個性化e—Learning協作學習推薦系統研究

王劍 陳濤

【摘 要】

作為一種利用互聯網技術實現快速學習的新方式，e-Learning成為幫助學習者實現終身學習的一種重要方式。推薦系統和協作學習作為e-Learning的兩種重要形式，將二者結合起來進行考慮具有重要的現實意義。本文將推薦系統和協作學習相結合，針對學習者的個性化特征，考慮學習者不同的學習能力，以更好地配合學習者之間的協作學習。實驗結果表明，所提出的系統可以實現個性化的課程推薦，能夠滿足學習者的個性化需求，增強協作學習能力；協作學習在加深學習效果方面要比個人單獨學習更有優勢。本研究的意義在于：一是在推薦系統和協作學習混合的環境中考慮了學習者能力這個因素，二是設計出了協作學習的評估和反饋體系。

【關鍵詞】 學習者能力；e-Learning；協作學習；推薦系統

【中圖分類號】 G434 【文獻標識碼】 A 【文章編號】 1009—458x（2016）07—0044—09

一、引言

隨著以信息技術為代表的現代科學技術的快速發展，新工具和新方法正在改變著人們的生產方式、生活方式、思維方式以及學習方式。與此同時，網絡技術的出現也帶來了大量可以解決遠程學習的新方法。e-Learning逐漸受到人們的關注，經過幾十年的發展，e-Learning的應用范圍逐步擴大，使得我們在日常生活中的學習和交流過程變得更加便捷（González-Gómez， Guardiola， Rodríguez， & lonso，2012）。

與傳統學習相比，e-Learning是憑借信息技術和網絡技術來解決信息分散問題和實現快速學習的一種全新方式（余蘭，2008）。e-Learning允許學習者通過網絡在一個虛擬的學習環境中進行學習，使得學習者實現任何時間、任何地點的學習，進一步幫助人們實現終身學習的需要。但是，e-Learning的廣泛應用也產生了海量的學習資源，如何快速地發現學習者所需的學習資源逐漸變成e-Learning快速發展的障礙。對于這個問題，傳統的解決方案是利用搜索引擎來查找學習者所需的相關資源。由于搜索引擎不能基于學習者的興趣或者偏好來定位合適的學習資源，從而出現了e-Learning推薦系統，更好地幫助學習者找到所需的學習資源（Salehi & Kamalabadi， 2013）。

e-Learning推薦系統是將電子學習技術與智能推薦技術進行整合而產生的一種學習平臺。它的基本思想是通過電子學習平臺獲取學習者的相關信息，然后對這些信息進行一定的整理分析，利用信息檢索（Information Retrieval，IR）技術推薦各種各樣滿足學習者興趣或偏好的信息，為學習者提供個性化的服務（Blanco-Fernández， et al.， 2008）。e-Learning推薦系統可以通過分析學習者的瀏覽行為、興趣或者偏好（Wang & Shao， 2004； Hsu， 2008； Salehi & Kamalabadi， 2012）來幫助選取合適的學習資源，極大地提高學習者的學習效率，加速學習過程，增強學習的熱情。

e-Learning在其發展過程中出現的另一種重要的發展模式是協作學習（Collaborative Learning）。在信息化社會中，人們的學習方式往往趨向于集群化、交互化以及協作化。計算機支持的協作學習（Computer Supported Collaborative Learning，CSCL）是指利用計算機技術和網絡技術形成的、可以支持學習者進行協作學習的應用系統（Cabrera-Lozoya， Cerdan， Cano， Garcia-Sanchez， & Lujan， 2012）。在CSCL中，知識級別不同的學習者擁有平等的機會參與學習交互過程，通過知識的分享和獲取達到更好更快地完成學習任務的目的，學習者可以完全控制自己的學習過程。此外，CSCL鼓勵學習者在協作學習過程中交換各自的觀點，分享自己擁有的知識以及獲取同伴分享的知識來更好地解決在學習中遇到的問題，從而更順利地完成學習任務（Casamayor， Amandi， & Campo， 2009；王晶，李艷燕，王迎，等，2007）。

雖然已有許多e-Learning的研究，但還存在一些缺點或者不足之處。首先，這些研究往往都只關注e-Learning的某一方面，要么偏重于推薦系統的研究，要么偏重于協作學習的研究，幾乎沒有同時兼顧對于推薦系統和協作學習的研究；其次，在現有的個性化推薦系統中，學習者往往缺乏實時的學習幫助，不能在學習中收到同伴的幫助，更好地學習所推薦的學習資源；再次，雖然已有很多利用學習者的瀏覽行為、興趣或者偏好來推薦學習資源的研究，但是往往忽視對于學習者能力這個重要因素的關注；最后，雖然已有對于協作學習評估的研究，但是如何利用學習者在協作學習過程中產生的相應數據還未能得到更好的研究。鑒于以上分析，本文嘗試將課程推薦系統與學習者之間的協作學習相結合，融入學習者能力這一個性化因素，提出了一個個性化的e-Learning協作學習推薦系統，推進該研究主題的深入發展。

二、文獻綜述

（一）e-Learning推薦系統

推薦系統是指通過分析使用者的歷史行為，在此基礎上主動推薦給使用者一些能夠滿足其興趣或者需要的信息。自上個世紀以來，推薦系統的應用范圍已擴散到許多領域，包括商業、醫藥以及教育等。在商業領域中，推薦系統通常是利用網絡世界中存在的商業網站收集消費者的信息，基于一定的統計分析之后提供給消費者一些產品信息和建議，以幫助消費者購買合適的商品。而在教育領域中，很多研究者主要是利用e-Learning推薦系統推薦合適的學習資源，為學習者提供相對應的個性化學習環境。

Chen等人（Chen， Liu， & Chang， 2006）提出了一個基于Web的個性化學習指導系統，該系統采用貝葉斯估計方法分析學習者能力，并通過修改的項目響應理論（Item Response Theory）將課程困難度、學習者能力以及學習課程概念的連續性相結合，為學習者產生個性化的課程序列。陶劍文和姚奇福（2007）提出了一個基于Web使用挖掘的集成多Agent和Web services的分布式個性化學習推薦系統。該系統采用最近最少使用策略的系統推薦算法，通過對學習者的歷史數據分析，發現學習者的使用模式，以此為學習者推薦符合其學習行為的課程。Li等人（Li， Chang， Chu， & Tsai， 2012）提出了一個可以自我調節的電子課程生產過程。該過程基于學習素材的困難度和學習者的能力以及學習目標，通過最大相似度估計方法分析學習者能力和學習目標，并通過遺傳算法和粒子群優化算法產生個性化的推薦素材給學習者。Salehi和Kamalabadi（2012）提出了一個混合的、基于屬性的電子學習素材推薦系統。該系統采用基于屬性的多維度模型的素材推薦途徑，將基于內容的過濾、協同過濾以及一些混合的途徑等推薦方法相結合，可以自適應地依據學習者的偏好和逐漸改變的興趣推薦合適的學習素材。其中，基于內容的過濾被運用于學習者行為和特定素材的相似性的建立，協同過濾被運用于學習者之間偏好的相似性的建立。Aher和Lobo（2013）提出了一個基于歷史數據的機器學習算法集合的課程推薦系統，該系統采用集群算法和聯合規則算法，基于其他學習者的課程選擇歷史記錄推薦合適的課程。其中，聯合規則算法被用于建立歷史記錄數據集合之間的關系，集群算法被用于分類歷史記錄數據集合。

由此可見，e-Learning推薦系統已經得到很大的發展，許多優秀的算法都被用于其中。但還存在一些不足。比如，目前的e-Learning推薦系統不能很好地多樣化地推薦學習資源，缺乏有效的對于推薦質量進行評價的機制等。這些問題限制了e-Learning推薦系統的發展。因此，如何充分利用各種新技術，建立一個具有實用性的個性化e-Learning推薦系統還需要進一步研究和實踐。而在上述方法中，項目響應理論常被用于表示使用者的潛在心理特征是否可以通過測試題反映出來以及測試題與使用者之間的互動關系，而最大相似度估計方法被廣泛用于樣本值的估計且易于實現。因此，本研究的課程推薦部分采用最大相似度估計方法來估計學習者能力，采用項目響應理論來推薦合適的課程。

（二）計算機支持的協作學習（CSCL）

協作學習是指一項學習者可以采用互助合作的方式來最大限度地促進其學習的活動，同時也是一種學習者可以通過以團隊的形式進行討論和信息分享來達到彼此方便地交流和獲取新知識這一目的的途徑。計算機支持的協作學習（CSCL）可以充分利用計算機交流便捷的優勢，實時地讓學習者分享和討論各自的觀點，總結各自的學習經驗，以此來幫助學習者更好地實現其學習目標。

在特定的e-Learning環境下，由于學習者在協作學習過程中會產生大量的交互或者存在學習者控制整個學習過程的問題，導致分析學習者的協作學習情況變得困難。目前，已經存在一些使用統計分析方法來解決這一問題的研究。例如，Talavera和Gaudioso（2004） 提出了一些交互統計指標來分析學習者的交互過程，但僅僅被用于證明使用集群技術對學習者進行分類是可行的。Gómez-Sánchez等人（2009）提出了一個在e-Learning環境下分析學習者交互的框架，通過分析學習者的交互來幫助達到促進學習的目的，卻并沒有關注學習者是否協作。Anaya和Boticario（2011）采用機器學習技術來分析學習者在協作學習中的交互情況，通過給學習者提供一個協作學習過程以消除學習者之間消極的交互，并采用了一些領域獨立的統計指標來分析學習者的交互情況，卻沒有考慮將交互情況實時反饋給學習者，以便更好地促進他們的學習。Anaya等人（2013）提出了一個使用影響圖的協作學習環境下的推薦系統。通過采用影響圖中包含的一些定量的統計指標來追蹤和分析學習者的團隊交互情況，并通過機器學習技術分析合理的統計指標以及推薦產生問題的環境。

協作學習的關鍵在于學習者之間的交互。僅僅簡單地把學習者放在一個協作的環境中并不一定會產生很好的效果，我們需要更深入地了解學習者在協作學習過程中的各種活動。良好的協作學習依賴于良好的協作機制以及協作過程中的評價與反饋機制，加強協作過程中的評價與反饋，可以有效地促進學習者更好地進行協作交互。雖然上述研究探討了一些對于協作過程中交互的分析評價機制，但并沒有將協作過程的分析評價機制和信息反饋機制進行深入的結合。鑒于此，本研究通過提供給學習者一個預先設計的協作學習活動，然后采用兩類統計指標來分析學習者的協作學習情況，并采用兩種專家制定的信息反饋規則將信息反饋機制和學習者能力相結合，把學習者的協作學習活動、對于協作學習過程的分析評價和信息反饋三者緊密地聯系起來。

三、系統結構介紹

本研究提出的個性化e-Learning協作學習推薦系統主要分為課程推薦、協作學習和協作學習過程評估及反饋三大模塊（如圖1所示）。其中，課程推薦模塊用于估計學習者能力以及推薦相應的學習課程；協作學習模塊用于學習者協作學習活動的安排；協作學習過程評估及反饋模塊用于對學習者的協作學習進行分析評估，根據給學習者評估結果提供相應的信息反饋。

（一）課程推薦模塊

一般情況下，項目響應理論被用來分析測試者的潛在心理特征（Chen， Lee， & Chen， 2005），本研究采用該理論來對學習者能力進行建模。所用的項目響應理論的單參數模型如公式1所示：

[Pj（θk）=11+e-D（θk-bj）]，[Qj（θk）=1-Pj（θk）] （1）

其中，[Pj（θk）]表示在低于學習者能力[θk]的級別下學習者可以完全理解第j門課程的可能性；[Qj（θk）]表示在低于學習者能力[θk]的級別下學習者不完全理解第j門課程的可能性；[bj]表示第j門課程的困難級別；[D]為常數1.702。

課程推薦模塊細分為學習者能力估計和課程推薦兩部分（如圖2所示）。其中，學習者能力估計部分運用最大相似度估計方法對學習者能力進行評估，課程推薦部分運用信息函數策略來給學習者推薦合適的學習課程。

四、實驗結果分析

為了驗證所提出的個性化e-Learning協作學習推薦系統的有效性，本實驗以主修預先設計課程的60名學習者作為研究對象。在這60名學習者中，20名學習者作為控制組參與單獨的個人學習，以便測試課程推薦模塊的有效性；其余的學習者作為試驗組參與協作學習，以此來測試整個系統的有效性。

（一）學習者能力估計及課程推薦驗證

基于學習者的反饋信息和所學課程困難度的學習者能力可以在學習者的學習過程中動態地被估計，即當學習者可以完全理解一門課程時，學習者能力將提升；否則會降低。圖4和圖5展示了學習者能力的調節過程以及所推薦最優課程的困難級別與被評估的學習者能力之間的關系。從中可以看出，學習者能力確實可以在學習者的學習過程中被動態地估計，并且該系統可以推薦合適的學習課程。從中也可以看出，協作學習的學習效果在某種程度上優于單獨的個人學習。

表5展示了所有學習者在完成總的學習任務后最終的平均學習者能力。實驗結果顯示，參與協作學習的學習者最終的平均學習者能力要高于參與單獨的個人學習的學習者最終的平均學習者能力，這表明協作學習在加強學習效果方面比單獨的個人學習更有優勢，這是因為學習者可以在協作學習過程中進行討論和分享，有助于課程的學習。

（二）協作學習評估及反饋驗證

在協作學習過程中，學習者可以實時地收到協作交互情況的信息反饋；同時，在開始學習一門新的推薦課程時，學習者也可以收到基于同伴對其評估的信息反饋。圖6展示了所有學習者的協作學習評估情況。從中可以看出，學習者協作級別的取值主要集中在-1、0和1上，這表明大部分學習者比較積極地參與協作學習，同時也表明協作級別評估的有效性較好。學習者評估級別的取值則主要集中在-2和2上，表明評估級別的有效性不太理想，可能是由于這個指標很容易受到學習者主觀感知的影響。此外，表6展示了所有參與協作學習的學習者在實驗中接收到的信息反饋情況。從中可以看出學習者在協作學習過程中收到的警告數量稍多于獎勵數量，這可能是由于部分學習者沒有積極主動地參與協作學習。

（三）學習者滿意度調查

在實驗中，當學習者完成總的學習任務之后，他們需要回答一份預先設計的調查問卷。表7顯示了問卷調查的問題以及學習者的反饋結果（實際發放調查問卷60份，回收60份，有效回收率100%）。前兩個問題是為了調查學習者對于該系統提供的課程推薦服務的滿意度；后兩個問題是為了調查學習者對于該系統提供的協作學習評估及反饋機制的滿意度。實驗結果表明，學習者對于該系統給予了較高的評價。

五、結論及未來研究展望

Johnson等人（2004）表示，為了確保協作學習，必須對團隊協作進行定期的分析處理。因此，我們提出了一個個性化e-Learning協作學習推薦系統。該系統不僅可以給學習者推薦合適的學習課程，還可以支持學習者的協作學習。本系統可以基于學習者對所學課程的反饋來動態地估計學習者能力，以此為基礎給學習者推薦合適的學習課程。同時，該系統還提供了學習者協作交互的平臺，學習者可以通過該平臺討論學習過程中遇到的問題以及分享學習經驗，并通過評估學習者的協作學習情況提供一些信息反饋，以便學習者更好地參與協作學習。

實驗結果顯示：第一，所提出的系統確實可以實時動態地估計學習者能力，給學習者推薦合適的學習課程。這表明采用的項目響應理論以及最大相似度估計方法能較好地符合本研究的要求。第二，相對于單獨的個人學習，協作學習確實可以很好地提高學習者的學習效率，極大地促進學習者的學習。這一結果表明，將協作學習和推薦系統相結合，再加入學習者能力這一個性化特征，確實可以提高學習者的學習效果。第三，學習者在協作學習過程中會比較積極地參與討論分享，表明在協作學習評估中所采用的協作級別指標較為有效。但是，由于學習者同伴的評估比較容易受到主觀感知的影響，從而導致在協作學習評估中所采用的評估級別指標的有效性沒有達到預期效果。這也說明，通過采用協作學習評估指標來動態地分析學習者的協作情況是可行的。第四，所有參與協作學習的學習者收到的總體警告反饋數目要大于獎勵反饋數目，這可能是由于協作學習反饋機制對學習者沒有很強的約束性，從而導致少數學習者在接收到警告反饋后沒有主動地參與討論分享。第五，學習者對于該系統給予了很高的評價，表明學習者較肯定本研究將協作學習和推薦系統相結合的模式。

由于本研究僅采用了學習者能力這一個性化特性，不能很好地體現個性化推薦，因此，在將來的研究中我們計劃采用多個個性化特征來推薦學習課程，從而更加全面地提高課程推薦部分的有效性。由于采用的評估級別指標容易受到人的主觀感知的影響，因此，在將來的研究中將選取更加理想的評價指標來分析學習者的協作情況，以便得到對于學習者協作情況更加合理的評估。此外，由于采用的協作學習信息反饋機制不具有很強的約束性，如何建立更完善的協作學習反饋機制，從而可以更好地激勵學習者活躍地參與協作學習也是將來要研究的問題之一。

[參考文獻]

陶劍文，姚奇福. 2007. 基于Web使用挖掘的個性化學習推薦系統[J]. 計算機應用（7）：1809-1812.

王 晶，李艷燕，王 迎，等. 2007. 基于交互分析的協作學習過程研究——以“e- Learning 導論”在線課程分析為例[J]. 中國電化教育，245：44-48.

余蘭. 2008. 中學生e-Learning現狀、問題及對策研究[D]. 廣西：廣西師范大學.

Aher， S. B.， & Lobo， L. M. R. J. （2013）. Combination of machine learning algorithms for recommendation of courses in E-Learning System based on historical data. Knowledge-Based Systems， 51， 1-14.

Anaya， A. R.， & Boticario， J. G. （2011）. Application of machine learning techniques to analyse student interactions and improve the collaboration process. Expert Systems with Applications， 38， 1171-1181.

Anaya， A. R.， Luque， M.， & García-Saiz， T. （2013）. Recommender System in Collaborative Learning Environmentusing an Influence Diagram. Expert Systems with Applications， 40， 7193-7202.

Blanco-Fernández， Y.， Pazos-Arias， J. J.， Gil-Solla， A.， Ramos-Cabrer， M.， López-Nores， M.， García-Duque， J.， Fernández-Vilas， A.， Díaz-Redondo， R. P.， & Bermejo-Mun?z， J. （2008）. A flexible semantic inference methodology to reason about user preferences in knowledge-based recommender systems. Knowledge-Based Systems， 21， 305-320.

Cabrera-Lozoya， A.， Cerdan， F.， Cano， M. D.， Garcia-Sanchez， D.， & Lujan， S. （2012）. Unifying heterogeneous e-learning modalities in a single platform： CADI， a case study. Computers & Education， 58， 617-630.

Casamayor， A.， Amandi， A.， & Campo， M. （2009）. Intelligent assistance for teachers in collaborative e-learning environments. Computers & Education， 53， 1147-1154.

Chen， C. M.， & Chung， C. J. （2008）. Personalized mobile English vocabulary learning system based on item response theory and learning memory cycle. Computers & Education， 51， 624-645.

Chen， C. M.， Lee， H. M.， & Chen， Y. H. （2005）. Personalized e-learning system using Item Response theory. Computers & Education， 44， 237-255.

Chen， C. M.， Liu， C. Y.， & Chang， M. H. （2006）. Personalized curriculum sequencing utilizing modified item response theory for web-based instruction. Expert Systems with Applications， 30， 378-396.

Garzón-Alvarado， D. A.， Martinez， A. M. R.， & Segrera， D. L. L. （2011）. A model of cerebral cortex formation during fetal development using reaction-diffusion-convection equations with Turing space parameters. Computer Methods and Programs in Biomedicine， 104， 489-497.

Gómez-Sánchez， E.， Bote-Lorenzo， M. L.， Jorrín-Abellán， I. M.， Vega-Gorgojo， G.， Asensio-Pérez， J. I.， & Dimitriadis， Y. （2009）. Conceptual framework for design， technological support and evaluation of collaborative learning. International Journal of Engineering Education， 25， 557-568.

González-Gómez， F.， Guardiola， J.， Rodríguez， ?. M.， & Alonso， M. ?. M. （2012）. Gender differences in e-learning satisfaction. Computers & Education， 58， 283-290.

Hsu， M. H. （2008）. A personalized English learning recommendation system for ESL students. Expert Systems with Applications， 34， 683-688.

Johnson， D. W.， & Johnson， R. （2004）. Cooperation and the use of technology. In D. Jonassen （Ed.）. Handbook of research on educational communications and technology（pp. 785-812）.

Li， J. W.， Chang， Y. C.， Chu， C. P.， & Tsai， C. C. （2012）. A self-adjusting e-course generation process for personalized learning. Expert Systems with Applications， 39， 3223-3232.

Salehi， M.， & Kamalabadi， I. N. （2012）. A Hybrid Attribute-based Recommendation system for E-learning Material Recommendation. IERI Procedia， 2， 565-570.

Salehi， M.， & Kamalabadi， I. N. （2013）. Hybrid recommendation approach for learning material based on sequential pattern of the accessed material and the learners preference tree. Knowledge-Based Systems， 48， 57-69.

Talavera， L.， & Gaudioso， E. （2004）. Mining student data to characterize similar behavior groups in unstructured collaboration spaces. 16th European CONFERENCE ON ARTIFICIAL INTELLIGENCE， 17-23.

Wang， F. H.， & Shao， H. M. （2004）. Effective personalized recommendation based on time-framed navigation clustering and association mining. Expert Systems with Applications， 27， 365-377.

Zea， N. P.， Sánchez， J. L. G.， Gutiérrez， F. L.， Cabrera， M. J.， & Paderewski， P. （2009）. Design of educational multiplayer videogames： A vision from collaborative learning. Advances in Engineering Software， 40， 1251-1260.

Zhu， Y. Q.， Chen， L. Y.， Chen， H. G.， & Chern， C. C. （2011）. How does Internet information seeking help academic performance？ -The moderating and mediating roles of academic self-efficacy. Computers & Education， 57， 2476-2484.

收稿日期：2015-11-01

定稿日期：2016-02-24

作者簡介：王劍，博士，副教授，碩士生導師；陳濤，在讀碩士。華中科技大學自動化學院（430074）。

責任編輯 韓世梅