在线学习平台个性化推荐系统设计研究
来源:用户上传
作者:王茹雪
摘要：综合考虑当下在线学习平台学习资源分配不完善、不匹配等问题，将对在线学习平台个性化推荐系统的设计与构建展开讨论，研究当下学习资源个性化推荐需要解决的问题，并就该问题设计出基于教育大数据设计学习资源个性化推荐系统，满足学习者学习需求，提高学生学习满意度。
关键词：教育大数据； 在线学习； 个性化； 推荐系统； 学习平台
中图分类号：TP315 文献标识码：A
文章编号：1009-3044（2022）32-0041-03
大数据时代的到来使互联网资源对包括教育领域在内的各行各业影响颇深。其中，大数据技术推动了教学内容、教学过程和学习方式的转变升级，更促进了个性化教学的实施，推动了教学变革[1]。当前，教育信息化正逐渐从2.0迈向3.0，以学生为主导的个性化教学新模式正快速发展。大数据时代的教育教学将教育与科学技术相融合，改变了传统课堂以教师为主导的教学方式，有利于实施以学生为主的个性化学习[2]。疫情期间 “停课不停学”指导方针的提出，促进了在线教学的发展，关于如何利用教育大数据合理构建个性化学习环境的研究也日益增多，在线学习平台逐步完善，但是海量在线学习资源如何使用，学习者的个性需求能否被满足，目前还较少提出完善的解决方案。因此，本文将重点研究在线学习资源的个性化推荐，以教育大数据为基础，从在线学习用户入手，通过涵盖整个在线学习全流程，构建在线学习个性化资源推荐体系，期望对后续的相关研究与实践提供有益的参考和借鉴。
1 学习资源个性化推荐的含义与发展
当今信息化社会下，随着互联网、云计算、大数据、人工智能等技术的兴起，带来了大量的数据资源与智能服务。教育与科学技术的融合，使得传统以课堂为主、教师主导的教学转变为以学生为主的个性化学习，而其中学习资源如何有效分配也成为当前研究的热点话题。
1.1 个性化推荐的基本含义
在大数据时代背景下，数据资源海量化已成为常态，基于此，个性化推荐系统应运而生。个性化推荐系统能够有效减轻海量数据信息超载的负担，同时也能够根据用户的需求实施数据信息的个性化推荐[3]。采用不同的标准，可以将其划分为不同的类型：根据产生个性化推荐所采用算法的不同，可分为基于内容的推荐、基于协同过滤的推荐和混合推荐；根据用于产生推荐的数据类型的不同，可分为基于显式反馈的个性化推荐和基于隐式反馈的个性化推荐[4]。总的来说，个性化推荐系统具有以下三个特征：①推荐内容个人化。根据个人的不同需求、不同浏览习惯来推送不一样的资源内容；②推荐内容多样化。从多维度入手，将各种各样不同风格的资源内容推送到用户面前；③推荐内容智能化。根据浏览习惯，推送感兴趣的资源内容。总之，个性化推荐是具有很强的个性性质的服务[5]，推]系统根据每个人的历史行为以及人物特征，为其推荐较为合适的资源。
1.2 个性化推荐的发展
目前，个性化推荐技术已广泛应用于多个领域中。例如，国外著名的电子商务网站亚马逊，以及国内的淘宝、抖音等。可以说，个性化推荐技术已经可以实现用户的一对一智能推送。而在教育领域中，个性化推荐也得到了广泛的关注。近几年，在教育大数据背景下关于学习资源推荐系统的研究，也一直是学术界的研究热点。理论方面，余胜泉教授[6]最早提出在线教育发展的趋势是适应性学习，强调以个性化学习为重点；实践方面，运用个性化推荐技术的系统有AACS系统[7]，该系统能够依据学习者属性，将资源按照文字、视频、动画等类型，为学习者提供个性化学习资源；同时还有SAELS系统，该系统以本体技术为核心，从而对用户模型进行个性化推荐[8]。
由以上研究分析可知，对学习平台的个性化推荐系统多强调学习者学习属性和学习风格的研究。然而，已有的个性化推荐模型也存在一些问题。第一，学习者学习属性的分类较为单一，多是以学习风格、学习偏好为主，较少考虑到学习者自身的学习需求以及他们的认知水平，一些学习模型的设置难以匹配到符合他们学习能力的学习资源。第二，学习资源的划分较为粗糙，较少去扩充用户所搜索的学习资源，降低了对用户个性化需求的关注。第三，学习资源个性化推荐的准确度较低，有些学习模型采用单一的算法推荐技术会降低资源推荐效率和精准率，难以发挥教育大数据的资源优势。鉴于上文所述的不足之处，本文旨在设计一新型学习资源个性化推荐系统以解决以上问题。
2 在线学习资源个性化推荐系统设计
大数据在教育领域的应用就体现在，通过后台分析学习者在线学习中的产生的学习数据，从而在与学习者交互平台中进一步推送个性化学习资源，便于学生学习，提高资源的利用效率。而其中，教育大数据涵盖了方方面面，例如学习行为、学习资源、学习过程、学习状态、学习结果等。这些数据拥有着海量的数据规模、多样化的数据类型、多模态的数据形式和动态的数据体系。而在线学习平台的作用就在于，将学习者和学习资源一一匹配，通过算法分析这两组数据，从而为学习者推送适合他们自己的学习资源。此外，学习平台的管理又离不开技术人员和教师的支持。基于上述对个性化学习资源推荐的理解，本文将分别从学习者、学习资源、技术人员和教师以及学习资源推荐算法等方面构建个性化学习推荐系统。
2.1 学习者分类
在线学习资源个性化推荐模型中，学习者占据了主体地位，个性化学习资源推荐服务都是以学习者为中心的。因此，要实现学习资源的精准推荐，就需要先根据学习者属性划分开不同类型的学习者。
1） 认知水平分类
认知风格或学习风格是个体在知觉、组织、加工和记忆信息方面表现出来的稳定的差异[9]。目前，影响比较大的认知风格模型有Kolb的认知风格模型、Riding的认知风格模型和 Felder Silverman学习风格模型。这里采用Kolb学习风格量表对学生进行风格分类，在学习者使用平台进行学习前，先让其完成该问卷，根据得分情况，判断出不同学习者的学习风格，资源推送系统会根据学习者认知水平类型，调动学习资源库中相应教学资源，并将学习资源返回至用户界面[10]。
nlc202301131444
2） 学习需求分类
学习者不同的学习需求对学习资源推送也有所影响。心理学研究表明需求是人们对某种客观事物或某种目标的渴求与欲望[11]。由此可见，通过合理利用学习者的学习需求来进行学习资源推送，有利于提高学习者的学习兴趣，增加学习平台的用户黏性。本文旨在从时间相关、空间相关与服务方式相关这三方面分析学习者的学习需求。
3） 学习状态分类
学习状态是指学习者在学习时的心理、情感、态度、思维等状态的综合，也就是学习者在学习时的身心投入程度。已有研究表明，不同学习状态能产生不同的学习效果；个性化学习推荐服务可以以W习者的学习状态为依据，促进学习者学习，激发并保持学习者的学习投入状态[12]。当学习者陷入消极情绪时，在线平台可适时推送较为轻松的、其他分类的知识，帮助学习者舒缓心情；当学习者学习专心学习、兴趣浓厚之时，也不能一味地灌输，要及时提醒学习者的学习时长，避免劳累过度。
2.2学习资源分类
学习资源是整个在线学习平台的基础，但资源复杂多样，如何合理划分学习资源成为整个平台高效运行的关键。以下将从最基础的学习科目和资源类型两方面入手。
1）学习科目分类
学习资源数据库最重要的就是知识面的广和深，要顾及不同学习者的学习需求，不仅要按照科目划分学习资源，在每一科目之下，还要按难易程度进行排列，以确保每一位学生都能真正学到知识。
2） 资源类型分类
除按学习科目划分之外，根据资源类型的不同，也有不同的学习资源分类。例如，有些初学者对知识点掌握得不够牢固，可以观看细致的教学视频进行学习；有些学习者对知识点已有基础，就可以调动资源库中的文档资料进行复习；有些学习者想利用零碎时间学习，也可以收听资源库中的MP3。针对不同学习者的不同需求，充分调动学习资源库中相应教学资源。
2.3 个性化推送服务
在线学习资源个性化推荐模型中，个性化推送服务是不可或缺的一环，是连接学习者和学习资源之间的桥梁。而个性化推送服务的实现，离不开推荐算法的执行。目前，在内容推荐平台应用模型中，使用比较广泛的推荐算法有基于内容过滤的推荐算法、基于协同过滤的推荐算法和基于关联规则的推荐算法。各种推荐算法的实现原理存在差异，其功能作用也各不相同。尽管各种智能推荐算法很强大，学习者也往往能够适应其推荐的学习资源，但是对某些学习平台只使用其中一种算法来说，“个性化”一词还是远远不够的。本文基于前人研究基础上，将三种推荐算法相结合，既避免了传统算法的单一性，有能有效利用大数据，实现精准推送，有利于提高资源推荐的准确率[13]。
2.4 技术人员和教师
在线学习资源平台中，技术人员和教师同样是不可或缺的一环。技术人员主要负责平台的功能更新和修复bug，同时也可以对推荐算法进行优化。教师主要负责筛选、更新、修改学习资源，以及对学生的问题进行人工答疑等。当学习者困于某一章节内容时，教师可以在后台及时发挥指导和帮助作用，避免学习者在平台中陷入除了网络应答“孤立无援”的情况。
3 在线学习平台开发
在线学习平台中大数据的采集和处理是平台运行的数据基础，也是准确构建不同类型学习者学习风格的关键。在线学习大数据主要包括学习者在线学习全流程的各类学习行为、资源使用、学习互动、学习评价等类别的大数据。合理利用大数据并设置好前台交互界面，有利于提高学习效率，也能够吸引学习者在本平台进行学习。本文基于不同功能设置了个性化学习平台与学习者交互的三个不同界面，包括学习资源模块、个人中心模块与资源推荐模块，如图1所示。
3.1 学习资源模块
在课程资源模块中，主要负责向学习者提供数字化学习资源。并以“学科―章节―知识点”的方式对学习资源进行划分，使得学习资源的组织结构更加清晰明了，同时也更易于后台更新和管理。教师在推荐系统里可以建立和修改相关课程的学习资源数据库，学习者根据个人需求，在平台中选择不同的学习资源进行学习。并且与主流学习平台相同，视频播放也可以倍速、快进等；学习者观看完视频以后还可以进行课程评价，完成课后习题。其中，学习者在使用某一学习资源的过程中，还可以对学习资源进行“关注”“下载”“收藏”。
3.2 资源推荐模块
在学习资源推荐模块中，以视频学习资源为主，文字说明型资源为辅。在学习者闲暇之余，还可以收到大数据为其量身制作的“可能感兴趣”的课程内容，既有利于提高资源推荐效率，又有利于拓宽学习者的知识面。文本型学习资源主要就是概念性知识的普及和推广，适合初学者了解某一领域内容。
3.3 个人中心模块
在个人中心模块中，学习者可以查阅自己关注和收藏的学习资源，并且可以直观看到自己的学习进度、学习时长、习题正确率、作业完成度等内容。通过可视化学习数据，不仅帮助学习者自身进行查漏补缺，还有利于教师及时发现学生问题，进行有针对性地答疑帮助。
4 总结与反思
在技术不断发展的过程中，互联网与大众日常生活越来越贴近，人们也更加愿意利用在线学习此种方便快捷的教育方式学习补充自我。大数据技术能够将学习过程中的数据价值充分地发挥出来，有利于学习者更深刻地了解自身，对学习兴趣进行深度挖掘，提高学习效率。也有利于拓宽大数据时代个性化教育的实施路径。
基于大数据背景下的个性化推荐模型能够有效发挥教育过程中的数据价值，深入挖掘个性化学习的发展，对学生认知水平和学习需求进行划分和对照，并且推送对应的学习资源，在大数据力所不能及之处还安排了教师在线答疑。并且已有研究表明，学习平台中，享受个性化推荐服务的学生能够取得学业成绩的提升，这一定程度上就说明，个性化学习资源平台对于激发学习者学习兴趣、提高学习效果是有帮助的。但是在线学习平台只是个性化学习的其中一种应用形式，在其实践过程中还存在着许多不足之处，例如学习平台的离线使用、学习者之间的关系联系等。但值得肯定的是，本文所构建的在线教育资源平台在一定意义上也扩充了个性化学习系统的相关内容，对实际应用也有一定的指导意义。
nlc202301131444
参考文献：
[1] 顾小清，李世瑾.人工智能教育大脑：以数据驱动教育治理与教学创新的技术框架[J].中国电化教育，2021（1）：80-88.
[2] 杨丽娜，魏永红，肖克曦，等.教育大稻萸动的个性化学习服务机制研究[J].电化教育研究，2020，41（9）：68-74.
[3] 孙众，骆力明，綦欣.数字教材中个性化学习资源的推送策略与技术实现[J].电化教育研究，2014，35（9）：64-70.
[4] 杨宗凯.个性化学习的挑战与应对[J].科学通报，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] 陈彬，张荣梅.智能推荐系统研究综述[J].河北省科学院学报，2018，35（3）：82-92.
[7] 孙鲁平，张丽君，汪平.网上个性化推荐研究述评与展望[J].外国经济与管理，2016，38（6）：82-99.
[8] 龙虎，彭志勇.大数据驱动的个性化服务智能推荐系统研究[J].信息与电脑（理论版），2019（10）：140-142.
[9] 马佳佳.教育信息资源个性化推送服务中的学习者模型分析研究[D].武汉：华中师范大学，2016.
[10] 陈敏，余胜泉，杨现民，等.泛在学习的内容个性化推荐模型设计――以“学习元”平台为例[J].现代教育技术，2011，21（6）：13-18.
[11] 姜强，赵蔚，杜欣，等.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育，2010（5）：106-111.
[12] 师亚飞，彭红超，童名文.基于学习画像的精准个性化学习路径生成性推荐策略研究[J].中国电化教育，2019（5）：84-91.
[13] 曹延华，吴玺宏.个性化教学认知风格模型与测量[J].继续教育，2005，19（9）：50-52.
【通联编辑：王力】
nlc202301131444
转载注明来源:https://www.xzbu.com/8/view-15444094.htm
