基于用戶模型的生成性學習資源個性化推薦研究

譚明新+鮑曉琴

摘 要：個性化推薦作為解決學習者信息迷航的重要途徑已成為研究熱點。以生成性學習資源中學習者的個性化學習特征為基礎，構建用戶模型。根據布盧姆認識理論，采用貝葉斯網絡評估學習者認知狀態，并基于Felder-Silverman模型，利用TAN貝葉斯網絡預測學習者學習風格，依據學習者的認知水平和學習風格推薦不同的學習策略，以有效提高學習效率。

關鍵詞：生成性學習資源；認知狀態；學習風格；用戶模型；個性化推薦

DOIDOI：10.11907/rjdk.171203

中圖分類號：TP319

文獻標識碼：A 文章編號文章編號：1672-7800（2017）008-0123-05

0 引言

信息技術的迅猛發展，尤其是Web2.0技術的出現，為資源的再生提供了支撐[1]。然而，一些常見的教學系統，如SaKai 、Blackboard、Moodle等采用單一的學習方式，不能根據用戶特征提供個性化服務。為學習者提供“最短路徑”的學習體驗，根據學習者的學習偏好、認知狀態、學習風格等“量身定制”學習方案，是許多教育工作者努力的目標。

隨著以學習者為中心的網絡學習興起，關于學習者模型的研究倍受青睞，個性化推薦得到發展。例如Jon Herlocker等[2]基于推薦算法，對相似度計算、鄰居用戶的選擇和評估模塊進行介紹，詳細分析了基于鄰居用戶的協同過濾算法，并給出較優選擇；Yao Jung Yang等[3]利用Kolb學習風格模型測量學習者的風格偏向，并對學習資源進行分類處理，以保證個性化學習資源推薦；Gra等[4]分析了基于Felder-Silverman學習風格測量表，向活躍/沉思型、感悟/直覺型、視覺/言語型或序列/綜合型的學習者推薦適合的學習資源；TG Baudson等[5]利用多層次分析原則，從學生、教師、課堂等角度分析影響學生認知能力的因素；張劍平等[6]構建了CS-LS學生模型，將學習風格（Learning Style）和認知狀態（Cognitive State）融入學習者模型，通過分析學習者特征提供適應性網絡學習；衷克定等[7]闡述了學習風格類型、特點及測量方式，依此設計教學策略，驗證學習風格的可行性；李艷燕等[8]通過學習分析，預測學習者學習環境，干預指導學習，繼而提高學習效果；趙蔚等[9]采用Felder-Silverman學習風格模型與個性化推薦技術評估學習者學習行為特點，培養學生的自我效能感，提供更優化的學習服務。雖然這些研究取得了一定成果，但仍存在一些不足，如缺乏對學習者學習特征的分析，用戶模型構建信息不足，無法整體把握學生的學習過程，教學策略設計不夠靈活，協作交互方式單一等。本文對用戶模型信息進行完善，引入學習者的認知狀態與學習風格兩大要素；采用基于知識關系的貝葉斯網絡對學習狀態進行評估，能較好反映學習者的相關知識結構；根據Felder-Silverman模型對學習風格進行初始化，在學習過程中使用TAN貝葉斯網絡挖掘學習者學習行為并更新學習風格。根據用戶模型引導學習，以學習資源的個性化推薦為主，支持性活動、工具、策略等推薦為輔，充分體現“因材施教”的教學理念，發揮學習資源的最大價值，提高學習效率。

1 用戶生成性學習資源

1.1 用戶生成性學習資源定義

用戶生成性學習資源（User Generated Learning Resources，UGLR）又稱為用戶創建內容（User Created Content，UCC）或用戶貢獻內容，泛指學習者在網絡學習環境下，結合自身的知識背景將潛隱的智慧資源顯現化，通過網絡工具將其發布在網絡上，為他人所用。新的想法、思路以及解決問題的方法將添加到原有認識結構中，如此循環，實現資源再生[10]。

1.2 用戶生成性學習資源構建

用戶生成性學習資源具有零散性，一張圖片、一個詞條或一段視頻/音頻都可作為其最小內容單元——微內容。將微內容有效組織起來，使非結構化資源逐步結構化，是用戶生成性資源構建中至關重要的一步，加上人為干預性指導，新的資源將不斷創造。生成性資源設計模型如圖1所示。

用戶生成性學習資源構建依賴于學習者之間的頭腦風暴、思想碰撞、正確的指導和效果評價。遵循建構主義學習理論，包括學習交流、學習活動、學習評價3大部分，學習者可以利用學習交互工具參與到學習各個環節，充分發揮主觀能動性。

在學習交流中，利用Wiki發起一個話題，其他學習者修改完善，資源將得到新的發展；RSS 實現了學習資源訂制，為信息發布和共享提供了一種高效方式；Blog可以用來記錄學習心得、學習筆記和學習反思，使學習交流更加自主化；而論壇和聊天室滿足了學習者之間同步或異步的交流互動[11]；對疑難問題，也可直接請教教師或相關專家。在學習活動中，添加不同的場景可以使學習效果事半功倍，例如在操場、植物園或教室等地點進行內容各異的學習活動，讓學習者真正體會到學習的樂趣，促進學習者之間觀點的交流、補充和啟發。與此同時，學習工具的推薦保證了生成性資源的產生、保存、有效利用和傳播。彼此的知識、經驗和體驗的分享也可提高學習的主動性和積極性。學習活動開展方式很多，如問題教學、項目學習、任務驅動和小組協作等。在學習評價過程中，教師根據學生反饋，對取得進步的學生給予必要的獎勵，對有落后趨勢的學生給予相應的鼓勵和指導，激勵學習熱情，保持學習高漲氣氛。倡導多元化評價，如學生自評和互評、教師評價、學生與教師互動評價以及專家評價。

2 用戶模型

用戶模型（User Models）是智能系統中某個用戶或用戶群的表示法，基于用戶需求建立 [12]。為了適應不同階段的學習者，通過學習行為挖掘掌握用戶興趣愛好，更新用戶模型。依據《學習者模型規范 CELTS-11》[13]構建用戶模型，選取個人信息、學業信息、偏好信息和績效信息4類，每類信息含有標識和外標識，用于數據連接。其中個人信息為一般的通用信息；學業信息與學習者的學習背景相關；偏好信息可促進人機交互的參數選擇，包含先前偏好集、后繼偏好集、情感和興趣等信息；績效信息基于學習者目前的學習情況，如學習體驗和知識掌握情況，據此推薦學習資源。endprint

本文對CELTS-11規范進行了擴展和綜合，增加了“角色分類”擴展元，將管理者、教師、學生和專家角色引入到個人信息中。在學業信息中添加學習行為操作：分享、下載、閱讀和評價等；把學習者偏好的資源類型添加到偏好信息中；“學習效果”增加獎勵情況、測試成績到績效成績中；新增學習風格和認知狀態兩類信息。新增擴展元使得學習者模型信息更加完整，同時為可視化提供數據，方便學習者查詢學習信息及教師干預指導，用戶模型如圖2所示。

3 生成性學習資源個性化推薦

學習者初次使用本系統時須注冊信息（如姓名、性別、學歷、資源的偏好類型等），并進行認知狀態的評估和學習風格的測量，以此顯式方式得到初始化用戶模型。在學習過程中，通過隱式獲取方式挖掘學習者潛在特性以不斷修正用戶模型，向用戶推薦適合自身的學習資源、活動、交流工具等，在保證學習質量的同時提高學習效率。學習結束后，通過學習測試檢驗用戶是否達到了預期學習效果。將測試數據傳送到“測試成績”中，并給出學習建議——進行后續學習還是繼續本內容學習。學習資源個性化推薦模型如圖3所示。

學習資源類型豐富，包括視頻、音頻、圖片、文本和綜合多媒體等，可以很好地滿足學習者對資源的需求。為方便學習者對資源的管理，提供添加標簽方式對資源進行標注。教師根據測試結果對學生單獨指導，在把握學生自身特征的同時，實現 “學生自主學習為主，老師指導為輔”的教學模式。

3.1 貝葉斯網絡評估認知水平推薦

美國著名教育學專家布盧姆指出：認知領域的目標是知識的結果，包括識記、理解、運用、分析、綜合和評價6部分[14]。而學習評估能夠較準確地獲取學習者當前的認知水平和狀態，為個性化支持服務提供依據。近年來，貝葉斯網絡（Bayesian Nets，BN）常被用于有監督的學習形式，能綜合學習前的信息，判斷學生對相關知識的掌握情況。

貝葉斯網絡是一種基于概率推理的圖形化網絡，用于模擬事物之間的因果關系，可用一個三元組（E，V，P）表示。其中，V為一組代表知識變量的節點集合，節點間有向邊的集合用E表示，用于反應知識變量間的依賴關系；P為條件概率集合[15]，可通過BN先驗信息與后驗信息的結合能力，將學習資源中知識間的因果關系編碼，并隨學習進度更新用戶模型。

貝葉斯網絡的建立基于貝葉斯定理，計算公式如下：

P（X1，X2，...，Xn）=∏ni=1P（Xi/pa（Xi））（1）

其中，Xi∈V，pa（Xi）表示Xi的父節點，P（Xi/pa（Xi））表示條件概率，是條件概率表（CPT）的依據。為了合理反映學習資源各知識項的關系，采用基于知識關系的貝葉斯評估模型。以《通信原理》知識結構為例構建評估模型，如圖4所示。

Subjects表示科目（S），Topic（T）為主題，即章節， Concepts（C）代表每章節中的知識項，Questions（Q）為試題，其屬性有{編號、所測認知能力、知識點、等級、選項、答案、解析、關聯知識點、區分度}，S、T和C之間的關系可表示如下：

Ci是相互獨立的元知識單元集，可表示為Ci={Ci1，Ci2，…，Cin} ；Wi元知識Ci相對其所屬T的權重，Wi={Wi1，Wi2，…Win}；T表示關于一個主題的知識集，T={T1，T2，…Tn}，由Ci、Wi表示為Ti=∑nj=1WijCij；H是主題相對于所屬學科的權重，H={H1，H2，…，Hn}；那么，科目S=∑nj=1HjTj。

本文以一個知識項Ci為例，題庫中關于Ci的試題Qi的等級分為非常不重要、不重要、一般、重要、非常重要5類，分別用X1、X2、X3、X4、X5表示。學習者對知識項C的掌握情況用L表示，分為掌握M與未掌握UM兩種，M又分為初步掌握IM、基本掌握BM、熟練PM、應用AM四類，即L={UM，IM，BM，PM，AM}。測試試題由教育專家根據領域知識和用戶學習策略設計，并按照量化表中數據的類型與難度級別進行映射。不同難度的試卷包含不同比例的難度等級試題，學習者進行認識能力測試時，系統會根據其認知狀態生成一套符合學習者認知規律且內容豐富的試卷。在測試過程中，采用0-1評分方式（答對記1，答錯記0），根據作答情況和類別概率，在CPT中查詢相應節點概率，根據公式（1）即可得到學習者對某知識項的認知水平（掌握情況）。根據學習者的認知水平不同將學習者劃分于不同的區間，對不同的學習者推薦不同的教學策略，幫助學習者完成學習目標，如表1所示。

將測試所得值保存到數據庫中，并以曲線圖的形式展示學習者的測試成績。根據測試情況，針對學習者的弱項采取措施，從而幫助教師、學習者和家長全面了解學習者的的認知狀態與認知結構。若學習者對測試結果不滿，可以選擇重新測試，系統會更換測試題，并對所測試過的題目用不同的顏色標記，答對的題目標記為綠色，答錯的為紅色，沒有作答的題目為黃色，保證測試的有效性。

3.2 依據TAN貝葉斯網絡的學習風格推薦

傳統的學習風格檢測基于一種靜態方式，即通過測量表獲取學習者的學習風格。多次填寫測量表平乏無味，導致部分學習者隨意應付，同時，無法實時檢測學習風格。貝葉斯網絡可對學習風格實時檢測，提供一種更準確的個性化服務，在有監督的學習中得到快速發展。

Felde和Soloman[16]對學習風格的測量及分類做了很多研究，提出了Felder-Silverman學習風格模型，從感知、輸入、處理和理解4個維度對學習風格進行分類，分為活躍/沉思型、感悟/直覺型、視覺/言語型、序列/綜合型，并在教學實踐和多元智能理論基礎上完成了《學習風格指數問卷》（Index of learning styles， ILS），用于學習風格測評。

隨著教育信息化發展，靜態的學習風格測量已不能滿足學習者需求，本文在Felder-Silverman基礎上，運用樸素貝葉斯網絡（Tree Augmented Naive Bayesian，TAN），自動檢測學習者的學習風格，并對學習風格特性和學習行為進行分析，得到如表2所示的學習風格分類及學習行為模式，建立了學習風格檢測模型，如圖5所示。endprint

學習風格檢測過程中，對內容理解（U）的檢測作詳細說明，其它學習風格的檢測過程相同。內容理解維度分為序列型（U1）和綜合型（U2）兩類，節點信息描述如下：①測試成績（R）：優秀R1[8，10]分，良好R2[6，8），差R3[0，6）；②學習路徑（P）：順序學習（P1），非順序學習（P2）。

從學習風格訓練庫中的數據可以分析得出U、P、P節點的先驗概率表，然后通過參數學習計算得到節點的CPT表，如表3所示。

某學習者的學習行為數據：P（P1）=0.68，P（P2）=0.32，P（R1）=0.3，P（R2）=0.6，P（R3）=0.1，由公式（1）得到：

P（U1/P，R）=0.98*0.32*0.3+0.8*0.32*0.6+0.6*0.32*0.1+0.02*0.68*0.3+0.25*0.68*0.1=0.59304

同理P（U2/P，R）=0.40696

則P（U=U1）=P（X/U1）/（P（X/U1））+P（X/U2）

=59.304%

P（U=U2）=P（X/U2）/（P（X/U1））+P（X/U2）

=40.696%

ILS將所檢測到的Feler-Silverman學習風格進行了等級分類：中間型（差值為1或3）、趨向性較弱（差值為5或7）、趨向性較強（差值為9或11）。因此，將50%～100%分為與之對應的3個等級，分別為50%～67%，67%～85%，85%～100%。綜合以上P值計算結果可知該學生為中間型。在生成性學習資源中，依據梅耶的知識理論，將知識分為語義知識、程序性知識和策略性知識3類[17]。在不同階段根據學習風格設計學習資源、學習策略和學習過程，讓學習風格融入到整個學習過程。

（1）基于學習風格的語義知識資源設計。在語義知識階段，概念和事實性知識居多，對序列/綜合型及視覺/言語型學習者影響較大。序列型學習者喜歡按順序學習知識點。因此，學習資源的設計要遵循“線性”原則，將學習資源的章節、單元分類，并對知識點之間關系進行詳細分析，例如包含關系、依賴關系等，采用邏輯順序或類別順序組織知識點；綜合型學習者偏愛從整體到局部的學習方式，思維發散性、跳躍性較強，利用思維導圖或概念圖展現知識的“整體性”尤為重要，相關知識點采用“超鏈接”方式嵌入，保證了知識整體與局部的結合；視覺型學習者擅長信息的記憶，通過字體大小和顏色加強視覺沖擊，或將概念形象化，幫助學習者記憶知識；言語型學習者傾向音頻或視頻型資源，可以在概念與原理知識中添加語音或視頻講解。

（2）基于學習風格的程序性知識資源設計。程序性知識對感知信息維度的作用較為明顯，以綜合與運用為主，知識點較多。感悟型學習者傾向將知識與實際生活中的事物聯系起來，以事實或問題作為學習的開端，可以推薦“案例學習”與“問題學習”資源；直覺型學習者與感悟型學習者的學習順序相反，應先向學習者推薦理論知識，然后推薦應用案例類資源；視覺型學習者在此階段，傾向包括認知策略、知識總結等內容的視頻類資源；而言語型學習者以圖片、音頻資源為主，資源內容中可適當添加對知識點之間關聯的講解。

（3）基于學習風格的策略性知識資源設計。策略性知識是前兩種知識的綜合應用與評價過程，要求挖掘新知識。活躍型學習者是該過程中的積極分子，擅長溝通與合作，喜歡動手操作，可向活躍型學習者推薦交流工具與學習活動，如聊天室、討論區及教育游戲等；沉思型學習者獨立性強，喜歡安靜思考，適合Blog和RSS類交流工具的推薦，且資源設計中需要預留充足的時間讓其思考；策略性知識是學習者的最高追求，也是用戶生成性學習資源的收尾工作，頭腦風波在此過程中尤為重要，要對資源的學習價值進行評價，將有價值的資源保留下來，刪掉無用的學習資源。

為了鼓勵學習者積極思考，可以采取積分獎勵、獎狀表彰等獎勵措施，獎勵情況記入學習成績中。學習者可以查看其他用戶的瀏覽內容和學習成績，共同學習、探討問題。學習者可通過可視化信息面板了解學習情況，進行自我認識與自我規劃；學生、教師和專家之間的聯通關系構成“人際渠道”，便于學習者進行問題求助，獲取學習支持。總之，認知狀態與學習風格無縫融入用戶模型，可促使生成性學習資源再生。

3.3 基于用戶模型的個性化學習效果

本文以華中師范大學2014級通信專業80名本科生為研究對象進行測試調查，其中男生43人，女生37人。被研究者均能較熟練操作計算機，且81.26%的被研究者每天上網時間都在1小時以上。將研究對象隨機分為實驗組和普通組，每組40人，根據研究者的前測成績（分數）將各組分為A類生[5，10]和B類生[0，5）兩類。經過半個學期的《通信原理》課程學習后，實驗組與普通組的測試數據如表4所示。

由表4可知，實驗組的學習成績提升效果明顯，兩個組中A類生學習成績提升效果不如B類生明顯，分析原因：A類生原本有較為理想的學習計劃、方法和效率，而B類生學習漫無目的，學習方法不正確，沒有支持性學習伙伴與學習熱情。通過該系統的幫助，B類生找到了較適合的學習方法、工具和伙伴，學習熱情提高，學習成績提升效果明顯。根據表中的學習時間、拋棄問題數量、嘗試解決次數和資源再生次數4類數據可以看出，實驗組學習效率更高，學習資源再生次數更多。主要原因在于系統會根據學習者的學習風格與認知狀態水平提供個性化學習資源、工具與活動，使學習者充分融入學習氛圍，積極參入到知識討論環節，對知識點的理解也更為深刻。此外，通過調查發現實驗組的學習者認為此系統的資源推薦可代替自選資源，節約了查找資源時間。而普通組的學習者則趨向自選資源，因為系統所推薦的資源不符合自身認知狀態或學習風格，由此得出結論：基于用戶模型的生成性學習資源個性化推薦系統可以提高學習效率和學習熱情，便于生成性資源 “成長”。endprint

本研究使用的測試量表借鑒前人成果，通過相關領域專家改編而成，試題共30題，不同學科采用不同的測試試卷，從多個維度測試被調查者相關知識的掌握情況。通過對測試量表的數據分析，得到總量表的信度系數為0.861>0.7，單項信度系數均在0.785～0.876之間，故各測量維度較好地反映了所需測量內容，具有良好的一致性。而測前與測后的Sig.=0.02<0.05，由于測后分數明顯提高，更進一步證明了該推薦系統可以有效提高學習效果，且對所有被調查者適用。

4 結語

用戶生成性學習資源作為重要的數字化學習資源開發途徑，在整個生命周期中都需要學習者新思想的注入。本文以用戶模型為依據實現學習資源、學習活動、交流工具等個性化推薦，并對學習者的認知狀態和學習風格測量提供方法，以此推薦適合學習者個性化的內容；認知狀態的評估依據布盧姆認識理論，根據學習者作答情況，通過貝葉斯網絡確定認知狀態；學習風格的測量基于Felder-Silverman模型與量表，采用TAN貝葉斯網絡自動檢測更新學習風格。在學習過程中，不斷發掘用戶新特征以修正用戶模型，最終實現學習資源的最佳推薦。

下一步研究重點是基于學習內容的推薦，即知識專家與學習同伴以同心圓方式圍繞在學習內容周圍，越靠近中心的學習者對該知識的掌握越好，以此為其他學習者提供更精確的咨詢服務。

參考文獻：

[1] 劉淼，楊鎮豪，謝韻玲，等.Andorid圖文同步識別系統的設計和實現[J].計算機工程與設計，2014，35（6）：2207-2212.

[2] JON HERLOCKER，JOSEPH A， KONSTAN，et al.An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms[J].Information Retrieval，2002，5 （4） ：287-310.

[3] YAO JUNG YANG，CHUNI WU.An attribute-based ant colony system for adaptive learing object recommendation[J].Expert System with Applications，2009（36）：3034-3047.

[4] GRA，F S.Adaptivity in learing management systems focussing on learing styles[D].University of Vienna，2007.

[5] TG BAUDSON，F PRECKEL，A FISCHBACH.Teacher judgments as measures of children's cognitive ability：a multilevel analysis .Learning and Individual [C].Differences，2014.

[6] 張劍平，陳仕品，張家華.網絡學習及其適應性學習支持系統研究[M].北京：科學出版社，2010：136-137.

[7] 衷克定，劉洋.基于學習風格理論的在線導學策略設計與實踐[J].開放教育研究，2012，18（3）：83-89.

[8] 李艷燕，馬韶茜.學習分析技術：服務學習過程設計和優化[J].開放教育研究，2012，18（5）：18-24.

[9] 姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015 （1）：85-92.

[10] 萬力勇，趙呈領，黃志芳，等.用戶生成性學習資源：數字化學習資源開發與利用的新視角[J].電化教育研究，2014 （5）：53-58.

[11] 王梅.基于Moodle平臺的生成性學習資源的設計與開發[D].濟南：山東師范大學，2014.

[12] 姜強，趙蔚，杜欣，等.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育，2015 （5）：106-110.

[13] 教育部教育信息化技術標準委員會.CELTS-11，學習者模型[S].2012.

[14] 裴雪嬌.適應性學習系統中學習者認知能力診斷方法研究[D].長春：東北師范大學，2014.

[15] 謝朝輝，馬進，原海英.基于貝葉斯的網絡學習效果評估系統研究[J].中國人力資源開發，2015 （2）：63-67.

[16] 崔曉陽.基于Felder-Silverman學習風格模型的在線導學系統設計與開發[D].濟南：山東師范大學，2014.

[17] 高虎子，周東岱.自適應學習系統學習者學習風格模型的研究現狀與展望[J].電化教育研究，2012（2）：32-38.endprint