协同推荐:一种个性化学习路径生成的新视角

2017-07-27 21:22赵学孔徐晓东龙世荣
中国远程教育 2017年5期
关键词:学习路径个性化学习

赵学孔 徐晓东 龙世荣

【摘要】

以用户需求为中心的个性化学习环境构建是e-Learning未来的发展趋势,也是当前远程教育及智慧教育领域研究的热点。针对个性化e-Learning学习环境的“适应性”问题,从用户认知水平维度切入,利用邻近区用户群(邻居用户)相似性规则提出了一种Web环境下个性化学习路径生成的协同推荐机制,并通过架构设计、系统建模、路径提取及算法设计四个方面重点剖析了自适应学习系统(Adaptive Learning System,ALS)协同推荐机制的技术解决方案,通过系列实驗设计、实施以及数据分析对其有效性进行了验证。结果表明,本研究成果在一定程度上能够向日标用户推荐较理想的学习路径,有效改善推荐资源的精准度,进而提高用户学习质量和学习效果。

【关键词】个性化学习;协同推荐;学习路径;自适应学习系统

【中图分类号】G434 【文献标识码】A 【文章编号】1009-458 x(2017)05-0024-11

以互联网为代表的信息技术迅猛发展催生了教育手段与学习方式的深度变革。作为互联网信息时代的衍生物及一种重要学习方式,e-Learning环境下的个性化学习因其强调学习过程中的个体差异性需求,倡导“以学习者为中心”的教学理念而备受关注,成为远程教育及智慧教育领域研究的热点。美国新媒体联盟(NMC)在((2016版地平线报告》中预言,基于自适应学习技术的个性化学习成为e-Learning未来发展态势(L·约翰逊,等,2016,PP.1-36)。紧跟时代发展步伐,201 2年教育部在《教育信息化十年发展规划(201 1-2020年)》中明确提出:“推进信息技术与教学深度融合,建设智能化教学环境,提供优质数字教育资源和软件工具……创新信息化教学与学习方式,为每一名学习者提供个性化学习的信息环境和服务。”2016年6月,教育部发布的《教育信息化“十三五”规划》中再次强调:“要构建网络化、数字化、个性化、终身化的教育体系……建立线上线下相结合的混合式教学模式,为全民学习、终身学习提供方便、灵活、个性化的学习条件。”由此,个性化学习成为教育方式变革的重点之一,探索及构建满足用户个性化学习支持服务与环境成为当前迫切而重要的研究主题。本研究针对当前个性化e-Learning学习系统的“适应性”问题,即如何向不同用户高效、精准地推荐适当的学习资源,尝试从学习者认知水平维度切入,提出一种Web环境下个性化学习路径动态生成的解决方案及其技术实现路线,以期为相关研究提供参考。

一、相关研究进展

个性化学习(Personalized Learning)是一种针对学习者个体差异性而开展的满足其个性化需求的学习方式。李克东(2014)将其定义为:以学习者个性差异为基础,针对学习者的个性特点和发展潜能而采取灵活、适当的方法、手段、内容、评价方式等满足学习者个性需求,使其各方面获得充分、自由、和谐发展,以促进个体发展为目标的学习范式。显然,学习者的个体差异(如学习偏好、专业背景、认知水平等)呈多样化,其心智发展过程与学习路径也复杂多样,是构建个性化学习支持环境的难点与挑战。

进入21世纪以来,信息技术高速发展引发了学习方式、认知思维模式、交流互动方式的变革,知识可视化、学习分析、大数据挖掘、电子书包以及各种智能移动终端等的出现,为大规模开展个性化学习提供契机,个性化学习成为信息时代教育发展的重要特征。受技术热潮的影响,当前关于个性化学习的研究逐渐由“概念—内涵—模式”理论层面倾向于“机制—模型—系统”技术实践层面,技术支持下的个性化学习成为国内外关注的热点。典型的研究成果包括:

1.个性化学习系统适应性机制与策略

英国教育技术与通信技术局(Becta,2008)在《利用技术:新一代学习(2008-2014)》中提出了基于协作与互动机制建立一套支持个性化学习活动的个人在线学习空间,通过为学习者提供差异化课程和学习经历、可定制的响应性评价机制满足学生个性化需求;美国加州大学利用QSP(Quality School Port-folio)项目所开发的在线决策支持工具采集学生成长记录,并以此分析学生行为和确定个性化学习需求(Eva,et al.,2009);卡斯特罗等人以数据挖掘为视角论述了e-Learning个性化学习环境实现策略(Castro,et al.,2007);赵蔚等(2010)提出了基于Web数据挖掘技术的个性化e-Learning推荐机制解决方案。

2.个性化学习系统模型构建

史尔赤等人(Shishehchi,et al.,2014)通过本体技术对学习者及学习资源进行建模,利用语义关系实现了系统个性化推荐效果;王等人(Wang,et al.,2013)基于学习者的特征模型对课程架构与内容进行标记,进而实现个性化学习功能;陈敏和余胜泉等人(2011)以“学习元”平台为例,通过对用户兴趣、学习偏好和领域知识建模,提出了一种个性化内容推荐模型;张剑平等(2010,p.36)详细阐述了知识可视化、学生模型、学习能力评估与适应性测试等,为适应性学习系统开发提供了参考借鉴;姜强等(2016)对e-Learning环境中用户的学习风格模型进行了分析,并构建了适应性学习系统用户模型。

3个性化学习系统开发

美国Knewton公司基于自适应学习技术开发了在线学习平台“Knewton”,利用分析引擎判断学生当前学习状态,为学生提供个性化课程指导(Kame-netz,2013);爱尔兰都柏林大学的欧文博士(Ow-en,2008)将学习对象进行了元数据标记,并利用规则引擎实现了个性化学习系统ApeLS;韩国庆熙大学的曾等人(Jeong,et al.,2013)基于学习者偏好和能力水平开发了自适应教育超媒体系统AEHS,该系统可按照知识难度水平呈现各种媒体资源;杨现民等(2013)将语义本体技术引入学习资源的组建过程,并以此开发了学习元平台,实现了资源内容的持续进化,且在一定程度上支持个性化学习功能。

纵观上述研究,国外众多研究机构、学者以及商业公司等在个性化学习领域研究中开展了大量的理论与实践探索,以不同的视角设计开发了多种具有一定“适应性”的学习系统原型,取得初步成效;国内的研究者也进行了大胆的尝试,但实践性研究成果相对较少。比较发现,上述研究成果就其内容或所采用的技术来分析具有一定的相通性与延续性,主要集中在适应性机制、系统建模、数据挖掘、语义本体、推荐策略等方面。这些成果为今后的实践研究提供了宝贵的参考借鉴。同时也不难发现,目前关于个性化学习的技术支持环境,仍处于探索阶段,多数研究者通过开发适应性学习系统(或智能导学系統)为个性化学习提供技术解决方案,但所设计的模型或开发的学习系统仍处于原型阶段,其满足学习者个性需求的“适应性”效果并非理想,还需要进一步研究。在此基础上,本研究试图探索如何通过生成最优个性化学习路径来改进学习系统的“适应性”。受当前相关推荐技术的启发,从学习者认知水平维度切入,进行实时建模与分析,基于邻居用户群相似性规则,提出一种个性化学习路径动态生成解决方案——协同推荐机制,并进一步设计了ALS原型系统。

二、协同推荐及其支持下的ALS系统解决方案

(一)协同推荐机制

个性化学习是一种极其复杂的学习体验,其学习轨迹不仅受学习者问的差异性特征影响,同时也因学习者个体内在的动态发展因素(如认知水平等)的改变而修正,如何让支持个性化学习的系统在深入“理解”当前学习者个性需求的基础上做出适当的“推理”,并以此为学习者推荐适当的学习资源,一直是充满挑战的话题。然而,在电子商务领域,许多知名的电商平台通过对海量用户购买习惯、反馈评价等信息进行分析,采用相关推荐技术向用户推荐商品,取得了显著的成效,例如亚马逊平台每年利用推荐技术获得巨额收益;国内淘宝、京东等知名电商平台也正在向该方向扩展业务。关于推荐模式,目前常见的有协同过滤推荐、关联规则推荐、基于内容推荐以及混合式推荐四种。其中,协同过滤推荐是应用较成熟的一种模式,采用该模式的推荐系统有Amazon、MovieFinder、CDNow等(陈雅茜,刘韬,2014)。受此启发,本研究尝试将协同过滤推荐原理迁移到学习系统中,并从学习者及其个性化学习路径的角度提出一种协同推荐机制。

协同推荐,从本质上说,是系统针对当前用户的个性需求而采取的一种筛选、重组、呈现资源的技术解决方案,其策略在于“协同”,成效在于“推荐”。在个性化学习中,系统对当前学习者个性需求的深入理解至关重要,直接影响最终资源的推荐质量,而协同策略在此扮演了重要角色。协同的本质源于协作互助,在此特指将系统中其他用户的数据信息作为参考并以此为目标对用户状态做出合理的判断推理。推荐是系统在相关程序算法的作用下为用户呈现适当的资源,是实现个性化、适应性学习效果的关键。由此,本研究提出的个性化学习协同推荐机制的设计思想是:以协同过滤推荐技术为基础,首先利用模型分析工具对目标用户分别从认知水平和学习路径两个维度进行建模分析,然后参考用户群相似性规则筛选学习路径序列,并采用AprioriAll算法从学习路径序列中提取路径共同体,进而生成最优路径资源项序列,最后通过预处理组件将资源项序列转换生成最终资源列表个性化推荐给用户。图1是该推荐机制的实现机理的一个示例。

由上分析,个性化学习系统协同推荐机制的实现主要涉及三个过程:①系统建模。从认知水平及学习路径两个基本维度构建用户模型,基于学习策略构建资源内容模型。②获取邻居用户。以认知水平作为判定标准对用户模型进行分析,并从用户群中筛选相似性用户作为当前用户的邻居用户。③产生推荐路径。利用相关算法从邻居用户的学习路径中挖掘最优学习路径,并将转换后的资源序列推荐给目标用户。为了进一步探索协同推荐机制及其支持下的个性化学习路径的技术实现方案,我们尝试构建了ALS原型系统及其具体实现方法。

(二)ALS系统模型构建

1.系统架构设计

ALS,即自适应学习系统(亦称适应性学习系统),它是一种针对学习者的个体特征差异(如年龄、性别、专业背景、认知水平等)动态提供个性化学习支持服务的系统(赵学孔,等,2015)。根据网络学习需要,ALS用户角色应该包括学习者和管理者(可由教师兼任)。基于此,所构建的ALS主要提供在线个性化学习和资源管理两大功能模块,其总体架构如图2所示。其中,学习单元测评用于诊断学习者当前的认知水平,主要借助习题测试来实现;学习者建模组件负责测验成绩与认知水平数据转换,以此动态完善用户模型;记录器用于实时记录学习者访问的页面信息;协同推荐模块作为系统的核心部件,主要完成用户模型分析、学习记录提取、推荐知识项序列、知识序列预处理等一系列工作过程,进而向用户推荐个性化学习资源;系统数据库主要包括用户模型、学习记录、学习策略以及学习资源数据库,用户模型数据库存储用户的特征信息,学习记录数据库存储用户的学习历史记录信息,学习策略数据库存储学习资源的关系信息(如章节项关系、知识项的前驱后继关系等)、学习资源数据库存储资源的实体信息。

如图2所示,ALS的工作过程大致描述如下:①学习者登录ALS系统后,首先通过测试题对其当前认知水平进行诊断,并利用建模组件将测试成绩记录在用户模型数据中。②学习者在学习过程中,系统利用模型分析工具获取学习者当前的认知水平信息,然后从邻居用户群中提取学习记录集并以此产生推荐知识项序列(即学习路径),最后利用预处理组件将最优学习路径与实体资源建立映射关系,将个性化资源列表推荐给目标用户。学习者则在相关学习工具的支持下,借助Web浏览器完成在线学习。同时,记录器实时捕获学习者访问页面的序列、内容、访问时间等信息,随时更新学习记录数据库。③学习者每学完一个知识单元都需要进行单元测试练习,系统将其测验成绩作为当前认知水平,然后利用建模组件更新用户模型信息,为后续推荐服务提供数据参考。④资源管理者登录系统后,通过管理功能实时更新学习资源信息,如上传和编辑资源、修改学习资源的策略关系等。

2系统建模

(1)用户模型。学习者是ALS系统的主体使用者,同时也是系统的个性化推荐服务对象,因此系统的设计首先不能忽视学习者用户的主体地位。ALS协同推荐实现的关键是在分析目标用户模型的基础上获取邻居用户的学习路径,并以此提取最优学习路径。可以说,ALS推荐内容的精准度在很大程度上受用户模型的影响。在本系统中,用户建模组件通过实时采集处理学习者个性化信息来修正用户模型。为了能够真实地反映学习者的学习状态,主要从认知水平和学习记录两个维度建构用户模型,具体表示方法如下:

猜你喜欢
学习路径个性化学习
基于职业需求的中职建工技术专业英语教学研究
促进学生物理学习的几点认识
数形结合,创建数学学习新路径
微信架构下网络学习平台的学习路径设计与实现研究
教学资源支持下的Sakai个性化学习研究
信息化环境下基于“盒子鱼”App的高中英语个性化学习的模式和策略
微视频在初中英语听力教学中的应用探索
基于SOA的在线学习资源集成模式的研究
MOOC环境下中学生数学个性化学习模式研究
基于微课翻转课堂的职业院校远程教育创新模式的研究