基于遠程教育的個性化知識服務研究

姬昊

摘要：隨著因特網的廣泛普及和網絡應用規模的不斷擴大，用戶可以便利的從網絡中獲取豐富的信息資源，用戶和網絡之間的信息通信、相互交流也變得越來越普及。然而，在這種便利的教學模式下如何進行高效的學習受到了越來越多的關注。當前常見的遠程教育系統模式單一，使得用戶只能被動的接受基本一致的學習內容，而缺少較好的個性化知識服務，導致教育資源利用效率低，影響教學質量。本研究旨在對遠程教育的學習用戶制定群體聚類的個性化知識服務體系。研究實現核心思想為根據用戶在遠程教育系統使用過程中歸納的群體性相似學習特征，建立帶反饋機制的個性化知識服務模式，從而提高遠程教育的教學質量。

關鍵詞：遠程教育；知識服務；個性化推薦；神經網絡

1 引言

隨著因特網的廣泛普及和網絡應用規模的不斷擴大，用戶可以便利的從網絡中獲取豐富的信息資源，用戶和網絡之間的信息通信、相互交流也變得越來越普及。在這種情形下，教育從業者們思考著將網絡中的一些籠統的資源轉化成特定的教育資源，同時用戶從網絡中獲取資源信息的行為實質變成一種類似學生學習式的知識獲取，這樣遠程教育理念就應運而生了。

1.1 研究現狀

目前，由于遠程教育的規模發展迅速，服務對象的規模日益增大[1][2]，導致遠程教育的規模與質量間的矛盾提議增大。因此，個性化的學習服務已經受到了國內外眾多學者的廣泛關注[3][4][5][6]。

在此背景下，我們提出了一種通過對遠程教育用戶的行為分析來實現對不同用戶的個性化知識服務模式。這種模式是解決用戶需求個性化和教學資源單一化這一矛盾的有效方案，將會大大提高遠程教育的服務質量。通過對用戶學習能力、個性差異以及學習狀態的相關大量數據進行分析，研究用戶的行為習慣與興趣，從而根據用戶的實際需求為用戶提供更合適的資源，來實現最優化、最高效的學習策略。同時，學習過程中增加了更多的人機交互、人人交互，能夠激發用戶在學習過程中的最大熱情，進一步提高遠程教育的教學質量。

1.2 個性化服務

個性化服務是指學習環境、資源通過智能適應學習者的個性特征和知識水平，以滿足學生個性化需求的學習過程。在這種學習模式下，學習是根據自身已有的知識水平和資源系統進行交互并獲取知識、提升能力的過程。在這個過程中，學生可以自主選擇學習策略、自主制定學習計劃、對自身的學習進行評估并控制整個學習過程。個性化學習重點強調學習環境的適應性，創設個性化學習環境，最大可能地適應不同學生的具體情況。

2 個性化知識服務設計

基于用戶行為分析的個性化服務的在線學習系統，要求根據用戶的個性特征、學習行為等，動態地生成個性化教學策略來組織與呈現最適合用戶特征的學習內容。系統以用戶為中心，建立用戶模型來表示用戶的特征，在構建用戶模型，收集用戶特征時，可以首先采用線上、線下調查或激勵用戶完善個人基本信息的方式收集用戶信息，為個性化服務過程設計提供數據。此外，系統應充分關注知識概念間的語義關聯關系，以便更智能、更全面地為用戶提供個性化的資源內容。

2.1 服務模型構建

用戶可以向推薦系統主動提供個人興趣偏好信息，包括用戶的顯式信息和隱式信息，推薦系統自動將用戶的個人偏好相關信息存儲到偏好信息庫中，推薦引擎通過查詢偏好信息庫和資源數據庫中的相關數據，提取知識庫中的用戶訪問模式信息，利用相應的個性化推薦策略，向用戶提供個性化的資源推薦。

2.2 系統總體架構設計

系統的設計遵循以下幾條主線：隨時掌控用戶的學習情況，全程跟蹤其學習進度與教學目標的達成程度；向學生推薦符合其興趣偏好的學習資源。此外，系統還應該具備其它個性化學習系統所具備的特征。

（1）數據存儲層。

主要用來存取學生、學習資源等數據信息，為學習提供教學數據支撐，為生成個性化教學策略提供學生的個性化信息；提供領域知識的信息。

（2）個性化控制層。

個性化控制層是整個系統的中心環節，協調各模塊的行為。它根據數據存儲層的數據信息生成個性化教學策略、合適的教學序列，控制教學進度與表現過程。

（3）學習層。

學習層包括個性化學習和學習評價兩部分，其中個性化學習包括學習測試與資源學習兩個模塊，這兩個模塊是根據個性化控制層返回結果生成的。這一層提供學生與系統的直接交流。學習評價是系統對學生學習情況的診斷反饋信息。

2.3 個性化推薦策略

人工神經網絡（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（Connection Model），它是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的[7]。

一個神經網絡模型描述了一個網絡如何將它的輸入矢量轉化為輸出矢量的過程。通常情況下，神經網絡模型由神經元特性、拓補結構和學習方法三個元素組成。

應用BP神經網絡的構建方法進行分析，得到網絡結構各參數分別為：輸入層：4節點；隱含層：4節點；輸出層：1節點。制定知識影響度BP神經網絡個性化推薦策略。

2.4 工作流設計

用戶可以向推薦系統主動提供個人興趣偏好信息，包括用戶的顯式信息和隱式信息，推薦系統自動將用戶的個人偏好相關信息存儲到偏好信息庫中，推薦引擎通過查詢偏好信息庫和資源數據庫中的相關數據，提取知識庫中的用戶訪問模式信息，利用相應的個性化推薦策略，向用戶提供個性化的資源推薦。

3 應用與分析

3.1 應用

以西安電子科技大學網絡教育課程建設、陜西省人力資源和社會保障廳專業技術人員繼續教育資源學習為重點開展相關研究活動，獲取在線學習相關資源；根據研究和調研情況實施個性化方法與實施方案。

行為分析模塊實現對目標用戶的職業預測，通過應用行為分析模型對用戶行為進行分析。首先，統計目標用戶群體，結果如圖4所示。

結果統計模塊是應用分析結果進行數理統計，為管理人員提供直觀的分布數據，以進一步為方案制定做準備。分布統計以職業為標準，對不同職業類別的用戶進行統計，可視化的方法顯示出不同職業的用戶分布，如圖5。

結果分析模塊是指針對獲得職業特征后的用戶，在已知職業信息的基礎上，結合用戶的其他屬性信息，分析用戶的興趣、性格等特征。該模塊的實現分為兩部：首先提取用戶的顯性特征，包括星座、性別、屬相、年齡等，如果用戶的注冊信息中沒有該項目，則通過字段提取分析的方法取得用戶的顯性屬性特征；然后結果用戶的隱性特征職業進行分析預測，獲得期望預測結果，如圖6。

3.2 分析

應用測試數據對分析系統進行個性化推薦適用測試，應用計算公式計算適用率并繪制圖標。設適用率為P；測試樣本數為N；測試推薦適用數為R.則：

（1）

具體結果如圖7所示。

4 結束語

本文提出了一種對遠程教育的學習用戶制定群體聚類的個性化知識服務體系。根據用戶在遠程教育系統使用過程中歸納的群體性相似學習特征，建立帶反饋機制的個性化知識服務模式。測試結果表明，該模式一定程度上可有效提高用戶學習效率，提升遠程教育用戶學習質量。

參考文獻：

[1]章東飛.試析我國遠程教育發展現狀與存在問題[J].成人教育，2010（012）：50-51.

[2]蔣立兵，于凌云.遠程教育發展現狀與存在的問題分

[3]王陸，方平，劉維民.關于學生個性因素與遠程教育相關性的探討[J].電化教育研究，2001，6：28-32.

[4]舒蓓，申瑞民.個性化的遠程學習模型[J].計算機工程與應用，2001，37（9）：90-92.

[5]韓玲.遠程網絡教學中學習者行為間隔的量化分析與反思[J].中國遠程教育，2005（06S）：44-47.

[6]王冬青.遠程教育個性化學習支持服務研究[J].中國遠程教育，2008（15）：38-42.

[7]神經網絡：http：//baike.baidu.com/view/5348.htm.