網絡學習系統中用戶學習狀態模型的研究

摘要： 在網絡學習系統中，為了更好地使系統服務于用戶，提高用戶的學習興趣，需要對網絡學習系統不斷的進行優化與改進。這些優化與改進依據的重要來源之一是對已有用戶使用數據的分析與挖掘，數據中用戶的學習狀態占有重要的地位，為了不同的優化目的，需要不同方面、不同類型的用戶使用數據。根據用戶學習階段的不同，對能夠記錄的數據分類、總結、分析，建立了一個用戶學習狀態模型，該模型能夠滿足目前大多數系統優化的要求，具有較強的通用性。

關鍵字： 網絡學習系統； 系統優化； 數據挖掘； 學習狀態模型

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2013）04?0033?03

0 引 言

當今，互聯網已經滲透到人類社會的各個領域，教育行業也不例外，人們正在充分分享著互聯網帶來的舒適和便利，網絡學習在國內外有著廣泛的應用。美國Campus Computing Project 的2008 年調查發現，超過70%的美國高等教育機構使用了校園范圍內在線學習系統；2009 年調查發現，從2000—2009 年，在美國的5 類大學中，平均普及率從2000年的15%上升到2009 年的55%左右。在國內，在線學習系統也在學校、企業、政府等各行各業有著深入的應用[1]。

同樣的教學資源以及其中包含的知識點隨著表現方式、排列順序、劃分長度、前序知識、后延知識等的不同，學生往往表現出不同的興趣與關注度，系統平臺的建造者在構造系統時，往往會根據自己對教學資源的理解組織，建造者的觀點往往不能反映學習用戶的真實需求，造成了現在大多網絡教學平臺隨著時間的發展，用戶對學習系統的興趣度和關注度越來越小，學習系統發揮的作用也越來越弱，甚至達到了廢止的狀態。

如何改善上述的問題，成為廣大教育工作者需要迫切解決的問題，影響網絡學習的因素有很多[2]，網絡學習系統是其中一個很重要的因素。很多研究者致力于網絡學習系統的優化，并提出一些優化的方法。文獻[3]提出對用戶的興趣特征庫進行存儲，在數據挖掘的基礎上建立個性化的網絡學習系統。文獻[4]對視頻的內容、呈現方式、對學習內容采用智能提示、智能導航等方式。文獻[5]根據用戶對頁面點擊的軌跡采用了個性化的頁面布局方法。文獻[6]采用遺傳算法實現了個性化的學習系統，文獻[7]根據用戶在線時長采用神經網絡的方法計算學習量，文獻[8]為了衡量學習效果提出了評估軟件系統的設計與實現思想。

上述文獻都是以網絡學習系統的用戶為中心，收集關于用戶的各種信息，并使用各種方法對收集的信息進行處理，依據結果對系統進行優化。而改進與優化的一個重要依據是用戶使用系統遺留下來的數據。用戶使用系統的過程中應該記錄那些數據才能對以后的改進有效，很多研究者往往根據不同的優化目標收集用戶不同的信息，對用戶學習狀態的描述沒有一個統一的模型，本文嘗試建立一個通用的用戶狀態學習模型，能夠滿足不同優化目標的需求。

1 用戶學習狀態的分析

用戶在網絡學習系統中的學習狀態有很多，不同的指標能夠從不同方面反映用戶，在某些情況下需要聯合使用多個指標來描述一個學習狀態。用戶學習的狀態往往與用戶在系統中的活動相關，而用戶在學習系統中不同階段其活動也不同。

圖1顯示了用戶進入網絡學習系統的主要階段。

（1）登錄階段。是指用戶輸入用戶名與密碼后進入系統的過程。在這個過程中與用戶狀態有關的指標包含登錄時間，登錄地點（IP）和用戶登錄系統是使用的設備，如電腦，手機等移動設備。

（2）學習階段。用戶進入學習系統后，可以瀏覽系統提供的各種教學資源，這些教學資源基本包括教學課件、教學文檔、教學素材、視頻教程、動畫演示、課程難點與重點解析等資源。學習階段涉及到的指標包括用戶學習資源的類別，在某個資源中學習的時間長度，在同一個會話期中對學習內容類型訪問的頻度，比如：某一個用戶在一個會話期中在教學課件、教學視頻、動畫演示中訪問課件2次，觀看視頻5次，觀看動畫演示3次等。用戶在使用音頻、視頻過程中起始時間與終止時間及這些時間的次序。在學習階段用戶可能通過超級鏈接訪問不同的資源，用戶訪問超級鏈接的路線圖。最后需要記錄的是用戶一次會話（學習）的總時長。

（3）討論階段。主要是為用戶學習結束后對某些疑難問題的討論和交流提供途徑，包含的形式有在線聊天交流系統，論壇、平臺內部的搜索引擎等。在該階段主要涉及的指標有在討論階段的總時長，在論壇中觀看帖子的主要主題，對某些主題帖子的回帖和回帖數量，通過搜索引擎搜索的問題關鍵詞等。討論階段能夠反映學生對學習階段提供知識的理解程度和對知識難點、重點的認識。復習階段，復習階段在網絡學習系統中一般沒有提供專有的板塊進行，但是復習階段是學習過程不可缺少的一環，復習階段其實是對學習階段的重復進行，但復習階段與學習階段又不同，往往能夠真實地反映出用戶眼中一個課程真正的難點與重點。該階段能夠記錄的用戶狀態基本與學習階段相同，但在該階段中用戶往往更多的表現為對重點、難點的回顧。需要記錄的指標根據不同類型教學資源不同，比如某章教學課件中長時間停留的幻燈片的序號，視頻課件中某片段的起始時間和終止時間，對某些帖子的長時間的停留。

（4）測試階段。測試包括網絡作業和網絡考試2部分，該階段一般包括章節的作業與測試、自我測試、總評測試等環節。主要需要記錄測試題與作業中的錯題和錯題發生的時間點。

2 用戶學習狀態模型的建立

根據對用戶使用網絡學習系統每個階段的分析，將每個階段記錄的用戶學習狀態相關的指標在表1中列出。

表1 用戶學習狀態相關的量

對表1進行總結，發現與用戶學習狀態相關的指標主要有頻次（Frequency），時間長度（Length），地點（Place），類型（Kind），主題（Subject），用戶訪問資源的路線圖（Graphic），時間（Time）。將用戶學習狀態模型可以簡稱為FGKLPST模型。

按照FGKLPST模型，為了描述用戶學習狀態，需要在網絡學習系統中記錄的指標如圖2所示。

在圖2中出現的指標，一些指標可以單獨使用，比如登錄系統的地點，時間等，大多數指標往往需要互相聯合才能使用。比如關注某知識點的時間長度，對某知識點訪問的頻次和關于該知識點測試錯題的次數和發生錯誤的時間段互相聯合，就能考察出用戶在學習過程中，對一個知識點關注的頻度、時間長度和關于該知識點測試題是否發生錯誤之間的關系，進而可以得出該知識點是否是真正的難點。

3 學習狀態模型的使用

學習狀態模型建立以后，可以根據模型中記錄的量進行數據挖掘，進而得到系統優化的方向。

按照用戶學習過程的順序，對系統可以優化方向主要包括以下內容。

3.1 登錄階段

根據用戶登錄系統時間的聚類分析，可以得到網絡學習系統服務器負載的情況，為了提高系統服務的質量，在系統升級、維護時盡量避免在系統使用率高的時間段進行。

根據用戶登錄系統設備的類型、用戶每次會話時間的長度及用戶在整個學習過程中登錄時間長度的分布進行統計分析，可以得到用戶上網的類型（手機用戶、電腦用戶），根據一個用戶學習時間長度的分布能推斷出用戶的學習類型是突擊型還是持久型，一般突擊性的用戶平時學習的時間比較短，但是在課程測試階段將會逐漸加大在系統中學習的時間長度。

3.2 學習與復習階段

根據用戶在系統中點擊超級鏈接的路線圖，再結合網絡中超級鏈接的連接圖，可以得到用戶在使用學習系統的行為模式，依據用戶的行為模式可以動態調整網頁的布局，使網絡學習系統更加符合用戶的使用習慣。

根據用戶觀看視頻時在不同階段的停留時間，對這些時間點進行聚類分析，可以得到一個大長度的視頻的合理的劃分，進而為課程的微型化提供理論依據與支持。根據用戶學習某門課程時使用資源的類型和頻次，可以得到每個用戶在各種學習資源中興趣偏好，得到學習資源優化的目標與方向。在復習階段，對用戶在學習資源上停留的頻次與次序進行關聯分析，可以得到用戶觀念中的重點、難點和學習次序。從而可以對學習資源進行調整使更加符合用戶的需求。

3.3 討論和測試階段

在討論階段，主要是利用分詞系統，提取用戶發表帖子與關注帖子的關鍵詞和搜索問題的關鍵詞，發現用戶關注的學習重點與難點，測試階段能夠跟蹤同一類型測試題學生的做題情況，進而可以檢測復習階段的效果，目前已經有研究者根據測試成績進行分析用戶類型的文獻出現[9]。

4 結 語

綜上所述，采用用戶學習狀態的FGKLPST模型，能夠滿足網絡學習平臺優化的大多數優化目標，獨立或者聯合使用用戶學習狀態的各種指標能夠捕捉用戶的行為模式，能夠得到用戶角度的重點、難點的分布，能夠分析知識點的前后次序問題，能夠掌握用戶真實的學習狀態與類型。因此FGKLPST模型具有一定的通用性，在網絡學習平臺的設計與實現過程中具有一定的指導意義。

參考文獻

[1] 陳新文.在線學習系統的研究與設計[J].鄂州大學學報，2011，18（2）：5?9.

[2] 詹文法，馬俊，黃玉.影響網絡學習因素研究[J].計算機技術與發展，2006，16（9）：186?187.

[3] 陳莉萍，王艷麗.個性化網絡學習評價模型與系統的設計[J].電子設計工程，2009，17（3）：83?85.

[4] 蔣福德，鐘誠.智能化網絡學習系統關鍵技術研究與開發[J].現代計算機，2010，33（11）：63?68.

[5] 牛永潔，張成.用戶行為驅動的網頁布局自動調整的研究[J].計算技術與自動化，2011，30（1）：110?113.

[6] 陳華月.基于遺傳算法的個性化在線學習系統設計[J].通化師范學院學報，2011，32（8）：22?23.

[7] 張曉健.網絡學習系統中學習量的分析和預測方法[J].中國教育信息化，2008（13）：76?78.

[8] 王穎嫻.學習效果評估軟件系統的設計與實現[J].現代電子技術，2010，33（2）：65?67.

[9] 牛永潔，張成.蟻群聚類在試卷分析中的應用研究[J].計算機與數字工程，2012（4）：12?14.