基于混合式學習的同伴推薦算法設計與實現

蔡霞 徐舒凡 敬懿 業茜 葉俊民

摘? 要： 在互聯網時代，結合線上學習和面對面傳統教學的混合式學習成為大學生學習的重要方式。文章提出以同伴學習方式來彌補混合式學習中交互少、問題解決不及時等不足，并構建了基于學習者特征的同伴推薦算法。利用學習者相似度個性化推薦互補、相似型的學習同伴，以提高學習效率。實驗基于真實、有效的學習者特征數據集，選取機器學習中常用的評價指標，驗證了該推薦算法的有效性和準確性。

關鍵詞： 同伴推薦; 混合式學習; 相似度; 混淆矩陣

中圖分類號：TP319? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2020）04-38-03

Design and realization of peer recommendation algorithm for blended learning

Cai Xia1， Xu Shufan2， Jing Yi1， Ye Xi1， Ye Junmin1

（1. Computer School of Central China Normal University， Wuhan， Hubei 430079， China;

2. Mathematics and Statistics School of Central China Normal University）

Abstract： In the Internet era， blended learning， the combination of e-learning and face-to-face traditional teaching， has become an important way of college students learning. This paper proposes to use peer learning to make up for the deficiency of less interaction and delayed problem solving in blended learning， establishes a student characteristic based peer recommendation algorithm which use learner similarity to individually recommend similar and complementary learning companions to improve learning outcomes. Based on the real and effective learner's feature dataset， and the commonly used evaluation index in machine learning， the validity and accuracy of the proposed algorithm are verified by experiment.

Key words： peer recommendation; blended learning; similarity; confusion matrix

0 引言

隨著互聯網技術高速發展，國際教育界在總結近十年網絡教育實踐經驗的基礎上，提出教育技術發展的“第二條道路”，即結合網上學習與面對面學習優勢的“混合式學習”[1]。雖然混合式學習具有低成本、高效率、高靈活性等優勢[2]，但仍存在交互少、問題解決不及時等不足。在21世紀基礎教育課程改革的背景下，學生間的相互影響成為教學過程中的寶貴教育資源，同伴學習成為教學成功的必要環節[3]。交互是學習發生的重要條件，“沒有交互，就沒有教育”[4]。同時，網絡技術的發展，配套軟硬件設備的成熟，也為學習中的互動提供了技術支持[5]。學習者間的交互影響，恰好能彌補混合式學習中存在的不足。在混合學習中，學習者面對面交流機會減少，相互了解程度低，自主尋找合適的學習同伴難度增加，本文提出根據學習者學習特征與偏好，為學習者推薦合適學習同伴的推薦算法。

1 學習同伴推薦算法

混合式學習模式下的學習同伴推薦算法總體架構如圖1所示。以學習者為推薦的主體，首先建立學習者特征數據集，獲取并記錄學習者的屬性、興趣偏好以及在混合式學習中的能力。以此為基礎，計算學習者的相似度，按相似度由高到低生成同伴推薦列表并作為推薦結果反饋給學習者。

1.1 建立學習者特征數據集

為了更有效地進行同伴推薦，綜合考慮學習者屬性、偏好和能力。由于學習者能力指標多且有等級之分，本文采用層次分析法給出每個指標的權數。首先，建立層次結構模型，目標層為：評估學習者能力。準則層為能力的影響因子，根據同伴學習交互性的特點，第一層為自主學習能力、幫助同伴的能力;根據混合式學習的特點，第二層為線下測驗的平均分等。方案層為對學習者能力的評分。再通過1-9標度方法構造成對比較矩陣并進行層次單排序和一致性檢驗。最終確定的學習能力評估權重如表1所示。

1.2 學習者相似度計算

⑴ 計算學習者的能力相似度

，i為用戶a和a'共同修讀的課程

⑵ 計算學習者屬性相似度

令haa'為性別相似度，;令maa'為專業相似度，;令gaa'為年級相似度，。綜合上述三種相似度，計算學習者屬性相似度為。

⑶ 計算學習者興趣偏好相似度

令學習者a該學期修讀的課程集為{c1，c2，…，cna}，na為學習者a該學期修讀的課程總數。定義“非運算”：。學習者a和a'該學期修讀的相同課程數。以學習者a為主體，課程相似度。同伴學習的形式選取三種方式：交流答疑、學習PK、輪流授課。令學習者a的同伴學習偏好為{fa1，fa2，fa3}，其中。定義“同或運算”：。學習者a和a'同伴學習形式偏好的相似度。綜合上述兩種相似度，計算學習者興趣偏好相似度。

⑷ 計算學習者相似度

為保證同伴學習有效進行，設學習者能力差距閾值為β，學習者a和a'能力差距滿足閾值的情況為，α為寬大參數。篩選與學習者a能力差距滿足Yaa'>0的學習者，計算學習者a與其他學習者的相似度：

1.3 生成推薦列表

計算出學習者相似度后，降序排列學習者相似度Saa'，截取相似度最高的N項資源推薦給學習者a，生成同伴推薦列表。

2 仿真實驗

2.1 數據集

本文選擇數據庫原理課程學生的學習數據來進行實驗，統計2018-2019學年第二學期修讀此課程的學生的各項相關數據。該課程的學生大都來自同一專業，彼此相識。

2.2 實驗設計與評價指標

在選定的數據集上，應用學習同伴推薦算法，為每位學習者生成學習同伴推薦列表。通過問卷形式調研學習者主觀選擇的學習同伴。將算法為學習者推薦的學習同伴列表與學習者主觀選擇的學習同伴列表進行對比，檢驗學習同伴推薦算法的優良。

在建立算法評價準則前，首先建立分類結果混淆矩陣，如表2所示，在推薦算法中，被推薦為學習同伴的為1，否則為0;在真實情況中，用戶主觀選擇的學習同伴為1，否則為0。其中，TN為學生未主觀選擇也未被推薦的同伴數量，FN為學生主觀選擇但未被推薦的同伴數量;FP為學生未主觀選擇但被推薦的同伴數量;TP為學生主觀選擇也被推薦的同伴數量。

本文選用的評價指標有：精度、錯誤率、查準率、查全率。在混淆矩陣下，精度為。錯誤率為。查準率為。查全率為。

2.3 實驗結果與分析

通過推薦算法，為《數據庫原理》課堂參與實驗的學習者每人生成一個推薦列表，共八名推薦的學習同伴。當取參數α=1，β=20時，將推薦結果與學習者的主觀選擇對比，計算得分類結果混淆矩陣如表3。

由于推薦算法只給每位學習者推薦八位同伴，且學習者主觀選擇的學習同伴也較少，所以TP所占比例較低，為14.729%。

進一步計算評價指標如圖2所示，精度acc為0.831，錯誤率err為0.169，查準率P為0.546，查全率R為0.761。其中，查準率較低是因為學習者主觀選擇時，更偏好熟悉的同伴，而推薦算法僅依據學習者相似度進行推薦，所以存在推薦算法推薦的同伴并未被學習者主觀選擇的情況。若在相似度計算中，加入學習者相互熟悉度的指標，則可將查準率也提高到較高水平。總體而言，本文的推薦算法能較精確、全面地為學習者推薦同伴。

3 結束語

本文主要根據高等教育的混合學習現狀，設計了一種學習同伴推薦機制，應用于混合課堂，并經實驗驗證取得了不錯的效果，能有效地為學習者推薦合適且滿足個人偏好的學習同伴。本文提出的方法有待進一步構建一套在線學習工具，從而收集更大規模、多樣化的學習者數據，并基于學習者的特征和主觀評價的智能分析，以完善學習同伴推薦機制。

參考文獻（References）：

[1] 陳純槿，王紅.混合學習與網上學習對學生學習效果的影響——47個實驗和準實驗的元分析[J].開放教育研究，2013.19（2）：69-78

[2] 何克抗.從Blending Learning看教育技術理論的新發展[J].國家教育行政學院學報，2005.9：37-48，79

[3] 王有升，蘭玉萍.同伴學習中的“教學相長”與課堂教學變革[J].課程.教材.教法，2018.38（2）：62-68

[4] Gunawardena C N， Lowe C A， Anderson T. Analysis of aglobal online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J].Journal of educational computing research，1997.17（4）：397-431

[5] 李梅，楊娟，劉英群.同伴在線互助學習交互行為分析[J].中國電化教育，2016.5：91-97

[6] 周志華.機器學習[M].清華大學出版社，2016.