趙學(xué)孔　岑磊

摘 要：面向用戶需求構(gòu)建個(gè)性化學(xué)習(xí)環(huán)境是當(dāng)前E-learning領(lǐng)域研究的熱點(diǎn)。自適應(yīng)學(xué)習(xí)系統(tǒng)（Adaptive Learning System，ALS）是E-learning個(gè)性化學(xué)習(xí)支持服務(wù)的解決方案。針對(duì)ALS推薦學(xué)習(xí)資源的精準(zhǔn)性與有效性問(wèn)題，文章嘗試性從用戶學(xué)習(xí)路徑的視角出發(fā)，在對(duì)學(xué)習(xí)者與領(lǐng)域知識(shí)建模的基礎(chǔ)上通過(guò)關(guān)聯(lián)規(guī)則挖掘技術(shù)動(dòng)態(tài)匹配與重組學(xué)習(xí)資源，進(jìn)而實(shí)現(xiàn)ALS個(gè)性化學(xué)習(xí)路徑推薦機(jī)制。仿真實(shí)驗(yàn)結(jié)果表明，利用本推薦機(jī)制在一定程度上能有效推薦學(xué)習(xí)資源，進(jìn)而較好地滿足當(dāng)前用戶個(gè)性化學(xué)習(xí)需求。

關(guān)鍵詞：自適應(yīng)學(xué)習(xí)系統(tǒng)；個(gè)性化學(xué)習(xí)路徑；學(xué)習(xí)者模型；領(lǐng)域知識(shí)模型；關(guān)聯(lián)規(guī)則

中圖分類(lèi)號(hào)：G434 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-8454（2016）21-0028-04

當(dāng)前，數(shù)字化學(xué)習(xí)（E-learning）席卷遠(yuǎn)程教育領(lǐng)域，成為網(wǎng)絡(luò)信息時(shí)代盛行的一種重要學(xué)習(xí)方式。E-learning打破了傳統(tǒng)面授式教育模式的常態(tài)化，突破學(xué)習(xí)的時(shí)空限制，為學(xué)習(xí)者“隨時(shí)隨地”學(xué)習(xí)提供了可能。然而，調(diào)查顯示，當(dāng)前許多E-learning支持平臺(tái)的實(shí)際應(yīng)用效果并不理想，其中最為突出的問(wèn)題是平臺(tái)忽視了“以學(xué)習(xí)者為中心”的現(xiàn)代教學(xué)理念，不能根據(jù)用戶的個(gè)性化需求準(zhǔn)確提供學(xué)習(xí)資源，進(jìn)而導(dǎo)致在線學(xué)習(xí)效果不明顯。[1]正因如此，關(guān)于E-learning環(huán)境下的個(gè)性化學(xué)習(xí)理論與實(shí)踐研究受到眾多學(xué)者關(guān)注，構(gòu)建支持用戶個(gè)性化學(xué)習(xí)需求的E-learning系統(tǒng)成為當(dāng)前迫切而重要的研究主題。

一、ALS及其研究現(xiàn)狀

ALS，即自適應(yīng)學(xué)習(xí)系統(tǒng)，亦稱適應(yīng)性學(xué)習(xí)系統(tǒng)，是在建構(gòu)主義“以學(xué)習(xí)者為中心”的現(xiàn)代教育模式引領(lǐng)下提出的一種針對(duì)當(dāng)前學(xué)習(xí)者的個(gè)體特征差異（如年齡、專(zhuān)業(yè)背景、興趣偏好、認(rèn)知水平等）而動(dòng)態(tài)提供其個(gè)性化學(xué)習(xí)支持服務(wù)的系統(tǒng)，其最早由國(guó)外以智能教學(xué)系統(tǒng)和適應(yīng)性超媒體系統(tǒng)的術(shù)語(yǔ)提出，近年已成為E-learning遠(yuǎn)程教育領(lǐng)域研究的熱點(diǎn)。[2][3]個(gè)性化推薦機(jī)制是ALS的核心部件，其主要功能是對(duì)學(xué)習(xí)資源的有效匹配與重組，進(jìn)而滿足當(dāng)前用戶的個(gè)性化學(xué)習(xí)需求。

目前，關(guān)于ALS的研究尚處于探索時(shí)期。國(guó)外介入該領(lǐng)域研究較早，典型的代表主要有：Brusilovsky等人首次提出了適應(yīng)性學(xué)習(xí)系統(tǒng)，并認(rèn)為可以從課程序列化與適應(yīng)性導(dǎo)航技術(shù)實(shí)現(xiàn)系統(tǒng)的適應(yīng)性效果；[4]Tang等人采用聚類(lèi)分析與協(xié)同過(guò)濾方法將用戶訪問(wèn)頁(yè)面序列和內(nèi)容進(jìn)行篩選與分類(lèi)并推薦給用戶，進(jìn)而構(gòu)建了ALS系統(tǒng)原型；[5]美國(guó)匹茲堡大學(xué)Weber G等人通過(guò)個(gè)性化導(dǎo)航策略實(shí)現(xiàn)了ALS適應(yīng)機(jī)制，并開(kāi)發(fā)了ELM-ART、Knowledge Sea系統(tǒng)原型；[6]Castro等人闡述了數(shù)據(jù)挖掘技術(shù)在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的重要作用，為基于數(shù)據(jù)挖掘的E-learning個(gè)性化學(xué)習(xí)研究奠定了基礎(chǔ)。[7]國(guó)內(nèi)該領(lǐng)域研究起步較晚，典型的代表有：華南師范大學(xué)陳品德教授從內(nèi)容呈現(xiàn)和導(dǎo)航支持兩方面考慮適應(yīng)性，設(shè)計(jì)了A-Tutor原型系統(tǒng)；[8]中國(guó)臺(tái)灣淡江大學(xué)利用Agent技術(shù)研發(fā)了分布式智能學(xué)習(xí)系統(tǒng)MMU，該系統(tǒng)具有一些簡(jiǎn)單的智能交互功能。[9]

縱觀上述研究，國(guó)內(nèi)外提出的許多ALS系統(tǒng)仍處于原型實(shí)驗(yàn)階段，其適應(yīng)性及個(gè)性化推薦機(jī)制還需要不斷探索。因此，本研究擬嘗試性地從用戶學(xué)習(xí)路徑的視角出發(fā)，在對(duì)學(xué)習(xí)者與領(lǐng)域知識(shí)建模的基礎(chǔ)上，通過(guò)關(guān)聯(lián)規(guī)則挖掘技術(shù)動(dòng)態(tài)匹配與重組個(gè)性化學(xué)習(xí)路徑，進(jìn)而實(shí)現(xiàn)ALS推薦機(jī)制，以期滿足當(dāng)前用戶個(gè)性化學(xué)習(xí)需求，同時(shí)為本領(lǐng)域相關(guān)研究提供參考借鑒。

二、ALS個(gè)性化學(xué)習(xí)路徑推薦的解決方案

1.學(xué)習(xí)者建模

學(xué)習(xí)者是ALS的主要參與者與體驗(yàn)者，也是個(gè)性化資源獲取的主體，因此ALS的設(shè)計(jì)首先應(yīng)重點(diǎn)考慮學(xué)習(xí)者的個(gè)性化需求特性。為了更清晰地表征學(xué)習(xí)者對(duì)象在系統(tǒng)中的屬性，我們需要將其實(shí)例化，即對(duì)學(xué)習(xí)者進(jìn)行建模?？梢哉f(shuō)，學(xué)習(xí)者模型是ALS實(shí)現(xiàn)的基礎(chǔ)，其主要借助用戶建模組件或第三方代理軟件實(shí)時(shí)收集并處理學(xué)習(xí)者個(gè)性化信息來(lái)實(shí)現(xiàn)。[3]本研究鑒于IMS LIP（Learner Information Package）標(biāo)準(zhǔn)，采用四元組的形式從基本特征、學(xué)習(xí)風(fēng)格、認(rèn)知水平和學(xué)習(xí)記錄四個(gè)維度來(lái)表征學(xué)習(xí)者模型，其方法如下：

LearnerModel=（BaseInformation，LearningStyle，CognitiveLevel，AccessRecords）。

其中，BaseInformation用于表示學(xué)習(xí)者一些基本的靜態(tài)信息，例如昵稱、姓名、性別、年齡、專(zhuān)業(yè)背景、個(gè)人簡(jiǎn)介等。LearningStyle表示學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，其可借鑒Felder學(xué)習(xí)風(fēng)格模型構(gòu)建，包含值域定義為：{“直覺(jué)型-感知型”，“視覺(jué)型-言語(yǔ)型”，“活躍型-反思型”，“全局型-序列型”}，該值域可通過(guò)ALS系統(tǒng)設(shè)定或完成Felder學(xué)習(xí)風(fēng)格量表（ILSs）的形式獲得。CognitiveLevel表示學(xué)習(xí)者當(dāng)前所達(dá)到的認(rèn)知水平，可以從“初級(jí)”、“中級(jí)”、“高級(jí)”三個(gè)層次表征，其主要以學(xué)習(xí)者的單元測(cè)試成績(jī)?yōu)閰⒖家罁?jù)由系統(tǒng)自動(dòng)評(píng)定。AccessRecords表示學(xué)習(xí)者在整個(gè)學(xué)習(xí)過(guò)程中的訪問(wèn)記錄，包含訪問(wèn)者編號(hào)、訪問(wèn)時(shí)間、訪問(wèn)地址以及訪問(wèn)內(nèi)容描述等基本信息，AccessRecords的表示方法為AccessRecords（Ri）=（LearnerId，AccessTime，AccessAdress，ContentInfo）。

2.領(lǐng)域知識(shí)建模

領(lǐng)域知識(shí)泛指專(zhuān)業(yè)領(lǐng)域內(nèi)所有經(jīng)驗(yàn)、理論、方法論的知識(shí)單元集群，而在計(jì)算機(jī)世界中我們將其界定為：針對(duì)某特定領(lǐng)域需要，采用某種（或若干種）表示方法將知識(shí)實(shí)體化與結(jié)構(gòu)化，使其能在計(jì)算機(jī)存儲(chǔ)、系統(tǒng)組織和管理方面具有易操作等特性的知識(shí)集群。[10]ALS中領(lǐng)域知識(shí)是對(duì)學(xué)習(xí)資源的結(jié)構(gòu)化，其為學(xué)習(xí)者個(gè)性化學(xué)習(xí)提供數(shù)據(jù)來(lái)源。領(lǐng)域知識(shí)模型要求知識(shí)體系具有良好的結(jié)構(gòu)關(guān)系，以便系統(tǒng)推薦資源路徑時(shí)做出準(zhǔn)確的判斷。通常情況下，領(lǐng)域知識(shí)可用課程、知識(shí)單元和知識(shí)點(diǎn)（或知識(shí)項(xiàng)）三種粒度表征，知識(shí)之間的關(guān)系包括前驅(qū)后繼關(guān)系、并列或包含關(guān)系以及相關(guān)關(guān)系三種類(lèi)型，而每個(gè)知識(shí)單元或知識(shí)點(diǎn)都應(yīng)包含難度、風(fēng)格和學(xué)習(xí)任務(wù)屬性。根據(jù)它們之間的邏輯關(guān)系，我們給出了領(lǐng)域知識(shí)模型的一般結(jié)構(gòu)，如圖1所示。

根據(jù)以上分析，我們將領(lǐng)域知識(shí)的結(jié)構(gòu)模型表征為：KObject={Kid，Kname，Klevel，Kstyle，Kcontent，KOR}。其中，Kid表示知識(shí)點(diǎn)的唯一標(biāo)識(shí)，Klevel表示知識(shí)點(diǎn)難度水平，Kstyle表示知識(shí)點(diǎn)的偏向風(fēng)格，Kname表示知識(shí)點(diǎn)名稱，Kcontent表示知識(shí)點(diǎn)內(nèi)容信息，KOR表示知識(shí)點(diǎn)所屬關(guān)系集合。基于上述三種關(guān)系類(lèi)型，本研究中領(lǐng)域知識(shí)對(duì)象間的關(guān)系模型KOR可用如下表達(dá)式表示：

KOR（a，b）={，Ktype，Kweight}。

其中，Ktype表示關(guān)系類(lèi)型（Ktype {“前驅(qū)”，“后繼”，“并列”，“包含”，“相關(guān)”}），Kweight關(guān)系的權(quán)重值（Kweight [0，1]，該值越高代表知識(shí)間的相關(guān)性越大）。例如，某領(lǐng)域知識(shí)a與b的關(guān)系記為KOR（a，b）={，“并列”，0.5}，表示知識(shí)a與知識(shí)b之間是并列關(guān)系，其關(guān)系權(quán)重為0.5。一般而言，領(lǐng)域知識(shí)點(diǎn)間的關(guān)系類(lèi)型及關(guān)系權(quán)重值由創(chuàng)建學(xué)習(xí)資源的系統(tǒng)管理員（或任課教師）設(shè)定。

3.關(guān)聯(lián)規(guī)則定義及其推薦方法

關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域研究的一個(gè)范疇，其最早由Agrawal等人提出，主要用于從數(shù)據(jù)集合中發(fā)現(xiàn)頻繁項(xiàng)并找出項(xiàng)集間的關(guān)聯(lián)關(guān)系。從本質(zhì)上講，關(guān)聯(lián)規(guī)則挖掘是在事務(wù)數(shù)據(jù)集合D中發(fā)現(xiàn)滿足用戶給定的最小支持度min_support和最小置信度min_conf的頻繁項(xiàng)集并挖掘其關(guān)聯(lián)關(guān)系。[11]為了更清晰地反映ALS基于關(guān)聯(lián)規(guī)則挖掘的推薦過(guò)程與方法，在此我們?cè)O(shè)定用戶訪問(wèn)記錄集（即日志事務(wù)集合）結(jié)構(gòu)如表1所示。

（1）產(chǎn)生頻繁項(xiàng)集

頻繁項(xiàng)集是關(guān)聯(lián)規(guī)則挖掘的第一環(huán)節(jié)，需要利用AprioriAll算法將表1中知識(shí)項(xiàng)集中頻繁項(xiàng)找出。在此，設(shè)定最小支持度為0.6，則最小支持度計(jì)數(shù)為0.6×len（users）=1.8，頻繁項(xiàng)集產(chǎn)生過(guò)程為：通過(guò)第一輪掃描得到候選集C1（Item，Support）={，，，，}，從C1中剔除Support小于1.8的項(xiàng)，即獲得頻繁項(xiàng)集L1（Item，Support）={，，}；按同樣的方法進(jìn)行第二輪掃描，L2（Item，Support）={<（K1，K3），3>，<（K1，K5），2>，<（K3，K5），2>}；同理，進(jìn)行第三輪掃描最終獲得L3（Item，Support）={<（K1，K3，K5），2>}。

（2）產(chǎn)生路徑關(guān)聯(lián)規(guī)則

通過(guò)上述頻繁項(xiàng)集產(chǎn)生過(guò)程，用戶訪問(wèn)記錄集合產(chǎn)生的知識(shí)項(xiàng)集I={K1，K3，K5}，設(shè)定最小置信度min_conf為0.8，那么得到候選關(guān)聯(lián)規(guī)則置信度如表2所示。

由表2可知，當(dāng)最小置信度為0.8時(shí)得到三條強(qiáng)關(guān)聯(lián)規(guī)則，即：{K1，K5}？圯{K3}，{K3，K5}？圯{K1}，{K5}？圯{K1，K3}。由此得到當(dāng)前用戶的學(xué)習(xí)路徑存在三種可能：KPa={K1，K5，K3}，KPb={K3，K5，K1}或KPc={K5，K1，K3}。

（3）推薦路徑預(yù)處理

推薦路徑預(yù)處理是對(duì)學(xué)習(xí)路徑的優(yōu)化處理，該過(guò)程主要根據(jù)領(lǐng)域知識(shí)的關(guān)系模型KOR對(duì)強(qiáng)關(guān)聯(lián)規(guī)則路徑進(jìn)行匹配，以選擇最優(yōu)學(xué)習(xí)路徑。例如，設(shè)定本例中K1、K3和K5之間存在如下關(guān)系：KOR（1，3）={，“前驅(qū)”，0.8}、KOR（1，5）={，“前驅(qū)”，0.9}和KOR（3，5）={，“后繼”，0.6}，那么可推理 為當(dāng)前用戶最優(yōu)學(xué)習(xí)路徑。此時(shí)，得到的最優(yōu)學(xué)習(xí)路徑需要進(jìn)一步與領(lǐng)域知識(shí)模型Kobject進(jìn)行匹配與隱射處理，將其按照生成的路徑規(guī)則轉(zhuǎn)換為資源集合提供給學(xué)習(xí)者。

三、仿真實(shí)驗(yàn)及其結(jié)果分析

為了檢測(cè)本研究中ALS個(gè)性化學(xué)習(xí)路徑的推薦效果，我們利用VC工具與C語(yǔ)言開(kāi)發(fā)了ALS仿真運(yùn)行環(huán)境。實(shí)驗(yàn)初始化數(shù)據(jù)由系統(tǒng)按照預(yù)先定義的權(quán)重參數(shù)隨機(jī)自動(dòng)生成，且設(shè)定系統(tǒng)每次隨機(jī)生成30個(gè)知識(shí)項(xiàng)集，當(dāng)最小支持度和最小置信度分別設(shè)置為0.6和0.8時(shí)，其運(yùn)行效果如圖2所示。

實(shí)驗(yàn)中，我們首先固定最小支持度和最小置信度閾值分別為0.8和0.6，經(jīng)過(guò)10輪實(shí)驗(yàn)后從知識(shí)項(xiàng)平均訪問(wèn)頻次與系統(tǒng)推薦頻次兩個(gè)維度對(duì)ALS推薦效果進(jìn)行的分析，結(jié)果發(fā)現(xiàn)滿足最小支持度時(shí)知識(shí)項(xiàng)平均訪問(wèn)軌跡與系統(tǒng)推薦路徑軌跡趨勢(shì)基本相似，說(shuō)明系統(tǒng)推薦路徑基本有效。然后，我們嘗試性以0.05遞增幅度調(diào)整最小支持度，再次經(jīng)過(guò)10輪試驗(yàn)后從最小支持度Minsup與推薦知識(shí)項(xiàng)個(gè)數(shù)Kcount的分布關(guān)系進(jìn)行分析（見(jiàn)圖3），結(jié)果顯示系統(tǒng)推薦知識(shí)項(xiàng)數(shù)量會(huì)隨著Minsup的不斷增加而減少，進(jìn)一步說(shuō)明系統(tǒng)推薦路徑的精確性會(huì)隨著Minsup的增加而提高。

四、結(jié)束語(yǔ)

基于Web的ALS是未來(lái)遠(yuǎn)程學(xué)習(xí)的一種有效途徑，是個(gè)性化學(xué)習(xí)環(huán)境建設(shè)的趨勢(shì)，目前仍有很大的探究空間。ALS主要是通過(guò)個(gè)性化推薦機(jī)制對(duì)學(xué)習(xí)內(nèi)容進(jìn)行有效篩選與重組來(lái)實(shí)現(xiàn)的，而學(xué)習(xí)者模型、領(lǐng)域知識(shí)模型以及關(guān)聯(lián)規(guī)則挖掘技術(shù)是ALS個(gè)性化推薦機(jī)制形成的有效保障，對(duì)改進(jìn)系統(tǒng)的推薦質(zhì)量、提高學(xué)習(xí)者學(xué)習(xí)效率起著關(guān)鍵性作用。當(dāng)然，由于諸多局限性因素，本研究仍存在不足之處，例如，ALS推薦路徑的優(yōu)化處理、推薦機(jī)制的效率問(wèn)題等，這也是本研究下一步的趨向。

參考文獻(xiàn)：

[1]劉麗萍，魏書(shū)敏，趙新云.個(gè)性化網(wǎng)絡(luò)學(xué)習(xí)支持系統(tǒng)的研究[J].中國(guó)教育信息化，2010（23）：47-51.

[2]牟連佳.網(wǎng)絡(luò)化學(xué)習(xí)系統(tǒng)的適應(yīng)性研究[J].電化教育研究.2009（5）：48-53.

[3]趙學(xué)孔，徐曉東，龍世榮.B/S模式下自適應(yīng)學(xué)習(xí)系統(tǒng)個(gè)性化推薦服務(wù)研究[J].中國(guó)遠(yuǎn)程教育，2015（10）：71-80.

[4]Brusilovsky，P.（2001）Adaptive hypermedia.User Modeling and User Adapted Interaction，Ten Year Anniversary Issue（Aifred Kobsa，ed.）11（1/2）：87-110.

[5]TangC.，Yin H.，LiT.，LauR.，LiQ.，&Kilis D.： Personalized courseware construction based on web data mining[C].In Proceedings of the first international conference on web information systems engineering，2000：204-211.

[6]Weber G，Brusilovsky P.ELM-ART： an adaptive versatile system for Web-based instruction [J].International Journal of Artificial Intelligence in Education，2001：351-384.

[7]CastroF.，VellidoA.，NebotA.，MugieaF.：Applying Data Mining Techniques to E-learning Problems[J].Studies in Computational Intelligence.2007（62）：183-221.

[8]陳品德，李克東.適應(yīng)性教育超媒體系統(tǒng)——模型、方法與技術(shù)[J].現(xiàn)代教育技術(shù)，2002（1）：11-16.

[9]莫贊，馮珊，唐超.智能教學(xué)系統(tǒng)的發(fā)展與前瞻[J].計(jì)算機(jī)工程與應(yīng)用，2002（6）：6-7.

[10]李衛(wèi).領(lǐng)域知識(shí)的獲取[D].北京：北京郵電大學(xué)，2008.

[11]Agarwal S. Data Mining： Data Mining Concepts and Techniques.International Conference on Machine Intelligence and Research Advancement.IEEE，2013：203-207.

（編輯：王天鵬）