基于数字资源推荐的自主学习效果评价研究

闫 晶，宋昊玲，张先艳

(东北电力大学 经济管理学院，吉林 吉林 132012)

随着互联网的蓬勃发展，尤其在疫情背景下，使用网络资源进行学习已经初步由辅助的学习方式不断成为高校学生的重要资源获取渠道。面对丰富的网络资源，一方面使用者能够获得绝大部分的所需资源；另一方面面对浩瀚的数字资源，如何高效找到自己所需的资源材料也成了使用者急需解决的关键问题，其解决依赖于研究者构建出高效的推荐模型。高效的推荐模型体现在两个方面，一是基于数字资源推荐模型的合理构建；另一方是指推荐模型使用者学习效果的提升。

一、研究背景

数字资源的不断丰富，带来了数字资源处理技术的迅速发展。以数字资源聚合、语义聚合为手段的资源处理技术日趋成熟和完善。利用适合的资源推荐算法，能够有效解决由资源膨胀导致的学习者寻找资源难的问题[1-2]。数字资源推荐模型的使用，不仅满足学习者的兴趣偏好，更能方便学习者完成目标。数字资源会成为更多自主学习者的学习方式，可以推荐需要的资源，对自主学习者利用数字资源进行学习的效果影响因素进行调查分析，根据调查结果提出合理建议，充分运用数字资源学习，提升学习效果[3-4]。

二、模型构建

本文采取的特征组合的混合方式思路：首先利用基于内容的推荐算法提取项目的属性特征信息并进行相应转化，然后再利用这些属性特征数据与基于协同过滤的推荐中的学习者-项目评分数据进行融合，最终产生推荐结果。在推荐过程中，学习者兴趣偏好可以用于反映学习者对某类资源的喜爱程度，学习者行为与学习者兴趣偏好有关，所以挖掘学习者兴趣偏好对预测学习者行为有着关键性作用。

(一) 构建用户兴趣偏好度量模型

第一步：项目属性特征建模

项目的属性特征信息是用来衡量项目之间差异性的关键特征，不同的项目属性特征不同，假设一共有n个属性特征，1表示某项目具备某特征，0表示不具备。

第二步：建立学习者-项目评分矩阵。

描述每个学习者对各项目的具体评分数据信息，可以反映学习者一部分兴趣偏好，矩阵有三个关键要素，分别为项目信息，学习者信息和学习者对项目的评分信息[5]。

第三步：项目属性特征与学习者评分矩阵融合。

最后一列代表学习者对项目的总体评分，将总评分与n个特征下面的数值相乘，最后得到评分表，反映学习者对每个项目特征的兴趣偏好程度[6]。

(二) 学习者-项目特征相对评分矩阵的转化

第一步：将评分表转化为矩阵形式

将项目特征评分以及项目的总评分，得到矩阵Rui，每列是学习者对各特征的评分，最后一列是学习者对各项目的总体评分。

第二步：计算得到学习者对每个项目特征的评分矩阵。

将矩阵Rui中的各列相加，之后再除以各特征在各项目中出现的次数，得到矩阵ARui。

将前面每列的值除以最后一列，即学习者对项目特征的评分除以学习者对项目的总评分得到矩阵URui。

第三步：计算得出全部学习者对每个项目特征的评分矩阵。

第四步：计算得出每个学习者相对全部学习者的项目特征相对评分矩阵。

表示一个学习者相对于全部学习者的兴趣偏好情况，将矩阵URui乘以全部学习者U，再除以学习者集中每个学习者对项目特征的评分矩阵的和，得到矩阵，表示每个学习者对项目各特征的偏爱程度。对于未被学习者评价过的项目，根据学习者对已评价过的项目特征的评分信息，预测评分。

推荐方法以协同过滤推荐为主，基于内容的推荐为辅，传统的协同过滤推荐步骤为：第一步：构建学习者-项目评分矩阵，第二步：计算相似度，第三步：产生推荐结果。

(三) 数字资源推荐模型

第一步：在协同过滤推荐算法中融入基于内容的推荐，得到学习者-项目特征相对评分矩阵,改进传统协同过滤推荐。

第二步：采用K-means聚类算法先对学习者进行簇划分，每个簇中学习者的兴趣偏好大致相同，不同簇之间存在差异。在K-means聚类前输入学习者-项目特征相对评分矩阵，这样会更加高效进行群体划分。利用皮尔逊相关系数相似度计算方法，计算相似度如公式1所示。

(1)

第三步：把相似度作为权重，判断自主学习者对未知项目的评分，采纳TOP-N的方式，将高分值的项目推荐给自主学习者，评分预测如公式2所示。

(2)

三、影响因素分析

利用数字资源进行自主学习后，将影响学习效果的因素分为学习动机，自我效能感，目标设置三个内部因素，环境因素一个外部因素。

(一) 学习动机

自主学习者在开展学习时会自动产生学习动机，学习动机能够推动自主学习者学习，会对自主学习者的学习活动和学习行为产生影响[7]。如果学习动机不强，学习兴致也会低下，而如果学习内容简单或较于擅长，学习动机增加，学习兴致提高，学习者的学习效率上升，进而影响学习效果。学习动机的产生有多种原因。比如兴趣爱好，获得奖励，发展前景。兴趣爱好是对某类知识产生浓厚的兴趣从而主动进行学习，是为了充实某方面的知识。获得奖励，是为了得到奖励而进行学习，如得到奖学金，证书等，因为有外在的刺激而进行学习。发展前景是为以后的就业而有针对性学习某一类知识，对未来的憧憬也会影响学习，改变学习的想法和方向。

(二) 自我效能感

自我效能感是自主学习者对自身行为的提前预判，影响自主学习者的心理状况[8]。自我效能感会影响学习者的学习行为，包括学习者能否进行学习，如何进行学习及学习结果，通过数字资源进行学习同样受到学习者自我效能感的影响，自我效能感影响学习者付出多少努力，学习者的意志控制，使学习者的心理发生变化，学习成绩也将会有波动，自我效能感的提升会使学习者进步。

自我效能感因自信心，热爱学习程度，意志控制的不同会产生不同的学习效果。自信心是对自己能力的判断，它会影响学习的行为。热爱学习的程度能决定学习行为是积极还是消极，影响其达到的高度。意志控制是有意识的根据目的支配行动，在遇到困难或者干扰时是否能够克服。

(三) 目标设置

目标设置是学习开始时学习者设置地想要完成的进度以及结果，学习者通过设定的目标来完成自主学习[9]。学习者设置的目标不同，付出的努力也将不同，学习者设定的目标会影响自主学习者的学习状况，如果学习者设置的目标较高，会付出更多的努力，如果设置的目标较低，会影响努力程度，在自主学习过程中，设置目标会决定接下来的学习方法，完成学习，收获知识。

目标设置包括目标的设置期限，目标设置的难易程度，调节目标的能力。目标的设置期限是学习者根据自己的喜好设置短期目标，中期目标或者长期目标。目标设置的难易程度会影响学习的进度，学习时的心理状况。目标的调节能力越好，学习越顺利，在遇到困难时及时做出调整，有利于学习的继续进行。目标设置需要学习者清楚知道自我学习基础和学习能力，为自己选择恰当的学习目标，会影响学习进度，影响学习结果。

(四) 环境因素

环境因素能够决定学习者能否更好地利用数字资源进行学习[10]。除硬件设施外，丰富的数字资源，精准的资源推荐，便捷的使用程度也会影响自主学习者的学习进程，数字资源推荐给学习者需要学习的知识，可以节省学习者的时间，使自主学习更加轻松。

环境因素是很重要的外部因素，利用数字资源进行自主学习，操作的便捷程度，推荐资源的有用程度，推荐资源的丰富程度会影响自主学习的进度，也会影响学习者的积极性。

各因素中的指标包括兴趣爱好、获得奖励、发展前景、自信心、热爱学习的程度、意志控制、目标的设置期限、目标设置的难易程度、调节目标的能力、操作便捷程度、推荐资源的有用程度、推荐资源的丰富程度。

四、数据分析

利用层次分析法建立评价指标结构层次，设立指标问卷，选取使用推荐模型学习的学生100人，指导教师10人，领域研究专家5人，发放调查问卷，按两两比较结构构成矩阵。回收问卷112份，其中有效问卷107份，据此进行数据整理。对判断矩阵进行一致性检验，小于0.1则符合要求。

(一) 权重确定

以自主学习效果的重要程度为例，结果如表1所示，表中为各因素在自主学习效果中的重要程度，各因素的重要性排列为：目标设置41.7%，环境27%，自我效能感19.3%，学习动机12.1%。

表1 一级指标归一化处理及权重

各指标对自主学习效果权重如表2所示。各指标对自主学习效果的合成权重，重要性排序中较为重要的是调节目标的能力21.9%，资源的丰富程度15%，目标设置的难易程度13.9%,学习热情的程度10.4%。

表2 各指标对自主学习效果的合成权重

(二) 一致性检验

计算过程如下：

λmax=(0.491/0.121+0.778/0.193+1.705/0.417+1.106/0.27)/4=4.071

(3)

(4)

(5)

其他CR值为0.008，0.008，0.046，0.016。通过计算得出的CR值都小于0.1，判断矩阵的一致性是可以接受的，评价指标权重为上述分析结果。

五、结 语

在构建数字资源推荐模型的基础上，调查分析，通过数字资源进行自主学习，其中学习动机，自我效能感，目标设置和环境因素都能影响自主学习效果。在这四个因素中，重要程度排序为目标设置、环境、自我效能感、学习动机。学习动机指标中为个人发展前景而进行学习占比最大，自我效能感指标中热爱学习的程度占比最大，目标设置指标中调节目标的能力占比最大，环境因素指标中推荐资源的丰富程度占比最大。各指标对自主学习效果的重要程度排序靠前的为调节目标的能力，推荐资源的丰富程度，目标设置的难易程度以及热爱学习的程度。通过调查分析，内部因素和外部因素都能对自主学习效果产生正向影响，推荐模型的使用很大程度上提升了内部因素的有效性，有助于使用者提升学习效果。同时对于学习效果分析本研究仍存在主观性较强、研究片面等问题，这也将作为后续研究的方向。