協同推薦：一種個性化學習路徑生成的新視角

趙學孔　徐曉東　龍世榮

【摘要】

以用戶需求為中心的個性化學習環境構建是e-Learning未來的發展趨勢，也是當前遠程教育及智慧教育領域研究的熱點。針對個性化e-Learning學習環境的“適應性”問題，從用戶認知水平維度切入，利用鄰近區用戶群（鄰居用戶）相似性規則提出了一種Web環境下個性化學習路徑生成的協同推薦機制，并通過架構設計、系統建模、路徑提取及算法設計四個方面重點剖析了自適應學習系統（Adaptive Learning System，ALS）協同推薦機制的技術解決方案，通過系列實驗設計、實施以及數據分析對其有效性進行了驗證。結果表明，本研究成果在一定程度上能夠向日標用戶推薦較理想的學習路徑，有效改善推薦資源的精準度，進而提高用戶學習質量和學習效果。

【關鍵詞】個性化學習；協同推薦；學習路徑；自適應學習系統

【中圖分類號】G434 【文獻標識碼】A 【文章編號】1009-458 x（2017）05-0024-11

以互聯網為代表的信息技術迅猛發展催生了教育手段與學習方式的深度變革。作為互聯網信息時代的衍生物及一種重要學習方式，e-Learning環境下的個性化學習因其強調學習過程中的個體差異性需求，倡導“以學習者為中心”的教學理念而備受關注，成為遠程教育及智慧教育領域研究的熱點。美國新媒體聯盟（NMC）在（（2016版地平線報告》中預言，基于自適應學習技術的個性化學習成為e-Learning未來發展態勢（L·約翰遜，等，2016，PP.1-36）。緊跟時代發展步伐，201 2年教育部在《教育信息化十年發展規劃（201 1-2020年）》中明確提出：“推進信息技術與教學深度融合，建設智能化教學環境，提供優質數字教育資源和軟件工具……創新信息化教學與學習方式，為每一名學習者提供個性化學習的信息環境和服務?！?016年6月，教育部發布的《教育信息化“十三五”規劃》中再次強調：“要構建網絡化、數字化、個性化、終身化的教育體系……建立線上線下相結合的混合式教學模式，為全民學習、終身學習提供方便、靈活、個性化的學習條件?！庇纱?，個性化學習成為教育方式變革的重點之一，探索及構建滿足用戶個性化學習支持服務與環境成為當前迫切而重要的研究主題。本研究針對當前個性化e-Learning學習系統的“適應性”問題，即如何向不同用戶高效、精準地推薦適當的學習資源，嘗試從學習者認知水平維度切入，提出一種Web環境下個性化學習路徑動態生成的解決方案及其技術實現路線，以期為相關研究提供參考。

一、相關研究進展

個性化學習（Personalized Learning）是一種針對學習者個體差異性而開展的滿足其個性化需求的學習方式。李克東（2014）將其定義為：以學習者個性差異為基礎，針對學習者的個性特點和發展潛能而采取靈活、適當的方法、手段、內容、評價方式等滿足學習者個性需求，使其各方面獲得充分、自由、和諧發展，以促進個體發展為目標的學習范式。顯然，學習者的個體差異（如學習偏好、專業背景、認知水平等）呈多樣化，其心智發展過程與學習路徑也復雜多樣，是構建個性化學習支持環境的難點與挑戰。

進入21世紀以來，信息技術高速發展引發了學習方式、認知思維模式、交流互動方式的變革，知識可視化、學習分析、大數據挖掘、電子書包以及各種智能移動終端等的出現，為大規模開展個性化學習提供契機，個性化學習成為信息時代教育發展的重要特征。受技術熱潮的影響，當前關于個性化學習的研究逐漸由“概念—內涵—模式”理論層面傾向于“機制—模型—系統”技術實踐層面，技術支持下的個性化學習成為國內外關注的熱點。典型的研究成果包括：

1.個性化學習系統適應性機制與策略

英國教育技術與通信技術局（Becta，2008）在《利用技術：新一代學習（2008-2014）》中提出了基于協作與互動機制建立一套支持個性化學習活動的個人在線學習空間，通過為學習者提供差異化課程和學習經歷、可定制的響應性評價機制滿足學生個性化需求；美國加州大學利用QSP（Quality School Port-folio）項目所開發的在線決策支持工具采集學生成長記錄，并以此分析學生行為和確定個性化學習需求（Eva，et al.，2009）；卡斯特羅等人以數據挖掘為視角論述了e-Learning個性化學習環境實現策略（Castro，et al.，2007）；趙蔚等（2010）提出了基于Web數據挖掘技術的個性化e-Learning推薦機制解決方案。

2.個性化學習系統模型構建

史爾赤等人（Shishehchi，et al.，2014）通過本體技術對學習者及學習資源進行建模，利用語義關系實現了系統個性化推薦效果；王等人（Wang，et al.，2013）基于學習者的特征模型對課程架構與內容進行標記，進而實現個性化學習功能；陳敏和余勝泉等人（2011）以“學習元”平臺為例，通過對用戶興趣、學習偏好和領域知識建模，提出了一種個性化內容推薦模型；張劍平等（2010，p.36）詳細闡述了知識可視化、學生模型、學習能力評估與適應性測試等，為適應性學習系統開發提供了參考借鑒；姜強等（2016）對e-Learning環境中用戶的學習風格模型進行了分析，并構建了適應性學習系統用戶模型。

3個性化學習系統開發

美國Knewton公司基于自適應學習技術開發了在線學習平臺“Knewton”，利用分析引擎判斷學生當前學習狀態，為學生提供個性化課程指導（Kame-netz，2013）；愛爾蘭都柏林大學的歐文博士（Ow-en，2008）將學習對象進行了元數據標記，并利用規則引擎實現了個性化學習系統ApeLS；韓國慶熙大學的曾等人（Jeong，et al.，2013）基于學習者偏好和能力水平開發了自適應教育超媒體系統AEHS，該系統可按照知識難度水平呈現各種媒體資源；楊現民等（2013）將語義本體技術引入學習資源的組建過程，并以此開發了學習元平臺，實現了資源內容的持續進化，且在一定程度上支持個性化學習功能。

縱觀上述研究，國外眾多研究機構、學者以及商業公司等在個性化學習領域研究中開展了大量的理論與實踐探索，以不同的視角設計開發了多種具有一定“適應性”的學習系統原型，取得初步成效；國內的研究者也進行了大膽的嘗試，但實踐性研究成果相對較少。比較發現，上述研究成果就其內容或所采用的技術來分析具有一定的相通性與延續性，主要集中在適應性機制、系統建模、數據挖掘、語義本體、推薦策略等方面。這些成果為今后的實踐研究提供了寶貴的參考借鑒。同時也不難發現，目前關于個性化學習的技術支持環境，仍處于探索階段，多數研究者通過開發適應性學習系統（或智能導學系統）為個性化學習提供技術解決方案，但所設計的模型或開發的學習系統仍處于原型階段，其滿足學習者個性需求的“適應性”效果并非理想，還需要進一步研究。在此基礎上，本研究試圖探索如何通過生成最優個性化學習路徑來改進學習系統的“適應性”。受當前相關推薦技術的啟發，從學習者認知水平維度切入，進行實時建模與分析，基于鄰居用戶群相似性規則，提出一種個性化學習路徑動態生成解決方案——協同推薦機制，并進一步設計了ALS原型系統。

二、協同推薦及其支持下的ALS系統解決方案

（一）協同推薦機制

個性化學習是一種極其復雜的學習體驗，其學習軌跡不僅受學習者問的差異性特征影響，同時也因學習者個體內在的動態發展因素（如認知水平等）的改變而修正，如何讓支持個性化學習的系統在深入“理解”當前學習者個性需求的基礎上做出適當的“推理”，并以此為學習者推薦適當的學習資源，一直是充滿挑戰的話題。然而，在電子商務領域，許多知名的電商平臺通過對海量用戶購買習慣、反饋評價等信息進行分析，采用相關推薦技術向用戶推薦商品，取得了顯著的成效，例如亞馬遜平臺每年利用推薦技術獲得巨額收益；國內淘寶、京東等知名電商平臺也正在向該方向擴展業務。關于推薦模式，目前常見的有協同過濾推薦、關聯規則推薦、基于內容推薦以及混合式推薦四種。其中，協同過濾推薦是應用較成熟的一種模式，采用該模式的推薦系統有Amazon、MovieFinder、CDNow等（陳雅茜，劉韜，2014）。受此啟發，本研究嘗試將協同過濾推薦原理遷移到學習系統中，并從學習者及其個性化學習路徑的角度提出一種協同推薦機制。

協同推薦，從本質上說，是系統針對當前用戶的個性需求而采取的一種篩選、重組、呈現資源的技術解決方案，其策略在于“協同”，成效在于“推薦”。在個性化學習中，系統對當前學習者個性需求的深入理解至關重要，直接影響最終資源的推薦質量，而協同策略在此扮演了重要角色。協同的本質源于協作互助，在此特指將系統中其他用戶的數據信息作為參考并以此為目標對用戶狀態做出合理的判斷推理。推薦是系統在相關程序算法的作用下為用戶呈現適當的資源，是實現個性化、適應性學習效果的關鍵。由此，本研究提出的個性化學習協同推薦機制的設計思想是：以協同過濾推薦技術為基礎，首先利用模型分析工具對目標用戶分別從認知水平和學習路徑兩個維度進行建模分析，然后參考用戶群相似性規則篩選學習路徑序列，并采用AprioriAll算法從學習路徑序列中提取路徑共同體，進而生成最優路徑資源項序列，最后通過預處理組件將資源項序列轉換生成最終資源列表個性化推薦給用戶。圖1是該推薦機制的實現機理的一個示例。

由上分析，個性化學習系統協同推薦機制的實現主要涉及三個過程：①系統建模。從認知水平及學習路徑兩個基本維度構建用戶模型，基于學習策略構建資源內容模型。②獲取鄰居用戶。以認知水平作為判定標準對用戶模型進行分析，并從用戶群中篩選相似性用戶作為當前用戶的鄰居用戶。③產生推薦路徑。利用相關算法從鄰居用戶的學習路徑中挖掘最優學習路徑，并將轉換后的資源序列推薦給目標用戶。為了進一步探索協同推薦機制及其支持下的個性化學習路徑的技術實現方案，我們嘗試構建了ALS原型系統及其具體實現方法。

（二）ALS系統模型構建

1.系統架構設計

ALS，即自適應學習系統（亦稱適應性學習系統），它是一種針對學習者的個體特征差異（如年齡、性別、專業背景、認知水平等）動態提供個性化學習支持服務的系統（趙學孔，等，2015）。根據網絡學習需要，ALS用戶角色應該包括學習者和管理者（可由教師兼任）?；诖?，所構建的ALS主要提供在線個性化學習和資源管理兩大功能模塊，其總體架構如圖2所示。其中，學習單元測評用于診斷學習者當前的認知水平，主要借助習題測試來實現；學習者建模組件負責測驗成績與認知水平數據轉換，以此動態完善用戶模型；記錄器用于實時記錄學習者訪問的頁面信息；協同推薦模塊作為系統的核心部件，主要完成用戶模型分析、學習記錄提取、推薦知識項序列、知識序列預處理等一系列工作過程，進而向用戶推薦個性化學習資源；系統數據庫主要包括用戶模型、學習記錄、學習策略以及學習資源數據庫，用戶模型數據庫存儲用戶的特征信息，學習記錄數據庫存儲用戶的學習歷史記錄信息，學習策略數據庫存儲學習資源的關系信息（如章節項關系、知識項的前驅后繼關系等）、學習資源數據庫存儲資源的實體信息。

如圖2所示，ALS的工作過程大致描述如下：①學習者登錄ALS系統后，首先通過測試題對其當前認知水平進行診斷，并利用建模組件將測試成績記錄在用戶模型數據中。②學習者在學習過程中，系統利用模型分析工具獲取學習者當前的認知水平信息，然后從鄰居用戶群中提取學習記錄集并以此產生推薦知識項序列（即學習路徑），最后利用預處理組件將最優學習路徑與實體資源建立映射關系，將個性化資源列表推薦給目標用戶。學習者則在相關學習工具的支持下，借助Web瀏覽器完成在線學習。同時，記錄器實時捕獲學習者訪問頁面的序列、內容、訪問時間等信息，隨時更新學習記錄數據庫。③學習者每學完一個知識單元都需要進行單元測試練習，系統將其測驗成績作為當前認知水平，然后利用建模組件更新用戶模型信息，為后續推薦服務提供數據參考。④資源管理者登錄系統后，通過管理功能實時更新學習資源信息，如上傳和編輯資源、修改學習資源的策略關系等。

2系統建模

（1）用戶模型。學習者是ALS系統的主體使用者，同時也是系統的個性化推薦服務對象，因此系統的設計首先不能忽視學習者用戶的主體地位。ALS協同推薦實現的關鍵是在分析目標用戶模型的基礎上獲取鄰居用戶的學習路徑，并以此提取最優學習路徑?？梢哉f，ALS推薦內容的精準度在很大程度上受用戶模型的影響。在本系統中，用戶建模組件通過實時采集處理學習者個性化信息來修正用戶模型。為了能夠真實地反映學習者的學習狀態，主要從認知水平和學習記錄兩個維度建構用戶模型，具體表示方法如下：