個性化移動學習系統分析與設計

摘要：為實現更高效的移動學習，提出了一種個性化移動學習系統的設計，系統以微服務的形式實現自適應學習單元，使得學習單元之間可根據需要動態調整，并通過采集到的各種使用數據，使用混合式推薦系統得到對于不同學習者的學習路徑、學習活動和學習資源的實時推薦，還可根據評價和反饋進行調整，從而組織更靈活的學習過程及學習活動，實現個性化學習資源推薦，提高移動學習效率。

關鍵詞：推薦系統；工作流；移動開發；自適應

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2019）05-0189-02

1 概述

移動互聯網時代，移動互聯網主導地位進一步強化。據2017年8月第40次《中國互聯網絡發展狀況統計報告》的統計結果，截至2017年6月，我國網民規模達7.51億，其中手機網民達7.24億，占比達96.3%。移動學習是學習者在自己需要學習的任何時間、任何地點通過移動設備和無線通信網絡獲取學習資源，與他人進行交流和協作，實現個人與社會知識建構的過程，同時移動學習也是傳統課堂、非正式學習、終身學習的補充和延伸，是翻轉課堂、微課、MOOC、SPOOC 等多種教學模式移動學習環境下的重要載體[1，2]。由于移動設備的廣泛應用，移動學習已成為碎片化知識獲取的重要途徑。

目前，基于移動智能終端的APP 開發模式主要有原生應用（Native APP）、網頁式應用（Web APP）、混合式應用（Hybrid APP）、類原生應用（React Native APP）等[3]，而目前流行的基于HTML5 開發的APP，可實現“一次開發，多平臺使用”，現在大熱的“微信小程序”，就是這種模式的典型代表。這種開發模式可以無縫連接桌面端和移動端，不受客戶端系統限制，更好地實現數據和資源的共享，成為目前移動APP開發的一個熱門選擇。

用戶在使用移動終端設備學習時產生大量數據，結合大數據分析及挖掘，有助于個性化學習平臺的構建。結合了學習分析技術的個性化學習平臺，能根據基于大數據分析及挖掘構建的學習者畫像，對每個學習者規劃適當的學習計劃、學習路徑和學習資源，還能在學習過程中根據學習的情況提供學習建議及調整相應的規劃[4]。

目前關于個性化學習系統的實現，多集中在個性化學習資源的推送方面，而對于個性化學習計劃、學習路徑方面的研究不多。本文將考慮全面的個性化移動學習系統的分析與設計，包括個性化學習計劃、學習路徑和學習資源的定制等。

2 個性化學習系統構建原理與方法

2.1 柔性工作流技術及自適應單元

工作流是流程的完全或部分自動化運行，而工作流的柔性指的是根據實際運行情況進行動態調整的能力。工作流的柔性包括靈活性、動態性和自適應性[5]。移動學習系統中，學習任務驅動的學習過程，可基于柔性工作流技術構建，而自適應學習單元[6]是實現這種柔性的重要方式。自適應學習單元旨在幫助學習者更好地進行個性化的自主學習，在構建時可充分考慮學習者的不同需求，設計多樣化的學習路徑及個性化學習內容，再通過教學活動的設計與實施，使自適應學習單元可以根據學習者的情況動態地調整學習路徑[6]。自適應學習單元的實現可通過微服務技術解決。微服務指在單個應用系統中一組被集中管理的、規模較小的服務，每個服務只完成內聚性很強的一組功能，并通過網絡彼此協作，每個服務可單獨部署維護[1]。把自適應學習單元映射為微服務的方式，可使自適應學習單元達到最大的靈活性，從而實現學習計劃、學習路徑、學習方式的動態調整。

2.2 個性化推薦系統

根據不同的推薦算法，個性化推薦系統主要分為：基于協同過濾的推薦系統、基于內容的推薦系統以及混合式的推薦系統[7]。

1）基于協同過濾的推薦系統主要是根據用戶屬性的相似性，包括用戶信息、對項目的評價等信息的相關性，由用戶群的行為信息計算項目間關聯度，得到推薦結果。基于協同過濾的推薦又可以分為：基于用戶的協同過濾推薦、基于項目的協同過濾推薦、基于模型的協同過濾推薦三類。協同過濾實現的要點是在記錄中找到相似的用戶和項目，從而計算推薦列表項目。推薦列表的建立主要有基于用戶和基于項目兩種方法。

2）基于內容的推薦系統則主要根據項目本身的特征及屬性，在項目庫中進行搜索，計算哪些項目更能滿足用戶需求，從而得到推薦結果。基于內容的推薦系統最大的優勢是沒有冷啟動的問題，只需抽取項目本身的一些特征屬性，利用用戶以往關于項目的喜好特征數據來學習，即可得到用戶的一組推薦列表。

3）混合式的推薦系統，則綜合以上兩種方式，結合用戶相似性、項目關聯性及特征，通過分析某一款產品的所有記錄，來推測用戶感興趣的項目，更從用戶需求、商品標簽以及相似用戶的使用度等方面來增加推薦結果的可信度。本文所設計的系統將采用混合式的方案。

3 個性化移動學習系統設計

3.1 系統架構設計

個性化移動學習系統的框架如圖1所示。學習者通過登錄學習系統的移動客戶端完成學習，而學習者在使用系統的過程中產生的數據（如操作序列、瀏覽記錄、學習歷史等），將自動采集、記錄在系統日志中并上傳。系統將根據采集到的日志記錄，與用戶屬性等數據共同構建用戶畫像，并根據教學計劃、教學要求、教學設計等得到針對不同學習者的個性化學習計劃。根據個性化學習計劃設計個性化學習路徑，即可組織針對用戶的個性化學習資源。個性化學習資源以微服務的形式提供，并根據教學要求和教學設計組成為若干模塊。過程監控模塊將隨時監控、分析學習過程并對當前學習計劃提供反饋，以對學習計劃提供階段性的調整的依據，并根據學習計劃調整學習路徑和學習資源的推送。

3.2 模塊設計

3.2.1教學設計

教學設計模塊主要由教師根據教學計劃、教學要求、課程體系、知識點分布等設計。為實現個性化學習，教學設計以自適應單元為基本單位，以便于以微服務技術實現。根據課程的要求和特點，可依次設計主要學習路徑、備選路徑集合以及每個環節相匹配的候選資源集。初始路徑可以是默認學習路徑及其默認資源，在學生學習的過程中，可以根據數據采集及分析結果，實現個性化學習。

3.2.2 數據采集與過程監控

學生在學習過程中所產生的各種數據，包括操作序列、瀏覽記錄、學習進度、在線時間信息等，都將自動采集并上傳到數據庫。教師或班主任等教學管理人員可通過所記錄的數據，實時了解每個學生的學習情況。系統也可以通過對采集到的這些數據的分析，對學生實現學習路徑的調整及個性化資源推薦。

3.2.3 個性化推薦系統

通過混合式推薦系統，可組織個性化學習，推送個性化學習資源。推薦系統可用于學習計劃、學習活動的計劃和調整，也可用對對應學習資源的推薦。基于內容的推薦主要根據項目本身的特征及屬性進行推薦，可用于在教學設計環節給出一些資源推薦及教學組織的建議，還可在冷啟動及稀疏記錄的條件下得到推薦結果。而協同推薦則可結合用戶特征和項目特性，提高算法的效率。

3.2.4 客戶端呈現

由于目前移動學習的普及，學習系統必須支持各種移動終端，并根據所采集的數據及個性化推薦結果，在客戶端上呈現不同的推薦列表。還可以針對不同的客戶端，設計不同的學習資源，并結合學生常用客戶端數據的反饋來實現個性化的推薦。

3.2.5 反饋及評價

學生在使用系統時對所推薦的路徑和資源產生的反饋、評價等，是學習過程及推薦結果改進的重要依據。評價的指標主要有以下幾項：

1）平均誤差MAE（Mean Absolute Error）。平均絕對誤差通過計算預測評價與真實評價數據上的差別，來衡量推薦結果的準確性。MAE的值越小，推薦準確性越高。若預測的用戶評分集合表示為{p1， p2， … ， pn}，而實際用戶評分集合為{q1， q2， … ， qn}，則MAE計算公式如下式所示：

[MAE=i=1Npi-qiN]

2）準確率與召回率（Precision & Recall）。準確率和召回率用來評價結果的質量。其中準確率是檢索出相關項目數與檢索出的項目總數的比率，衡量的是系統的查準率；召回率是指檢索出的相關項目數和所有的相關項目數的比率，衡量的是系統的查全率。簡單地說，準確率就是所推薦的項目有多少是被用戶接受的（即“是對的”），而召回率就是所有用戶可以接受的項目有多少被檢索出來了。這兩個取值越接近1，算法的效率就越好。

3）綜合評價指標（F-Measure）。準確率與召回率的指標有時候會出現的矛盾的情況，這時就可能要綜合考慮，最常見的方法就是F-Measure，又稱為F-Score。F-Measure是準確率和召回率的加權調和平均，一般計算如下式所示（其中P位準確率，R為召回率）：

[F=（α2+1）P?Rα2（P+R）]

4 總結

本文考慮了一種個性化移動學習系統的分析與設計，采用了混合式推薦系統，以微服務的形式組織學習過程和學習資源，可針對不同的學習者，實現不同的學習過程、活動組織和學習資源推薦。這種新型的個性化移動學習系統，將可以實現更靈活的學習過程和形式，提高學習效率。

參考文獻：

[1] 王書玲，王小軍. 基于微服務的移動學習平臺構建研究[J]. 中國成人教育，2017（23）：18-22.

[2] 羅潔. 信息技術帶動學習變革——從課堂學習到虛擬學習、移動學習再到泛在學習[J]. 中國電化教育，2014（1）：15-21，34.

[3] 趙梅，楊文正，孫夢琴， 等. 教育APP開發模式演進及發展趨勢分析[J]. 電化教育研究，2018，39（6）：90-97.

[4] 曹曉明，朱勇. 學習分析視角下的個性化學習平臺研究[J]. 開放教育研究，2014，20（5）：67-74.

[5] 鄭婷婷. 時態工作流的時間異常處理算法[D].廣州：中山大學，2009.

[6] 梁存良， 張修陽， 鄧敏杰. 在線課程中自適應學習單元的構建與設計[J]. 教學與管理， 2018（9）.

[7] 劉靜，熊才平，丁繼紅，等. 教育信息資源個性化推薦服務模式研究[J]. 中國遠程教育，2016（2）：5-9，79.

【通聯編輯：謝媛媛】