基于个性化推荐学习的网络培训教学课程平台的设计与实现
蔡宏果 彭昱忠 利云 姜黎黎
[摘 要]针对传统中小学教师继续教育课堂培训教学模式存在教学环节过于单调和程序化，忽視学生的主体性和个性特征等方面的不足，研究并设计了一个适应在职教师培训的自主个性化学习的网络培训课程教学平台。首先讨论通过建立基于个性化推荐的网络培训课程平台来实现“一体两翼”的培训目标，接着介绍了平台的设计方案、教学平台系统的功能、系统结构，最后重点阐述了课程平台的系统核心技术的实现。该平台的构建可有效提高教师培训的教学效率和教学质量，为探索有效提升在职教师培训的新模式提供新途径，为解决国培等培训项目培训质量提升提供新方法。
[关键词]个性化推荐学习；关联规则；在线教学平台；网络教学；教师培训
[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437（2017）05-0196-03
随着信息技术的飞速发展，计算机技术不断地在教师培训领域中渗透与融合。教育部办公厅印发的《2017年教育信息化工作要点》明确提出， 深入推进信息技术与教育教学深度融合，深化数字教育资源开发与应用，加强网络学习空间应用广度与深度。教师培训属于一种在职继续教育，有其特点和难点，在线学习，个性化学习作为近年来研究的一种新的培训方式，更重视在职培训学生的主体性和个性特征，让学生实现更高效的学习，无疑将在未来教育技术发展过程中占据主导地位。无论从培训机构层面还是从受培训学生需求层面看，多元化、智能化、个性化的网络教学必将成为未来在职教师培训领域发展的主要方向。
国家对于在职教师的培训越来越重视，每年投入大量的国培等各类培训项目经费，但培训效果却不尽于人意。这是因为在职教师“半生不熟”的知识结构造成的，“不怕不懂，就怕一知半解”告诉我们传统的课堂统一教学培训模式，是导致在职教师培训热情不高，培训目标参差不齐的主要原因。因此，网络研修、校本研修、乡村教师工作坊等依托网络教学的培训项目成为当前全国中小学教师继续教育资助的重点领域。近年来，我校也适时提出通过建立教师在线培训工作坊和“一体两翼”来破解教师培训瓶颈，“一体”是以教师自主校本研修为主体，“两翼”分别是远程培训和集中培训。这些都迫切需要网络在线培训平台的技术支撑。
根据培训目标和教学系统的建设要求，本文提出了一种基于个性化推荐学习的在线课程教学平台的设计与实现技术。基于个性化推荐学习的在线课程教学平台系统是一个跨平台、跨数据库、可扩充和可移植的系统。系统通过智能学习到访者的特征和使用痕迹，调整使用者的学习内容和训练题库，同时，根据使用者的学习情况自动分析使用者的潜在学习需求，推送课程知识，供使用者自主选择学习。大部分的教学资源和信息资源采用网络数据库存储，充分利用和整合网络资源的有效利用。
一、相关工作
本系统平台的核心技术是通过关联规则挖掘来实现个性化推荐学习课程知识。个性化推荐服务被广泛应用于数字图书馆、电子商务、新闻网站等各个领域中。[1]个性化推荐服务根据用户兴趣的相似性来推荐资源，通过研究不同用户的兴趣 ，主动为用户推荐最需要的资源。个性化推荐技术主要有三种：基于规则过滤技术、基于内容过滤技术、基于协作过滤技术。[2]该项技术是提高个性化、自主学习的一种重要手段。近年来，随着数据挖掘领域的拓展，利用关联规则实现基于规则的过滤推荐成为主流。文献[3]提出了一个简单高效的关联规则和序列模式挖掘算法Predictor，该算法具有较快的响应速度，可以满足实时页面推荐的需要，同时该算法还可以进行增量挖掘。文献[4]Weiyang Lin等也是提出一种高效的关联规则算法来实现个性化推荐。
关联规则也称为关联模式，关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。是一种较好的信息推荐方法。是形如：A（年龄（X，“20...30”）， 职业（X，“学生”））→B（购买（X，“笔记本电脑”））的形式。挖掘算法首先由Agrawal等提出来和研究，Agrawal等提出基于频繁项集的剪枝算法分为两个阶段，首先找出所有的频繁项集，然后由频繁项集产生强关联规则，这些规则必须满足最小支持度和最小可信度。支持度（support）： P（A∪B），即A和B这两个项集在事务集TS中同时出现的概率。置信度（confidence）： P（B|A），即在出现项集A的事务集TS中，项集B也同时出现的概率。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。给定一个事务集TS，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则，也就是产生强规则的问题。为了降低个性学习推荐系统的研发难度，本系统引擎模块通过接口调用比较著名的成熟开源数据挖掘平台Weka实现相应功能。
二、系统平台设计
整个系统划分为课程资源管理、系统管理、个性化学习推荐和互动管理等四个子系统，每个子系统包含若干功能模块。系统的主要模块如图1所示。
三、系统核心技术的实现
（一）学习行为捕获
学生的在本平台系统中的学习行为主要体现为其在平台上的访问行为上，包括页面浏览行为和超链接点击行为，比如，用户在各个页面之间的跳转关系、在单个页面上的鼠标、键盘操作的访问行为。用JavaScript 脚本即可跟踪和记录学生用户在系统内的访问行为，从而捕捉到用户先后浏览过的知识点和资源、浏览时间和持续时间等信息，这是获取用户个性化信息的关键的一环。获取用户浏览的知识点和资源行为目的是为了分析该用户是否真正学习过该知识点和资源，共学习了多长时间，以供后期的推荐做参考。
（二）学习行为识别
考虑到可能存在用户只是误访问了知识点和相关资源，或者因各种原因访问了但只匆匆一看，则这种情况并不能算正在学习过该资源，所以不能将用户点击过的知识点和资源记录都保存，否则就会严重影响数据的准确性。所以需要计算并判断用户在知识点页面停留的时间来确定用户是否学习了知识点和对应资源，如果超过了预定的时间，就获取用户的编号、用户学习的知识点的编号保存为用户学习日志数据表一条记录。另外，为了方便后期进行数据分析和挖掘，可把知识点编号构建成字符串类型的数据存储到数据库用户学习行为表里。在这里，通过加载课程页面时执行一个Ajax方法，在Ajax异步请求方法里面加入定时器setTimeout，在定时器规定的时间内发送一个请求调用后台的方法并把相关参数传递到后台，后台就把数据保存进数据库里面。系统实现时，假定学生浏览访问该资源的时间大于等于五分钟（300000毫秒）即可认为该学生学习过对应知识和资源，对于用户已经学习过的知识点不会重复记录，在后台代码加了判断。关键代码如下：
（三）个性化学习资源推荐
首先获取用户的学生注册的基本信息、在线练习测试成绩、学习行为记录数据等进行预处理后，通过调用Weka进行分类和聚类确定学生所属群体，然后将学生注册的基本信息、在线练习测试成绩、学习行为记录数据与互动管理子系统中的评论信息、评分信息和教师标导信息结合构建事务集，并调用Weka的数据规范化处理和关联规则挖掘算法进行数据正则化处理与数据挖掘，发现给定置信度和支持度的描述用户学习“兴趣”的规则，以及挖掘学生学习的“技术路线图”然后进行用户匹配和信息推荐，向当前访问学生用户推荐可能“感兴趣”的知识点和教学资源，最终实现个性化学习推荐。
四、结束语
本文主要探讨了基于个性化推荐学习的在线课程教学平台的构建思路、设计与实现技术。基于个性化推荐学习的在线课程教学平台系统是一个跨平台、跨数据库、可扩充和移植的系统。系统通过智能学习到访者的特征和使用痕迹，调整使用者的学习内容和训练题库，同时，根据使用者的学习情况自动分析使用者的潜在学习需求，推送课程知识，供使用者自主选择学习。面向课堂教学和学生自主个性化学习的在线教学平台的构建是一个复杂、浩大的工作，不仅需要涉及课程群的多位专业授课教师深入研究知识点群，重构知识点群层次，与系统设计思想接轨。还需要平台相关技术人员构建好相应软件技术平台，不断改进技术，并在平台上实现相关教育理念和教学思想。平台的构建和应用，打破了传统教学的时空限制，能够实现网络自主学习、推荐学习的培训目标。下一步我们将继续深入研究，并在教学实践中不断改进、完善、扩充本系统的功能，使其能够满足更深更广的教师培训需要。
[ 参 考 文 献 ]
[1] 曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报，2002（10）：1952-1961.
[2] 郭艳红，邓贵仕.协作过滤的一种个性化推荐算法研究[J].计算机应用研究，2008（1）：39-58.
[3] 张慧颖，梁伟.基于用户访问模式挖掘的网页实时推荐研究 [J].计算机应用，2004（6）：70-73.
[4] WeiyangLin，Sergio A. Alvarez，Carolina Ruiz. Efficient Adap？鄄tive？鄄Support Association Rule Mining for Recommender Systems[J]. Data Mining and Knowledge Discovery，2002（1）.
[5] 潘征宇，钟绍春，钟永江，等.个性化学习工具设计及应用研究[J].中国电化教育，2015（6）：85-91.
[6] 张杨，徐传运，王森.面向课程群的软件案例库建设方法研究[J].计算机育，2015（19）：35-38.
[特约编辑：黄紧德]
[摘 要]针对传统中小学教师继续教育课堂培训教学模式存在教学环节过于单调和程序化，忽視学生的主体性和个性特征等方面的不足，研究并设计了一个适应在职教师培训的自主个性化学习的网络培训课程教学平台。首先讨论通过建立基于个性化推荐的网络培训课程平台来实现“一体两翼”的培训目标，接着介绍了平台的设计方案、教学平台系统的功能、系统结构，最后重点阐述了课程平台的系统核心技术的实现。该平台的构建可有效提高教师培训的教学效率和教学质量，为探索有效提升在职教师培训的新模式提供新途径，为解决国培等培训项目培训质量提升提供新方法。
[关键词]个性化推荐学习；关联规则；在线教学平台；网络教学；教师培训
[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437（2017）05-0196-03
随着信息技术的飞速发展，计算机技术不断地在教师培训领域中渗透与融合。教育部办公厅印发的《2017年教育信息化工作要点》明确提出， 深入推进信息技术与教育教学深度融合，深化数字教育资源开发与应用，加强网络学习空间应用广度与深度。教师培训属于一种在职继续教育，有其特点和难点，在线学习，个性化学习作为近年来研究的一种新的培训方式，更重视在职培训学生的主体性和个性特征，让学生实现更高效的学习，无疑将在未来教育技术发展过程中占据主导地位。无论从培训机构层面还是从受培训学生需求层面看，多元化、智能化、个性化的网络教学必将成为未来在职教师培训领域发展的主要方向。
国家对于在职教师的培训越来越重视，每年投入大量的国培等各类培训项目经费，但培训效果却不尽于人意。这是因为在职教师“半生不熟”的知识结构造成的，“不怕不懂，就怕一知半解”告诉我们传统的课堂统一教学培训模式，是导致在职教师培训热情不高，培训目标参差不齐的主要原因。因此，网络研修、校本研修、乡村教师工作坊等依托网络教学的培训项目成为当前全国中小学教师继续教育资助的重点领域。近年来，我校也适时提出通过建立教师在线培训工作坊和“一体两翼”来破解教师培训瓶颈，“一体”是以教师自主校本研修为主体，“两翼”分别是远程培训和集中培训。这些都迫切需要网络在线培训平台的技术支撑。
根据培训目标和教学系统的建设要求，本文提出了一种基于个性化推荐学习的在线课程教学平台的设计与实现技术。基于个性化推荐学习的在线课程教学平台系统是一个跨平台、跨数据库、可扩充和可移植的系统。系统通过智能学习到访者的特征和使用痕迹，调整使用者的学习内容和训练题库，同时，根据使用者的学习情况自动分析使用者的潜在学习需求，推送课程知识，供使用者自主选择学习。大部分的教学资源和信息资源采用网络数据库存储，充分利用和整合网络资源的有效利用。
一、相关工作
本系统平台的核心技术是通过关联规则挖掘来实现个性化推荐学习课程知识。个性化推荐服务被广泛应用于数字图书馆、电子商务、新闻网站等各个领域中。[1]个性化推荐服务根据用户兴趣的相似性来推荐资源，通过研究不同用户的兴趣 ，主动为用户推荐最需要的资源。个性化推荐技术主要有三种：基于规则过滤技术、基于内容过滤技术、基于协作过滤技术。[2]该项技术是提高个性化、自主学习的一种重要手段。近年来，随着数据挖掘领域的拓展，利用关联规则实现基于规则的过滤推荐成为主流。文献[3]提出了一个简单高效的关联规则和序列模式挖掘算法Predictor，该算法具有较快的响应速度，可以满足实时页面推荐的需要，同时该算法还可以进行增量挖掘。文献[4]Weiyang Lin等也是提出一种高效的关联规则算法来实现个性化推荐。
关联规则也称为关联模式，关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。是一种较好的信息推荐方法。是形如：A（年龄（X，“20...30”）， 职业（X，“学生”））→B（购买（X，“笔记本电脑”））的形式。挖掘算法首先由Agrawal等提出来和研究，Agrawal等提出基于频繁项集的剪枝算法分为两个阶段，首先找出所有的频繁项集，然后由频繁项集产生强关联规则，这些规则必须满足最小支持度和最小可信度。支持度（support）： P（A∪B），即A和B这两个项集在事务集TS中同时出现的概率。置信度（confidence）： P（B|A），即在出现项集A的事务集TS中，项集B也同时出现的概率。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。给定一个事务集TS，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则，也就是产生强规则的问题。为了降低个性学习推荐系统的研发难度，本系统引擎模块通过接口调用比较著名的成熟开源数据挖掘平台Weka实现相应功能。
二、系统平台设计
整个系统划分为课程资源管理、系统管理、个性化学习推荐和互动管理等四个子系统，每个子系统包含若干功能模块。系统的主要模块如图1所示。
三、系统核心技术的实现
（一）学习行为捕获
学生的在本平台系统中的学习行为主要体现为其在平台上的访问行为上，包括页面浏览行为和超链接点击行为，比如，用户在各个页面之间的跳转关系、在单个页面上的鼠标、键盘操作的访问行为。用JavaScript 脚本即可跟踪和记录学生用户在系统内的访问行为，从而捕捉到用户先后浏览过的知识点和资源、浏览时间和持续时间等信息，这是获取用户个性化信息的关键的一环。获取用户浏览的知识点和资源行为目的是为了分析该用户是否真正学习过该知识点和资源，共学习了多长时间，以供后期的推荐做参考。
（二）学习行为识别
考虑到可能存在用户只是误访问了知识点和相关资源，或者因各种原因访问了但只匆匆一看，则这种情况并不能算正在学习过该资源，所以不能将用户点击过的知识点和资源记录都保存，否则就会严重影响数据的准确性。所以需要计算并判断用户在知识点页面停留的时间来确定用户是否学习了知识点和对应资源，如果超过了预定的时间，就获取用户的编号、用户学习的知识点的编号保存为用户学习日志数据表一条记录。另外，为了方便后期进行数据分析和挖掘，可把知识点编号构建成字符串类型的数据存储到数据库用户学习行为表里。在这里，通过加载课程页面时执行一个Ajax方法，在Ajax异步请求方法里面加入定时器setTimeout，在定时器规定的时间内发送一个请求调用后台的方法并把相关参数传递到后台，后台就把数据保存进数据库里面。系统实现时，假定学生浏览访问该资源的时间大于等于五分钟（300000毫秒）即可认为该学生学习过对应知识和资源，对于用户已经学习过的知识点不会重复记录，在后台代码加了判断。关键代码如下：
（三）个性化学习资源推荐
首先获取用户的学生注册的基本信息、在线练习测试成绩、学习行为记录数据等进行预处理后，通过调用Weka进行分类和聚类确定学生所属群体，然后将学生注册的基本信息、在线练习测试成绩、学习行为记录数据与互动管理子系统中的评论信息、评分信息和教师标导信息结合构建事务集，并调用Weka的数据规范化处理和关联规则挖掘算法进行数据正则化处理与数据挖掘，发现给定置信度和支持度的描述用户学习“兴趣”的规则，以及挖掘学生学习的“技术路线图”然后进行用户匹配和信息推荐，向当前访问学生用户推荐可能“感兴趣”的知识点和教学资源，最终实现个性化学习推荐。
四、结束语
本文主要探讨了基于个性化推荐学习的在线课程教学平台的构建思路、设计与实现技术。基于个性化推荐学习的在线课程教学平台系统是一个跨平台、跨数据库、可扩充和移植的系统。系统通过智能学习到访者的特征和使用痕迹，调整使用者的学习内容和训练题库，同时，根据使用者的学习情况自动分析使用者的潜在学习需求，推送课程知识，供使用者自主选择学习。面向课堂教学和学生自主个性化学习的在线教学平台的构建是一个复杂、浩大的工作，不仅需要涉及课程群的多位专业授课教师深入研究知识点群，重构知识点群层次，与系统设计思想接轨。还需要平台相关技术人员构建好相应软件技术平台，不断改进技术，并在平台上实现相关教育理念和教学思想。平台的构建和应用，打破了传统教学的时空限制，能够实现网络自主学习、推荐学习的培训目标。下一步我们将继续深入研究，并在教学实践中不断改进、完善、扩充本系统的功能，使其能够满足更深更广的教师培训需要。
[ 参 考 文 献 ]
[1] 曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报，2002（10）：1952-1961.
[2] 郭艳红，邓贵仕.协作过滤的一种个性化推荐算法研究[J].计算机应用研究，2008（1）：39-58.
[3] 张慧颖，梁伟.基于用户访问模式挖掘的网页实时推荐研究 [J].计算机应用，2004（6）：70-73.
[4] WeiyangLin，Sergio A. Alvarez，Carolina Ruiz. Efficient Adap？鄄tive？鄄Support Association Rule Mining for Recommender Systems[J]. Data Mining and Knowledge Discovery，2002（1）.
[5] 潘征宇，钟绍春，钟永江，等.个性化学习工具设计及应用研究[J].中国电化教育，2015（6）：85-91.
[6] 张杨，徐传运，王森.面向课程群的软件案例库建设方法研究[J].计算机育，2015（19）：35-38.
[特约编辑：黄紧德]
