SNS环境下智能学习平台的设计与实现
单永刚 虞江锋
摘 要：SNS环境下的智能学习平台是基于“学习者之间的关系”和“学习资源之间的关系”的创新型学习平台。文章对学习平台关键功能的实现方法做了详细的阐述。
关键词：SNS；元资源；关联；知识推送；智能学习
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2014）03-0084-04
一、引言
社会性网络服务（Social Networking Services，SNS）处于蓬勃发展的势头，如Facebook拥有超过10亿的用户，累积了11，300亿个Likes；Twitter拥有5亿的用户，每秒钟能产生2200个Tweets。[1]那么，SNS交互环境是否可以在网络学习平台中有所作为呢？综合类SNS网站，如人人网[2]可建立某个特定的学习群体，但是它不具备资源管理服务的能力，且网站中干扰因素较多，效果不甚理想；垂直类SNS网站，如知之证券网[3]是由广东金融学院学生凭借其学院学科特色和优势而创建并运营的一个网络学习社区，这是一个成功的基于SNS的学习平台，它的学习者更集中，聚集的目的更明确，且有专门的管理机构，它证明了SNS交互理念用于学习平台的可行性。
Web3.0促使我们进入一个“机器思考”的智能时代，教学资源的智能聚合与个性化建构因此成为新的研究方向，[4]学习平台的智能资源服务体系应具有知识语义互为关联的特性，这种关联使知识的展示不仅仅是作为学习资源的目录，更重要的是作为学习过程的向导，它的表现形式是依托学习平台以及学习者的状态信息，推理和推送个性化的知识语义和学习资源。
文章认为，SNS交互环境下的学习平台，如果能突破传统的“论坛帖子”形式的资源呈现方式，并配以智能的资源服务体系，将使网络学习的效果更加接近于课堂学习，这是网络学习平台设计的一种创新模式。
二、SNS交互学习环境
SNS环境下的学习平台是一个垂直类的交互网站，垂直类网站的特点是对准某一特定领域、特定人群或特定需求提供信息服务，[5]垂直类的SNS网站更能反映一群人在某个共同点（如某一个专业、某一个章节、某一个学习点等）下的细化需求，它的成员是基于共同兴趣而聚集，大家对相关内容的讨论比较细致、深入，因而有助于学习者对共同的关注点的理解，扩展他们对关注点的认识深度与广度。
学习平台的SNS交互方式主要有：
①群组：群组是基于相同关注点的学习者的群体，学习者可以自主组群或参加现有群组，群组成员可在群组中分享学习资源、课堂笔记和学习心得；
②讨论：讨论是学习平台具有交互功能的评论系统，其主题来自平台的每一项资源，平台中设有专门的讨论主题列表，同时资源相关的讨论内容也被推送到该资源的显示区域；
③空间：空间即学习者的个人学习空间，包括个人信息、学习进度、交互记录、学习足迹、收藏夹、学习笔记等基本状态和功能，同时，作为SNS的交互重要特征，空间还推送个人所关注的好友信息以及个人所在群组的信息，具备学习者之间多维“好友”关系的自动推算能力。
SNS交互学习环境，使学生的学习过程从被动地接受知识演变为主动地构建知识，每位学习者都能贡献和分享自己的所学、所得、所想，自发地协同组织知识，在个性化的学习过程中深化知识理解；更为重要的是，SNS交互学习的环境是学习平台资源知识语义推送的主要载体，是构建教师、学习者、学习资源三者之间充分“交互”的智能学习平台的基础。
三、智能资源体系的服务流程
学习平台的资源服务过程是一个对现有课程资源根据外部干预因素进行解构、重构和推送的过程。图1描述了学习平台智能资源体系的服务流程，图中的元资源（meta-resource）是对课程资源解构后的最小单位的资源体，元资源可以是课程资源相关的知识点、课堂视频、演示动画、试题等，是学习资源智能重构的基本元素；虚线部分表示资源服务过程中的干预因素，分A、B、C、D、E五个区域；实线部分表示资源服务体系的资源服务流程，也可以理解为学习者获取资源的途径，包括①、②、③三个途径。
干预因素和服务流程共同决定了学习平台智能资源服务体系的资源获取效果，图中三个途径的资源获取方式如下：途径①，直接获取原始的课程资源，学习平台中按课程章节展现教程内容，学习者根据需求自主索引学习资源，它的干预因素包括区域A和区域B；途径②，获取由课程教师根据课程大纲、教学经验、知识理解解构后的元资源，该途径的干预因素为区域B，学习者通过检索或索引元资源列表获取；途径③，从资源环境或交互语境中准确获取相关学习资源，该途径的全过程包括元资源的重构与推送两个过程，前者的干预因素为元资源的关联性即区域C和区域B，后者的干预因素为平台及学习者的状态信息、学习者的资源需求和学习进度，即区域E，学习者在SNS交互环境和文本教程中（区域D）获取与自己密切相关的学习资源。三种获取资源的途径内容上向前逐级包含，效果上向后逐级提升，由于学习平台资源提供方式的多样化需求，这三种途径在学习平台中是并列存在的。
四、元资源的语义关联
1.元资源关联的定义
元资源的关联是指元资源的知识语义之间的某种联系，它包括显性关联和隐性关联，前者是基于词汇的相似性联系，后者是基于专家知识的相关性联系。Tim Berners-Lee曾在TED的演讲中提到 “数据就是联系，联系产生数据”，IBM developerWorks作者Tim Hanis强调“数据之间的联系不是数据库结构的一部分，而是数据的一部分”，元资源的关联也是一种数据之间的联系，这种联系能产生新的资源，元资源的关联是重构和推送学习资源的必要条件。
根据关联数据的来源，元资源的关联可分为三类：第一类，基于课程内容的元资源知识语义之间的关联，包括与元资源本身相关的知识点、课堂视频、演示动画、测试题等元资源之间的关联；第二类，基于搜索引擎百科词库的泛化关联，互联网搜索引擎的百科词库的词条是典型的知识泛化式呈现，它们具备知识语义的关联特征，学习平台以元资源名称为词条名，超越课程内容范畴向搜索引擎百科词库提取与知识点“相关联”的词条信息；第三类，元资源与交互信息之间的关联，元资源的评论信息、元资源分享信息、元资源的受访信息等，穿插于相关元资源的描述内容中，或者元资源的知识语义穿插于学习者之间的交互信息中，这类关联有助于学习者们开展协作学习。
2.元资源关联的实现
（1）元资源与元资源之间的关联
张郭军等定义了一种网络课程的知识表示混乱结构，[6]它对知识表示方式做了详尽的描述，据此结构能实现知识语义之间的显性关联，但是知识之间的关联除了显性关联之外还应具备隐性关联，因此，在设计元资源关联表时必须考虑到显性关联和隐性关联两方面的需求。
元资源关联表{ID， 主题， 相关性主题， 相似性主题， 相关资源的ID集，…}是实现元资源语义关联的核心数据表，其中相关性主题是人们对某个概念的理解的集合，是基于概念的内涵所形成的一种关联，如专家理解、教学经验、相关知识等；相似性主题是指由概念呈现的表象（词汇）所形成的一种关联，如某概念词汇的其它解释或用法，就是一种相似性主题； 相关资源ID集以外键的形式存储相应的元资源。关联表中，元资源之间的关联关系往往是1：n的关系，即1个元资源可以有多项相关联的资源，而且n的大小是不确定的，因此，在设计平台数据表时，需把所有关联存储于同一字段，并设定特定字符“|”为字段内的字符串分隔符，通过字符运算函数的组合运算能实现元资源正向和逆向的关联，同时，这种方法也能节省数据库的空间开销、提高数据库的查询效率。如当元资源为数据库课程的“select”命令的知识点时，其相关性主题为其它同类命令，如：“Update|Delete|Insert|…”，相似性主题为HTML语言中的“Select” 表单或VB.NET编程语言中的“Select”条件语句等。
（2）元资源与泛化资源之间的关联
元资源与泛化资源的关联即学习平台的元资源向平台外的知识库建立语义关联，并充分利用知识库的智能推理功能，当下应用得最广泛的泛化知识库就是互联网的百科数据库。百科数据库（如维基百科）支持高效的关系抽取方式，它的每个页面都是一个实体，每个实体都经过消歧和映射，使实体之间具有隐藏的高关联性，[7]这里的实体即“主题”，是学习平台元资源的关联接点。分析可知，百科数据库的每一个主题的展现（或搜索）都有一个固定的URL结构，即“固定地址+主题词”的URL结构，其中“固定地址”是百科数据库的展示地址（或搜索地址），“主题词”即相关主题词的字符串的UTF编码或GB编码，它与平台元资源相关的词汇相对应，如维基百科词条信息的获取地址为： "…/wiki/"&Server.UrlEncode（EntryName），其中函数Server.UrlEncode是URL参数的解码函数，参数EntryName是词条名，即元资源的名词。由维基百科地址格式，课程知识“Select”在维基百科中的词条查询URL为"…/wiki/"&Server.UrlEncode（"Select"）。除维基百科外，平台还引用了百度百科和SOSO百科的词条，它们关联方法与维基百科基本相同。
（3）元资源与SNS交互信息之间的关联
SNS交互系统的交互信息与元资源的关联，用文本标签（Tag）的形式展示与交互信息相关的元资源，即把课程元资源用文本标签的方式向SNS的群组、讨论、空间中的交互信息推送，并根据标签点击量的排名和主题的分类，向学习平台特定位置推送热门标签。
数据表Tags_table{Tag_id，Tag_name，Resource，Tag_ theme，Tag_url，Tag_hits…}由课程教师根据课程大纲、教学经验和知识理解自主编辑，其中Resource是相关资源，Tag_theme是相关主题，Tag_url是Tag超链接（可设定为向内链接或向外链接）。Tag超链接在SNS交互信息写入数据库前生成，并随同交互信息写入数据库，当交互信息被读取时，Tag链接将一同被读取。Tag信息关联的产生方式如下：
Function tag_content（content） ①
set rss=conn.execute（"select * from Tags_table order by id "） ②
do while not rss.eof
arr = split（content，rss（"tagname"）） ③ if ubound（arr）<>0 then
for i=0 to ubound（arr）
select case i
case 0 ： strs = arr（i）&""&rss（"tagname"）&"" ④
case ubound（arr） ：strs = strs&arr（i） ⑤
case else ： strs = strs&arr（i）&rss（"tagname"） ⑥
end select
next
content = strs
end if
rss.movenext
loop
tag_content = content ⑦
End Function
代码注释：① 参数content即提交的交互文本内容；②获取标签列表所有标签数据（标签名）；③找到首个tagname所在位置，并分割；④如果是第一个字符串，则在其后加上tag超链接；⑤如果是最后一个字符串；⑥如果是中间的字符串数组；⑦返回值，即插入标签后所提交的文本。
五、学习资源的智能推送
1.平台状态信息的提取
平台对学习者的学习足迹进行实时采集并存储为日志数据，分析这些数据提取学习者的学习状态、元资源的使用状况等状态信息，这些状态信息是向学习者及其所在的交互环境准确地推送学习资源的重要依据。表1列出了从平台日志数据中提取平台及学习者状态信息的情况，由表可知，状态信息可以由单个日志数据决定，也可由多个日志数据共同决定，状态信息的输出是一组关于某个统计点的排序信息，这些排序是可以带有预设条件的，如一个月内学习者的学习活跃程度的排序，状态信息在预设条件下的排序结果是学习资源推送的重要依据之一。
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
摘 要：SNS环境下的智能学习平台是基于“学习者之间的关系”和“学习资源之间的关系”的创新型学习平台。文章对学习平台关键功能的实现方法做了详细的阐述。
关键词：SNS；元资源；关联；知识推送；智能学习
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2014）03-0084-04
一、引言
社会性网络服务（Social Networking Services，SNS）处于蓬勃发展的势头，如Facebook拥有超过10亿的用户，累积了11，300亿个Likes；Twitter拥有5亿的用户，每秒钟能产生2200个Tweets。[1]那么，SNS交互环境是否可以在网络学习平台中有所作为呢？综合类SNS网站，如人人网[2]可建立某个特定的学习群体，但是它不具备资源管理服务的能力，且网站中干扰因素较多，效果不甚理想；垂直类SNS网站，如知之证券网[3]是由广东金融学院学生凭借其学院学科特色和优势而创建并运营的一个网络学习社区，这是一个成功的基于SNS的学习平台，它的学习者更集中，聚集的目的更明确，且有专门的管理机构，它证明了SNS交互理念用于学习平台的可行性。
Web3.0促使我们进入一个“机器思考”的智能时代，教学资源的智能聚合与个性化建构因此成为新的研究方向，[4]学习平台的智能资源服务体系应具有知识语义互为关联的特性，这种关联使知识的展示不仅仅是作为学习资源的目录，更重要的是作为学习过程的向导，它的表现形式是依托学习平台以及学习者的状态信息，推理和推送个性化的知识语义和学习资源。
文章认为，SNS交互环境下的学习平台，如果能突破传统的“论坛帖子”形式的资源呈现方式，并配以智能的资源服务体系，将使网络学习的效果更加接近于课堂学习，这是网络学习平台设计的一种创新模式。
二、SNS交互学习环境
SNS环境下的学习平台是一个垂直类的交互网站，垂直类网站的特点是对准某一特定领域、特定人群或特定需求提供信息服务，[5]垂直类的SNS网站更能反映一群人在某个共同点（如某一个专业、某一个章节、某一个学习点等）下的细化需求，它的成员是基于共同兴趣而聚集，大家对相关内容的讨论比较细致、深入，因而有助于学习者对共同的关注点的理解，扩展他们对关注点的认识深度与广度。
学习平台的SNS交互方式主要有：
①群组：群组是基于相同关注点的学习者的群体，学习者可以自主组群或参加现有群组，群组成员可在群组中分享学习资源、课堂笔记和学习心得；
②讨论：讨论是学习平台具有交互功能的评论系统，其主题来自平台的每一项资源，平台中设有专门的讨论主题列表，同时资源相关的讨论内容也被推送到该资源的显示区域；
③空间：空间即学习者的个人学习空间，包括个人信息、学习进度、交互记录、学习足迹、收藏夹、学习笔记等基本状态和功能，同时，作为SNS的交互重要特征，空间还推送个人所关注的好友信息以及个人所在群组的信息，具备学习者之间多维“好友”关系的自动推算能力。
SNS交互学习环境，使学生的学习过程从被动地接受知识演变为主动地构建知识，每位学习者都能贡献和分享自己的所学、所得、所想，自发地协同组织知识，在个性化的学习过程中深化知识理解；更为重要的是，SNS交互学习的环境是学习平台资源知识语义推送的主要载体，是构建教师、学习者、学习资源三者之间充分“交互”的智能学习平台的基础。
三、智能资源体系的服务流程
学习平台的资源服务过程是一个对现有课程资源根据外部干预因素进行解构、重构和推送的过程。图1描述了学习平台智能资源体系的服务流程，图中的元资源（meta-resource）是对课程资源解构后的最小单位的资源体，元资源可以是课程资源相关的知识点、课堂视频、演示动画、试题等，是学习资源智能重构的基本元素；虚线部分表示资源服务过程中的干预因素，分A、B、C、D、E五个区域；实线部分表示资源服务体系的资源服务流程，也可以理解为学习者获取资源的途径，包括①、②、③三个途径。
干预因素和服务流程共同决定了学习平台智能资源服务体系的资源获取效果，图中三个途径的资源获取方式如下：途径①，直接获取原始的课程资源，学习平台中按课程章节展现教程内容，学习者根据需求自主索引学习资源，它的干预因素包括区域A和区域B；途径②，获取由课程教师根据课程大纲、教学经验、知识理解解构后的元资源，该途径的干预因素为区域B，学习者通过检索或索引元资源列表获取；途径③，从资源环境或交互语境中准确获取相关学习资源，该途径的全过程包括元资源的重构与推送两个过程，前者的干预因素为元资源的关联性即区域C和区域B，后者的干预因素为平台及学习者的状态信息、学习者的资源需求和学习进度，即区域E，学习者在SNS交互环境和文本教程中（区域D）获取与自己密切相关的学习资源。三种获取资源的途径内容上向前逐级包含，效果上向后逐级提升，由于学习平台资源提供方式的多样化需求，这三种途径在学习平台中是并列存在的。
四、元资源的语义关联
1.元资源关联的定义
元资源的关联是指元资源的知识语义之间的某种联系，它包括显性关联和隐性关联，前者是基于词汇的相似性联系，后者是基于专家知识的相关性联系。Tim Berners-Lee曾在TED的演讲中提到 “数据就是联系，联系产生数据”，IBM developerWorks作者Tim Hanis强调“数据之间的联系不是数据库结构的一部分，而是数据的一部分”，元资源的关联也是一种数据之间的联系，这种联系能产生新的资源，元资源的关联是重构和推送学习资源的必要条件。
根据关联数据的来源，元资源的关联可分为三类：第一类，基于课程内容的元资源知识语义之间的关联，包括与元资源本身相关的知识点、课堂视频、演示动画、测试题等元资源之间的关联；第二类，基于搜索引擎百科词库的泛化关联，互联网搜索引擎的百科词库的词条是典型的知识泛化式呈现，它们具备知识语义的关联特征，学习平台以元资源名称为词条名，超越课程内容范畴向搜索引擎百科词库提取与知识点“相关联”的词条信息；第三类，元资源与交互信息之间的关联，元资源的评论信息、元资源分享信息、元资源的受访信息等，穿插于相关元资源的描述内容中，或者元资源的知识语义穿插于学习者之间的交互信息中，这类关联有助于学习者们开展协作学习。
2.元资源关联的实现
（1）元资源与元资源之间的关联
张郭军等定义了一种网络课程的知识表示混乱结构，[6]它对知识表示方式做了详尽的描述，据此结构能实现知识语义之间的显性关联，但是知识之间的关联除了显性关联之外还应具备隐性关联，因此，在设计元资源关联表时必须考虑到显性关联和隐性关联两方面的需求。
元资源关联表{ID， 主题， 相关性主题， 相似性主题， 相关资源的ID集，…}是实现元资源语义关联的核心数据表，其中相关性主题是人们对某个概念的理解的集合，是基于概念的内涵所形成的一种关联，如专家理解、教学经验、相关知识等；相似性主题是指由概念呈现的表象（词汇）所形成的一种关联，如某概念词汇的其它解释或用法，就是一种相似性主题； 相关资源ID集以外键的形式存储相应的元资源。关联表中，元资源之间的关联关系往往是1：n的关系，即1个元资源可以有多项相关联的资源，而且n的大小是不确定的，因此，在设计平台数据表时，需把所有关联存储于同一字段，并设定特定字符“|”为字段内的字符串分隔符，通过字符运算函数的组合运算能实现元资源正向和逆向的关联，同时，这种方法也能节省数据库的空间开销、提高数据库的查询效率。如当元资源为数据库课程的“select”命令的知识点时，其相关性主题为其它同类命令，如：“Update|Delete|Insert|…”，相似性主题为HTML语言中的“Select” 表单或VB.NET编程语言中的“Select”条件语句等。
（2）元资源与泛化资源之间的关联
元资源与泛化资源的关联即学习平台的元资源向平台外的知识库建立语义关联，并充分利用知识库的智能推理功能，当下应用得最广泛的泛化知识库就是互联网的百科数据库。百科数据库（如维基百科）支持高效的关系抽取方式，它的每个页面都是一个实体，每个实体都经过消歧和映射，使实体之间具有隐藏的高关联性，[7]这里的实体即“主题”，是学习平台元资源的关联接点。分析可知，百科数据库的每一个主题的展现（或搜索）都有一个固定的URL结构，即“固定地址+主题词”的URL结构，其中“固定地址”是百科数据库的展示地址（或搜索地址），“主题词”即相关主题词的字符串的UTF编码或GB编码，它与平台元资源相关的词汇相对应，如维基百科词条信息的获取地址为： "…/wiki/"&Server.UrlEncode（EntryName），其中函数Server.UrlEncode是URL参数的解码函数，参数EntryName是词条名，即元资源的名词。由维基百科地址格式，课程知识“Select”在维基百科中的词条查询URL为"…/wiki/"&Server.UrlEncode（"Select"）。除维基百科外，平台还引用了百度百科和SOSO百科的词条，它们关联方法与维基百科基本相同。
（3）元资源与SNS交互信息之间的关联
SNS交互系统的交互信息与元资源的关联，用文本标签（Tag）的形式展示与交互信息相关的元资源，即把课程元资源用文本标签的方式向SNS的群组、讨论、空间中的交互信息推送，并根据标签点击量的排名和主题的分类，向学习平台特定位置推送热门标签。
数据表Tags_table{Tag_id，Tag_name，Resource，Tag_ theme，Tag_url，Tag_hits…}由课程教师根据课程大纲、教学经验和知识理解自主编辑，其中Resource是相关资源，Tag_theme是相关主题，Tag_url是Tag超链接（可设定为向内链接或向外链接）。Tag超链接在SNS交互信息写入数据库前生成，并随同交互信息写入数据库，当交互信息被读取时，Tag链接将一同被读取。Tag信息关联的产生方式如下：
Function tag_content（content） ①
set rss=conn.execute（"select * from Tags_table order by id "） ②
do while not rss.eof
arr = split（content，rss（"tagname"）） ③ if ubound（arr）<>0 then
for i=0 to ubound（arr）
select case i
case 0 ： strs = arr（i）&""&rss（"tagname"）&"" ④
case ubound（arr） ：strs = strs&arr（i） ⑤
case else ： strs = strs&arr（i）&rss（"tagname"） ⑥
end select
next
content = strs
end if
rss.movenext
loop
tag_content = content ⑦
End Function
代码注释：① 参数content即提交的交互文本内容；②获取标签列表所有标签数据（标签名）；③找到首个tagname所在位置，并分割；④如果是第一个字符串，则在其后加上tag超链接；⑤如果是最后一个字符串；⑥如果是中间的字符串数组；⑦返回值，即插入标签后所提交的文本。
五、学习资源的智能推送
1.平台状态信息的提取
平台对学习者的学习足迹进行实时采集并存储为日志数据，分析这些数据提取学习者的学习状态、元资源的使用状况等状态信息，这些状态信息是向学习者及其所在的交互环境准确地推送学习资源的重要依据。表1列出了从平台日志数据中提取平台及学习者状态信息的情况，由表可知，状态信息可以由单个日志数据决定，也可由多个日志数据共同决定，状态信息的输出是一组关于某个统计点的排序信息，这些排序是可以带有预设条件的，如一个月内学习者的学习活跃程度的排序，状态信息在预设条件下的排序结果是学习资源推送的重要依据之一。
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
状态信息一般用关系数据库的SQL命令提取，它的基本命令格式为“SELECT 编号，COUNT（*） FROM 日志数据表 WHERE 限定条件 GROUP BY 编号 ORDER BY COUNT（*） DESC”，由此可获取每个主体（编号）在日志数据表中的数据量的排序信息，以此为基础能引申出其它复杂的状态信息提取命令。
2.学习者Cookies信息的提取
Cookies信息保存在用户端硬盘上，它以字符串的形式记录用户访问一个特定站点的信息，且只能被创建这个cookies的站点读回，[8] Cookies记录的信息可作为学习资源个性化推送的判断依据。对检索词进行Cookies操作方式如下：
Response.Cookies（"mycookie" ）（"KeywordString" ）= Request.Cookies（"mycookie" ）（"KeywordString" ）&"|new keyword" //追加变量值；
Response.Cookies（"mycookie" ）.Expires=now+30 //设定变量有效期30天；
KeywordString=Request.Cookies（"mycookie" ）（"KeywordString" ） //读取当前变量。
获取的KeywordString是准对用户感兴趣的词集，用字符串分词函数split（）把它分割为检索词数组，根据数组中的检索词逐个向学习者推送相关的学习资源。
3.学习者学习进度的计算
学习进度计算的原始依据是资源访问记录、试题测试记录、个人登录记录等，因此学习进度除了能实时体现学习者的学习进度外，还能实时反映学习者的学习足迹、资源的访问情况、学习者的学习方式，这些数据是推送元资源的又一重要判断依据。平台中的学习进度定义了资源浏览进度和在线测试进度两个部分，进度公式的参数根据课程和教学的特点自主设定，如对于《数据库基础与应用》网络课程的进度计算参数设定如下：资源阅览占进度的40%，每浏览一项资源累计积分，积分超过200以后，完成对资源浏览部分的统计，之后的浏览不再计分；在线测试占进度的60%，每章的测试题正确答题量达到本章总题量的80%后，完成对在线测试部分的统计，之后的在线测试结果不再计分。该课程的学习进度计算方法如下：
If ReadingVantages>200 then ReadingVantages=200 end if
If ExamVantages> ExamAmount*80% then ExamVantages= ExamAmount*80% end if //积分溢出判断
ChaptersSchedule =（ ReadingVantages /200）*40%+ ExamVantages/12）*60% //章节进度计算
MasterSchedule =（Progress（i））/n //课程总进度计算
参数说明：ChaptersSchedule（章节进度），ReadingVantages（阅览积分），ExamVantages（在线测试积分），ExamAmount（试题总数），MasterSchedule（总进度）。
4.学习资源的智能推送
状态信息、Cookies信息和学习进度等为个性化地推送学习资源提供了充分而可靠的依据，学习平台的资源推送主要有四种方式：方式一，标签推送，在教程全文、元资源讨论区、学习群组中把主题以文字标签（Tag）超链接的形式嵌入到相应的位置，这是最基本的推送方式，也是SNS交互与资源系统相整合的主要方式；方式二，排名推送，根据实时状态信息，把最热门（如检索率高、访问量大）的资源以及最活跃的学习者、学习进度最高的学习者所关注的资源推送到个人学习空间；方式三，关系推送，利用SNS交互特点，把有相同兴趣点的学习者的学习状态、相同学习方式（如相同的在线时段上线学习），存在一维、二维关系的其他学习者的学习状态嵌到个人学习空间；方式四，Cookies推送，根据学习者浏览器记录的学习者的兴趣点（如检索词），把相关的资源推送给该学习者。
同时，课程教师通过管理操作，把课程的重点内容、难点内容、常见问题等用人工编辑的方式（如对Tag数据的分类和编辑操作）推送到学习平台的各类场所，这是对相关性关联（专家知识）的一种扩充，是课程教师把握网络学习方向的主要方式。
六、结语
本文学习平台的设计思路和实现方法均来自研发实践，它所创建的智能的资源服务体系和多维的交互学习环境符合现代远程教学“教学交互性强、共享教学资源、突破和延伸教学时空”等特点，[9]在远距离教学中更具实用意义。
参考文献：
[1]Datta A.Finding like-minded communities of highly interactive[R].Nanjing：CSSS2012，2012.8.
[2]人人网.社交网络平台[Z].http：//www.renren.com.
[3]知之证券网.SNS学习平台[Z].http：// www.gingz.com.
[4]张德成，王植青.开放教育资源的智能聚合与个性化建构——基于Web3.0的开放教育资源建设[J].现代教育技术，2008（8）：89-92.
[5]杨嫚.网络信息资源组织与开发研究[M].武汉：华中科技大学出版社，2006.1：164.
[6]张郭军，陈莉萍.网络课程中知识表示的研究[J].渭南师范学院学报，2012（2）：80-82.
[7]张苇如，孙乐，韩先培.基于维基百科和模式聚类的实体关系抽取方法[J].中文信息学报，2012（2）：75-81.
[8]王岚霞.基于cookies 的个性化信息服务研究[J].图书馆学研究，2007（6）：61-62，66.
[9]丁新，聂瑞华，卢和琰.远程学习方法与技术[M].广州：华南理工大学出版社，2006：9-10.
（编辑：王天鹏）
