胡姣 张文兰

摘要随着学习分析技术的快速发展，网络课程的个性化推荐和学习资源构建有了新机遇。立足于教育大数据下“个性化”学习，以网络课程中个性化资源推送为目的，设计面向个性化学习的网络课程资源推送和构建系统框架，并从支持系统、分析系统、推荐系统和构建系统四个方面阐述网络课程资源构建实践模型，在此基础上提出了双轨制的资源构建模式：课程设计者开发制作资源和互联网优质课程资源抓取。

关键词：个性化学习 网络课程资源 资源构建 路径

随着学习分析技术的快速发展，传统网络课程资源设计研究逐渐转向结合教育大数据和相关技术支持的个性化资源推送设计，结合学习分析结果制定针对学习者的个性化教学过程，基于学习风格的自适应学习系统的研究和开发受到广泛关注。Ocepek等通过学习者学习风格的调查结果和学习资源的类型之间进行匹配，依据不同学习风格学习者对资源的偏好来实现个性化资源推送。李宝和张文兰构建了学习者的特征模型，并采用协同过滤和相似度匹配的方法实现个性化资源推送。Liang等在传统向量空间方法的基础上进行修改，采用递归算法获取学习者的兴趣，优化教学过程。Lin和Yi通过知识内容规范、建立学习者档案袋、学习行为监测等建立学生学习系统。Mampadi等人开发了一个能根据学习者的学习风格为其提供不同的用户界面的个性化网络学习资源系统。以上研究对网络课程中个性化学习和资源推送服务有一定的价值，但更多关注的是学习者特征提取与分析、算法实现的研究。而关于网络课程资源的能动性、适配性、丰富性等问题的研究相对较少，基于此，本研究立足于大数据背景下的个性化学习，探究网络课程资源构建路径。

一、基于个性化推送的课程资源构建框架

本研究在分析文献资料和现有网络课程模式的基础上，结合个性化推荐算法和理论，设计了个性化视角下的学习资源推送和构建系统框架（图1）。整个系统框架分为两条路线——学习者分析路线和学习资源分析路线，共同实现个性化学习服务。其中学习者特征和学习资源特征分析是匹配推送的基础，而学习资源构建是满足学习者个性化需求的条件。

框架中第一部分是识别储存模块，呈现的是数据收集与存储部分。其中学习者的数据包含静态属性和动态信息，静态数据可以避免推送系统冷启动问题，动态数据能更加精确地分析、挖掘学习者隐性特征。静态的信息包含属于学习者的各类人口统计学信息，作为初步分析辅助，该模块主要利用基本统计人口学的推荐方法基础帮助构建初步特征模型;而动态的信息则是学习者与学习系统不断地交互而产生的动态数据信息。在识别储存模块中，学习资源作为一个相对稳定的静态实物存在于学习系统之中，其属性仅包含静态的特征，代表该学习资源本身所具有的资源特征。识别和储存模块中，学习者的静态特征可以通過问卷调查、个人资料填写等方式获得，结合系统记录下来的大量动态特征，利用大数据分析、数据挖掘的方法分析获得学习者的个人偏好特征;学习资源特征则在每一次管理者上传学习资源或系统自动更新时，人为填写或者机器自动识别信息获得。这些数据获取之后，将会被存储在数据库中。

框架中第二部分是匹配推送模块。由于系统已经储存了学习者动态和静态的数据信息，以及不同课程学习资源的特征数据，可根据数据挖掘技术和学习分析技术形成学习者静态特征映射、学习者动态特征映射、学习资源特征映射和学习者个人偏好模型。特征映射都是初步匹配推荐的基础，而学习者偏好模型是一个不断累积和构建的算法结果，需要在数据量足够大、特征抽取完备的前提下逐渐实现，是最终映射的集成。特征映射匹配之后将进行个性化资源推送，本模块的资源推送分为两种情形：一种是初始学习状态下，系统将学习者的静态特征以及学习资源特征映射到同一维度下，计算学习者学习需求、学习者静态数据与课程学习资源之间的相似度，推送相似度最大的学习资源;另一种则是动态数据量足够识别的状态下，系统会通过数据挖掘中的推荐算法，利用数据库中已经包含的个人偏好特征模型、学习资源特征及学习者学习需求等数据，加权组合为学习者推送更优的学习资源。

框架中第三部分是优化完善模块。每一个学习者都是独特的个体，因此学习者之间的学习特点、模式和风格千差万别，课程平台已有课程资源不一定能满足所有学习者的需要，匹配推送模块的推送可能存在完美匹配、匹配不足、匹配失败的三种情况，优化完善模块主要是消除或减少后两种情况的产生。当完美匹配时系统记录推送路径，同时主动识别、收集学习者对该资源处理的一系列步骤和特征。当学习者主动对推送的资源进行识别、加工、运用等处理，系统会将学习者的操作信息记录到学习者的动态信息数据库，同时完善学习资源的特征模型，储存相似资源特征映射，每一次记录都是后续推送系统的再改进和精确。当匹配不足或者匹配失败时，系统会根据学习者需求和个人偏好模型进行资源特征建模，以帮助管理者或课程设计者了解学习者对网络课程资源的需求，提示系统数据库网络课程资源的不足，以可视化方式呈现所需资源特征，提供后续资源建构依据。

二、网络课程中学习资源构建实践模型

在设计了系统框架之后，为了明确个性化推送中资源构建路径，实现网络课程中资源的个性化推送，本研究以学习分析技术和教育大数据作为背景构建了网络课程中学习资源构建实践模型，包括支持系统、分析系统、推荐系统和构建系统（图2）。

1.支持系统

支持系统主要是环境支持、资源媒体类型及大数据资源支持。资源媒体的类型是课程内容的呈现方式，主要有文本、图片、音频、视频和网页形式，支持系统中的大数据主要指大数据资源和分析技术。分析现实条件下可以利用的硬件及软件环境，互联网、计算机、信息技术工具和其他软件工具，现实环境是网络课程活动开展的物质基础，管理者或者课程设计者要结合现实环境具备的条件，依据教育教学原理，分析确定媒体呈现类型和方式以开发课程资源，同时后期的个性化资源推送和学生个性化学习，也需要支持系统的技术工具支持和学习行为数据分析，因此支持系统不仅是网络课程资源制作、发布、推送的载体，还是分析系统、推送系统和构建系统的前提条件。

2.分析系统

分析系统重点是对学习者基本特征分析和学习资源特征分析。基本特征分析包括学习者静态和动态数据信息，学习者的静态数据可以避免推送系统冷启动的问题，动态数据主要是为了更加精确挖掘学习者隐性特征。其中学习资源特征分析提取的方法很多，可以利用知识点特征提取映射的方法，采用机器学习的方法对资源进行训练，得到资源的特征模态，然后通过转换、分享、输出等步骤确定资源特征知识点，作为资源推荐和构建的依据。分析系统主要利用数据挖掘技术和学习分析技术对海量教学数据进行分析与处理，改变将传统课下资源搬到网络的局面，解决学习者迷航问题，能够快速、准确掌握每位学生的兴趣点、知识能力等，从而为其提供更加灵活多样、更具凇寸性的学习资源推送。

3.推荐系统

推荐系统是个性化推荐的重要部分，由众多推荐引擎组成，推荐引擎主要用来选择、过滤、匹配学习者需求和学习资源。首先推送系统会结合相似学习者特征和以往推荐形成的相似资源特征映射为其他学习者推荐其可能感兴趣的学习资源。然后当学习者动态数据信息的增多至足够丰富时，推荐系统自动学习资源所拥有的知识点标记特征匹配。这时推荐系统中不同的数据信息可以分别采用不同的推荐引擎，也可以混合使用几种推荐引擎，推荐引擎输出的推荐结果必须经过优化推荐处理，才能将最优结果输出推送给学习者。如采用单一推荐处理、并行推荐处理、管道推荐处理等方法，

4.构建系统

网络课程中的学习资源主要有两种来源：一种是设计和开发的网络课程学习资源，另一种是互联网中能够为师生的教学活动提供支持的教育资源。因此，构建系统中资源构建有课程设计者开发和互联网资源获取这两种方式，将线上和线下的教学资源进行优化整合。课程设计者开发是在分析了学习者基本特征和学习资源基础上开发制作所需的课程资源;互联网资源一般可以通过引擎搜索获得，为了节约资源查找和下载的时间，本构建系统中互联网资源的获取采用网络抓取技术进行搜集和储存，系统会基于权威网站进行学习资源查找，再进行筛选分析，选择可以刺激学习者动机、切合主题、优质的学习资源，再根据学习者对学习资源的兴趣和需求，进行个性化资源推荐和资源库的完善。

三、网络课程资源构建路径

在大数据时代，随着信息技术和网络技术的发展，互联网中教学资源呈爆炸式增长，基于我国网络课程众多、学习资源参差不齐、网络学习资源丰富、学习资源开发支持环境现状不一等情况，为了节省时间成本、完善网络课程、扩大优质资源共享、促进个性化学习，本文提出了双轨制的学习资源构建模式：第1轨利用现代教育技术手段辅助课程设计者进行学习资源的开发制作。第Ⅱ轨利用网络抓取技术获取互联网中的优质教育资源。

1.课程设计者开发课程资源

网络课程中的学习资源是课程内容的重要载体，学习资源建设的水平直接影响着网络课程的质量，但网络课程中学习资源的内容和形式也必须经过设计和开发，重视系统设计，符合教育教学规律和学习者发展。在课程建设之初，拥有网络课程管理权限的设计人员、平台管理员、课程教师等进行课程设计和开发，这些课程设计者依据教学原理和实践经验分析课程目标、学习者特征、学习内容，选择适当的资源呈现媒体，设置学习形式，开发课程资源，完成课程初步构建。网络课程推荐匹配失败后，系统会记录所缺资源特征，生成课程资源建设要点。之后，网络课程的后台数据库储存推荐匹配过程的动态信息，再由课程资源的知识模型结合匹配信息输出所需资源的描述性信息，可视化显示资源信息需求。之后教师对网络课程进行完善设计，对教学内容或者知识点进行“再度开发”或者“加工改造”，丰富网络课程资源，满足学习者个性化学习資源的匹配推送。

2.互联网优质课程资源抓取

教育大数据为网络课程学习资源构建带来了新的机遇，为教学资源和教学媒体的合理利用、精准落脚提供了更大的可能，使教学活动能真正体现和关注到学生学习的主体性和差异性。在个j生化推荐过程中，当学习资源特征匹配不足时，需要全面收集、准确分析、合理配置教育资源。网络资源的选择和利用首先提取知识点的分层特征，再进行学习资源特征采集，然后将所需的学习资源特征编码输出，作为网络抓取的主题。在抓取课程视频以及课程课件等资源的过程中，将存在于资源附近的文字题目描述信息、简介信息、评价信息等相关评分数据存储到本地数据库中。抓取资源结束之后，对本地数据库中的教育资源以及相关信息进行数据分析整理，整合形成优质教育资源知识库，完善网络课程资源。