碎片化學習資源信息表示及個性化推薦策略研究

楊韶華

摘要：如何在海量、冗余、離散的碎片化資源中準確快速地得到學習者最需要的資源是個性化資源推薦策略研究的主要內容。以《計算機組裝與維護》課程的碎片化資源建設為例，在學習元模型理論的基礎上，運用XML技術表示學習過程中產生的非結構化資源的動態數據結構，并構建了碎片化學習資源個性化推薦模型。運用艾賓浩斯遺忘曲線和形式背景理論，根據用戶的學習路徑、知識結構、學習頻率等參數實現動態的學習伙伴和學習資源推薦。

關鍵詞：碎片化資源;個性化推薦;XML;遺忘曲線

中圖分類號：G642? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）16-0104-02

開放科學（資源服務）標識碼（OSID）：

在大數據時代，人們利用零散的時間和手機等移動終端進行的學習稱之為碎片化學習。而碎片化學習就要求學習資源的粒度要微小、媒體形式要便捷、信息內容要海量。但是，碎片化并且冗余的學習資源也帶來一些認知障礙方面的問題。一是，學習者在沒有掌握相應的知識體系之前，無法清晰明確地知道自己的學習路經是怎樣的。二是，即便明確了學習路經，大量冗余的碎片化資源也增加了學習者在學習過程中辨別、篩選的工作量和難度。尤其是在專業知識學習方面，碎片化的資源會導致學習者難以自行構建科學的知識體系，而影響學習效果。要解決這些問題，讓碎片學習效率得以提升就需要通過個性化推薦系統為用戶進行及時、動態、科學的學習資源推薦。

1 研究背景

人們希望在各種獲取資源的系統中得到的不是零散無須的資源鏈接，而是能夠在適當的時間和地點獲得適當的學習伙伴和精準的學習資源。因此，個性化資源推薦策略研究一直是學習資源建設中的熱點問題。

在國外，已經有大量的個性化推薦的研究成果和項目。比如，卡內基梅隆大學的Brusilovsky開發的InterBook、艾恩德霍芬科技大學的Debra和Calvi等人開發的AHA?。ˋdaptive Hypermedia Archtecture）和東京大學山內佑平研究的學習策略導航器等。

在國內，北京師范大學的余勝泉教授泛提出了泛在學習環境下的學習資源信息模型——知識元模型。該模型有六個要素組成，分別是學習內容、生成性信息、KNS網絡、格式信息、學習活動、語言描述。每個知識元既可以獨立存在，也可以互相聯通，構成個性化的知識網絡，從而形成學習元庫，為個性化知識推薦模型提供了信息依據，也是本文研究的理論基礎。

在個性化推薦系統中，協同過濾技術應用最廣泛。它主要是通過尋找某一用戶的最相似鄰居來進行信息推薦。比如，夏培勇提出運用信息熵來計算用戶間的相似程度。這種方法對于電影、課外閱讀物等資源的推薦是非常有效的。但是，學科知識不僅僅要考慮用戶之間的相似程度，還需要考慮學科知識體系和學習者自身的知識結構。

2碎片資源的信息表示

碎片化的學習資源分為兩種類型，結構化資源和非結構化資源。XML（Extensible Markup Language）是可擴展標記語言，主要應用于數據描述、不同平臺的信息交換和共享等方面。其最主要的特點是允許用戶自形定義標記，具有良好的開放性，可動態擴展地描述資源的數據結構。運用XML描述的數據，能夠更加有利于搜索軟件的搜索，也便于進行粒狀更新。本文運用XML語言來表示結構化的資源信息和非結構化的資源信息，尤其對非結構化信息的數據模型的動態變化非常有利。

2.1 結構化資源的信息表示

結構化的碎片資源是資源創建者按照預先設計好的結構精心設計組織起來的學習資源。他們可以用層次化的組織結構描述出來，每個結構化的學習資源在知識體系中的位置明確、導航清晰，易于獲取、存儲和管理。

圖1為結構化資源的數據結構，將《計算機組裝與維護》課程資源分為項目-任務-資源三級。每個資源歸屬于某個知識點或技能點。所有的知識點和技能之間通過組織關系、依賴關系、兄弟關系、平行關系等關系形成網狀的知識結構，從而將課程碎片化資源的知識內容和知識結構表達出來。

2.2 非結構化資源的信息表示

而非結構化的碎片資源是在學習者使用過程中產生的過程化資源。對于非結構化的碎片資源，學習者既是資源的使用者，也是資源的創作者、分享者和傳播者。這些資源的來源、結構不確定的，資源間的關系是非線性的、網狀的，資源內容也是動態變化的、不穩定的。

在個性化學習資源推薦過程中，首先應當明確學習者的興趣和需求、建立結構化的學習資源及其結構。其次要掌握其學習路徑。在跟蹤學習路徑的過程中，所涉及的資源既有事先建立的結構化資源，也有隨著學習過程產生的非結構化的資源，這就需要設計一種合適的信息表達方式能夠隨時動態的更新學習元庫。

圖2為非結構化資源的數據結構，針對每一個資源設計設計用于存儲過程化資源的結構。圖1中的資源節點是學習內容與過程化資源的結合點。過程化資源的結構可根據產生的資源情況不斷調整。

3 個性化碎片資源推薦模型構建

在碎片化資源中，學習者不僅僅需要獲得所需要的學習資源，更希望得到適合個人需求的個性化學習方案，就像有專業老師進行的學習路徑指導一樣。個性化的學習過程是“以學習者為中心”的，是根據學習者的已有知識結構、學習進度、興趣特征、學習習慣等因素進行知識學習和知識固化的過程。因此。個性化學習推薦策略既要推薦科學且符合學習者習慣的學習資源，又要促進學習者與內容以及學習者之間的互動。因此，本研究將個性化推薦模型分為兩個方面的推薦，分別是學習伙伴推薦和資源推薦。

3.1 個性化的學習伙伴推薦

人類學習的過程不單純是的資源的閱讀。學習其實是在一定的社會背景下，在他人的幫助下，通過參與互動等方式不斷構建的過程。在這一個過程中會產生眾多的過程數據，比如在學習過程中對資源的標注、分享、收藏，對其他學習者的關注等等，這些數據形成了每個學習者的個人學習空間。如果將這些個人學習空間聯通，就可以為學習者提供資源本身以外的信息，從而發揮推薦系統的社交屬性。

傳統協同過濾算法通過尋找相似用戶來預測目標用戶可能的興趣點，這類算法對于電影、課外讀物等沒有特定的先后關聯關系的資源推薦是非常有效的。在學習系統中，基于用戶相似度的協同過濾算法，不僅僅可以用于資源的推薦，還可以用于學習伙伴的推薦。

3.2 個性化的學習資源推薦

在學習伙伴推薦的基礎上，根據學習伙伴的興趣推薦、學習者自身的知識結構、學習資源知識結構等獲取推薦資源知識元候選集。并對候選集進行聚類和篩選，同時結合艾賓浩斯遺忘曲線對候選數據進行修正。從而得到最終推薦的資源集合。

學習伙伴個性化推薦分為四個步驟：首先確定目標學習者的學習現狀，也就是根據學習者最近一次學習資源的信息確定學習者在資源組織圖中的位置。接著，運用考慮時間因素的協同過濾算法獲取學習伙伴推薦集。第三步，通過學習伙伴推薦集獲取的相似用戶興趣資源和根據學習者現有知識背景構建的學習資源共同產生資源后候選集。第四步，對候選集中資源進行聚類和篩選，對篩選結果運用艾賓浩斯遺忘曲線理論進行修正，獲得最終的學習資源推薦集。

4 結論

個性化學習推薦系統考慮了學習過程中的社交屬性，運用XML技術將學習過程中產生的非結構化的資源表示出來，構建每個學習者的個人學習空間。并且運用基于時間屬性的協同過濾算法將有相似度的學習者的個人學習空間聯通起來，使得個性化推薦系統不僅僅為用戶推薦的是學習資源，還為其提供合適的學習同伴，使得學習者運用移動終端的學習過程更加接近于社會化的學習過程，從而提高碎片化學習的效果。

【通聯編輯：光文玲】