基于個性化推薦學習的網絡培訓教學課程平臺的設計與實現

蔡宏果　彭昱忠　利云　姜黎黎

[摘 要]針對傳統中小學教師繼續教育課堂培訓教學模式存在教學環節過于單調和程序化，忽視學生的主體性和個性特征等方面的不足，研究并設計了一個適應在職教師培訓的自主個性化學習的網絡培訓課程教學平臺。首先討論通過建立基于個性化推薦的網絡培訓課程平臺來實現“一體兩翼”的培訓目標，接著介紹了平臺的設計方案、教學平臺系統的功能、系統結構，最后重點闡述了課程平臺的系統核心技術的實現。該平臺的構建可有效提高教師培訓的教學效率和教學質量，為探索有效提升在職教師培訓的新模式提供新途徑，為解決國培等培訓項目培訓質量提升提供新方法。

[關鍵詞]個性化推薦學習；關聯規則；在線教學平臺；網絡教學；教師培訓

[中圖分類號] G64 [文獻標識碼] A [文章編號] 2095-3437（2017）05-0196-03

隨著信息技術的飛速發展，計算機技術不斷地在教師培訓領域中滲透與融合。教育部辦公廳印發的《2017年教育信息化工作要點》明確提出， 深入推進信息技術與教育教學深度融合，深化數字教育資源開發與應用，加強網絡學習空間應用廣度與深度。教師培訓屬于一種在職繼續教育，有其特點和難點，在線學習，個性化學習作為近年來研究的一種新的培訓方式，更重視在職培訓學生的主體性和個性特征，讓學生實現更高效的學習，無疑將在未來教育技術發展過程中占據主導地位。無論從培訓機構層面還是從受培訓學生需求層面看，多元化、智能化、個性化的網絡教學必將成為未來在職教師培訓領域發展的主要方向。

國家對于在職教師的培訓越來越重視，每年投入大量的國培等各類培訓項目經費，但培訓效果卻不盡于人意。這是因為在職教師“半生不熟”的知識結構造成的，“不怕不懂，就怕一知半解”告訴我們傳統的課堂統一教學培訓模式，是導致在職教師培訓熱情不高，培訓目標參差不齊的主要原因。因此，網絡研修、校本研修、鄉村教師工作坊等依托網絡教學的培訓項目成為當前全國中小學教師繼續教育資助的重點領域。近年來，我校也適時提出通過建立教師在線培訓工作坊和“一體兩翼”來破解教師培訓瓶頸，“一體”是以教師自主校本研修為主體，“兩翼”分別是遠程培訓和集中培訓。這些都迫切需要網絡在線培訓平臺的技術支撐。

根據培訓目標和教學系統的建設要求，本文提出了一種基于個性化推薦學習的在線課程教學平臺的設計與實現技術。基于個性化推薦學習的在線課程教學平臺系統是一個跨平臺、跨數據庫、可擴充和可移植的系統。系統通過智能學習到訪者的特征和使用痕跡，調整使用者的學習內容和訓練題庫，同時，根據使用者的學習情況自動分析使用者的潛在學習需求，推送課程知識，供使用者自主選擇學習。大部分的教學資源和信息資源采用網絡數據庫存儲，充分利用和整合網絡資源的有效利用。

一、相關工作

本系統平臺的核心技術是通過關聯規則挖掘來實現個性化推薦學習課程知識。個性化推薦服務被廣泛應用于數字圖書館、電子商務、新聞網站等各個領域中。[1]個性化推薦服務根據用戶興趣的相似性來推薦資源，通過研究不同用戶的興趣 ，主動為用戶推薦最需要的資源。個性化推薦技術主要有三種：基于規則過濾技術、基于內容過濾技術、基于協作過濾技術。[2]該項技術是提高個性化、自主學習的一種重要手段。近年來，隨著數據挖掘領域的拓展，利用關聯規則實現基于規則的過濾推薦成為主流。文獻[3]提出了一個簡單高效的關聯規則和序列模式挖掘算法Predictor，該算法具有較快的響應速度，可以滿足實時頁面推薦的需要，同時該算法還可以進行增量挖掘。文獻[4]Weiyang Lin等也是提出一種高效的關聯規則算法來實現個性化推薦。

關聯規則也稱為關聯模式，關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。是一種較好的信息推薦方法。是形如：A（年齡（X，“20...30”）， 職業（X，“學生”））→B（購買（X，“筆記本電腦”））的形式。挖掘算法首先由Agrawal等提出來和研究，Agrawal等提出基于頻繁項集的剪枝算法分為兩個階段，首先找出所有的頻繁項集，然后由頻繁項集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。支持度（support）： P（A∪B），即A和B這兩個項集在事務集TS中同時出現的概率。置信度（confidence）： P（B|A），即在出現項集A的事務集TS中，項集B也同時出現的概率。同時滿足最小支持度閾值和最小置信度閾值的規則稱為強規則。給定一個事務集TS，挖掘關聯規則問題就是產生支持度和可信度分別大于用戶給定的最小支持度和最小可信度的關聯規則，也就是產生強規則的問題。為了降低個性學習推薦系統的研發難度，本系統引擎模塊通過接口調用比較著名的成熟開源數據挖掘平臺Weka實現相應功能。

二、系統平臺設計

整個系統劃分為課程資源管理、系統管理、個性化學習推薦和互動管理等四個子系統，每個子系統包含若干功能模塊。系統的主要模塊如圖1所示。

三、系統核心技術的實現

（一）學習行為捕獲

學生的在本平臺系統中的學習行為主要體現為其在平臺上的訪問行為上，包括頁面瀏覽行為和超鏈接點擊行為，比如，用戶在各個頁面之間的跳轉關系、在單個頁面上的鼠標、鍵盤操作的訪問行為。用JavaScript 腳本即可跟蹤和記錄學生用戶在系統內的訪問行為，從而捕捉到用戶先后瀏覽過的知識點和資源、瀏覽時間和持續時間等信息，這是獲取用戶個性化信息的關鍵的一環。獲取用戶瀏覽的知識點和資源行為目的是為了分析該用戶是否真正學習過該知識點和資源，共學習了多長時間，以供后期的推薦做參考。

（二）學習行為識別

考慮到可能存在用戶只是誤訪問了知識點和相關資源，或者因各種原因訪問了但只匆匆一看，則這種情況并不能算正在學習過該資源，所以不能將用戶點擊過的知識點和資源記錄都保存，否則就會嚴重影響數據的準確性。所以需要計算并判斷用戶在知識點頁面停留的時間來確定用戶是否學習了知識點和對應資源，如果超過了預定的時間，就獲取用戶的編號、用戶學習的知識點的編號保存為用戶學習日志數據表一條記錄。另外，為了方便后期進行數據分析和挖掘，可把知識點編號構建成字符串類型的數據存儲到數據庫用戶學習行為表里。在這里，通過加載課程頁面時執行一個Ajax方法，在Ajax異步請求方法里面加入定時器setTimeout，在定時器規定的時間內發送一個請求調用后臺的方法并把相關參數傳遞到后臺，后臺就把數據保存進數據庫里面。系統實現時，假定學生瀏覽訪問該資源的時間大于等于五分鐘（300000毫秒）即可認為該學生學習過對應知識和資源，對于用戶已經學習過的知識點不會重復記錄，在后臺代碼加了判斷。關鍵代碼如下：

（三）個性化學習資源推薦

首先獲取用戶的學生注冊的基本信息、在線練習測試成績、學習行為記錄數據等進行預處理后，通過調用Weka進行分類和聚類確定學生所屬群體，然后將學生注冊的基本信息、在線練習測試成績、學習行為記錄數據與互動管理子系統中的評論信息、評分信息和教師標導信息結合構建事務集，并調用Weka的數據規范化處理和關聯規則挖掘算法進行數據正則化處理與數據挖掘，發現給定置信度和支持度的描述用戶學習“興趣”的規則，以及挖掘學生學習的“技術路線圖”然后進行用戶匹配和信息推薦，向當前訪問學生用戶推薦可能“感興趣”的知識點和教學資源，最終實現個性化學習推薦。

四、結束語

本文主要探討了基于個性化推薦學習的在線課程教學平臺的構建思路、設計與實現技術。基于個性化推薦學習的在線課程教學平臺系統是一個跨平臺、跨數據庫、可擴充和移植的系統。系統通過智能學習到訪者的特征和使用痕跡，調整使用者的學習內容和訓練題庫，同時，根據使用者的學習情況自動分析使用者的潛在學習需求，推送課程知識，供使用者自主選擇學習。面向課堂教學和學生自主個性化學習的在線教學平臺的構建是一個復雜、浩大的工作，不僅需要涉及課程群的多位專業授課教師深入研究知識點群，重構知識點群層次，與系統設計思想接軌。還需要平臺相關技術人員構建好相應軟件技術平臺，不斷改進技術，并在平臺上實現相關教育理念和教學思想。平臺的構建和應用，打破了傳統教學的時空限制，能夠實現網絡自主學習、推薦學習的培訓目標。下一步我們將繼續深入研究，并在教學實踐中不斷改進、完善、擴充本系統的功能，使其能夠滿足更深更廣的教師培訓需要。

[ 參 考 文 獻 ]

[1] 曾春，邢春曉，周立柱.個性化服務技術綜述[J].軟件學報，2002（10）：1952-1961.

[2] 郭艷紅，鄧貴仕.協作過濾的一種個性化推薦算法研究[J].計算機應用研究，2008（1）：39-58.

[3] 張慧穎，梁偉.基于用戶訪問模式挖掘的網頁實時推薦研究 [J].計算機應用，2004（6）：70-73.

[4] WeiyangLin，Sergio A. Alvarez，Carolina Ruiz. Efficient Adap？鄄tive？鄄Support Association Rule Mining for Recommender Systems[J]. Data Mining and Knowledge Discovery，2002（1）.

[5] 潘征宇，鐘紹春，鐘永江，等.個性化學習工具設計及應用研究[J].中國電化教育，2015（6）：85-91.

[6] 張楊，徐傳運，王森.面向課程群的軟件案例庫建設方法研究[J].計算機育，2015（19）：35-38.

[特約編輯：黃緊德]