面向學習過程的個性化資源推薦服務策略研究*

馬佳佳，熊才平，丁繼紅，張焱

（華中師范大學教育信息技術學院，湖北武漢430079）

面向學習過程的個性化資源推薦服務策略研究*

馬佳佳，熊才平，丁繼紅，張焱

（華中師范大學教育信息技術學院，湖北武漢430079）

海量的教育信息資源、豐富的平臺工具增加了學習者甄選難度，帶來“信息迷航”；個性化的資源推薦服務作為一種學習支持將最適合的資源推薦給最需要的學習者。為實現個性化資源的精準推送，有效提升資源推薦服務效果，剖析網絡環境下學習者在學習過程不同階段的資源需求，結合商業領域發展較成熟的三種個性化推薦技術，探討面向學習過程不同階段和情境的個性化資源推薦策略。

學習過程；個性化資源服務；推薦服務

一、問題的提出

以云計算、物聯網、移動互聯網為代表的新技術層出不窮，教育信息化建設因此獲得良好的發展機遇。各類在線開放課程平臺、在線教育社區、網絡教學平臺等推動網絡學習空間不斷延伸與發展，全球范圍內的開放教育資源項目、我國的精品課程熱潮、優質資源庫共建共享方略等促進了網絡教育資源持續豐富與增長。技術對教育產生正向推動作用的同時也帶來挑戰。一方面它為推進教育部的“三通兩平臺”建設提供了有力的技術支撐與環境支持；另一方面海量的教育資源、多樣化的網絡教學平臺及應用為學習者提供豐富選擇的同時加重其認知負荷，導致網絡學習“迷航”。有學者認為技術傳播縮小了數字鴻溝抑或增大了數字鴻溝。［1］

為破解信息過載難題，研究人員和平臺建設者借鑒商業領域個性化推薦思想，將推薦服務引入教育領域。它在一定程度上將用戶從“信息迷航”的焦慮中解救出來，實現了“人找資源”的信息被動檢索模式到“資源找人”的信息主動服務模式的轉變，彌補了搜索系統的不足。然而，現有教育信息資源個性化推薦研究重點集中在系統設計研究、算法改進研究等層面，偏向從技術角度入手研究推薦服務而未從教育的視角來整合技術。一方面是學習者需求被忽略，學習過程是分階段的，不同階段學習者的潛在需求均不相同，而這些需求直接影響其知識建構過程，［2］故弄清學習者在網絡學習過程中的動態需求是實現精準推送和有效服務的前提；另一方面是不同推薦系統對不同學習情境的適應性研究較少。推薦服務策略中推薦系統有多種選擇，如基于內容的推薦系統、協同過濾推薦系統等，但它們各有優劣，適用的學習情境相異，需結合算法特點、資源特征和用戶偏好綜合考慮。

二、從學習過程視角分析學習者資源需求

（1）奧蘇伯爾的認知學習理論

奧蘇泊爾認為要實現有意義的學習，前提條件之一就是學習材料必須具有潛在的邏輯意義，因此他提出了“先行組織者”策略和“逐步分化”、“綜合貫通”兩條原則。［3］奧蘇泊爾認為，教學內容的呈現首先應該利用引導性材料為學習者架構新舊知識的橋梁，再按照從一般到個別的思路循序漸進分層次呈現教學材料，最后鞏固新知，消除平行概念的矛盾與混淆，達到融會貫通的效果。在線學習是接受學習和發現學習的統一體，最終達到有意義學習的目的，因此，奧蘇泊爾的認知學習理論對我們分析學習者在學習過程各階段的資源需求并組織學習材料具有重要借鑒意義。

（2）布魯姆的掌握學習理論

布魯姆提出的掌握學習理論認為只要采取合適的方法并給予足夠的時間，絕大多數學習者都能相同程度地掌握學習內容，因此學習應該是從“存在差異到消滅差異”的過程［4］。根據掌握學習理論，每個學習單元的教學實施階段要經歷“常規授課”、“揭示差錯”、“矯正差錯”的一般流程。而在線學習大多是基于資源的學習，在學習過程的不同階段，學習者的資源需求各不相同，亟需相應的資源推薦服務來保障學習順利推進。

雖然關于學習過程的觀點各異，但國內外教育家普遍認為學習過程具備階段性特征。隨著學習過程的層層推進每個階段知識加工程度深入，學習者認識分化，學習者之間的差異性也隨之產生并逐步凸顯。

（1）面向大眾學習者的普適性資源

客觀、普遍的知識觀追求的是“同一性”，普適性價值是學校教育需要考慮的維度之一。［5］根據建構主義理論，在線學習者對知識點的意義建構是建立在各類教學資源基礎上的，因此在進入新的學習單元之前，為了達到教學目標，需要為學習者提供知識地圖和基礎性的教學資源。另外由于大眾學習者在開始進入新的單元學習時候面臨共同的學習任務，也決定他們的資源需求具有一定的共性。綜上，普適性資源是學習過程中面向全體學生可供選擇的全面性學習材料（如課件、教學視頻、習題集、輔導材料等），它代表最易滿足的淺層次需求，符合普適的價值觀，也是最基本的學習支持。

（2）面向相似學生群的針對性資源

網絡學習環境中，師生、生生之間處于時空分離狀態，學習者雖面對同樣的學習內容，接收相同的教育資源，但由于學習者個體差異的客觀存在，學習進度、學習效果會產生差別。當前網絡環境中傳統的資源服務策略要么只關注學習者的共性，而忽略網絡聚集效應下大規模、傾向于無差別的學習群體會逐漸分為興趣一致和特征相似的“小眾”，［6］要么過分關注單個學習者的個性化需求，而忽視相似學習者群體之間資源需求的一致性［7］。研究并利用網絡教學平臺中部分學生群體的相似特征，例如興趣愛好、知識基礎等，一方面可以為之提供有針對性、準確的學習資源，提高學習效率；另一方面能為其推薦相似學習伙伴，促進協作學習，加快學習社區的建立。這種針對性資源不僅是補償性的，也可是拓展性的，關鍵在于挖掘需求對象的群體特征。

（3）面向特定學習者的專題性資源

一個完整的學習過程蘊含著對知識的掌握、應用與創新的過程。隨著學習的不斷深入，學習者個性化知識訴求愈加明顯，個體發展成為關注重點。“自主、合作、探究”的學習理念也正是對全體共同發展和個體差異發展的詮釋。學生個體在學習過程中順利完成規定的學習目標并通過形成性測驗后，會面臨知識鞏固、探索創新的新需求，這種需求在探究性學習和具體問題解決環節會更明顯。專題性資源因其打破傳統模式下單元知識點的學科界限，實現知識點的融會貫通和知識結構的重新構建，能較好滿足特定學習者的復雜學習需求。它并非所有相關資源的直接堆砌，而是根據教師的結構化知識經驗及學習者解決問題時所需知識點的相關程度，分析知識點間的層級關系，形成專題知識網絡后將其匯聚整合，滿足特定學習者的高層次需求。學習過程資源需求層次如圖1所示。

圖1　學習過程資源需求層次圖

三、個性化推薦服務系統概述

學習者資源需求分析是開展個性化服務的出發點，需求的滿足是個性化服務的終點。從現有的網絡學習環境來看，資源主要靠學習者自主搜索，但學習者面對龐雜的資源條目，加上自主學習的惰性，導致資源利用率低、學習效果不佳。而傳統基于Push技術的推送服務往往給不同的人推送相同的資源，推送結果不夠個性化、智能化，易造成信息轟炸，令人生厭。在商業領域，常需要將“對的產品推薦給對的消費者”，目前效果最佳的就是利用個性化推薦服務系統開展個性化信息服務，它以用戶為中心，幫助其及時、準確完成信息獲取，提供決策支持。根據系統中使用的主要算法，可分為協同過濾推薦系統、基于內容的推薦系統和基于關聯規則的推薦系統。

協同過濾推薦系統充分體現了“集體智慧”的思想，其關鍵在于挖掘相似用戶群，即“最近鄰”。主要通過用戶行為選擇的相關性來判斷相似性，例如打分、收藏、下載等。其算法可進一步細分為基于用戶的協同過濾和基于項目的協同過濾。基于用戶的協同過濾系統核心思想是“最近鄰”的用戶群需求相似；基于項目的協同過濾核心思想是“最近鄰”的物品群具有相似的客戶。協同過濾推薦系統的優勢在于能處理機器難以進行內容分析的流媒體資源，如音樂、視頻等；一些評價類信息也可以轉換為“隱信息”，彌補了內容分析的單一性和片面性；推薦結果可能覆蓋用戶的多個興趣點，幫助用戶發現潛在興趣偏好。然而稀疏性和可擴展性等問題會影響系統使用效果。［8］

基于內容的推薦系統核心思想是根據物品本身的內容屬性為目標用戶推薦相關產品，分別為用戶與產品建立配置文件，利用TF-IDF等方法比較兩者之間的相似度，進而開展推薦服務。其關鍵在于產品文本信息的獲取與過濾，可以用決策樹、神經網絡和基于向量的表示方法等技術實現。目前，商業領域側重使用基于內容過濾的推薦系統的案例不多，比較成功的是音樂電臺潘多拉。由于不依賴其他用戶的打分數據和其他隱性行為數據，基于內容的推薦系統可以彌補數據稀疏性問題。對于新加入的物品或者用戶，它可以根據內容和用戶配置文件進行推薦，不存在“冷啟動”問題。但對于機器難以自動分析內容的物品，如音樂、電影等，基于內容的推薦系統無法發揮作用。且若純粹采用基于內容的推薦系統，提供的內容只與用戶興趣點相關，會陷入“越推越窄”的困境。

基于關聯規則的推薦系統核心思想是從大量數據中發掘項目間可能存在的關聯關系，通過制定關聯規則集進行目標項目推薦。目前已在電子商務領域的交叉及捆綁銷售和零售業中得到廣泛應用。與基于項目的協同過濾算法利用項目間的相似性進行推薦有所不同，關聯規則類似于“因果關系”，即抓住兩件看似毫不相干的商品間的相關性，例如：經典營銷案例“啤酒與尿布”，關聯規則“啤酒→尿布”，反之則不成立。［9］與前兩種推薦系統相比，基于關聯規則的推薦系統簡單直接，推薦的結果通常是清晰有效的，轉化率高。由于不需要提取內容信息，因此對資源類型沒有限制，可以發掘用戶潛在需求，而且，隨著數據量的擴充，推薦精度逐漸提高。不過它的缺點在于：規則的提取、更新較難，耗時較多規則數量的增多帶來管理難題。

四、面向學習過程的資源個性化推薦服務策略

根據學習過程階段性的特點及學習者認知結構層次化組織原則，分析得出在線學習者在不同階段的需求基本演變過程是“基礎性需求——針對性需求——提升性需求”，因此面向學習者的資源服務也相應呈遞增性推進。這種學習支持服務貫穿整個學習過程，它根據當前的學習情境、學習對象采用不同的推薦策略。每個階段的學習結束后，系統將測試診斷其知識掌握程度，以此決定下一階段的推薦內容和策略，按邏輯分層次將學習資源呈現給學習者。整體的推薦策略流程如圖2所示。

圖2　推薦策略流程

學習者進入網絡學習平臺后，系統會根據其提供的年級、學科、學習進度等個人信息自動構建學習檔案。一般來說，進入新的學習單元之前，學習者具有相似的需求，面對未知的學習內容，他們均需了解單元學習目標、知識圖譜、學習重難點等基本信息。在選擇進入某一特定單元學習后，學習者需充分接觸與知識點相關的各類學習資源，比如課件、教學視頻、課外推薦讀物等，這類資源屬于學習群體的共性需求，具有普適性的特征。此時，系統會利用基于內容的推薦算法將學習者文檔與資源文檔進行匹配，進而產生相關推薦。

學習者通過相關資源的學習，完成單元學習任務后會進入學習診斷環節。這一環節的目的是通過形成性檢測了解學習者的知識掌握情況“揭示差錯”，以便及時調整資源推薦服務策略，為學生提供更具針對性的個性化服務。測試題從當前知識點題庫中隨機抽取并根據學習者答題情況自動調整，此外學習者作業完成情況、論壇區發言情況等也是學習診斷的參考依據。從圖2可以看到，學習診斷是判斷學習過程走向的關鍵步驟。［10］一方面可以挖掘出知識水平相似的學生群，記錄這些學生易錯和易產生疑問的知識點，從而決定下一階段的學習需求；另一方面從側面反映學習資源的質量及資源推薦策略的效果，為資源及推薦策略的良性發展提供建設依據。

學習診斷不合格的學習者會進入“矯正差錯”環節，這是布魯姆掌握學習理論應用于教學實踐的關鍵步驟，根據診斷結果提供學習處方，體現了個性化教育實質是基于診斷的教育思想。同時，依據診斷結果，可將學生按知識掌握程度進行聚類，此類學生往往有相同的資源需求。此時，系統會利用基于用戶的協同過濾推薦算法推薦針對性的資源序列，并且按照學習者點擊率、評論信息等隱性數據決定推薦次序。此外，學習者可以對推薦結果進行評價反饋，不滿意可以通過雙邊互動重新推薦，滿意則基于這些資源完成學習任務，再次進入“學習診斷”環節。

對于學習診斷結果合格的學習者，系統會主動詢問“是否進入新的學習單元”。選擇“是”的學習者，其學習檔案自動更新，默認開始下一輪的單元學習。選擇“否”的學習者，可以結束本階段學習，也可以選擇繼續此單元的學習。此時，單元學習任務已經完成，一般性的學習目標也已達成，學習者潛在的深度學習需求開始凸顯。系統需要提供一些專題性資源，為學習者打破線性學習框架，將零散、孤立的知識點融會貫通，完善知識結構。針對此情況，系統利用基于關聯規則的推薦算法挖掘資源間的相關性，為學習者推薦資源序列。在此階段，學習者也能對推薦結果評價反饋。

在設計整體的推薦策略時，需根據每種系統的優劣確定其適用的學習情境，確保推薦策略實施的合理性與高效性。

（1）第一階段：基于內容的推薦服務策略

網絡學習環境中的學科資源能夠生成結構化、半結構化和非結構化等多種類型的數據。［11］但教育信息資源知識點邏輯清晰、目標用戶特征明顯、專業針對性強，每種素材都有完整的內容描述，這均為基于內容的個性化推薦策略的實現提供可能性。另外，由于普適性資源的推薦對象是剛進入新單元學習的大眾學習者，此時學習者具有相同的資源訴求，因此主要考慮資源與學習者的匹配策略，即采用基于內容的推薦系統。基于內容的推薦系統不依賴其他學習者的數據，恰能解決新用戶和新學習單元的加入而導致的“冷啟動”問題，直接依據學習者與資源之間的映射關系進行資源匹配。它雖無法為學習者提供非同質資源，但能夠保證推薦資源的全面準確，因此適合于推送基礎性、普適性的資源。實現過程分為三個階段：資源表征、學習者需求構建、資源與學習者的匹配。首先是抽取資源的內容屬性進行加權后用具體的向量來表示，然后根據學習者檔案分析出學習者的資源需求并構建用戶文檔，最后比較資源內容向量與學習者文檔的相關度，相關度最高的即為符合要求的普適性資源。

（2）第二階段：基于用戶的協同過濾推薦服務策略

針對性資源推薦服務發生在學習診斷后，更貼近學習者的實際情況，它的推薦對象為相似學生群。與上一階段基于內容的推薦方式不同，此階段重在建立學習者與學習者的關聯，并利用這種關聯特性建立資源與學生群的匹配關系，實現為相似學習者推薦相同的資源，這與協同過濾推薦思路吻合。因此，該學習情境下可以選擇基于用戶的協同過濾推薦策略，充分利用學生群體行為規律發揮集體智慧，考慮資源受歡迎程度，保證較高的推薦精度，且可使相似學生群在共享學習資源的同時開展協作學習。網絡學習環境中學習者與資源間的交互行為和評分數據都可成為數據源，不會產生矩陣稀疏。它的實現過程首先是對學習者的測驗診斷結果、歷史行為如對資源的點擊、下載等情況進行分析；然后通過Pearson相關系數等方法計算學習者之間的相似度，將相似學習者歸類；最后根據相似學習者對資源的適用性評價情況將符合當前相似學生群需求的針對性資源匯聚整合，并將這些針對性資源推薦給目標群體。

（3）第三階段：基于關聯規則的推薦服務策略

專題性資源推薦服務發生在完成基本學習任務后，旨在促進學習者知識點融會貫通、單元內容深層掌握，它滿足特定學習者的需求。本階段的推薦服務重在建立資源與資源的關聯，根據相關性強弱和因果關系將符合條件的資源推薦給學習者，實現為不同的學習者提供不同的資源服務。基于內容的推薦系統側重于挖掘資源與學習者之間的匹配關系，基于用戶的協同過濾推薦系統側重于挖掘學習者與學習之間的相似性，而基于關聯規則的推薦系統恰好可以通過關聯挖掘技術發現資源背后可能存在的相關性，來形成專題性資源的匯聚與整合。它的實現過程首先是制定一系列相關的規則集，這些規則必須通過手動人為制定，主要依據學科知識點邏輯關系、教師經驗，分析不同學習者學習路徑，然后根據設定好的規則計算專題里學習資源間的相關性，最后將資源按照相關性強弱生成推薦序列。相較于商業領域產品規則難以抽取的問題，在教育領域，由于知識點間本身具有嚴密的邏輯結構，關聯規則易于抽取。［12］

五、總結與展望

在網絡學習空間迅猛發展、教育信息資源建設方興未艾的背景下，為學習者提供個性化的資源推薦服務能夠有效緩解信息素養差異帶來的“知識溝”，從而在一定程度上促進教育公平。為發揮個性化推薦服務在網絡學習過程中的有效作用，從技術角度轉向學習者角度來設計推薦服務策略是關鍵，立足于服務需求設計服務策略，從而有效提升推薦服務效果。本文依據布魯姆的“掌握學習理論”，分析學習者在不同學習過程中的資源需求，剖析比較目前商業領域應用較成熟的三種推薦系統，設計面向學習過程的個性化資源推薦策略。即有效整合向大眾學習者推薦普適性資源的“基于內容的推薦系統”，為相似學生群推薦針對性資源的“協同過濾的推薦系統”，為特定學習者推薦專題性資源的“基于關聯規則的推薦系統”三種推薦方式，為學習者提供面向完整學習過程的個性化服務，緩解信息過載、資源迷航等問題，切實提升網絡學習的質量與效果。

［1］Plesch C.，Kaendler C.，Rummel N.，et al.Identifying Areas of Tension in the field of technology-enhanced learning：Results of an international Delphi study［J］.Computers&Education，2013，65：92-105.

［2］楊麗娜，肖克曦，劉淑霞.面向泛在學習環境的個性化資源服務框架［J］.中國電化教育，2012（7）：4-88.

［3］王惠來.奧蘇伯爾的有意義學習理論對教學的指導意義［J］.天津師范大學學報：社會科學版，2011（2）：67-70.

［4］王帥.布盧姆的掌握學習理論及其教育應用［J］.高等函授學報，2007，20（2）：42-45.

［5］王鑒，安富海.知識的普適性與境域性：課程的視角［J］.教育研究，2007（8）：63-68.

［6］何紹華，林翔.基于網絡交互式平臺的信息服務協同模式研究［J］.情報理論與實踐，2013，36（7）：54-57.

［7］王紅磊.基于社會性標簽的相似學習伙伴推薦系統設計與開發［D］.上海：華東師范大學，2010.

［8］劉建國，周濤，汪秉宏.個性化推薦系統的研究進展［J］.自然科學進展，2009（1）：1-15.

［9］DietmarJannach，Markus Zanker，Alexander Felfernig，et al.推薦系統［M］.北京：人民郵電出版社，2013：6-25.

［10］王春暉.初中物理智能學習系統的設計研究［J］.中國電化教育，2014（10）：90-95.

［11］武法提，牟智佳.電子書包中基于大數據的學生個性化分析模型構建與實現路徑［J］.中國電化教育，2014（3）：63-69.

［12］劉慶.數字化學習資源的個性化推薦與呈現研究［D］.成都：四川師范大學，2013.

（編輯：楊馥紅）

G434

A

1673-8454（2016）05-0029-05

本文系國家自然科學基金項目“基于網絡的教育資源配置方法、路徑與績效評價研究”（項目編號：71273108）；國家自然科學基金重點項目“基礎教育公平實現機制與服務均等化研究”（項目編號：71433004）的研究成果。