在線學習平臺個性化推薦系統設計研究

王茹雪

摘要：綜合考慮當下在線學習平臺學習資源分配不完善、不匹配等問題，將對在線學習平臺個性化推薦系統的設計與構建展開討論，研究當下學習資源個性化推薦需要解決的問題，并就該問題設計出基于教育大數據設計學習資源個性化推薦系統，滿足學習者學習需求，提高學生學習滿意度。

關鍵詞：教育大數據； 在線學習； 個性化； 推薦系統； 學習平臺

中圖分類號：TP315? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）32-0041-03

大數據時代的到來使互聯網資源對包括教育領域在內的各行各業影響頗深。其中，大數據技術推動了教學內容、教學過程和學習方式的轉變升級，更促進了個性化教學的實施，推動了教學變革[1]。當前，教育信息化正逐漸從2.0邁向3.0，以學生為主導的個性化教學新模式正快速發展。大數據時代的教育教學將教育與科學技術相融合，改變了傳統課堂以教師為主導的教學方式，有利于實施以學生為主的個性化學習[2]。疫情期間 “停課不停學”指導方針的提出，促進了在線教學的發展，關于如何利用教育大數據合理構建個性化學習環境的研究也日益增多，在線學習平臺逐步完善，但是海量在線學習資源如何使用，學習者的個性需求能否被滿足，目前還較少提出完善的解決方案。因此，本文將重點研究在線學習資源的個性化推薦，以教育大數據為基礎，從在線學習用戶入手，通過涵蓋整個在線學習全流程，構建在線學習個性化資源推薦體系，期望對后續的相關研究與實踐提供有益的參考和借鑒。

1 學習資源個性化推薦的含義與發展

當今信息化社會下，隨著互聯網、云計算、大數據、人工智能等技術的興起，帶來了大量的數據資源與智能服務。教育與科學技術的融合，使得傳統以課堂為主、教師主導的教學轉變為以學生為主的個性化學習，而其中學習資源如何有效分配也成為當前研究的熱點話題。

1.1 個性化推薦的基本含義

在大數據時代背景下，數據資源海量化已成為常態，基于此，個性化推薦系統應運而生。個性化推薦系統能夠有效減輕海量數據信息超載的負擔，同時也能夠根據用戶的需求實施數據信息的個性化推薦[3]。采用不同的標準，可以將其劃分為不同的類型：根據產生個性化推薦所采用算法的不同，可分為基于內容的推薦、基于協同過濾的推薦和混合推薦；根據用于產生推薦的數據類型的不同，可分為基于顯式反饋的個性化推薦和基于隱式反饋的個性化推薦[4]。總的來說，個性化推薦系統具有以下三個特征：①推薦內容個人化。根據個人的不同需求、不同瀏覽習慣來推送不一樣的資源內容；②推薦內容多樣化。從多維度入手，將各種各樣不同風格的資源內容推送到用戶面前；③推薦內容智能化。根據瀏覽習慣，推送感興趣的資源內容。總之，個性化推薦是具有很強的個性性質的服務[5]，推薦系統根據每個人的歷史行為以及人物特征，為其推薦較為合適的資源。

1.2 個性化推薦的發展

目前，個性化推薦技術已廣泛應用于多個領域中。例如，國外著名的電子商務網站亞馬遜，以及國內的淘寶、抖音等。可以說，個性化推薦技術已經可以實現用戶的一對一智能推送。而在教育領域中，個性化推薦也得到了廣泛的關注。近幾年，在教育大數據背景下關于學習資源推薦系統的研究，也一直是學術界的研究熱點。理論方面，余勝泉教授[6]最早提出在線教育發展的趨勢是適應性學習，強調以個性化學習為重點；實踐方面，運用個性化推薦技術的系統有AACS系統[7]，該系統能夠依據學習者屬性，將資源按照文字、視頻、動畫等類型，為學習者提供個性化學習資源；同時還有SAELS系統，該系統以本體技術為核心，從而對用戶模型進行個性化推薦[8]。

由以上研究分析可知，對學習平臺的個性化推薦系統多強調學習者學習屬性和學習風格的研究。然而，已有的個性化推薦模型也存在一些問題。第一，學習者學習屬性的分類較為單一，多是以學習風格、學習偏好為主，較少考慮到學習者自身的學習需求以及他們的認知水平，一些學習模型的設置難以匹配到符合他們學習能力的學習資源。第二，學習資源的劃分較為粗糙，較少去擴充用戶所搜索的學習資源，降低了對用戶個性化需求的關注。第三，學習資源個性化推薦的準確度較低，有些學習模型采用單一的算法推薦技術會降低資源推薦效率和精準率，難以發揮教育大數據的資源優勢。鑒于上文所述的不足之處，本文旨在設計一新型學習資源個性化推薦系統以解決以上問題。

2 在線學習資源個性化推薦系統設計

大數據在教育領域的應用就體現在，通過后臺分析學習者在線學習中的產生的學習數據，從而在與學習者交互平臺中進一步推送個性化學習資源，便于學生學習，提高資源的利用效率。而其中，教育大數據涵蓋了方方面面，例如學習行為、學習資源、學習過程、學習狀態、學習結果等。這些數據擁有著海量的數據規模、多樣化的數據類型、多模態的數據形式和動態的數據體系。而在線學習平臺的作用就在于，將學習者和學習資源一一匹配，通過算法分析這兩組數據，從而為學習者推送適合他們自己的學習資源。此外，學習平臺的管理又離不開技術人員和教師的支持。基于上述對個性化學習資源推薦的理解，本文將分別從學習者、學習資源、技術人員和教師以及學習資源推薦算法等方面構建個性化學習推薦系統。

2.1 學習者分類

在線學習資源個性化推薦模型中，學習者占據了主體地位，個性化學習資源推薦服務都是以學習者為中心的。因此，要實現學習資源的精準推薦，就需要先根據學習者屬性劃分開不同類型的學習者。

1） 認知水平分類

認知風格或學習風格是個體在知覺、組織、加工和記憶信息方面表現出來的穩定的差異[9]。目前，影響比較大的認知風格模型有Kolb的認知風格模型、Riding的認知風格模型和 Felder Silverman學習風格模型。這里采用Kolb學習風格量表對學生進行風格分類，在學習者使用平臺進行學習前，先讓其完成該問卷，根據得分情況，判斷出不同學習者的學習風格，資源推送系統會根據學習者認知水平類型，調動學習資源庫中相應教學資源，并將學習資源返回至用戶界面[10]。

2） 學習需求分類

學習者不同的學習需求對學習資源推送也有所影響。心理學研究表明需求是人們對某種客觀事物或某種目標的渴求與欲望[11]。由此可見，通過合理利用學習者的學習需求來進行學習資源推送，有利于提高學習者的學習興趣，增加學習平臺的用戶黏性。本文旨在從時間相關、空間相關與服務方式相關這三方面分析學習者的學習需求。

3） 學習狀態分類

學習狀態是指學習者在學習時的心理、情感、態度、思維等狀態的綜合，也就是學習者在學習時的身心投入程度。已有研究表明，不同學習狀態能產生不同的學習效果；個性化學習推薦服務可以以學習者的學習狀態為依據，促進學習者學習，激發并保持學習者的學習投入狀態[12]。當學習者陷入消極情緒時，在線平臺可適時推送較為輕松的、其他分類的知識，幫助學習者舒緩心情；當學習者學習專心學習、興趣濃厚之時，也不能一味地灌輸，要及時提醒學習者的學習時長，避免勞累過度。

2.2學習資源分類

學習資源是整個在線學習平臺的基礎，但資源復雜多樣，如何合理劃分學習資源成為整個平臺高效運行的關鍵。以下將從最基礎的學習科目和資源類型兩方面入手。

1）學習科目分類

學習資源數據庫最重要的就是知識面的廣和深，要顧及不同學習者的學習需求，不僅要按照科目劃分學習資源，在每一科目之下，還要按難易程度進行排列，以確保每一位學生都能真正學到知識。

2） 資源類型分類

除按學習科目劃分之外，根據資源類型的不同，也有不同的學習資源分類。例如，有些初學者對知識點掌握得不夠牢固，可以觀看細致的教學視頻進行學習；有些學習者對知識點已有基礎，就可以調動資源庫中的文檔資料進行復習；有些學習者想利用零碎時間學習，也可以收聽資源庫中的MP3。針對不同學習者的不同需求，充分調動學習資源庫中相應教學資源。

2.3 個性化推送服務

在線學習資源個性化推薦模型中，個性化推送服務是不可或缺的一環，是連接學習者和學習資源之間的橋梁。而個性化推送服務的實現，離不開推薦算法的執行。目前，在內容推薦平臺應用模型中，使用比較廣泛的推薦算法有基于內容過濾的推薦算法、基于協同過濾的推薦算法和基于關聯規則的推薦算法。各種推薦算法的實現原理存在差異，其功能作用也各不相同。盡管各種智能推薦算法很強大，學習者也往往能夠適應其推薦的學習資源，但是對某些學習平臺只使用其中一種算法來說，“個性化”一詞還是遠遠不夠的。本文基于前人研究基礎上，將三種推薦算法相結合，既避免了傳統算法的單一性，有能有效利用大數據，實現精準推送，有利于提高資源推薦的準確率[13]。

2.4 技術人員和教師

在線學習資源平臺中，技術人員和教師同樣是不可或缺的一環。技術人員主要負責平臺的功能更新和修復bug，同時也可以對推薦算法進行優化。教師主要負責篩選、更新、修改學習資源，以及對學生的問題進行人工答疑等。當學習者困于某一章節內容時，教師可以在后臺及時發揮指導和幫助作用，避免學習者在平臺中陷入除了網絡應答“孤立無援”的情況。

3 在線學習平臺開發

在線學習平臺中大數據的采集和處理是平臺運行的數據基礎，也是準確構建不同類型學習者學習風格的關鍵。在線學習大數據主要包括學習者在線學習全流程的各類學習行為、資源使用、學習互動、學習評價等類別的大數據。合理利用大數據并設置好前臺交互界面，有利于提高學習效率，也能夠吸引學習者在本平臺進行學習。本文基于不同功能設置了個性化學習平臺與學習者交互的三個不同界面，包括學習資源模塊、個人中心模塊與資源推薦模塊，如圖1所示。

3.1 學習資源模塊

在課程資源模塊中，主要負責向學習者提供數字化學習資源。并以“學科—章節—知識點”的方式對學習資源進行劃分，使得學習資源的組織結構更加清晰明了，同時也更易于后臺更新和管理。教師在推薦系統里可以建立和修改相關課程的學習資源數據庫，學習者根據個人需求，在平臺中選擇不同的學習資源進行學習。并且與主流學習平臺相同，視頻播放也可以倍速、快進等；學習者觀看完視頻以后還可以進行課程評價，完成課后習題。其中，學習者在使用某一學習資源的過程中，還可以對學習資源進行“關注”“下載”“收藏”。

3.2 資源推薦模塊

在學習資源推薦模塊中，以視頻學習資源為主，文字說明型資源為輔。在學習者閑暇之余，還可以收到大數據為其量身制作的“可能感興趣”的課程內容，既有利于提高資源推薦效率，又有利于拓寬學習者的知識面。文本型學習資源主要就是概念性知識的普及和推廣，適合初學者了解某一領域內容。

3.3 個人中心模塊

在個人中心模塊中，學習者可以查閱自己關注和收藏的學習資源，并且可以直觀看到自己的學習進度、學習時長、習題正確率、作業完成度等內容。通過可視化學習數據，不僅幫助學習者自身進行查漏補缺，還有利于教師及時發現學生問題，進行有針對性地答疑幫助。

4 總結與反思

在技術不斷發展的過程中，互聯網與大眾日常生活越來越貼近，人們也更加愿意利用在線學習此種方便快捷的教育方式學習補充自我。大數據技術能夠將學習過程中的數據價值充分地發揮出來，有利于學習者更深刻地了解自身，對學習興趣進行深度挖掘，提高學習效率。也有利于拓寬大數據時代個性化教育的實施路徑。

基于大數據背景下的個性化推薦模型能夠有效發揮教育過程中的數據價值，深入挖掘個性化學習的發展，對學生認知水平和學習需求進行劃分和對照，并且推送對應的學習資源，在大數據力所不能及之處還安排了教師在線答疑。并且已有研究表明，學習平臺中，享受個性化推薦服務的學生能夠取得學業成績的提升，這一定程度上就說明，個性化學習資源平臺對于激發學習者學習興趣、提高學習效果是有幫助的。但是在線學習平臺只是個性化學習的其中一種應用形式，在其實踐過程中還存在著許多不足之處，例如學習平臺的離線使用、學習者之間的關系聯系等。但值得肯定的是，本文所構建的在線教育資源平臺在一定意義上也擴充了個性化學習系統的相關內容，對實際應用也有一定的指導意義。

參考文獻：

[1] 顧小清，李世瑾.人工智能教育大腦：以數據驅動教育治理與教學創新的技術框架[J].中國電化教育，2021（1）：80-88.

[2] 楊麗娜，魏永紅，肖克曦，等.教育大數據驅動的個性化學習服務機制研究[J].電化教育研究，2020，41（9）：68-74.

[3] 孫眾，駱力明，綦欣.數字教材中個性化學習資源的推送策略與技術實現[J].電化教育研究，2014，35（9）：64-70.

[4] 楊宗凱.個性化學習的挑戰與應對[J].科學通報，2019，64（S1）：493-498.

[5] Edsurge.Five Key Elements of Personalized Learning[EB/OL].[2021-10-20].https：//www.edsurge.com/n/2015-04-01-five-key-elements-of-personal-ized-learning.

[6] 陳彬，張榮梅.智能推薦系統研究綜述[J].河北省科學院學報，2018，35（3）：82-92.

[7] 孫魯平，張麗君，汪平.網上個性化推薦研究述評與展望[J].外國經濟與管理，2016，38（6）：82-99.

[8] 龍虎，彭志勇.大數據驅動的個性化服務智能推薦系統研究[J].信息與電腦（理論版），2019（10）：140-142.

[9] 馬佳佳.教育信息資源個性化推送服務中的學習者模型分析研究[D].武漢：華中師范大學，2016.

[10] 陳敏，余勝泉，楊現民，等.泛在學習的內容個性化推薦模型設計——以“學習元”平臺為例[J].現代教育技術，2011，21（6）：13-18.

[11] 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，2010（5）：106-111.

[12] 師亞飛，彭紅超，童名文.基于學習畫像的精準個性化學習路徑生成性推薦策略研究[J].中國電化教育，2019（5）：84-91.

[13] 曹延華，吳璽宏.個性化教學認知風格模型與測量[J].繼續教育，2005，19（9）：50-52.

【通聯編輯：王力】