网站首页  词典首页

请输入您要查询的论文：

　

标题 基于用户模型的生成性学习资源个性化推荐研究
范文 谭明新+鲍晓琴



摘 要：个性化推荐作为解决学习者信息迷航的重要途径已成为研究热点。以生成性学习资源中学习者的个性化学习特征为基础，构建用户模型。根据布卢姆认识理论，采用贝叶斯网络评估学习者认知状态，并基于Felder-Silverman模型，利用TAN貝叶斯网络预测学习者学习风格，依据学习者的认知水平和学习风格推荐不同的学习策略，以有效提高学习效率。
关键词：生成性学习资源；认知状态；学习风格；用户模型；个性化推荐
DOIDOI：10.11907/rjdk.171203
中图分类号：TP319
文献标识码：A 文章编号文章编号：1672-7800（2017）008-0123-05
0 引言
信息技术的迅猛发展，尤其是Web2.0技术的出现，为资源的再生提供了支撑[1]。然而，一些常见的教学系统，如SaKai 、Blackboard、Moodle等采用单一的学习方式，不能根据用户特征提供个性化服务。为学习者提供“最短路径”的学习体验，根据学习者的学习偏好、认知状态、学习风格等“量身定制”学习方案，是许多教育工作者努力的目标。
随着以学习者为中心的网络学习兴起，关于学习者模型的研究倍受青睐，个性化推荐得到发展。例如Jon Herlocker等[2]基于推荐算法，对相似度计算、邻居用户的选择和评估模块进行介绍，详细分析了基于邻居用户的协同过滤算法，并给出较优选择；Yao Jung Yang等[3]利用Kolb学习风格模型测量学习者的风格偏向，并对学习资源进行分类处理，以保证个性化学习资源推荐；Gra等[4]分析了基于Felder-Silverman学习风格测量表，向活跃/沉思型、感悟/直觉型、视觉/言语型或序列/综合型的学习者推荐适合的学习资源；TG Baudson等[5]利用多层次分析原则，从学生、教师、课堂等角度分析影响学生认知能力的因素；张剑平等[6]构建了CS-LS学生模型，将学习风格（Learning Style）和认知状态（Cognitive State）融入学习者模型，通过分析学习者特征提供适应性网络学习；衷克定等[7]阐述了学习风格类型、特点及测量方式，依此设计教学策略，验证学习风格的可行性；李艳燕等[8]通过学习分析，预测学习者学习环境，干预指导学习，继而提高学习效果；赵蔚等[9]采用Felder-Silverman学习风格模型与个性化推荐技术评估学习者学习行为特点，培养学生的自我效能感，提供更优化的学习服务。虽然这些研究取得了一定成果，但仍存在一些不足，如缺乏对学习者学习特征的分析，用户模型构建信息不足，无法整体把握学生的学习过程，教学策略设计不够灵活，协作交互方式单一等。本文对用户模型信息进行完善，引入学习者的认知状态与学习风格两大要素；采用基于知识关系的贝叶斯网络对学习状态进行评估，能较好反映学习者的相关知识结构；根据Felder-Silverman模型对学习风格进行初始化，在学习过程中使用TAN贝叶斯网络挖掘学习者学习行为并更新学习风格。根据用户模型引导学习，以学习资源的个性化推荐为主，支持性活动、工具、策略等推荐为辅，充分体现“因材施教”的教学理念，发挥学习资源的最大价值，提高学习效率。
1 用户生成性学习资源
1.1 用户生成性学习资源定义
用户生成性学习资源（User Generated Learning Resources，UGLR）又称为用户创建内容（User Created Content，UCC）或用户贡献内容，泛指学习者在网络学习环境下，结合自身的知识背景将潜隐的智慧资源显现化，通过网络工具将其发布在网络上，为他人所用。新的想法、思路以及解决问题的方法将添加到原有认识结构中，如此循环，实现资源再生[10]。
1.2 用户生成性学习资源构建
用户生成性学习资源具有零散性，一张图片、一个词条或一段视频/音频都可作为其最小内容单元——微内容。将微内容有效组织起来，使非结构化资源逐步结构化，是用户生成性资源构建中至关重要的一步，加上人为干预性指导，新的资源将不断创造。生成性资源设计模型如图1所示。
用户生成性学习资源构建依赖于学习者之间的头脑风暴、思想碰撞、正确的指导和效果评价。遵循建构主义学习理论，包括学习交流、学习活动、学习评价3大部分，学习者可以利用学习交互工具参与到学习各个环节，充分发挥主观能动性。
在学习交流中，利用Wiki发起一个话题，其他学习者修改完善，资源将得到新的发展；RSS 实现了学习资源订制，为信息发布和共享提供了一种高效方式；Blog可以用来记录学习心得、学习笔记和学习反思，使学习交流更加自主化；而论坛和聊天室满足了学习者之间同步或异步的交流互动[11]；对疑难问题，也可直接请教教师或相关专家。在学习活动中，添加不同的场景可以使学习效果事半功倍，例如在操场、植物园或教室等地点进行内容各异的学习活动，让学习者真正体会到学习的乐趣，促进学习者之间观点的交流、补充和启发。与此同时，学习工具的推荐保证了生成性资源的产生、保存、有效利用和传播。彼此的知识、经验和体验的分享也可提高学习的主动性和积极性。学习活动开展方式很多，如问题教学、项目学习、任务驱动和小组协作等。在学习评价过程中，教师根据学生反馈，对取得进步的学生给予必要的奖励，对有落后趋势的学生给予相应的鼓励和指导，激励学习热情，保持学习高涨气氛。倡导多元化评价，如学生自评和互评、教师评价、学生与教师互动评价以及专家评价。
2 用户模型
用户模型（User Models）是智能系统中某个用户或用户群的表示法，基于用户需求建立 [12]。为了适应不同阶段的学习者，通过学习行为挖掘掌握用户兴趣爱好，更新用户模型。依据《学习者模型规范 CELTS-11》[13]构建用户模型，选取个人信息、学业信息、偏好信息和绩效信息4类，每类信息含有标识和外标识，用于数据连接。其中个人信息为一般的通用信息；学业信息与学习者的学习背景相关；偏好信息可促进人机交互的参数选择，包含先前偏好集、后继偏好集、情感和兴趣等信息；绩效信息基于学习者目前的学习情况，如学习体验和知识掌握情况，据此推荐学习资源。
本文对CELTS-11规范进行了扩展和综合，增加了“角色分类”扩展元，将管理者、教师、学生和专家角色引入到个人信息中。在学业信息中添加学习行为操作：分享、下载、阅读和评价等；把学习者偏好的资源类型添加到偏好信息中；“学习效果”增加奖励情况、测试成绩到绩效成绩中；新增学习风格和认知状态两类信息。新增扩展元使得学习者模型信息更加完整，同时为可视化提供数据，方便学习者查询学习信息及教师干预指导，用户模型如图2所示。
3 生成性学习资源个性化推荐
学习者初次使用本系统时须注册信息（如姓名、性别、学历、资源的偏好类型等），并进行认知状态的评估和学习风格的测量，以此显式方式得到初始化用户模型。在学习过程中，通过隐式获取方式挖掘学习者潜在特性以不断修正用户模型，向用户推荐适合自身的学习资源、活动、交流工具等，在保证学习质量的同时提高学习效率。学习结束后，通过学习测试检验用户是否达到了预期学习效果。将测试数据传送到“测试成绩”中，并给出学习建议——进行后续学习还是继续本内容学习。学习资源个性化推荐模型如图3所示。
学习资源类型丰富，包括视频、音频、图片、文本和综合多媒体等，可以很好地满足学习者对资源的需求。为方便学习者对资源的管理，提供添加标签方式对资源进行标注。教师根据测试结果对学生单独指导，在把握学生自身特征的同时，实现 “学生自主学习为主，老师指导为辅”的教学模式。
3.1 贝叶斯网络评估认知水平推荐
美国著名教育学专家布卢姆指出：认知领域的目标是知识的结果，包括识记、理解、运用、分析、综合和评价6部分[14]。而学习评估能够较准确地获取学习者当前的认知水平和状态，为个性化支持服务提供依据。近年来，贝叶斯网络（Bayesian Nets，BN）常被用于有监督的学习形式，能综合学习前的信息，判断学生对相关知识的掌握情况。
贝叶斯网络是一种基于概率推理的图形化网络，用于模拟事物之间的因果关系，可用一个三元组（E，V，P）表示。其中，V为一组代表知识变量的节点集合，节点间有向边的集合用E表示，用于反应知识变量间的依赖关系；P为条件概率集合[15]，可通过BN先验信息与后验信息的结合能力，将学习资源中知识间的因果关系编码，并随学习进度更新用户模型。
贝叶斯网络的建立基于贝叶斯定理，计算公式如下：
P（X1，X2，...，Xn）=∏ni=1P（Xi/pa（Xi））（1）
其中，Xi∈V，pa（Xi）表示Xi的父节点，P（Xi/pa（Xi））表示条件概率，是条件概率表（CPT）的依据。为了合理反映学习资源各知识项的关系，采用基于知识关系的贝叶斯评估模型。以《通信原理》知识结构为例构建评估模型，如图4所示。
Subjects表示科目（S），Topic（T）为主题，即章节， Concepts（C）代表每章节中的知识项，Questions（Q）为试题，其属性有{编号、所测认知能力、知识点、等级、选项、答案、解析、关联知识点、区分度}，S、T和C之间的关系可表示如下：
Ci是相互独立的元知识单元集，可表示为Ci={Ci1，Ci2，…，Cin} ；Wi元知识Ci相对其所属T的权重，Wi={Wi1，Wi2，…Win}；T表示关于一个主题的知识集，T={T1，T2，…Tn}，由Ci、Wi表示为Ti=∑nj=1WijCij；H是主题相对于所属学科的权重，H={H1，H2，…，Hn}；那么，科目S=∑nj=1HjTj。
本文以一个知识项Ci为例，题库中关于Ci的试题Qi的等级分为非常不重要、不重要、一般、重要、非常重要5类，分别用X1、X2、X3、X4、X5表示。学习者对知识项C的掌握情况用L表示，分为掌握M与未掌握UM两种，M又分为初步掌握IM、基本掌握BM、熟练PM、应用AM四类，即L={UM，IM，BM，PM，AM}。测试试题由教育专家根据领域知识和用户学习策略设计，并按照量化表中数据的类型与难度级别进行映射。不同难度的试卷包含不同比例的难度等级试题，学习者进行认识能力测试时，系统会根据其认知状态生成一套符合学习者认知规律且内容丰富的试卷。在测试过程中，采用0-1評分方式（答对记1，答错记0），根据作答情况和类别概率，在CPT中查询相应节点概率，根据公式（1）即可得到学习者对某知识项的认知水平（掌握情况）。根据学习者的认知水平不同将学习者划分于不同的区间，对不同的学习者推荐不同的教学策略，帮助学习者完成学习目标，如表1所示。
将测试所得值保存到数据库中，并以曲线图的形式展示学习者的测试成绩。根据测试情况，针对学习者的弱项采取措施，从而帮助教师、学习者和家长全面了解学习者的的认知状态与认知结构。若学习者对测试结果不满，可以选择重新测试，系统会更换测试题，并对所测试过的题目用不同的颜色标记，答对的题目标记为绿色，答错的为红色，没有作答的题目为黄色，保证测试的有效性。
3.2 依据TAN贝叶斯网络的学习风格推荐
传统的学习风格检测基于一种静态方式，即通过测量表获取学习者的学习风格。多次填写测量表平乏无味，导致部分学习者随意应付，同时，无法实时检测学习风格。贝叶斯网络可对学习风格实时检测，提供一种更准确的个性化服务，在有监督的学习中得到快速发展。
Felde和Soloman[16]对学习风格的测量及分类做了很多研究，提出了Felder-Silverman学习风格模型，从感知、输入、处理和理解4个维度对学习风格进行分类，分为活跃/沉思型、感悟/直觉型、视觉/言语型、序列/综合型，并在教学实践和多元智能理论基础上完成了《学习风格指数问卷》（Index of learning styles， ILS），用于学习风格测评。
随着教育信息化发展，静态的学习风格测量已不能满足学习者需求，本文在Felder-Silverman基础上，运用朴素贝叶斯网络（Tree Augmented Naive Bayesian，TAN），自动检测学习者的学习风格，并对学习风格特性和学习行为进行分析，得到如表2所示的学习风格分类及学习行为模式，建立了学习风格检测模型，如图5所示。
学习风格检测过程中，对内容理解（U）的检测作详细说明，其它学习风格的检测过程相同。内容理解维度分为序列型（U1）和综合型（U2）两类，节点信息描述如下：①测试成绩（R）：优秀R1[8，10]分，良好R2[6，8），差R3[0，6）；②学习路径（P）：顺序学习（P1），非顺序学习（P2）。
从学习风格训练库中的数据可以分析得出U、P、P节点的先验概率表，然后通过参数学习计算得到节点的CPT表，如表3所示。
某学习者的学习行为数据：P（P1）=0.68，P（P2）=0.32，P（R1）=0.3，P（R2）=0.6，P（R3）=0.1，由公式（1）得到：
P（U1/P，R）=0.98*0.32*0.3+0.8*0.32*0.6+0.6*0.32*0.1+0.02*0.68*0.3+0.25*0.68*0.1=0.59304
同理P（U2/P，R）=0.40696
则P（U=U1）=P（X/U1）/（P（X/U1））+P（X/U2）
=59.304%
P（U=U2）=P（X/U2）/（P（X/U1））+P（X/U2）
=40.696%
ILS将所检测到的Feler-Silverman学习风格进行了等级分类：中间型（差值为1或3）、趋向性较弱（差值为5或7）、趋向性较强（差值为9或11）。因此，将50%～100%分为与之对应的3个等级，分别为50%～67%，67%～85%，85%～100%。综合以上P值计算结果可知该学生为中间型。在生成性学习资源中，依据梅耶的知识理论，将知识分为语义知识、程序性知识和策略性知识3类[17]。在不同阶段根据学习风格设计学习资源、学习策略和学习过程，让学习风格融入到整个学习过程。
（1）基于學习风格的语义知识资源设计。在语义知识阶段，概念和事实性知识居多，对序列/综合型及视觉/言语型学习者影响较大。序列型学习者喜欢按顺序学习知识点。因此，学习资源的设计要遵循“线性”原则，将学习资源的章节、单元分类，并对知识点之间关系进行详细分析，例如包含关系、依赖关系等，采用逻辑顺序或类别顺序组织知识点；综合型学习者偏爱从整体到局部的学习方式，思维发散性、跳跃性较强，利用思维导图或概念图展现知识的“整体性”尤为重要，相关知识点采用“超链接”方式嵌入，保证了知识整体与局部的结合；视觉型学习者擅长信息的记忆，通过字体大小和颜色加强视觉冲击，或将概念形象化，帮助学习者记忆知识；言语型学习者倾向音频或视频型资源，可以在概念与原理知识中添加语音或视频讲解。
（2）基于学习风格的程序性知识资源设计。程序性知识对感知信息维度的作用较为明显，以综合与运用为主，知识点较多。感悟型学习者倾向将知识与实际生活中的事物联系起来，以事实或问题作为学习的开端，可以推荐“案例学习”与“问题学习”资源；直觉型学习者与感悟型学习者的学习顺序相反，应先向学习者推荐理论知识，然后推荐应用案例类资源；视觉型学习者在此阶段，倾向包括认知策略、知识总结等内容的视频类资源；而言语型学习者以图片、音频资源为主，资源内容中可适当添加对知识点之间关联的讲解。
（3）基于学习风格的策略性知识资源设计。策略性知识是前两种知识的综合应用与评价过程，要求挖掘新知识。活跃型学习者是该过程中的积极分子，擅长沟通与合作，喜欢动手操作，可向活跃型学习者推荐交流工具与学习活动，如聊天室、讨论区及教育游戏等；沉思型学习者独立性强，喜欢安静思考，适合Blog和RSS类交流工具的推荐，且资源设计中需要预留充足的时间让其思考；策略性知识是学习者的最高追求，也是用户生成性学习资源的收尾工作，头脑风波在此过程中尤为重要，要对资源的学习价值进行评价，将有价值的资源保留下来，删掉无用的学习资源。
为了鼓励学习者积极思考，可以采取积分奖励、奖状表彰等奖励措施，奖励情况记入学习成绩中。学习者可以查看其他用户的浏览内容和学习成绩，共同学习、探讨问题。学习者可通过可视化信息面板了解学习情况，进行自我认识与自我规划；学生、教师和专家之间的联通关系构成“人际渠道”，便于学习者进行问题求助，获取学习支持。总之，认知状态与学习风格无缝融入用户模型，可促使生成性学习资源再生。
3.3 基于用户模型的个性化学习效果
本文以华中师范大学2014级通信专业80名本科生为研究对象进行测试调查，其中男生43人，女生37人。被研究者均能较熟练操作计算机，且81.26%的被研究者每天上网时间都在1小时以上。将研究对象随机分为实验组和普通组，每组40人，根据研究者的前测成绩（分数）将各组分为A类生[5，10]和B类生[0，5）两类。经过半个学期的《通信原理》课程学习后，实验组与普通组的测试数据如表4所示。
由表4可知，实验组的学习成绩提升效果明显，两个组中A类生学习成绩提升效果不如B类生明显，分析原因：A类生原本有较为理想的学习计划、方法和效率，而B类生学习漫无目的，学习方法不正确，没有支持性学习伙伴与学习热情。通过该系统的帮助，B类生找到了较适合的学习方法、工具和伙伴，学习热情提高，学习成绩提升效果明显。根据表中的学习时间、抛弃问题数量、尝试解决次数和资源再生次数4类数据可以看出，实验组学习效率更高，学习资源再生次数更多。主要原因在于系统会根据学习者的学习风格与认知状态水平提供个性化学习资源、工具与活动，使学习者充分融入学习氛围，积极参入到知识讨论环节，对知识点的理解也更为深刻。此外，通过调查发现实验组的学习者认为此系统的资源推荐可代替自选资源，节约了查找资源时间。而普通组的学习者则趋向自选资源，因为系统所推荐的资源不符合自身认知状态或学习风格，由此得出结论：基于用户模型的生成性学习资源个性化推荐系统可以提高学习效率和学习热情，便于生成性资源 “成长”。
本研究使用的测试量表借鉴前人成果，通过相关领域专家改编而成，试题共30题，不同学科采用不同的测试试卷，从多个维度测试被调查者相关知识的掌握情况。通过对测试量表的数据分析，得到总量表的信度系数为0.861>0.7，单项信度系数均在0.785～0.876之间，故各测量维度较好地反映了所需测量内容，具有良好的一致性。而测前与测后的Sig.=0.02<0.05，由于测后分数明显提高，更进一步证明了该推荐系统可以有效提高学习效果，且对所有被调查者适用。
4 结语
用户生成性学习资源作为重要的数字化学习资源开发途径，在整个生命周期中都需要学习者新思想的注入。本文以用户模型为依据实现学习资源、学习活动、交流工具等个性化推荐，并对学习者的认知状态和学习风格测量提供方法，以此推荐适合学习者个性化的内容；认知状态的评估依据布卢姆认识理论，根据学习者作答情况，通过贝叶斯网络确定认知状态；学习风格的测量基于Felder-Silverman模型与量表，采用TAN贝叶斯网络自动检测更新学习风格。在学习过程中，不断发掘用户新特征以修正用户模型，最终实现学习资源的最佳推荐。
下一步研究重点是基于学习内容的推荐，即知识专家与学习同伴以同心圆方式围绕在学习内容周围，越靠近中心的学习者对该知识的掌握越好，以此为其他学习者提供更精确的咨询服务。
参考文献：
[1] 刘淼，杨镇豪，谢韵玲，等.Andorid图文同步识别系统的设计和实现[J].计算机工程与设计，2014，35（6）：2207-2212.
[2] JON HERLOCKER，JOSEPH A， KONSTAN，et al.An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms[J].Information Retrieval，2002，5 （4） ：287-310.
[3] YAO JUNG YANG，CHUNI WU.An attribute-based ant colony system for adaptive learing object recommendation[J].Expert System with Applications，2009（36）：3034-3047.
[4] GRA，F S.Adaptivity in learing management systems focussing on learing styles[D].University of Vienna，2007.
[5] TG BAUDSON，F PRECKEL，A FISCHBACH.Teacher judgments as measures of children's cognitive ability：a multilevel analysis .Learning and Individual [C].Differences，2014.
[6] 張剑平，陈仕品，张家华.网络学习及其适应性学习支持系统研究[M].北京：科学出版社，2010：136-137.
[7] 衷克定，刘洋.基于学习风格理论的在线导学策略设计与实践[J].开放教育研究，2012，18（3）：83-89.
[8] 李艳燕，马韶茜.学习分析技术：服务学习过程设计和优化[J].开放教育研究，2012，18（5）：18-24.
[9] 姜强，赵蔚，王朋娇，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015 （1）：85-92.
[10] 万力勇，赵呈领，黄志芳，等.用户生成性学习资源：数字化学习资源开发与利用的新视角[J].电化教育研究，2014 （5）：53-58.
[11] 王梅.基于Moodle平台的生成性学习资源的设计与开发[D].济南：山东师范大学，2014.
[12] 姜强，赵蔚，杜欣，等.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育，2015 （5）：106-110.
[13] 教育部教育信息化技术标准委员会.CELTS-11，学习者模型[S].2012.
[14] 裴雪娇.适应性学习系统中学习者认知能力诊断方法研究[D].长春：东北师范大学，2014.
[15] 谢朝辉，马进，原海英.基于贝叶斯的网络学习效果评估系统研究[J].中国人力资源开发，2015 （2）：63-67.
[16] 崔晓阳.基于Felder-Silverman学习风格模型的在线导学系统设计与开发[D].济南：山东师范大学，2014.
[17] 高虎子，周东岱.自适应学习系统学习者学习风格模型的研究现状与展望[J].电化教育研究，2012（2）：32-38.
随便看

　

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

　

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间：2025/3/15 22:53:19