智能學習系統(tǒng)的雙層推薦策略研究

申請免費試用、咨詢電話：400-8352-114

　　“活到老學到老”已經成為當前人們的共識，在這樣的社會意識引領下，網絡教學資源得到指數(shù)增長。然而，海量的學習資源往往使學習者不知所措，“信息過載”顯然已成為在線學習的絆腳石。大量無關的冗余信息嚴重干擾了學習者對相關有用信息的準確性選擇。為了幫助學習者在海量信息中尋找最優(yōu)質的學習資源，個性化推薦技術應運而生。然而，目前在線學習系統(tǒng)對個性化推薦的應用鳳毛麟角，內容呈現(xiàn)千篇一律?！秶抑虚L期教育改革和發(fā)展規(guī)劃綱要(2010-2020年)》明確指出，要運用互聯(lián)網“為學習者提供方便、靈活、個性化的學習條件”。當前的應用與學習者需求之間的巨大鴻溝，促進了推薦技術的發(fā)展，也使個性化推薦技術成為了當前的研究熱點。

　　一、研究現(xiàn)狀

　　推薦技術最早用于電子商務領域，該技術根據(jù)用戶的瀏覽和購買喜好來判斷并做出推薦決策，使用戶能在較短的時間內獲得滿意的產品。經過多年的發(fā)展與完善，推薦系統(tǒng)在電子商務的應用已趨于成熟(如亞馬遜、淘寶、當當?shù)?，而在網絡學習(E-learning)領域仍然處在起步階段。從研究現(xiàn)狀看，國內外都處在活躍階段，但應用仍然不廣泛。早在2002年Zaiane等人就運用數(shù)據(jù)挖掘和信息檢索技術為網絡學習設計推薦策略。[1] 2005年Chen,Lee and Chen運用項目存儲理論對學習者進行能力評估，并根據(jù)評估結果給予學習材料的推薦。2005年后隨著計算機技術在網絡學習的應用發(fā)展，逐漸出現(xiàn)了基于內容，基于知識，基于協(xié)同過濾等推薦技術為支撐的學習推薦系統(tǒng)[2]。國內的學者在該領域的研究也較為活躍，他們更多使用“個性化”和“自適應”這樣的研究論題，其原理和推薦技術是相通甚至相同的，本質上都是獲得用戶相關屬性后，搜索與學習者最匹配的學習內容進行推送。[3-6]各個研究成果中的核心技術各具優(yōu)勢，但筆者認為推薦的學習對象應在遵守教學規(guī)律的基礎上突出個性化。為此，我們設計了功能分離的雙層決策模型：第一層充分遵守教學規(guī)律，結合學習者對知識掌握的情況及各知識概念間的關系形成學習路徑;第二層突出個性化，根據(jù)學習者的學習偏好推薦最符合其個性的學習對象。

　　二、學習者模型構建

　　學習者建模是個性化的基礎，個性化就應量體裁衣，因材施教。系統(tǒng)推薦的學習內容要契合學習者的需求就要掌握學習者的個人基本信息、知識狀態(tài)、偏好以及訪問習慣等等，只有這樣個性化推薦才能更加準確。限于篇幅本文只論述學習者知識狀態(tài)、偏好屬性兩部分內容。

　　知識狀態(tài)是學習者對全局知識概念掌握的程度。每個知識概念被描述成數(shù)值，取值范圍為[0,1]，表示學習者在該知識概念的狀態(tài)。狀態(tài)為0時表示從未被學習者瀏覽過，為1時則表示已完全掌握，當超過特定閾值(如0.8)學習者就通過了該知識點的學習。

　　學習偏好可以通過五個屬性進行描述：學習資源類型(練習、仿真、圖像/表格、音頻、視頻、幻燈片、文本、測試);偏好知識點(依據(jù)學習對象關鍵字進行描述);學習資源組織方法(概念、實例、案例、仿真、演示);難易程度(容易、中等、難);語言類型(中文、英文等)。每一個屬性都有多個屬性值，每一個屬性值都有對應的數(shù)值表示，如學習資源類型“練習”可以表示成(Exercise，0.3)。0.3表示學習者對練習的偏好程度。學習者在學習過程中，每一個屬性值的數(shù)值都能得到有效進行更新。當實施學習對象推薦時，系統(tǒng)將依據(jù)數(shù)據(jù)庫中學習者的各個屬性值的數(shù)值進行運算，依據(jù)計算結果作出決策。