自適應學習系統中“KCP學習者模型”研究

李春生，張永東，劉 澎，張可佳

(東北石油大學 計算機與信息技術學院，黑龍江 大慶 163318)

0 引 言

遠程教育經過長期的發展逐漸顯示出以下趨勢：以學習者為中心、實時反饋、各領域先進技術的融合、個性化學習以及開放性的終身教育[1]。自適應學習是提高學習效果的一種有效方式，即學習內容的選擇和呈現方式能夠滿足學習者的學習個性化需求。但由于學習者的學習風格、學習偏好等各不相同導致自適應學習系統仍然面臨許多困難。

學習者模型反映了學習者的學習情況，包括學習進度、對知識的理解程度、存在的認識偏差以及與預定目標之間存在的差距，是系統識別和區分學習者學習特性的重要依據。自適應學習強調以學習者為中心，因此獲取學習者的學習特性并準確表述就顯得極為重要[2]。自適應系統通過識別學習者的學習特性，根據學習者的知識水平和認知能力來推送相應的學習內容，根據學習者的學習需求及喜好來提供個性化指導，激發學習者興趣。掌握學習者的初始知識水平和認知能力可以保證學習活動有效進行，另一方面，學習者的學習需要受動機的推動，因此，從學習的有效性出發，學習者的知識水平(knowledge level)、認知能力(cognitive ability)和偏好信息(preference information)[3-4]這三類特征是最基本的且不可或缺的。為提高自適應學習效率，使自適應系統更好地感知學習者的學習特性，提出了“KCP學習者模型”。其次，根據布魯姆的教育目標和霍華德·加德納的多元智能理論給出“KCP學習者模型”三個組成特征項的表示方法。

1 KCP學習者模型設計

自適應系統利用學習者模型來準確描述學習者的知識水平、認知能力和偏好信息，提高系統輔助學習的自適應性，實現個性化學習。自適應系統服務于學習者，學習者模型設計的目的是為學習者的個性化學習提供依據和規則[5]。因此要將先進的教育理念和現代教育技術充分結合，尊重不同學習者的學習需求和學習特點，使學習者能夠得到豐富的學習資源，以及個性化的指導和實時的反饋。

為了使自適應系統能夠更好地滿足學習者的個性化學習需求，學習者模型需要具有以下特點：

(1)作為自適應系統，為學習者推送個性化學習資源的依據。系統通過獲取學習者的學習特性，根據學習者的認知水平、認知能力和偏好信息，相應地推送適合學習者的學習內容。

(2)根據學習者的學習特性，自適應地提供適合學習者且能激發學習者興趣的個性化指導。

(3)所建立的模型需要根據學習者的學習狀況，不斷主動完善模型。

根據以上原則設計的“KCP學習者模型”如圖1所示。

圖1 KCP學習者模型

該模型主要包括學習者的知識水平、認知能力以及學習偏好信息，具體描述如下：

知識水平是指學習者個體在知識獲取方面的情況，包括知識缺陷、所掌握的知識水平等[6]。即學習者對各個相關知識的掌握程度，根據布魯姆的認知目標分類可將掌握的程度劃分為六個等級：識記、理解、應用、分析、綜合以及評價。

認知能力是指對認知活動的自我調節和管理技巧。在教與學的活動中，學生自己感知記憶、思維、理解、想象的方法，預計自己操作的成績，以及自我反饋學習效果，這都是“認知能力”的具體表現[7]。文中介紹的認知能力具體包括：觀察、抽象、歸納、記憶、計算、分析、想象以及邏輯思維能力。

偏好信息是指學習過程中學習者表現出來的習慣、喜好的相對穩定的個性化學習活動方式[8]，包括背景材料偏好、學習策略偏好、系統功能偏好、資源呈現偏好、學習時間偏好等信息。

2 KCP學習者模型的表示方法研究

2.1 知識水平表示方法

根據布魯姆的教育目標，對每個知識點的掌握程度都可以用參數ti來表示，具體方法如圖2所示。

圖2 知識水平表示方法

根據圖2定義：K={(k1,t1),…,(ki,ti),…,(kn,tn)}，其中ki表示第i個知識點，ti表示第i個知識點的掌握程度，ti∈T，T={0，1，2，3，4，5，6}，“0”表示學習者對該知識點完全不了解。

2.2 認知能力表示方法

根據霍華德·加德納的多元智能理論，認知能力有多種類型，這些認知能力水平可以用li表示，具體方法如圖3所示。

圖3 認知能力表示方法

根據圖3定義：C={(c1,l1),…,(ci,li),…,(c8,l8)}，其中ci為第i種認知能力，li為第i種認知能力的水平值，且0

2.3 偏好信息表示方法

偏好信息表示方法具體如圖4所示。

圖4 偏好信息表示方法

定義：P=，其中Pb表示背景材料偏好(教育、藝術、科幻等)；Ps表示學習策略偏好(直觀演示式、探究式、協作式等)；Pt表示學習時間；Pf表示系統功能偏好(用系統功能的使用頻度表示)；Pp表示資源呈現方式偏好(文字、視頻、ppt演示等)。γ表示喜好程度，且0<γ<1。

3 KCP學習者模型特征值獲取方法研究

3.1 知識水平特征值獲取方法

通過對學習者進行一系列測試，獲取知識水平特征值。根據布魯姆的教育目標，對知識的掌握水平分為知道、領會、應用、分析、綜合、評價六類。在對學習者進行測試時，所測試題也相對應有知識水平標識[9-10]，即測試題考查了學習者對一項或多項知識水平的掌握情況，如表1所示。

表1 知識水平矢量表

若學習者回答正確所測試題的某項知識水平，則記為1，回答錯誤則記為-1，對于試題未涉及的知識水平或學習者沒有參加測試，則記為0。

根據知識水平矢量表可以計算出各項知識水平hi的正確使用率r(hi)：

(1)

其中，Nhi(1)與Nhi(-1)分別表示學習者在測試中對知識水平hi回答正確和回答錯誤的次數。

因此，可以得到學習者對某一知識的的掌握程度矢量：

R={r(h1),r(h2),…,r(h6)}

(2)

所以可以計算出學習者對某項知識的綜合掌握能力，即知識水平L(k)：

(3)

其中，Ci為某項知識水平在該知識點下的權值，Ci的初始值由專家確定，經過一定數量的學習測試之后可進行動態調整。

3.2 認知能力特征值獲取方法

根據霍華德·加德納的多元智能理論，將認知能力概括為下面幾種類型，分別為：觀察能力、抽象能力、歸納能力、記憶能力、分析能力、計算能力以及想象能力[11]。為估算出學習者的認知能力，設計測試題類型為：

TEST=(Ai,Qi,γ,β,D)

(4)

其中，Ai為所測認知能力類別；Qi為題目類型；γ為該題型的難度系數，值域為[0～1];β為該題目的難度系數，值域為[0～1];D為該題的標準答案，由專家給出。

例如，要測試學習者的歸納能力(A1)和想象能力(A7)，設計試題類型如下：

TEST(1)=(A1,Q1,γ1,β1,D1)

TEST(2)=(A1,Q2,γ2,β2,D2)

TEST(3)=(A7,Q3,γ3,β3,D3)

TEST(4)=(A7,Q4,γ4,β4,D4)

(5)

那么，估算學習者認知能力水平L(C)的公式為：

(6)

3.3 偏好特征值獲取方法

學習者偏好特征值獲取方法分兩步進行：第一，通過學習者的注冊信息、量表或學習者上傳等方式采集學習者偏好特征的靜態值，之后通過直接、間接匹配、運算等方法來對這些原始數據進行處理，得到學習者的靜態偏好特征值[12-13]；第二，通過挖掘學習者在學習時的行為，如搜索關鍵詞、瀏覽網頁的類型等，提取學習者的動態偏好特征[14]。

學習者在學習過程中，瀏覽網頁的頻率為該頁面的點擊率。一般的，如果該頁面的點擊率越高，就認為學習者較為偏好該頁面。點擊率公式為：

F(p)=S/S'

(7)

其中，S為學習過程中點擊頁面p的次數；S'為學習者學習過程中所點擊頁面的次數總和。

學習者在學習過程中，訪問頁面的時間也是偏好特征的一個體現[15]，訪問時間可由頁面的信息量決定。假設頁面p中有資源集合ri={r1,r2,…,rn}，相對應的訪問時間集合ti={t1,t2,…,tn}，可得訪問時間公式為：

T(p)=α+∑(ri/n)

(8)

其中，α表示在當前頁面中學習者訪問的有效時間。

點擊率和訪問時間都可以體現出學習者的學習偏好，所以綜合兩者得出學習者的動態偏好特征P(p)如下：

P(p)=k*F(p)+(1-k)*T(p)

(9)

變形后得：

(10)

其中，k為調節參數，取值范圍為0～1。

4 實例測試及效果綜合分析

KCP學習者模型包含學習者的知識水平、認知能力以及學習偏好，作為自適應學習系統推送學習的依據，能夠更加精準地為學習者推送學習資源，所以對學習者模型實施效果的評價需要依托于自適應學習系統。實驗針對60名自適應系統學習者進行調查，將60名學習者均分為A、B、C三組，從用戶滿意度、考試成績優秀率(考試成績85分以上)兩個維度對使用KCP學習者模型的自適應系統和傳統自適應學習系統進行對比評價，評價結果如表2所示。

表2 評價結果

從表2中可以得出以下結論：相比于傳統自適應學習系統，用戶對KCP自適應系統的滿意度更高；在學習者成績優秀率(85分以上)方面，KCP自適應系統明顯高于傳統自適應學習系統。

5 結束語

文中提出了“KCP學習者模型”，模型包括學習者的知識水平、認知能力以及學習偏好信息，并將其應用到自適應學習系統中；運用算法量化表示出學習者模型的各個特征值，為自適應系統感知學習者的學習特性奠定基礎；最后，對比分析當前傳統自適應學習系統與使用“KCP學習者模型”的自適應學習系統的學習效果，從用戶滿意度以及學習者成績優秀率兩方面分析驗證了該模型的可行性，能夠使自適應學習系統更好地感知學習者學習特性，提高學習效率。

參考文獻：

[1] 趙倩瑩.網絡學習者模型構建及其個性化學習服務研究[D].成都:四川師范大學,2013.

[2] 李唯實.個性化教育中的學習者模型技術研究[D].長沙:國防科學技術大學,2011.

[3] JIA Bing, ZHONG Shaochun,WANG Wei,et al.The construction and evolution of learner model in adaptive learning system[C]//International conference on computer technology and development.[s.l.]：IEEE, 2009:148-152.

[4] 賈 冰.自適應學習系統中學習者模型的表示及特征值獲取方法研究[D].長春:東北師范大學,2010.

[5] CAKULA S,SEDLENIECE M.Development of a personalized e-learning model using methods of ontology[J].Procedia Computer Science,2013,26:113-120.

[6] 許 波,張結魁,周 軍.基于行為分析的用戶興趣建模[J].情報雜志,2009,28(6):166-169.

[7] 姜 強,趙 蔚,王續迪.自適應學習系統中用戶模型和知識模型本體參考規范的設計[J].現代遠距離教育,2011(1):61-65.

[8] 尹春暉,鄧 偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機技術與發展,2008,18(5):37-39.

[9] TIMUR S.Examining cognitive structures of prospective preschool teachers concerning the subject “force and motion”[J].Educational Sciences:Theory and Practice,2012,12(4):3039-3049.

[10] KIM Y S,YUM B J.Recommender system based on click stream data using association rule mining[J].Expert Systems with Application,2011,38(10):13320-13327.

[11] 馬佳佳,熊才平,丁繼紅,等.面向學習過程的個性化資源推薦服務策略研究[J].中國教育信息化,2016(5):29-33.

[12] 李 寶,張文蘭.智慧教育環境下學習資源推送服務模型的構建[J].遠程教育雜志,2015,33(3):41-48.

[13] 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.

[14] 張 舸,周東岱,葛情情.自適應學習系統中學習者特征模型及建模方法述評[J].現代教育技術,2012,22(5):77-82.

[15] CHRYSAFIADI K,VIRVOU M.Evaluating the integration of fuzzy logic into the student model of a web-based learning environment[J].Expert Systems with Applications,2012,39(18):13127-13134.