李　恬　周　宏

【摘要】文章根據(jù) Webquest 教學支撐平臺存在的諸多問題，利用人工智能技術、Agent 技術和 Web 服務技術，對傳統(tǒng)的 Webquest教學設計模式進行改進，提出了 Webquest 自適應教學系統(tǒng)結(jié)構(gòu)，闡述了系統(tǒng)模塊功能和實現(xiàn)方法，并對部分關鍵技 術和算法進行了分析。說明了改進后的 Webquest 教學系統(tǒng)具有很好的學習適應性。

【關鍵字】Webquest；智能系統(tǒng)；教學資源；學習

【中圖分類號】G40-057 【文獻標識碼】B 【論文編號】1009—8097（2009）01—0116—05

一 前言

Webquest是一種新興的信息化教學模式,1995年由美國 圣地亞哥州立大學教育技術學院教授BernieDodge和Tom March創(chuàng)建[1]。WebQuest模式理論基礎是建構(gòu)主義學習理論， 它是建構(gòu)主義在網(wǎng)絡學習中的實踐表現(xiàn)。WebQuest主要的教 學方法是在網(wǎng)絡環(huán)境下，給學生一個特定的情景或者一項任 務，通常是一個需要解決的問題或者課題項目，課程計劃中 為學生提供了相關的信息資源，并要求學生通過對信息資源 的搜索、分析和綜合來得出創(chuàng)造性的解決方案。近年來， Webquest 教學模式得到了迅速的發(fā)展,教學案例日益增加, 深受教師和學生關注 [2][3]。然而，由于Webquest教學解決方 案是獨立地針對某個特定教學任務來設計的，在制作時需要 運用大量的課件工具，運行時采用的底層架構(gòu)不統(tǒng)一，通信 協(xié)議不同，課件資源的類型格式存在差異等，導致教學方案 的設計、制作效率不高。不同底層架構(gòu)的Webquest教學模式 之間要進行信息交流，就對系統(tǒng)整合和應用集成要求異常高， 更重要的是在教學方案設計時，普遍都按照統(tǒng)一的六大模塊 設計，造成教學策略單一、應用設計模板化、探究目標不適 當，這就極大的地限制了教學資源共享的可能。如何構(gòu)建一 個具有個性化和無縫集成的Webquest教學系統(tǒng)已成為備受關 注的焦點問題。因此，本文通過分析傳統(tǒng)WebQuest教學模式 的不足，提出利用人工智能技術、Web服務技術與Webquest 教學模式相結(jié)合的解決方案，形成了一個具有自適應性的 Webques集成系統(tǒng)體系架構(gòu),使得改進后的Webquest教學平臺 具有智能性、協(xié)作性、可重組性和可擴展性。

二 Webquest教學系統(tǒng)及其模型結(jié)構(gòu)

1傳統(tǒng)Webquest教學解決方案的不足 傳統(tǒng)的WebQuest教學系統(tǒng)一般都由六大模塊組成：引言（ Introduction ）、任 務（ Task ）、過 程（ Process ）、資源 （Resources）、評估（Evaluation）、結(jié)論（Conclusion）[4]。目 前，多數(shù)Webquest教學系統(tǒng)都是針對特定的教學單元進行設 計和制作，難以對教學方案和教學資源進行管理和重組，因 此網(wǎng)絡環(huán)境支撐的教學方案普遍存在如下問題：

（1） 應用設計模板化，缺乏個性化服務

對于所有參與Webquest 的學習者提供相同的緒言和任 務，系統(tǒng)智能性差，無法了解個別學生的能力與認知風格的 差別，對不同認知水平的學生呈現(xiàn)相同教學內(nèi)容，采用相同 的教學策略，無法適應個別學生的具體需求，難以實現(xiàn)因材 施教。

（2） 資源缺乏有效的組織和查詢

Webquest教學資源作為獨立體, 教學系統(tǒng)很難主動發(fā)現(xiàn) Webquest教學資源的存在, 導致教學資源由于未被發(fā)現(xiàn)而不 能被重用。并且在制作多個Webquest課件時, 除教學內(nèi)容的差 異外, 很多功能的設計和實現(xiàn)都是相似和重復的。這就要求課 件的制作除需要對課程內(nèi)容進行歸納和整理外, 還要對教學 管理、教學模式及手段進行設計。

（3） 網(wǎng)絡學習過程的記錄和監(jiān)控不足

由于采用超文本的方法組織教學材料，且由學生掌握學習的主動權(quán)，若系統(tǒng)沒有針對性地作一些引導、限制和具備 必要的監(jiān)控，在學習的過程中容易出現(xiàn)迷航現(xiàn)象，學生容易 偏離學習的目標，不能跟蹤學習者學習進度。

（4） 系統(tǒng)宿主平臺緊耦合問題

緊耦合使教學系統(tǒng)必須依附于特定的平臺，導致不同的Webquest 教學系統(tǒng)難以集成，沒有集成的學習環(huán)境來支持適 合網(wǎng)絡學習的策略。網(wǎng)絡中最合適的學習策略是探索式學習 策略和協(xié)作式學習策略，但目前的技術，對它們的支持都比 較簡單，無法充分發(fā)揮其優(yōu)勢。

2 Webquest 自適應教學系統(tǒng)模型

針對上述不足，本文中的Webquest教學系統(tǒng)模型采用基于Web服務的教學集成系統(tǒng)框架[5 ]和智能教學系統(tǒng)框架[6 ]。教 學系統(tǒng)的設計方案能夠?qū)崿F(xiàn)以下目標：作為通用的Webquest 教學支撐平臺既能無逢集成教學應用軟件、消除異構(gòu)教學應用子系統(tǒng)之間的互操作性問題, 還能自動地收集各種有利于 學習的信息資源并整理這些資源以便于教學資源的重用、個 性化信息采集、學習情景或背景顯示、智能資源調(diào)度、學習 過程記錄、教學內(nèi)容重組等系統(tǒng)功能的實現(xiàn)。系統(tǒng)模型結(jié)構(gòu)

如圖1所示。

首先，教師通過教學設計過程按知識對象庫中的知識點 確定學習目標和課程目標，并設計具有不同學習策略的 Webquest 教學情景、任務、過程、資源、評價和總結(jié)模塊。 學生通過登錄入口進入個性分析過程模塊，個性分析過程模 塊針對不同學習者，從已有知識庫中抽取適應學習者知識層 次的學習情景、任務和資源，按照靈活的教學情景實例，以 任務驅(qū)動方式要求學習者進行學習和探究。學習者按照學習 過程進行自主協(xié)同學習過程中，學習過程模塊會自動開始采 集和記錄學生的請求，跟蹤學生的行為，收集學生學習課件 的類型及難度、查看資料的時間和頻繁度、點擊的網(wǎng)頁、搜 索的關鍵字，以及作業(yè)和測試的過程及結(jié)果等，提交給最終 的用戶個性信息數(shù)據(jù)庫。資源調(diào)度過程模塊會根據(jù)學習者需 要，自動篩選和幫助學習者搜索出所需的教學資源。學習者 根據(jù)情景、任務、相關資料和工具進行多種形式的自主探索 和研究，并根據(jù)教師在評價模塊中制定的評價體系進行教學 總結(jié)。最后, 通過總結(jié)和理論修正過程，優(yōu)化最初設計的教學 內(nèi)容。

三 Webquest 自適應教學系統(tǒng)功能分析

結(jié)合 Webquest 教學模式中情景、任務、過程、資源、評 價和總結(jié)六大模塊，對教學設計模塊、個性分析模塊、協(xié)同 學習模塊、資源調(diào)度模塊、評價模塊等功能進行闡述。

1教學設計

教學設計模塊實現(xiàn)教師課程管理和教學策略管理功能。該模塊一方面具有制定教學情境、確定教學任務和教學過程 的功能，另一方面還提供教學內(nèi)容維護功能，例如：輸入教 案、試題、問題；上傳教學材料；根據(jù)學生的學習情況適當 更改教學內(nèi)容和教學媒體等；輔助教師對學生的學習內(nèi)容進 行在線指導等。

在設計過程中，充分關注網(wǎng)絡環(huán)境教學模塊建構(gòu)的動態(tài) 性，從教學的適應性角度出發(fā)，考慮 Webquest 各個模塊的功 能性和動態(tài)發(fā)展性。在充分考慮學習適應性的基礎上，應用 目前國際教育技術先進的設計型研究理論，以及應用活動理 論的系統(tǒng)動態(tài)發(fā)展觀來建構(gòu)適應性學習模塊功能。因此，教 學設計模塊具有可重組性和擴展性。

2個性分析

個性分析模塊功能是獲取用戶的學習習慣和偏好并加以分析，生成用戶模型，構(gòu)建個性化的教學情景，分配個性化 的學習任務。個性分析是實現(xiàn)個性化教學服務的前提。學習 者在確認身份進入 Webquest 教學系統(tǒng)后，個性分析模塊根據(jù) 用戶樣本，構(gòu)建教學情景，分配學習任務，并進入特定的學 習過程進行自主協(xié)同學習。

網(wǎng)絡環(huán)境下學習活動設計的服務對象主要是學習者，在 活動設計的過程中，按照學習者個體的實際學習因素，可采 用的研究方法主要是現(xiàn)成的心理學測試量表，如：溫斯坦標 準化學習策略量表 LASSI 等。針對不同學習者個體的訪談加 經(jīng)驗分析法研究，系統(tǒng)分析學習者個體的學習風格對網(wǎng)絡環(huán) 境活動設計的模塊功能需求，自適應過程中的學習情感需求， 找到個體學習的主要影響因素，充分發(fā)揮活動理論的指導作 用，使整個網(wǎng)絡環(huán)境的活動系統(tǒng)設計朝著適應性個體學習方 向動態(tài)地發(fā)展。

3協(xié)同學習

協(xié)同學習過程模塊實現(xiàn)學生自主學習和協(xié)同學習的自動化和智能化。主要包括提供協(xié)同學習工具、學習過程的智能 監(jiān)視和跟蹤，并通過感知學習者和教師的教學過程環(huán)境來自 動設定進一步的教學任務。

（1） 協(xié)同學習工具

在進行Webquest 教學過程中, 除了能提供一些常用的交 流工具，如：提問、論壇、聊天室等, 協(xié)同學習工具還應具有 使多個學習者協(xié)同進行學習并一起達到學習的目標的功能。 協(xié)同工具提供協(xié)作者在本次Webquest的教學過程中的協(xié)作狀 態(tài)、協(xié)同探究資源列表、討論記錄、推理評價等服務。多個 學習者通過協(xié)同工具以任務驅(qū)動模式進行學習。其具體步驟 如下：

根據(jù)教學的內(nèi)容中目標知識點重要性以及目標知識點 之間的關系，定義關鍵學習目標，生成教學過程的關鍵路徑；

查詢用戶個性信息庫具有相關信息的學習者，生成協(xié)同學習小組,分配學習任務表；

對學習者學習情況進行監(jiān)控和推理,當學習者完成某 一項關鍵學習活動或者時間到期時將觸發(fā)其相應學習事件， 如：更新小組內(nèi)學習者的學習任務表，將學習者的學習情況 發(fā)送給教師以及進入下一個目標知識點的學習；

循環(huán)以上步驟，直至完成學習任務和目標。

（2） 學習過程的智能監(jiān)視和記錄

在學習過程中，系統(tǒng)一方面會自動開始采集學生的請求，記錄學生的行為，收集學生學習的相關資料，如：課件的類 型、難度、查看資料的時間和頻繁度、點擊的網(wǎng)頁、搜索的 關鍵字，以及做作業(yè)、做測試的過程及結(jié)果等，并提交給最 終的用戶個性信息數(shù)據(jù)庫。另一方面，學習過程模塊和資源 調(diào)度過程模塊會根據(jù)學習者需要，自動篩選和幫助學習者搜 索出所需的課件資源，學習過程模塊根據(jù)學習者的需要調(diào)用 新的學習情景和學習任務。

4 資源調(diào)度

Webquest教學資源作為獨立體，教學系統(tǒng)很難主動定位 和限定Webquest教學資源的存在。因此，資源調(diào)度模塊的功 能就是針對不同學習者，從已有知識庫中抽取符合學習者興 趣和知識層次的資源。學習者進入教學過程中，資源調(diào)度模 塊會根據(jù)學習者需要，自動搜索和篩選出所需的信息資源， 設計成細粒度的無狀態(tài)的實體構(gòu)件。如：多媒體資源的展示、課件資源的制作工具、課件的上傳下載、在線測試等。

（1） 資源搜索 資源搜索的主要功能是主動搜索網(wǎng)上資源。搜索的方式

有兩種，即本地搜索和遠程搜索。前者是從索引數(shù)據(jù)庫中進 行查找,這種方式速度較快。后者又分成兩種途徑：①直接搜 尋Web站點，從Web頁面中獲取信息。②借助于已有的搜索引 擎進行信息搜索。這種方式的優(yōu)點在于不必直接對整個 Internet進行搜索，只需與若干搜索引擎連接，獲取它們返回 的結(jié)果即可。

（2） 資源過濾 由于搜索范圍受搜索引擎的限制，如果直接將搜索引擎

的結(jié)果返回到用戶端會帶來大量無效信息，增加學生的知識 盲點。因此最好的方法是通過 Agent 傳輸協(xié)議（Agent Transfer Protocol，ATP）移動到 Web 服務器端，在服務器上完成信息 的自動獲取和過濾操作。只將有效信息傳回用戶端，從而避 免了大量數(shù)據(jù)的網(wǎng)絡傳輸，降低系統(tǒng)對網(wǎng)絡帶寬的依賴，這 樣可以大大提高搜索效率，充分發(fā)揮 Agent 技術的效能。

5學習評價

Webquest 評價系統(tǒng)遵循了內(nèi)容和評價主體多元化、評價 實施情景化和評價方式多樣化的特定，以多元智能理論為基 礎，充分發(fā)揮 Web 特點，發(fā)展一種交互式智能化的評價系統(tǒng)。 結(jié)構(gòu)如下圖 2 所示：

評價作為一種在學生自主探究學習過程中監(jiān)控、記錄、收集和分析學生學習行為及軌跡的手段，有效 的把評價活動“嵌入”到學生整個學習過程當中，是綜合評 價系統(tǒng)當中最為重要的評價方式和績效依據(jù)。本模塊由模糊 專家系統(tǒng)推論出學習者的學習狀態(tài)，并給予評價和適當幫助。

四 系統(tǒng)實現(xiàn)及關鍵技術分析

本系統(tǒng)實現(xiàn)采用 B/S 運行模式，基于 Windows 2003 操作 系統(tǒng)平臺，采用 JAVA、JSP 和.NET 等開發(fā)工具，運用人工智 能和 Web Services 技術，使用 Apache 進行 Web 發(fā)布，Oracle 作為后臺數(shù)據(jù)庫,集成包括網(wǎng)絡課堂、教學管理、課程管理、 資源管理、學習評估、作業(yè)發(fā)布、過程監(jiān)控、協(xié)同學習工具 等基于 CELTS和 SCORM 標準[7,8]的 Webquest 教學應用系統(tǒng)。 我們從 2007 年開始在網(wǎng)上開設了 3 門計算機公共基礎課程, 同時在線人數(shù)超過 1000，目前已經(jīng)有 22 個班級利用該平臺完 成相關課程。圖 3 是符合某教學策略的 Webquest 學習平臺， 教師教學設計平臺見圖 4 所示。

1個性分析與實現(xiàn)算法

學生用戶登錄后，學生進行選擇個性化學習策略流程。本系統(tǒng)采用的學習策略量表是由美國20 世紀80年代末期編 制的溫斯坦標準化學習策略量表LASSI[9,10]，美國已有1000多 所學校使用此量表對學生的學習策略應用水平進行測試。此 量表測量學生用來進行學習和研究活動的策略和方法，重點 關注那些通過教學可以改善與成功學習（successful learning） 相關的顯性或隱性的思想和行為[11]。LASSI對于幫助學生學會 學習、幫助教師進行研究和設計教學活動均有積極作用。

LASSI有10個分量表[12,13], 分別是：（1）態(tài)度（ATT），測 量學生對追求學習成功、完成與此相關的任務的總的態(tài)度和 動機；（2）動機（MOT），測量學生對完成具體學業(yè)任務所負 責任的程度；（3）時間管理（TMT），測量學生建立和使用時 間的水平；（4）焦慮（ANX），測量學生減少對學校和自己的 學習成績的擔心程度的能力；（5）專心（CON），測量學生把 注意力指向并集中在特定學習任務上的能力；（6）信息加工（INP），測量學生使用心理表象、言語精加工、領會監(jiān)控和 推理等策略促進理解和回憶的程度；（7）選擇要點（SM）， 測量學生在各種一般性的和細節(jié)性信息中識別出用以進一步學習的重要信息的能力；（8）學習輔助（STA），測量學生是 創(chuàng)造或使用輔助性技術及材料來幫助學習和保持信息的能 力；（9）自我測試（SFT），測量學生對要學習課程理解程度 的能力；（10）考試策略（TST），測量學生運用備考和應試策 略的水平。針對我校教學現(xiàn)狀與學生水平，本系統(tǒng)在LASSI 量表的基礎上，對測量數(shù)據(jù)分析的算法設計上做了適當?shù)母?進，以學習意愿度、學習能力度、知識水平度三類綜合實力 測量作為判斷依據(jù)，生成個性樣本，并自動選擇和構(gòu)建個性 化的學習策略。

具體算法設計如下：

學習意愿度（Willingness）：以態(tài)度（ATT）、動機（MOT） 和焦慮（ANX）三個分量表為基本數(shù)據(jù)源，根據(jù)國際上的常 規(guī)模式得出原始分數(shù) Sw 并轉(zhuǎn)化成百分數(shù)。

If Sw is low

Then choose policy from P5,P6,P7,P8. If Sw is high

Then choose policy from P1,P2,P3,P4.

此綜合度主要用以測量學生個體對于學習目標及完成學 習任務的興趣、態(tài)度和動機等心理狀況和內(nèi)在潛力。

學習能力度（Ability ）：以時間管理（TMT ）、專心（CON）、信息加工（INP）、選擇要點（SM）和學習輔導（STA） 五個分量表作為基本數(shù)據(jù)源，根據(jù)國際上的常規(guī)模式得出原 始分數(shù) Sa 并轉(zhuǎn)化成百分數(shù)。

If Sa is low

Then choose policy from P3,P4,P7,P8. If Sa is high

Then choose policy from P1,P2,P5,P6.

此綜合度主要用以測量學生個體在學習過程中的專注 度、持久度以及對于學習的領悟、安排、管理、運用、推理 的多方面能力。

知識水平度（Knowledge）：以自我測試（SFT）和考試 策略（TST）這兩個分量表作為基本數(shù)據(jù)源，根據(jù)國際上的常 規(guī)模式得出原始分數(shù) Sk 并轉(zhuǎn)化成百分數(shù)。

If Sk is low

Then choose policy from P2,P3,P6,P8. If Sk is high

Then choose policy from P1,P4,P5,P7.

此綜合度主要用以測量學生個體自身對所學知識及相 關信息的掌握程度。

需要說明的是，依據(jù)此分析算法所構(gòu)建的個性化學習策 略庫中，以表 1 中八種學習策略為常規(guī)策略，策略庫并不是 無限大的。

2資源調(diào)度與實現(xiàn)算法

Webquset 作為探究式教學模式，資源搜索和定位是決定 學習效果的關鍵，所以資源調(diào)度模塊的重要性不言而喻。作 為個性化、智能化的教學系統(tǒng)，怎樣根據(jù)學習者的個性特征 和知識層次為其提供適當?shù)慕虒W資源，即以怎樣的算法實現(xiàn) 對學習者的智能推薦，幫助學習者更方便、更準確地在大量 異構(gòu)、分布式的資源中搜索和提取所需數(shù)據(jù)，是 Webquest 教 學系統(tǒng)實現(xiàn)的重點。

利用 Multi-agent 協(xié)作技術和 Webservices 技術實現(xiàn)資源 調(diào)度是一種方便有效的途徑。它既利用 Web services 技術解決 了異構(gòu)、分布式資源存取困難的問題，又利用模塊調(diào)用為系 統(tǒng)提供了多樣化的推薦功能[14,15]。

在會話中，假設符合學習者個性的，對學習者有價值的 信息列表用 Sug來表示，則 Sug表示為一個多元組集合 Sug={ M, L, PW, u}，它將最終反饋給學習者。

其中 M 代表當前站點的鄰接矩陣，它通過搜索用戶導航 信息圖，找出與當前頁面關聯(lián)度 Minfreq 較大的鄰接頁面，認 為是有價值的；L 指聚簇列表。聚簇是根據(jù)碼值找到數(shù)據(jù)的物 理存儲位置，從而達到快速檢索數(shù)據(jù)的目的。系統(tǒng)認為只有 大于最小聚簇值 Minclustersize的聚簇才是有意義的遍歷聚 簇；PW 指會話標識符索引列表，u 指用戶請求頁的 URL。當 一個學習者的請求到達 Web 服務器，后臺的資源庫將被更新， 同時一個推薦信息列表將被附加到請求頁并反饋給學習者。 通過學習者的會話標識符，系統(tǒng)判定該學習者是否在線，并 通過當前會話特征，自動更新資源庫并產(chǎn)生推薦信息。而在 會話過程中，學習者所訪問的 URL 標識符被存儲到一個簡單 的映射數(shù)組中，要找到 URL 標識符所對應的 URL 地址，只 能通過訪問一個字符串數(shù)據(jù)結(jié)構(gòu) trie 才能得到，trie 中就存儲 了 URL 標識符到 URL 的映射關系。下面是基本實現(xiàn)算法：

初始設置：M，L，PW；

輸入：用戶請求頁的 URL ：u；

輸出：對會話學習者有價值的信息列表 Sug；

page _idu=Identify_Page (u)； //在當前會話中，通 過訪問 trie，提取相應 URL 的 id

session_id=Identify_Session ( )；

page_idv=Last_Page (session_id)； //返回當前會 話中最近訪問頁的 id

PW=Page_Windows[session_id]；

If (!Exists (page_idu, page_idv, PW))

then

M[page_idu, page_idv]++; //如果(u, v)已出現(xiàn)當 前會話中,則鄰接矩陣 M 自增

If ((Wuv > minfreq)&(L[page_idu ]< >L[page_ idv]))

then

MergeCluster(L[page_idu],L[page_ idv]);//如果 M

關聯(lián)度夠大且 u,v 不重復，則合并它們的聚簇 L

endif

M [page_idu, page_idu] ++;

New_L= Cluster( M, L, page_idu );//產(chǎn)生新的聚簇 列表

L=New_L

endif

Push(u,PW); //將產(chǎn)生的頁面 push 到列表 PW 中

Sug=Create_Suggestions (PW, L, page_idu); //產(chǎn)

生推薦信息列表 sug

Return(Sug); //將推薦信息列表返回給用戶

五 結(jié)束語

本文所述的基于Webquest的自適應教學系統(tǒng)的設計方法, 能有效地解決當前Webquest教學存在的不足。通過人工智能 技術和Web技術建立的教學系統(tǒng)，能為學習者提供了真正有價 值的資源最小集合，也是從依靠單一模式解決問題發(fā)展到以 多個模式協(xié)作完成構(gòu)想的轉(zhuǎn)變，使得Webquest教學系統(tǒng)具有 很好地擴展性和重組性，并對信息化教學有積極地推動和促 進作用。

參考文獻

[1]DodgeBJ.WebQuests:A TechniqueforInternetBasedLearning[J]. The Distance Educator. 1995, 1(2): 10-13.

[2] 文可為, 陳淳泉等.網(wǎng)絡探索WebQuest的應用:在香港中學 會考課程中地理議題的應用[C ].第十屆全球華人計算機教 育應用會議(GCCCE2006) , 2006: 1-17.

[3] 李振賢.應用WebQuest理論于網(wǎng)絡環(huán)境教學其學習成效之 研究:以中學生物為例[D].臺灣:南臺科技大學, 2002.

[4] 余勝泉.信息技術與課程整合—網(wǎng)絡時代的教學模式與方 法[M].上海教育出版社,2005: 215.

[5] 秦偉俊等. 基于多層體系結(jié)構(gòu)的網(wǎng)絡教學系統(tǒng)[J]. 清華大 學學報(自然科學版),2006, 46(7): 1301-1304.

[6] 劉菲等. 多Agent 協(xié)作的強化學習模型和算法[J]. 計算機 科學,2006,l33(12): 156-158.

[7] SCORM Guidelines [ EB/OL].< http://www.adlnet.gov/scorm/index.aspx, 2006-12 /2007-11-02.>

[8] 史元春,沈中南,向欣,等.學習對象元數(shù)據(jù)[EB/OL].

[9] Weinstein, C. E., Schulte, A.C.,& Palmer, D.R. Learning andStudy Strategies Inventory (LASSI). 1987, Clearwater, FL: H& H Publishing.

[10] H & H Publishing Co. 1189 institutions have used the LASSI or E-LASSI as of June 1, 1994. Clearwater, FL: Author.

[11] Weinstein, C. E. LASSI users manual. Clearwater, FL: H&H; Publishing.

[12] Olejnik, S., & Nist, S. L. Identifying latent variables measured by the Learning and Study Strategies Inventory (LASSI) [J]. Journal of Experimental Education,1992,60:151-159.

[13] Claire E. Weinstein & David R. Palmer. Users Manual for those administering the Learning and Study Strategies Inventory, 2nd Edition [DB/OL].

[14]姜麗紅,徐博藝,席俊紅.基于案例推理的過濾算法及智能 信息推薦系統(tǒng)[J].清華大學學報(自然科學版),2006,46:1074-1077.

[15]陶劍文.一種分布式智能推薦系統(tǒng)的設計[J].計算機工程.2007,33(15): 207-208,213.