大數(shù)據(jù)視角下個性化自適應(yīng)學(xué)習系統(tǒng)支撐模型及實現(xiàn)機制研究

馬相春　鐘紹春　徐妲

摘要：隨著云計算、物聯(lián)網(wǎng)和移動互聯(lián)技術(shù)的快速發(fā)展，我們由信息時代邁入了數(shù)據(jù)時代。尊重個體差異，促進個性化學(xué)習，是教育改革核心理念之一；個性化自適應(yīng)學(xué)習，日益成為教育界關(guān)注的熱點問題。基于以上背景，該文從大數(shù)據(jù)的視角出發(fā)，對個性化自適應(yīng)學(xué)習系統(tǒng)的核心要素進行了分析：針對學(xué)習者需求的演進，分析了學(xué)習者的學(xué)習自主性、群體社會化和學(xué)習情感；面對學(xué)習資源的新訴求，探討了資源的情境化和多維立體關(guān)聯(lián)性；就系統(tǒng)架構(gòu)的新特性，強調(diào)了系統(tǒng)生態(tài)化、數(shù)據(jù)采集精細化及系統(tǒng)自我修善與重生的必要性。通過以上對系統(tǒng)核心要素的分析，提出了基于大數(shù)據(jù)的個性化自適應(yīng)系統(tǒng)架構(gòu)模型，并從學(xué)習者模型、領(lǐng)域知識模型和自適應(yīng)引擎三方面對其實現(xiàn)機制進行了探析，提出了基于多種群選擇的學(xué)習路徑推薦策略和基于加權(quán)協(xié)同過濾的學(xué)習資源推送方法。

關(guān)鍵詞：大數(shù)據(jù)；個性化自適應(yīng)；支撐模型；實現(xiàn)機制

一、引言

互聯(lián)網(wǎng)技術(shù)的發(fā)展，極大地延伸了傳統(tǒng)的學(xué)習空間和學(xué)習時間，隨著智能移動設(shè)備的技術(shù)發(fā)展，社會已經(jīng)進入了泛在學(xué)習時代，學(xué)生獲取知識的便利性和可使用的學(xué)習資源形式都得到了質(zhì)的提升，自主學(xué)習的門檻降低了，學(xué)生進行學(xué)習的效能卻沒有得到明顯的提升；當今社會對創(chuàng)新型、智慧型人才的需要使得教育從業(yè)者更加重視喚醒學(xué)生的潛能，使學(xué)生具有個性化的成長路徑，但師資短缺與教育資源的不均衡，課后輔導(dǎo)與課堂教學(xué)的脫節(jié)，學(xué)生學(xué)習問題得不到及時解決和科學(xué)性引導(dǎo)，個性化學(xué)習無法有效開展。在這樣的時代背景和社會對人才的需求下，我們需要一種更“懂”學(xué)習者的個性化自適應(yīng)學(xué)習系統(tǒng)，它能夠感知學(xué)習者的學(xué)習需要，根據(jù)其水平能力的高低，時間地點的變換、學(xué)習設(shè)備的更換以及其學(xué)習的偏好給學(xué)習者推薦最適合的學(xué)習內(nèi)容與路徑。

大數(shù)據(jù)被認為是繼云計算、物聯(lián)網(wǎng)之后IT產(chǎn)業(yè)的又一次重大變革，具有數(shù)據(jù)規(guī)模大（Volume）、數(shù)據(jù)種類多（variefy）、數(shù)據(jù)要求處理速度快（veloeity）、易變性（Variability）、真實性（Veraeity）和數(shù)據(jù)價值密度低（Value）六大特征。教育大數(shù)據(jù)能有效實現(xiàn)學(xué)習行為與過程的精準分析、學(xué)習績效提升、科學(xué)規(guī)劃學(xué)習路徑和策略，從而為個性化自適應(yīng)學(xué)習系統(tǒng)提供強大的支持。本文基于大數(shù)據(jù)視角，在云平臺、物聯(lián)網(wǎng)等技術(shù)的背景下，提出了個性化自適應(yīng)學(xué)習系統(tǒng)支撐模型，并對實現(xiàn)機制進行討論。

二、大數(shù)據(jù)視角下個性化自適應(yīng)學(xué)習系統(tǒng)核心要素分析

個性化自適應(yīng)學(xué)習系統(tǒng)是以教育大數(shù)據(jù)為背景，在個性化學(xué)習和自適應(yīng)學(xué)習的基礎(chǔ)上，通過大數(shù)據(jù)的分析過程和結(jié)果，為每個學(xué)生提供更適合其個性化特點和需求的學(xué)習內(nèi)容。與傳統(tǒng)自適應(yīng)學(xué)習系統(tǒng)相比，個性化自適應(yīng)學(xué)習系統(tǒng)有了新的需求，下面從學(xué)習者學(xué)習需求的演進、學(xué)習資源的新訴求以及系統(tǒng)架構(gòu)的新特性等方面對個性化自適應(yīng)學(xué)習系統(tǒng)進行分析。

（一）學(xué)習者需求的演進

1.學(xué)習自主性向縱深發(fā)展

傳統(tǒng)的自適應(yīng)學(xué)習系統(tǒng)一般是給學(xué)生規(guī)劃出固定的學(xué)習路徑，提供需要的學(xué)習資源，而忽略了學(xué)生的自主特性。大數(shù)據(jù)背景下的個性化自適應(yīng)學(xué)習系統(tǒng)應(yīng)該不再是封閉的系統(tǒng)，而是應(yīng)該給學(xué)習者足夠的空間，讓學(xué)習者感受到對學(xué)習的掌控感與成就感，具有在可控制范圍之內(nèi)學(xué)習路徑、學(xué)習內(nèi)容的選擇權(quán)，以實現(xiàn)個性化學(xué)習。在愉快完成學(xué)業(yè)的同時，也滿足學(xué)生探索知識的欲望，并更關(guān)注學(xué)習者的能力發(fā)展。

2.學(xué)習的群體社會化日益凸顯

在學(xué)習過程中，尤其是在大數(shù)據(jù)背景下的學(xué)習系統(tǒng)中，學(xué)生并不是孤立的學(xué)習者，他還存在于各種各樣的人際網(wǎng)絡(luò)當中，如所屬學(xué)校、班級和小組，以及網(wǎng)絡(luò)上的虛擬群體和興趣小組。群體的學(xué)習歷史和學(xué)習經(jīng)驗都對學(xué)生的學(xué)習具有參考和借鑒意義，同時他人的學(xué)習痕跡和與他人交互還可以降低學(xué)習者在線學(xué)習的孤獨感。

3.學(xué)習情感亟待關(guān)注

自適應(yīng)學(xué)習系統(tǒng)都有這樣一個研究假設(shè)，學(xué)生能夠持續(xù)利用在線學(xué)習系統(tǒng)進行學(xué)習，系統(tǒng)能夠?qū)W(xué)生的學(xué)習行為進行分析，但是實踐證明，很多在線學(xué)習系統(tǒng)的結(jié)業(yè)率相當?shù)停泻芏鄬W(xué)習者會由于這樣那樣的原因退出在線學(xué)習系統(tǒng)。柏宏權(quán)博士在其畢業(yè)論文的實驗數(shù)據(jù)部分就遇到了這樣的問題，其研發(fā)的“I-Tutour”系統(tǒng)在實驗中只有2位學(xué)生完成了課程的學(xué)習。格雷澤（Graesser）等人在關(guān)于在線學(xué)習過程中的情感研究中記錄了在學(xué)習過程中起著重要作用的六種情感狀態(tài)，即厭煩（Boredom）、熱情（Flow/Engagement）、困惑（Confusion）、挫折（Fmstration）、高興（Delight）和驚奇（Surprise），它們對學(xué)習產(chǎn)生不同程度的影響。當學(xué)生出現(xiàn)困倦、厭煩情緒時不能很好地完成學(xué)習過程。

個性化自適應(yīng)學(xué)習系統(tǒng)中對學(xué)生的情緒感知和情感交互有助于保持學(xué)生在學(xué)習過程中的注意力與參與興趣。我們可以通過捕捉學(xué)生情感的變化來輔助當前的學(xué)習狀態(tài)診斷，并及時預(yù)警，當發(fā)現(xiàn)有退出學(xué)習預(yù)兆或者學(xué)習出現(xiàn)困難時，給予正向的學(xué)習激勵策略和指導(dǎo)策略，盡量保證學(xué)生能夠順利完成學(xué)習活動。

（二）學(xué)習資源的新訴求

1.資源的情境化

由于學(xué)習時間、學(xué)習場所、以及接人設(shè)備的靈活多樣，當前學(xué)生進入學(xué)習的場景更為多樣化，所以要求學(xué)習資源的設(shè)計目標更為明確，并具有相對獨立、更小粒度、實效性強等特點，而且考慮到多終端呈現(xiàn)，那么學(xué)習資源還需要有適應(yīng)性呈現(xiàn)的特點。

2.資源的多維立體關(guān)聯(lián)

雖然學(xué)習資源向碎片化發(fā)展，但并不是無組織的碎片化，學(xué)習資源聚合在知識點周圍，使得知識點成為一個“資源包”，包含學(xué)習該知識點需要的所有資源，包括微課、課件、音頻、動畫、習題、活動等等。知識點之間的關(guān)系除了具有學(xué)科知識結(jié)構(gòu)關(guān)系外，還應(yīng)具有靈活的組織關(guān)系。如前所述，學(xué)習者學(xué)習某個知識點帶有一定的隨意性，以隨時開始某個知識點的學(xué)習，而且不一定按照知識結(jié)構(gòu)進行，也可以挑選自己感興趣的知識點，或者學(xué)習系統(tǒng)推薦的知識點等。所以，我們可以構(gòu)建多維的知識點關(guān)聯(lián)關(guān)系：按照知識結(jié)構(gòu)的關(guān)聯(lián)、按照某一群體的學(xué)習歷史進行關(guān)聯(lián)以及其他關(guān)聯(lián)關(guān)系。

（三）系統(tǒng)架構(gòu)的新特性

1.系統(tǒng)的生態(tài)化

傳統(tǒng)的自適應(yīng)學(xué)習系統(tǒng)大多數(shù)是在科研試驗階段，并沒有廣大的用戶群體，基本上是本學(xué)校或本專業(yè)的幾十、百人左右用戶數(shù)量，并不能達到大數(shù)據(jù)的數(shù)據(jù)量級標準。個性化自適應(yīng)學(xué)習系統(tǒng)首要的需求就是系統(tǒng)架構(gòu)的重構(gòu)，能夠承載龐大的數(shù)據(jù)量和多樣的數(shù)據(jù)來源。以作業(yè)幫為例，截止到目前總激活用戶1.75億，已為國內(nèi)中小學(xué)生累計解決超過100億次的學(xué)習請求，這樣的數(shù)據(jù)量是傳統(tǒng)實驗室級自適應(yīng)學(xué)習系統(tǒng)無法承擔的。

在大數(shù)據(jù)和云計算的支持下，系統(tǒng)之間可以實現(xiàn)連通。個性化自適應(yīng)學(xué)習系統(tǒng)可以與其他系統(tǒng)關(guān)聯(lián)，獲取更廣泛的數(shù)據(jù)，作為個性化自適應(yīng)學(xué)習系統(tǒng)分析的基礎(chǔ)。一個系統(tǒng)的輸出可以是另一個系統(tǒng)的輸入，比如成績管理系統(tǒng)中學(xué)生歷次參加考試的成績可以通過數(shù)據(jù)連通導(dǎo)人到個性化自適應(yīng)學(xué)習系統(tǒng)中，成為評價學(xué)生學(xué)習水平最直接的手段。

2.數(shù)據(jù)采集的精細化

如前所述，云計算、移動互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)技術(shù)為大數(shù)據(jù)提供了基礎(chǔ)支撐，學(xué)生學(xué)習終端呈現(xiàn)多樣化，除了傳統(tǒng)電腦，還通過手機、平板等設(shè)備進入學(xué)習過程，網(wǎng)頁日志、點擊流、GPRS、視頻、語音、傳感器、紅外感應(yīng)、全球定位信息，甚至是情感信息等數(shù)據(jù)均可被采集和記錄，數(shù)據(jù)類型突破了傳統(tǒng)結(jié)構(gòu)化的數(shù)據(jù)形式，還包含半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。可見，數(shù)據(jù)已經(jīng)按多種形態(tài)以更精細化的方式被識別并保存起來。

3.系統(tǒng)的自我進化

所謂適應(yīng)，是指個體與環(huán)境之間構(gòu)建和諧關(guān)系的動態(tài)過程；適應(yīng)性是指個體與環(huán)境在相互適應(yīng)的過程中所形成的適應(yīng)能力。構(gòu)建個性化自適應(yīng)學(xué)習系統(tǒng)的規(guī)則是有限的，但是學(xué)習活動本身又是復(fù)雜的，所以有限的規(guī)則無法有效地支撐無限的過程，這就需要系統(tǒng)不應(yīng)該只是單向為學(xué)生推薦資源和信息，同時也應(yīng)該根據(jù)學(xué)生的學(xué)習效果和其他學(xué)習者的成功和失敗數(shù)據(jù)動態(tài)調(diào)整自身，能夠不斷進化，提升適應(yīng)能力。系統(tǒng)應(yīng)該具有自調(diào)適參數(shù)，隨著計算、運行次數(shù)的增多，通過學(xué)習逐步提升和自我改善，使挖掘和預(yù)測的功能更為準確。

三、大數(shù)據(jù)視角下個性化自適應(yīng)學(xué)習系統(tǒng)架構(gòu)

基于以上分析，對個性化自適應(yīng)學(xué)習系統(tǒng)的基本架構(gòu)進行設(shè)計，系統(tǒng)分為感知層、數(shù)據(jù)層、信息層、控制層和應(yīng)用層五個層次，如下圖所示。

感知層由個人電腦、手機、平板等各類應(yīng)用終端，攝像頭、話筒等采集硬件以及物聯(lián)設(shè)備等構(gòu)成，主要負責學(xué)習者各種學(xué)習數(shù)據(jù)的感知和獲取。數(shù)據(jù)來源還包含其他系統(tǒng)，如學(xué)生信息系統(tǒng)、成績管理系統(tǒng)、職業(yè)生涯規(guī)劃系統(tǒng)、作業(yè)系統(tǒng)等等。

數(shù)據(jù)層通過感知層對數(shù)據(jù)的持續(xù)采集，形成圖像、聲音、影像、學(xué)習者使用系統(tǒng)的網(wǎng)絡(luò)日志、數(shù)據(jù)流、點擊流等信息，形成豐富的結(jié)構(gòu)化、半結(jié)構(gòu)化的原始數(shù)據(jù)池。

信息層是有意義的數(shù)據(jù)集合。數(shù)據(jù)層中的數(shù)據(jù)通過ETL等技術(shù)進行整合、轉(zhuǎn)換和清洗，將數(shù)據(jù)轉(zhuǎn)化為信息，匯聚到信息層，存儲到學(xué)生信息庫、學(xué)習者行為信息庫、情感信息庫、規(guī)則庫等數(shù)據(jù)庫當中，根據(jù)持續(xù)的數(shù)據(jù)采集、轉(zhuǎn)換，不斷形成增量信息，對各種數(shù)據(jù)庫中的內(nèi)容進行更新。

控制層是個性化自適應(yīng)學(xué)習系統(tǒng)的核心，自適應(yīng)引擎根據(jù)學(xué)習者特征模型和領(lǐng)域模型進行個性學(xué)習服務(wù)，在服務(wù)的過程中，不斷對服務(wù)結(jié)果進行評價，更新引擎規(guī)則，實現(xiàn)引擎的自我進化。

應(yīng)用層是面向用戶的各種業(yè)務(wù)服務(wù)集合，包括學(xué)習內(nèi)容呈現(xiàn)、學(xué)習工具、學(xué)習情境、學(xué)習策略等內(nèi)容。

四、實現(xiàn)機制

個性化自適應(yīng)學(xué)習系統(tǒng)的核心模塊是學(xué)習者模型、領(lǐng)域知識模型和自適應(yīng)引擎，下面對這三部分的實現(xiàn)機制進行討論。

（一）學(xué)習者模型

學(xué)習者模型對學(xué)習者個性化特征信息進行描述，能夠反映學(xué)習者的個性化差異，是學(xué)習系統(tǒng)提供個性化服務(wù)的依據(jù)。本文根據(jù)個性化自適應(yīng)學(xué)習系統(tǒng)的要求，給出了如下的學(xué)習者模型：

學(xué)習者模型（Student Model）=（Basic Information，Knowledge Structure，Cognitive Level，LearningPreferences，Emotional State，Learning History）。

其中，Basic Information表示學(xué)習者基本信息，記錄學(xué)習者姓名、ID、密碼、性別、年齡、班級、學(xué)校、聯(lián)系方式等內(nèi)容。

Learning Preferences表示學(xué)習偏好，通過大數(shù)據(jù)分析學(xué)習者的行為獲得偏好信息，包括學(xué)習資源和工具的類別偏好、學(xué)習時間偏好、學(xué)習場所偏好、常用設(shè)備偏好、交互習慣等內(nèi)容，系統(tǒng)會綜合分析學(xué)習者的偏好信息，“投其所好”地為其推薦學(xué)習路徑和資源。

Knowledge Structure表示學(xué)習者知識結(jié)構(gòu)，包括課程編號、知識點編號、知識點績效矩陣等內(nèi)容，用于表示學(xué)習者已掌握的知識結(jié)構(gòu)情況。Cognitive Level表示學(xué)習者認知能力水平，此部分信息通過對學(xué)習者測評、作業(yè)、考試、交流等活動中獲取。

Emotional State表示情感狀態(tài)，通過分析學(xué)習者面部表情和文字等信息，診斷學(xué)習者當前的學(xué)習狀態(tài)，對異常情感狀態(tài)進行預(yù)警，及時調(diào)整學(xué)習策略，關(guān)注學(xué)習者情感需求，提供適當?shù)募钯Y源和工具，保證其能夠順利完成學(xué)習過程。

Learning History表示學(xué)習歷史，記錄課程編號、登錄次數(shù)、登錄時間、登錄時長、學(xué)習地點、使用設(shè)備、學(xué)習活動記錄等信息。其中學(xué)習活動記錄可以是作業(yè)記錄、自學(xué)記錄、測試記錄，以及活動序列等，也可以包含活動時的情感狀態(tài)。系統(tǒng)可以從大量的學(xué)習歷史數(shù)據(jù)中進一步挖掘出學(xué)習者的學(xué)習習慣等偏好信息，以便更好地了解學(xué)習者，對學(xué)習者的學(xué)習進行更精準的預(yù)測；以及發(fā)現(xiàn)學(xué)習過程中遇到的困難，為系統(tǒng)科學(xué)干預(yù)提供依據(jù)。

（二）領(lǐng)域知識模型

領(lǐng)域知識模型是對應(yīng)用領(lǐng)域的各組成元素及其結(jié)構(gòu)的描述，表示領(lǐng)域知識內(nèi)部各組成元素及元素之間的相互關(guān)系。領(lǐng)域模型的構(gòu)建須有利于知識資源的表示、管理、查找、評價、共享和交互，是自適應(yīng)呈現(xiàn)知識資源的基礎(chǔ)。

如前所述，泛在學(xué)習環(huán)境下的學(xué)習者學(xué)習行為是隨饑進入型，且對知識點的學(xué)習要求是隋境化的，很有可能就只針對某個知識點進行學(xué)習；而且知識點學(xué)習的序列具有很強的自主性，并不一定按照知識框架進行；在進行某個知識點學(xué)習時，資源的呈現(xiàn)方式和呈現(xiàn)順序等也具有很強的個性要求，所以領(lǐng)域知識的模型不能采用傳統(tǒng)的知識樹的方式。本文采納了余勝泉等人“學(xué)習元”的觀點，即在學(xué)習內(nèi)容的基礎(chǔ)上附加了一定的語義描述信息、生成性信息、格式信息、學(xué)習活動和KNS（Knowledge Network Service）網(wǎng)絡(luò)信息，能夠幫助學(xué)習者在任何時間、任何地點通過任何途徑獲取所需學(xué)習資源，在一種輕松愉悅的學(xué)習體驗中學(xué)到自己所需要的知識。但是在實現(xiàn)過程中，本文做了部分調(diào)整。

1.學(xué)習元對應(yīng)知識點，學(xué)習元之間的關(guān)系一方面是教材上規(guī)定的知識點之間的關(guān)系，同時還有學(xué)習關(guān)聯(lián)關(guān)系，也就是系統(tǒng)在運行過程中，從眾多用戶群體行為中挖掘出來的知識點之間的序列關(guān)系。所以，學(xué)習元之間的關(guān)系具有多重性。

2.學(xué)習內(nèi)容獨立性。由于某個知識元的學(xué)習資源和工具并不唯一，學(xué)習者在進行學(xué)習的時候系統(tǒng)推薦和自主選擇的資源個數(shù)、類別、學(xué)習序列具有個性化，而學(xué)習內(nèi)容本身也具有相應(yīng)的語義信息、生成信息與KNS網(wǎng)絡(luò)信息，所以本文將學(xué)習內(nèi)容單獨作為元素表示出來。

3.強調(diào)不同的學(xué)習方式。智慧學(xué)習方式包括聽講、讀懂和探究三種方式，不同的學(xué)習方式所對應(yīng)的學(xué)習內(nèi)容及呈現(xiàn)序列均不相同，需要將學(xué)習元與學(xué)習內(nèi)容按照學(xué)習方式的不同組織起來。

（三）個性化自適應(yīng)服務(wù)引擎

個性化自適應(yīng)服務(wù)引擎根據(jù)學(xué)習者模型，對學(xué)習者的知識水平與認知能力加以分析與診斷，動態(tài)地安排高切合度的學(xué)習內(nèi)容與呈現(xiàn)方式，并且對學(xué)習過程進行檢測與管理，并不斷監(jiān)測、修改、維護學(xué)習者模型。大數(shù)據(jù)背景下的自適應(yīng)服務(wù)引擎還應(yīng)具有自我學(xué)習和進化的功能。

1.個性化自適應(yīng)學(xué)習引擎基本服務(wù)原理

個性化自適應(yīng)學(xué)習引擎根據(jù)學(xué)習者模型（學(xué)生當前認知狀況、學(xué)習歷史、學(xué)習偏好、客觀因素等內(nèi)容）和學(xué)習目標，制定學(xué)習服務(wù)策略，跟蹤學(xué)習狀態(tài)，記錄學(xué)習歷史，當學(xué)習結(jié)束時，對學(xué)習者進行評價，驗證學(xué)習策略是否有效。當學(xué)習者未達成學(xué)習目標時，進行問題分析，考慮教師干預(yù)和群體性干預(yù)，改進學(xué)習策略。當學(xué)習者效率較低、時間較長時，改進學(xué)習策略；當學(xué)習者學(xué)習興趣較低、情緒低落時，改進學(xué)習策略，進行策略調(diào)整，直到高效且愉悅達成學(xué)習目標。在此過程中，引擎不斷修正和優(yōu)化規(guī)則，進行自我進化。其中，教師干預(yù)是指教師可以根據(jù)自己的教學(xué)進度、教學(xué)計劃、教學(xué)經(jīng)驗以及對學(xué)生的了解對學(xué)習策略進行強干預(yù)，作為引擎規(guī)則；群體性干預(yù)是指學(xué)習者所在群體的學(xué)習過程對個體的學(xué)習策略生成具有指導(dǎo)意義，最常用的是協(xié)同過濾算法。學(xué)習者學(xué)情診斷、學(xué)習路徑推薦與學(xué)習資源推薦是個性化自適應(yīng)服務(wù)引擎的三個核心工作。

2.學(xué)習者學(xué)情診斷

個性化自適應(yīng)學(xué)習系統(tǒng)對學(xué)生學(xué)情的診斷與評價分為兩大主要方面：一是知識結(jié)構(gòu)與認知水平的診斷，二是學(xué)習情感診斷。

（1）知識結(jié)構(gòu)與認知水平診斷

個性化自適應(yīng)學(xué)習系統(tǒng)聯(lián)通了作業(yè)系統(tǒng)、成績分析系統(tǒng)等，采用了多維診斷的方式，包括學(xué)生測試情況、作業(yè)情況、考試情況等，綜合評定學(xué)習者的學(xué)習狀況。同時，學(xué)習者學(xué)習水平是一個相對值，所以還將學(xué)習者放在其所在群體中進行對比和分析，綜合分析其在同齡用戶中的認知水平。從進步曲線、知識點掌握程度、在群體中的位置等多個方面對學(xué)生的學(xué)習成果進行分析。

（2）學(xué)習情感診斷

學(xué)習情感信息一般通過表情和文字來表達，通過采集學(xué)習者學(xué)習過程中的表情變化和與他人的溝通方面的文字表述來分析學(xué)習者的情感信息。其中基于學(xué)習表情的情感診斷是指實時捕獲學(xué)習者在學(xué)習過程中的面部表情和姿態(tài)表情，計算學(xué)習者的學(xué)習情感。首先對學(xué)習者的面部進行識別，然后進行表情特征的提取和識別，根據(jù)表情分類字典計算學(xué)習者當前的情感傾向。

基于文本的情感診斷是指從學(xué)生在社區(qū)或者與他人溝通的文字等方面抓取情感信息，計算學(xué)生的學(xué)習情感傾向。首先通過網(wǎng)絡(luò)爬蟲技術(shù)和信息截取，對學(xué)習者發(fā)布的文字信息進行抓取，提取其中的敏感信息，然后依據(jù)情感字典，進行情感傾向計算。

3.基于多種群選擇的學(xué)習路徑推薦

個性化自適應(yīng)學(xué)習系統(tǒng)關(guān)于學(xué)習路徑的推薦分為兩個層次：一個是知識點學(xué)習路徑，另一個是資源呈現(xiàn)路徑。在學(xué)習元的知識模型基礎(chǔ)上，知識點的學(xué)習順序不一定是按照知識樹結(jié)構(gòu)關(guān)系，還可能是依照學(xué)習者所在某一群體的學(xué)習路徑，學(xué)習者還有自主選擇所學(xué)知識的權(quán)利。而關(guān)于某一個知識點的學(xué)習，有很多種類和數(shù)量的學(xué)習資源進行支撐，每個學(xué)生關(guān)于知識點學(xué)習的資源組織路徑也不相同。所以，需要個性化自適應(yīng)引擎根據(jù)學(xué)習者的特征模型為學(xué)習者推薦個性化的學(xué)習路徑。

蟻群算法是意大利學(xué)者Dorigo M等于1991年提出的一種群體智能算法，通過模擬蟻群覓食的過程來求解旅行商問題。即螞蟻在尋找食物的過程中，會在走過的路徑上留下一種“信息素”，其他螞蟻在尋找食物時會識別出信息素，并選擇信息素最大的路徑進行，逐漸形成一條最優(yōu)覓食路徑。趙錚等人提出學(xué)習路徑推薦服務(wù)與螞蟻搜索食物的過程具有相似性，學(xué)習者可以看作螞蟻，學(xué)習目標可以看作螞蟻覓食的目標，學(xué)習者對知識點的評分可以看作螞蟻留下的信息素，推薦的路徑可以看作螞蟻覓食過程中走過的最優(yōu)路徑。

本文結(jié)合基于“學(xué)習元”理論的領(lǐng)域知識模型，提出了多種群選擇的學(xué)習路徑推薦算法。學(xué)習者屬于不同的群體范圍，即存在于實體學(xué)習小組群體、班級群體、學(xué)校群體、區(qū)域群體當中，也存在于具有某類學(xué)習偏好的虛擬群體當中，對于每個學(xué)習者來講，不同的群體同伴留下的“信息素”“濃度”不同，對應(yīng)不同群體同伴評分所對應(yīng)的權(quán)值不同，由此可以生成更符合學(xué)習者個性化特點的學(xué)習路徑。

4.基于加權(quán)協(xié)同過濾的學(xué)習資源推送

協(xié)同過濾算法是當前應(yīng)用效果較好的推薦算法，其核心思想是通過計算用戶之間偏好的相似性繼續(xù)推薦，相對于其他推薦算法一個顯著的優(yōu)點就是能夠推薦難以進行內(nèi)容分析的項目，如信息質(zhì)量等抽象的資源對象。其個性化程度較高、能處理機器難以自動分析的數(shù)據(jù)，由于共享了他人的評價和經(jīng)驗，所以共享程度較高。不過協(xié)同過濾算法本身還存在一些缺陷，如冷啟動、稀疏矩陣、用戶信任等問題。

本文在基于項目的協(xié)同過濾技術(shù)的基礎(chǔ)上，提出了基于加權(quán)協(xié)同過濾的學(xué)習資源推送算法。在構(gòu)建項目—用戶評分矩陣時，采用了權(quán)值啟動法，解決冷啟動和稀疏矩陣的問題，綜合學(xué)習者風格，興趣偏好，知識結(jié)構(gòu)等因素，并考慮教師干預(yù)，分別轉(zhuǎn)換成權(quán)值，先對矩陣進行初始填充，在運行過程中，通過學(xué)習者的行為變化，修正評分矩陣，以解決用戶信任問題。由于在大數(shù)據(jù)平臺下進行應(yīng)用，還要考慮算法的并行化問題。

五、結(jié)束語

隨著數(shù)字化校園、人人通等信息化工程的推進，越來越多的教師教學(xué)和學(xué)生學(xué)習的行為能夠被數(shù)字化并記錄下來，海量的數(shù)據(jù)匯集成教育大數(shù)據(jù)，為教學(xué)決策、過程優(yōu)化、效果提升提供重要數(shù)據(jù)依據(jù)。本文在大數(shù)據(jù)視角下，對個性化自適應(yīng)學(xué)習系統(tǒng)的新訴求進行了分析，提出了新框架，并對學(xué)習者模型、領(lǐng)域模型和自適應(yīng)引擎等關(guān)鍵環(huán)節(jié)的實現(xiàn)機制進行了研究。在后續(xù)的研究中，我們要進一步對個性化自適應(yīng)學(xué)習系統(tǒng)的實現(xiàn)和實際應(yīng)用效果進行探討和研究。