块中，平台能够获得学习者相关信息，并做好学习风格与兴趣爱好的分析工作。第二，需求分析模块。凭借大数据技术，平台能够收集、记录好动态资源需求信息，保证需求分类的合理性，并为顺利开展推送活动奠定良好基础。第三，数据库模块。在数据库中，学习资源会以知识地图—单元—知识点形式排列，其中，知识点中涵盖众多媒体资源，如音频、图像以及文本等，并且还能够降低服务器处理压力，有利于推送时间的减少。第四，推送模块。在该模块中，平台能够基于学习者实际需求与偏好，有效匹配在线资源库与分析结果，并最终把相应学习资源推送给学习者。

2.3 学习资源推送机制

在大数据背景下，必须做好海量网络资源的管理与组织工作，只有这样，才能为学习者在较短时间中找到需要学习资源提供便利。当前，学习资源推送主要有两种算法，即以内容为基础的和以协同过滤为基础的推送算法。前者主要是把课程简介与关键词等当作特征值提取依据，和学习主体之间不存在关系，经常会出现推送不准确现象。而后者则不通过内容对特征值进行提取，其重视的是客户实际评分值，在具体运用过程中也经常出现一些问题。该研究认为，若有效结合这两种算法，并充分考虑实际学习过程中的学习者动态行为数据，促进智能程度较高资源推送模型的形成，则能够在较大程度上提升推送服务覆盖率与精准度。

因此，在具体研究中，结合社会实际需求，将教育信息化相关理论当作依据，来进一步研究、改善大数据环境下的资源推送机制，并运用了实践研究与文献研究等方法。首先，先凭借各种先进技术，如语义分析、数据挖掘等，对以内容为基础的推送算法进行研究，之后，在充分考虑用户评分值的基础上，做好特征值的提取工作与数据处理工作，通过计算方式获得目前用户和其他用户之间的相似程度，促进预测和推荐用户集的形成，积极展开以协同过滤为基础的推送算法研究。然后，应该有效结合两种推送算法和学习者行为数据，促进可以有效适应混合协同过滤、智能化程度较高的学习资源推送模型的形成，尽可能提升资源推送的合理性、有效性。在具体实施过程中，本文先选择探索性实验，并结合实际情况，改进其中的不足之处。同时，还通过对网络教学平台的运用，展开推送模型实证研究活动，以集成电路设计为例，应该结合丰富经验与实际需求，对模型进行修订，并将其推广到网络教学平台中，然后做好经验总结与模型完善等工作，有效解决智能化推送模型存在的问题。

该文实际研究过程有：首先，组织成员对和本课题存在联系的国内外文献进行研究，了解新理论与新成果，并做好开题论证与课题数据修改工作，拟定实施计划。其次，在网络教学平台与资料库中运用混合协同过滤算法，并严格遵循实施计划，展开多方面探索。再次，继续进行前述试验，分析反馈回来的信息，并进一步总结与提升。最后，组织成员展开讨论，对智能化学习资源推送算法进行改进与完善[3]。

3  结语

综上所述，建立健全的学习资源智能化推送机制已经成为了一项重要工作。因此，必须了解以内容为基础和以协同过滤为基础的推送模型，并掌握关联性、个性化以及精准性等设计原则，从平台与机制两方面入手，有效结合两种现有推送算法，增强推送机制的智能化与针对性，从而为人们获得自身需要的学习资源提供便利。

参考文献

[1] 马玉慧，王珠珠，王硕烁，等.面向智慧教育的学习分析与智能导学研究——基于RSM的个性化学习资源推送方法[J].电化教育研究，2018，39（10）：47-52，82.

[2] 梁陈丽.基于Web数据挖掘的远程教育资源推送系统[J].软件导刊：教育技术，2018，17（2）：45-47.

[3] 王冬青，李海霞，严珍.基于xAPI规范的数字教材用户数据采集与资源推送策略[J].教育信息技术，2017（4）：46-49，41.