馬秀麟 梁靜 李小文 蘇幼園

摘要：個性化學習及資源推薦是智能化學習環(huán)境中解決學習者知識迷航的重要措施，智慧學習和人工智能均對學習資源的個性化推薦提出了更高的要求。該文以知識結構及智能化學習支持環(huán)境為目標，基于實證性教學環(huán)境和文獻分析，梳理出了面向?qū)W校教育的個性化資源推薦的關鍵要素，并通過對一線教師和學生的訪談，確定了影響資源推薦的核心要素（知識結構）和5個關鍵因子（學習目標、易錯率、個人錯誤率、教師推薦、學習投入時長）。最后以問卷調(diào)查確定了各個推薦因子的權重，形成了資源的個性化智能推薦模型，并在教學實踐中驗證了該模型的有效性。

關鍵詞：智能化學習環(huán)境;個性化推薦;學習資源;智能推薦

中圖分類號：G434 文獻標識碼：A

一、研究背景

隨著網(wǎng)絡技術的進步與教育信息化的推進，學習資源得到了迅速發(fā)展，網(wǎng)絡中浩如煙海的學習資源使學習者眼花繚亂。為了使學習者能夠在紛雜的資源海洋中快速獲得自己所需要的資源，個性化資源推薦成為很多學者關注的問題，這為智能化學習環(huán)境中減少知識迷航提供了新思路。然而，調(diào)研現(xiàn)有的大型學習支持平臺，筆者卻發(fā)現(xiàn)對學習資源的個性化推薦尚處于“理論研究多，實踐應用少”“宏觀闡述多，微觀實證少”的尷尬境地。

（一）“互聯(lián)網(wǎng)+”下的智慧教育呼喚智能化的學習支持

1.線上學習日益重要，然而其成效并不盡如人意

隨著教育信息化的普及，基于信息化環(huán)境的e-Learning已經(jīng)成為人才培養(yǎng)的重要形式，并全方位地改變著人們的教育思想和觀念，形成了眾多以線上學習為基礎的新型教學模式和教學策略。在肯定線上學習重要性的同時，卻發(fā)現(xiàn)線上學習的成效并不盡如人意。前幾年熱炒的MOOC學習已經(jīng)因其完課率低、最終學習成效差而廣受質(zhì)疑，分析導致這一現(xiàn)象的根源，不外乎“個性化支持不足”“缺乏個性化指導”“學習動機無法持續(xù)維持”等原因。為了應對這些問題，出現(xiàn)了一些新的學習形式：比如，強調(diào)私人訂制課程的SPOC（小型私人訂制在線課程）、強調(diào)協(xié)作與社會性建構的DOCC（分布式協(xié)作開放課程）等新形式。

2.智慧教育和人工智能均提出了加強個性化支持的要求

教育信息化發(fā)展中出現(xiàn)的問題，促使人們重新思考技術在教育中的作用和應用模式，智慧教育的概念應運而生。研究者已經(jīng)提出了諸多以智慧教育為核心的教育理念：智慧學習資源、智慧學習活動、智慧課堂、智慧教室、智慧校園等，目前智慧教育正在向泛在化、智能化、個性化方向發(fā)展。

教育人工智能的目標有兩個：一是人工智能工具在教育中的應用，以建構個性化的自適應學習環(huán)境、實現(xiàn)高效、靈活及個性化的學習支持為目的;二是借助大數(shù)據(jù)和人工智能的新技術，對社會科學中宏觀和模糊的知識進行分解、量化，力圖以客觀數(shù)據(jù)、精確的計算和清晰的形式表示教育學、心理學和社會學中含糊不清的知識。教育人工智能是智慧教育時代重點發(fā)展的核心技術，其關鍵技術主要體現(xiàn)在知識表示方法、智能推薦、智能導師系統(tǒng)等方面。也就是說，教育人工智能是利用技術理解學習是如何發(fā)生的，利用技術探索外界哪些因素能影響學習的效果，并為學習活動提供自適應的支持。根據(jù)教育人工智能的觀點，應該借助技術手段促進學生個性化學習的發(fā)生。

3.個性化指導及資源推薦在智慧教育中具有重要作用

數(shù)字時代學習資源的增多為學習者提供了自主選擇的機會，豐富了學習者的學習體驗，也加大了學習者選擇資源的難度，學習者很容易產(chǎn)生知識迷航的現(xiàn)象。隨著國家級精品課、學科資源庫以及各類教學平臺的涌現(xiàn)，因海量資源而導致的知識迷航現(xiàn)象會越來越嚴重，個性化推薦在指導學習者自主學習方面的作用將日益凸顯。

個性化推薦提供了一種解決學習者知識迷航問題的方法。個性化推薦策略可借助教育人工智能技術，結合學習者的學習行為記錄與行為特點，幫助學習者了解當前知識點的前因與后果，明確學習路徑，并為學習者提供合適的學習資源。這一策略必須尊重學習者的學情，并基于教學目標的要求而開展。因此，個性化推薦應基于學習者的學習情況及特點，自動地幫助他們選擇適合的學習資源。個性化推薦和個性化學習指導是教育信息化發(fā)展到一定階段的必然要求，是智慧教育環(huán)境建設的核心內(nèi)容。

（二）學習資源個性化推薦模型的常見局限性

在20世紀90年代，個性化推薦作為一個獨立的概念被提出來，最初在商業(yè)領域應用較多。近年來，隨著教育信息化的普及與Web2.0技術的發(fā)展，個性化推薦逐漸被應用于學習資源的推薦?，F(xiàn)有的個性化學習資源推薦大致可以分為四種：基于學習者特點進行推薦、基于學習者學習行為進行推薦、基于學習情境進行推薦、基于學習元信息模型進行推薦。學習資源個性化推薦在其發(fā)展過程中不斷出現(xiàn)新的切入點，逐漸得到豐富。然而，筆者在研究中發(fā)現(xiàn)，雖然已有的學習資源個性化推薦模型或系統(tǒng)能在某種程度上滿足學生的學習需要，但是很多模型缺少對學習資源或?qū)W習內(nèi)容本體結構的關注。由于對于知識本身的邏輯性關注度不夠，影響了其使用價值。分析學習資源個性化推薦中存在的不足，主要發(fā)現(xiàn)以下3方面的問題。

1.因資源推薦算法過度關注興趣點而導致學習目標偏離

部分個性化推薦算法是參考了銷售系統(tǒng)中的商品推薦系統(tǒng)而形成的，這種算法完全基于學習者的學習興趣或?qū)W習偏好進行推薦，與商業(yè)大數(shù)據(jù)研究中的商品推薦系統(tǒng)類似。它主要依據(jù)學習平臺中記錄的學習行為信息和知識點偏好而推薦相應的資源。這種推薦算法的最大特點是一直向?qū)W習者推薦同類相關聯(lián)的知識，最大的優(yōu)勢是能夠促使學習者聚焦于某個特定領域“深挖猛學”。這一模式比較適應于面向成人的非正式學習，促進成人在某一領域得到充分發(fā)展，但不適合當前的學校教育或基礎教育。因為它容易導致學習者的知識面變得狹窄，不利于面向課程內(nèi)容的學習，對學習者完整知識體系的形成也不太適合，不利于學習者對學科內(nèi)容的整體性建構。在這種模式下，學習者常常不能很好地完成完整的學習目標，甚至與學習目標相偏離。

2.因資源推薦算法對知識的結構邏輯性關注不夠而導致知識碎片

部分資源推薦算法以知識點為基本單位，較少考慮知識點之間的關聯(lián)性和學習內(nèi)容的內(nèi)部結構，導致學習者對所學知識的整體性結構考慮較少，他們所獲得的知識通常是由多個孤立的知識點羅列而組成的，缺乏對知識點之間關聯(lián)關系的闡述，或者說基于這種方式推薦的學習資源對幫助學習者建構全局性的知識結構作用不大，導致學習者的知識碎片化較嚴重，難以及時地形成有效的知識結構。事實上，與知識點相關的各種學習資源之間存在著復雜的關聯(lián)性。當系統(tǒng)向?qū)W習者推薦學習資源時，若沒有考慮學習資源之間的關聯(lián)性關系，如包含、屬于、上下位概念、因果關系等，將不利于聯(lián)想、同化和頓悟等高品質(zhì)學習行為的發(fā)生。這種情況是與建構主義的學習觀和知識觀相背離的。教育技術的相關研究已經(jīng)證實：當學習者學習某一資源時，個性化資源推薦系統(tǒng)不僅要推薦其上位概念，還應包括其下位概念及相關概念、等價概念等，這對于學習者充分地理解和吸收資源的內(nèi)涵是十分必要和有益的。

3.因資源推薦算法忽視了再造性知識的應用而沒能發(fā)揮其應有價值

多數(shù)個性化推薦系統(tǒng)忽視了對學習過程中生成的再造性知識的應用，沒能發(fā)揮出再造性知識的重要作用。盡管多數(shù)資源推薦算法能夠為學習者推薦符合其興趣與需求的學習資源，并能在一定程度上與學習者進行交互，然而由于忽視了對學習過程中產(chǎn)生的再造性知識（如批注、提問、評價、筆記等）的應用，沒能及時地對這一部分的知識進行交流與反饋，導致這部分知識的散失，也會對學習者知識結構的形成造成一定影響。

（三）學習資源個性化推薦的研究現(xiàn)狀

1.學習資源個性化推薦的主要思路

（1）基于學習者的特點進行推薦

為了能夠?qū)崿F(xiàn)資源推薦的個性化，多數(shù)研究者主張根據(jù)學習者的特點有針對性地推薦資源，該資源應以符合學習者的興趣偏好為原則。孫歆等人提出了基于協(xié)同過濾技術的在線學習資源個性化推薦系統(tǒng)。該系統(tǒng)通過收集用戶學習行為，建立行為模型，然后根據(jù)用戶的主觀評價數(shù)據(jù)收集用戶對資源的興趣度，預測用戶可能感興趣的資源，以達到個性化推薦的目標，幫助用戶節(jié)省了在線獲取資源的成本和時間。這種推薦模型以用戶興趣為核心，適合興趣類零散型知識的學習，能夠使學習者快速獲得他們感興趣的學習資源，但并不適合邏輯結構較強的知識的學習。

（2）基于學習者的學習行為進行推薦

學習者的學習行為是指學習者在使用學習系統(tǒng)時，系統(tǒng)自動記錄的學習者的點擊頻率、視頻觀看時長、選看的資源類型等行為。丁旭在e-Learning平臺的基礎上，設計了一種以學習者為中心的學習行為分析模型，用來分析學習者的學習需要、學習興趣和學習行為習慣?；跀?shù)據(jù)分析，該模型能發(fā)現(xiàn)學習者的學習行為習慣，并由此向?qū)W習者提供個性化的學習資源和學習路徑，以便學習者合理地使用學習資源，從而滿足學習者的學習需求。武法提等人以學習者為分析對象，建立了基于電子書包的學習者模型。該模型以學習者的個性化信息為分析維度，在個性化推薦系統(tǒng)技術的支持下，形成了基于學習者模型的個性化學習資源推薦框架。這兩種個性化推薦系統(tǒng)均充分地考慮了學習者的學情及學習行為，抓住了學習者的薄弱環(huán)節(jié)，有利于學習者對投入較少的內(nèi)容查缺補漏。但這些模型普遍缺少對學習目標整體性的考慮，較少考慮學習內(nèi)容的本體性結構及邏輯性，屬于聚焦于特定“點”的學習。它影響了完整知識體系的建構，不利于符合思維發(fā)展的知識網(wǎng)絡的生成。

（3）基于學習情境進行推薦

學習情境是指學習者學習的具體環(huán)境，比如泛在學習情景、移動學習、智慧學習空間等?；趯W習情景的個性化推薦能夠在最大程度上滿足學習者在當前學習環(huán)境中的學習需求。楊麗娜等人分析了泛在學習情境的形式化表征、情境化的資源推薦模型以及推薦策略，為情境化的泛在學習資源推薦提供了新思路。陳淼等人設計了移動學習環(huán)境下的個性化資源推薦模型，提出了基于社會化標簽思想的個性化資源推薦模型。雖然基于學習情境的學習資源推薦能夠根據(jù)不同的情境特點推送個性化的資源信息，促進推送個性化，但是這種推薦忽略了資源知識內(nèi)部的邏輯性及學習者的學習目標，對于學習者形成良好的知識體系具有很大的挑戰(zhàn)。

（4）基于學習元信息模型進行推薦

學習資源不僅是學習內(nèi)容的信息呈現(xiàn)，還是促進學生深度思考與交互的重要教具，但僅有學習資源的學習是不完整的。北京師范大學余勝泉教授認為在教學設計中，教師應該把所有的學習內(nèi)容及其擴展信息（包含學習活動、學習情境，但又不局限于活動和情境）作為一個整體聚合在信息模型中，統(tǒng)一進行設計與管理。為此，他提出了一種泛在學習環(huán)境下的新型學習資源信息模型——學習元。學習元是“具有可重用特性且支持學習過程信息采集和學習認知網(wǎng)絡共享，可實現(xiàn)自我進化發(fā)展的微型化、智能化的數(shù)字化學習資源”。這種學習模型可以從學習內(nèi)容、生成性信息、KNS（Knowledge Network Service）網(wǎng)絡、格式信息、語義描述、學習活動六個方面為學生提供個性化學習支持。學習元模型較全面地考慮了知識點的特征、屬性及其關聯(lián)性結構，但其對學習者所產(chǎn)生的影響還有待進一步研究。

2.具有代表性的學習資源個性化推薦模型及關鍵因子

經(jīng)文獻分析并結合對學習支持平臺的調(diào)研，筆者梳理了較有影響和代表性的個性化推薦系統(tǒng)或模型，并列出了其推薦內(nèi)容和參考因子，如表1所示。

（四）研究中的關鍵問題

1.探索智能推薦的影響因素及其權重

為達到智能化學習支持的目標，本研究將從知識的本體性結構及學生的學習狀態(tài)兩個視角出發(fā)，探索個性化推薦系統(tǒng)向?qū)W習者推薦資源時應該參考的推薦因子及其權重，并借助知識地圖解決學習者在學習過程中經(jīng)常發(fā)生的知識迷航問題。

2.建立個性化智能推薦模型并在教學實踐中檢驗

尊重知識的本體性結構，結合學習者的學習特點、學習目標和學習情境，建立個性化智能推薦模型是本研究關注的核心任務。本研究探索有效的個性化智能推薦模型，并在教學實踐中檢驗推薦模型的有效性，從而幫助學習者建立起個性化的學習路徑，能夠更準確、更迅速地達到學習目標，充分發(fā)揮出其個人能力，讓他們學得更輕松。

二、研究設計

（一）關鍵概念及理論基礎

1.資源個性化推薦的含義

與根據(jù)學習者興趣進行推薦不同，筆者提出的個性化推薦是指為了促進學習目標的完成，為學生推薦適應其當前學習水平的資源而設計的。因此，本研究的個性化推薦關注學習內(nèi)容的知識體系和知識結構，應以學生是否達到學習目標為主要參考依據(jù)，通過使用知識地圖標注學生所學知識點的位置，減少或避免學習者知識迷航現(xiàn)象的發(fā)生，幫助學習者更輕松地掌握學習目標。

2.主導-主體相結合的學習理論

主導-主體相結合的教育理論認為，學習者的學習過程需要教師和學生的共同參與，教師在整個教學過程中起主導作用，學生為主體地位，二者之間密不可分。在已有的資源個性化推薦系統(tǒng)中，幾乎沒有考慮教師在整個推薦過程中的作用。事實上，教師作為最了解學科知識及學生學習情況的人，在個性化推薦中的主導作用絕不可以忽視。本研究將以主導一主體學習理論為基礎，在個性化推薦中充分考慮教師主導作用的重要性。

3.聯(lián)通主義學習觀

聯(lián)通主義創(chuàng)始人喬治·西蒙斯認為學習即連接的建立和網(wǎng)絡的形成，也就是把信息作為一個新的節(jié)點納入到知識網(wǎng)絡中，從而進行編碼的過程。聯(lián)通主義的學習觀更像是從一種傳統(tǒng)知識獲取的角度出發(fā)認識學習，并將其確定為一種過程，認為學習的生態(tài)與環(huán)境會直接影響到學習者學習成效。學習者只有按照聯(lián)通主義的方法，能夠充分地利用情境并及時地將學習到的知識點納入到已有的知識網(wǎng)絡中，才能實現(xiàn)高效地學習。根據(jù)聯(lián)通主義學習觀，學習即學習者的內(nèi)在知識元建立連接和知識網(wǎng)絡形成的過程。在知識和社會媒體的更新日益加劇的背景下，聯(lián)通主義的學習觀顯得日益重要。在智能化學習環(huán)境中，學習者獲取知識并學會的過程，實質(zhì)上就是新知識結點融入到學習者頭腦中已有知識網(wǎng)絡中的過程。在學習支持系統(tǒng)中，恰當?shù)厥褂弥R地圖會使這種建立網(wǎng)絡連接的過程更加快速準確，使學習變得更加容易。

（二）研究目標及定位

在智能化學習環(huán)境中，資源個性化推薦的作用不容小覷?，F(xiàn)有的資源個性化推薦系統(tǒng)主要服務于學生的自主學習，并且大多是通過收集學習者的行為數(shù)據(jù)，從而推薦學習資源的。其關注的信息主要包括：觀看視頻的時長、點擊頻率、所選擇的資源類型、自測題的完成程度、錯誤率等，最終形成用戶畫像，以便基于畫像推薦資源。這種推薦方法充分地考慮到了學習者的學習特點及其主觀感受，同時滿足了學習者在當時情境下的學習需求。但對學生建立完整的知識體系和知識結構幫助不大。本研究從知識結構、學習者的基礎能力和學習目標出發(fā)，力圖構建智能化學習環(huán)境下的資源個性化推薦系統(tǒng)，并通過知識地圖，建立個性化的學習路徑，解決學習者知識迷航的問題，幫助學習者學得更輕松、更容易。

1.學習內(nèi)容推薦，搭建學習腳手架

學習是學習者以其內(nèi)在知識體系不斷同化、順應新知識并實現(xiàn)知識建構的過程。隨著學習的深入，學習者會對新知識、新內(nèi)容產(chǎn)生渴望。個性化學習資源推薦可以向?qū)W習者推薦前驅(qū)知識，搭建學習腳手架，使學習者學的更輕松，學的更深入。為了促進學習者的個性發(fā)展，個性化推薦系統(tǒng)不僅要滿足學習者當前的學習欲望，還應該幫助學習者挖掘更多的學習興趣點。本文所研究的資源個性化推薦系統(tǒng)應能根據(jù)學習者所學知識，結合知識地圖，挖掘?qū)W習者可以接受的學習內(nèi)容，引導他們形成個性化學習路徑，進而發(fā)展其延伸能力。

2.教師及專家推薦，明確學習目標

在知識爆炸的時代，學習者不僅要學習當下要掌握的知識，還要學會如何學習，將新學習的知識與已有的知識建立連接，形成知識網(wǎng)絡，而在建立連接的過程中要注意到教師在其中發(fā)揮的作用。教師作為對學科知識理解最深入的人，應當對學生的學習過程起到指導作用。如果僅依靠個性化推薦系統(tǒng)為學習者推薦學習內(nèi)容，可能會導致學生偏離學習目標，或者不能完全掌握學科知識點，所以應當允許教師的人為干預。教師可向?qū)W習者推薦被漏掉的知識點，或者為學習者感到較為吃力的知識點補充資源，甚至為其前期預習準備好資源。

3.使用知識地圖，確定學習路徑

知識地圖以圖示化的方式展現(xiàn)網(wǎng)絡化的知識關系，能夠以顯式的、網(wǎng)絡化的方式呈現(xiàn)出知識點之間的內(nèi)在邏輯，具有知識管理、學習導航和學習評估等功能。在學習過程中，學習者依據(jù)知識地圖展開學習，能夠迅速找到知識點所在位置，搜索到所需要的學習資源，避免知識迷航，解決信息過量的問題。不僅如此，學習者還可以利用知識地圖建立起從一個知識點到下一個知識點之間的連接，促進其對知識結構的理解，促進概念的形成及解決問題能力的發(fā)展。與傳統(tǒng)文本形式的資源結構相比，知識地圖能夠幫助學習者獲得關于信息處理、問題解決以及學習策略方面的更多內(nèi)容。

4.綜合考慮多種因素實現(xiàn)智能推薦，提升學習動機

智能推薦是系統(tǒng)根據(jù)學習者的特點、學習目標、易錯題、學習進度等因素，向?qū)W習者智能化地推薦應該學習的內(nèi)容。智能推薦的學習內(nèi)容是學習者學習的主要內(nèi)容。在海量的信息資源中，智能推薦應根據(jù)學習者的學習水平，考慮到學習者實際的個性化需求，精選學習內(nèi)容。通過智能推薦，學習者可以減少信息搜索的時間，滿足其個性化的學習需求，增強學習動機，促進個人發(fā)展。

（三）調(diào)查維度

在已有研究的基礎上，本研究試圖改進已有的個性化推薦系統(tǒng)。經(jīng)過文獻梳理，總結出的資源個性化推薦的參考因素及內(nèi)容如表2所示，其具體參考因素及權重則通過對教師和學生的訪談及對學生的調(diào)查問卷確定。本輪調(diào)查主要解決以下2個方面的問題：（1）通過對教師和學生的訪談，確定個性化推薦系統(tǒng)中智能推薦的內(nèi)容與參考因子;（2）通過對學生進行問卷調(diào)查，確定智能推薦中各因子的權重。

（四）研究流程設計

一是基于文獻分析，梳理智能推薦的相關理論，確立研究內(nèi)容，并形成關于智能推薦的理念及其目標定位;二是根據(jù)文獻分析和平臺調(diào)研，梳理流行的個性化推薦系統(tǒng)中智能推薦的參考因子;三是根據(jù)梳理出的參考因子及已確立的推薦理念，對教師和學生進行深入訪談，確定智能推薦的參考因子;四是根據(jù)參考因子項的設置，設計面向?qū)W生的調(diào)查問卷，對最終用戶展開調(diào)查，收集并分析數(shù)據(jù);五是根據(jù)數(shù)據(jù)分析的結論，確定智能推薦中各參考因子的權重;六是根據(jù)分析結論及智能推薦參考因子，形成智能化學習環(huán)境下的資源推薦參考模型，并開展教學實踐活動，檢驗參考模型的有效性。最終研究流程圖如圖1所示。

三、研究實施過程及結論

（一）調(diào)研對象

本研究基于文獻分析、師生訪談、學生調(diào)查及實證數(shù)據(jù)分析與歸納等方法開展。筆者選擇的訪談對象和調(diào)查對象覆蓋了高校教育技術研究者、不同層次的信息技術教師和學生群體，覆蓋面較廣，具有很好的代表性。本研究選取了教育技術學專業(yè)的兩位副教授開展訪談，兩位專家均具有多年的一線教學經(jīng)驗，而且具有深厚的教育技術學背景，能夠保證訪談的科學性和代表性;選擇了2名高中信息技術教師作為調(diào)研對象，其中一名教師已經(jīng)具有兩年教學經(jīng)驗，另一名則為新手教師。這兩名教師都是教育技術學專業(yè)的碩士畢業(yè)生。學生訪談和問卷調(diào)查的對象則是2017級學習《多媒體技術》課程的學生，這些學生都有使用學習支持系統(tǒng)自主學習的經(jīng)驗，并接觸過若干個性化推薦系統(tǒng)。與此同時，這些調(diào)查對象均具有較強的學習能力，對信息技術促進教學的手段、策略有較為深刻的理解。上述調(diào)研對象具有較好的代表性和專業(yè)性，因此能夠保證調(diào)查數(shù)據(jù)的信度和質(zhì)量。

（二）影響資源個性化推薦的關鍵因素

1.以多層次訪談確立資源推薦的需求

（1）面向?qū)＜业脑L談

訪談的對象是兩位教育技術學專業(yè)的副教授和兩名一線教師，訪談后的聚焦內(nèi)容如表3所示。面向?qū)＜业脑L談提綱主要包括：對于當前基于學習興趣進行個性化學習資源推薦，教師有哪些看法？當前個性化推薦應該基于哪幾個維度進行？對于當前的學習資源推薦算法，教師有哪些意見或改進建議？

（2）面向?qū)W生的訪談

學生訪談的對象有3人，訪談后的聚焦內(nèi)容如表4所示。面向?qū)W生的訪談主要包括：在正式學習過程中，您希望學習資源個性化推薦系統(tǒng)向您推薦什么樣的學習內(nèi)容？您認為在資源推薦的過程中主要應參考什么因素？（比如學習興趣、學習時長、知識目標、學習風格、教師推薦、易錯題和錯誤率等）。

2.資源推薦的關鍵影響因子

如表5所示，綜合考慮教師和學生的訪談記錄，總結出以下幾點要素：（1）基于興趣的推薦并不適合正式的學校教育，在學校教育中應該更關注課程的培養(yǎng)目標;（2）關于學習時長，即學習者的投入時長。專家A認為應將學習時長視為一個參考因素，專家C則認為不用關注。經(jīng)過查閱文獻和訪談其他教師，本研究決定將學習時長視為一個參考因素;（3）推薦內(nèi)容應重點關注學生不易掌握的內(nèi)容、需要復習的內(nèi)容等;（4）練習題錯誤率及學生的易錯題應作為推薦的參考因子;（5）在資源推薦時應全面考慮資源所對應知識點的屬性信息，統(tǒng)籌考慮該知識點的前驅(qū)知識點、后繼知識點、相關知識點，應該評估與當前資源相關的知識點對當前資源的影響力。

（三）推薦因子的權重

1.設計面向?qū)W生的調(diào)查問卷并采集數(shù)據(jù)

在個性化推薦的關鍵因子已經(jīng)確立的情況下，本研究決定利用調(diào)查問卷驗證前述訪談內(nèi)容的可靠性并進而確定智能推薦中各因子的權重。調(diào)查問卷關注了推薦內(nèi)容和推薦因子兩個維度，具有較好的覆蓋性。調(diào)查問題則從學生對單項推薦因子的認可度和單項因子的重要性兩個視角設計，借助被調(diào)查對象對單項因子重要性排序的均值確立其權重。

為保證自設調(diào)查問卷的科學性和嚴謹性，在正式發(fā)放調(diào)查問卷前，筆者請行業(yè)專家對問卷進行了評審。在評審過程中，行業(yè)專家認為知識目標和知識結構信息應該由教師掌控，否定了學生問卷中關于“知識目標”和“知識信息”類的問題。因此針對學生的調(diào)查問卷僅面向“教師推薦”“學習時長”“易錯題”和“錯誤率”四個維度。通過專家評審，保證了調(diào)查問卷的專家結構效度;同時，筆者以克隆巴赫系數(shù)和主成分分析技術驗證了調(diào)查問卷的信度和有效性。本輪調(diào)查問卷共發(fā)放問卷102份，回收問卷101份，其中有效問卷96份，無效問卷5份，問卷的總有效率為95%。在剔除5份無效問卷后，以96份有效樣本展開數(shù)據(jù)分析。

2.確定各推薦因子的權重

（1）對調(diào)查數(shù)據(jù)的總體統(tǒng)計

在數(shù)據(jù)規(guī)范化處理階段，為了顯著區(qū)分推薦因子的權重，對于單項因子的認可度，將“非常同意”賦值為5、“同意”為3、“一般”為1、“不同意”為0、“非常不同意”項則設為-1。從調(diào)查數(shù)據(jù)看，學生們普遍對預設的5個推薦因子非常認可，在單項認可度方面，勾選“非常同意”和“同意”的總?cè)藬?shù)比例全部在70%以上。另外，在單項因子重要性排序類的問題中，學生們普遍較看重易錯題和出錯率，把這兩個指標放在了“非常重要”的位置。對于調(diào)查所獲得的數(shù)據(jù)，以SPSS進行頻數(shù)統(tǒng)計和簡單分析，獲得如表6所示的統(tǒng)計結論。從表6可以看出，推薦因子的單項認可度與其重要性順序是一致的。

（2）推薦因子的權重計算

根據(jù)專家建議，將基本知識目標的權重預置為0.20，那么其他因素的權重之和為0.8。以表6中的“總體均值”為依據(jù)，計算出每個推薦因子在總權重0.8中所占的比重。計算過程及結果如表7所示。其中，教師推薦的權重為0.18，易錯點為0.21，錯誤率為0.24，學習時長則為0.17。

3.設置每個知識點的順序系數(shù)和關聯(lián)知識點

為體現(xiàn)出學習內(nèi)容中各知識點之間的順次關系，體現(xiàn)出知識點之間的邏輯關系，本研究專門設計了一個計算公式，用于計算每個知識點的順序系數(shù)。首先，教師根據(jù)課程內(nèi)容及學習目標要求對知識點排序，并記下每個知識點在順序序列中的序號i。其次，按照公式計算出知識點x的順序系數(shù)Ax。在此公式中n為本章節(jié)知識點總個數(shù)，i為知識點x在知識點順序序列中的序號。最后，明確每個知識點的直接前驅(qū)和直接后繼，并把其前驅(qū)知識點序號、后繼知識點序號作為當前知識點的基本屬性保存到知識點變量中。

（四）構建資源個性化推薦模型并開展教學實踐

1.形成資源個性化推薦模型

（1）推薦模型的基本結構

基于上述分析，初步形成了學習資源的個性化推薦模型。因該模型主要基于北京師范大學計算機基礎課學習支持平臺形成且服務于北師大全體本科生的計算機基礎課學習，因此該模型被命名為CenModel，其邏輯結構如圖2所示。

在圖2所示的推薦模型中，當前知識點的得分X反映了本知識點在知識體系中的重要性（知識目標）、當前學習者在此知識點上的投入情況，以及此知識點的難度水平、易錯程度。而順序系數(shù)A則反應了此知識點在學習過程中的位次，以便了解本知識點有哪些前驅(qū)知識點，以免當前資源超越了學習者的最近發(fā)展區(qū)，導致推薦資源超進度的現(xiàn)象發(fā)生。另外，集成于知識結點變量內(nèi)部的直接前驅(qū)知識點和直接后繼知識點信息，清晰地表達了知識點之間的內(nèi)在關聯(lián)性，有利于引導學習者實現(xiàn)知識之間的遷移、聯(lián)想和頓悟，會在資源推薦過程中優(yōu)先考慮。

（2）推薦模型的工作過程

對于登錄到學習平臺中的每一個學習者，在選定了學習模塊之后，系統(tǒng)將依次完成以下操作。首先，提取當前學習者在選定模塊內(nèi)各個知識點上的學習狀態(tài)，并依據(jù)表7所示的計算公式求出他在每個知識點的得分X;然后，以X*A的值作為推薦權重存儲到當前學習者的“單個知識點推薦列表”中;最后，使用Top（n）選出若干個得分最高的知識點，以形成最終的智能推薦資源列表，構成面向當前學習者的導航列表。

2.基于CenModel個性化推薦模型的教學實踐

基于表7所示的推薦因子與權重、圖3所示的個性化推薦模型，筆者在cen.bnu教學平臺上構建了此原型并進行了技術實現(xiàn)。其呈現(xiàn)效果如圖3所示。

在圖3所示的界面中，在左側(cè)的“應學資源”列表中給出了近期應學的知識點及其對應的學習資源，是系統(tǒng)根據(jù)個性化推薦算法計算的結果;而“過期應學資源列表”中則列出了學習者應該學習但尚未投入學習時間的過期資源。在以資源推薦算法支持學習的過程中，若某個資源在被列入“應學資源”之后的1周時間里都沒被當前學習者關注過，此資源將會被移到“過期應學資源”列表之中。另外，若當前“應學資源”列表中的某個知識點有直接前驅(qū)知識點尚未被掌握，則該前驅(qū)知識點的相關資源將直接被賦予權重1，納入到級別最高的“應學資源”列表之中。在教學實踐中，筆者還把智能推薦與知識地圖有機地結合起來，把被推薦的資源在知識地圖中顯著地標注出來，使學習者可以依據(jù)知識地圖的引導展開學習。另外，知識地圖可以全面地展現(xiàn)學習者的學習路徑，對于學習者完成學習目標具有指導作用。借助知識地圖，可以向?qū)W生全面地展示知識點的分布情況、知識點之間的邏輯關系、知識點上資源的掛接情況，減少學習者按照知識點搜索的時間。

3.對CenModel個性化推薦模型有效性的檢驗

在完成了CenModel個性化推薦模型的開發(fā)之后，筆者在自己的《多媒體技術》課程教學班進行了小范圍測試，有110余名學生體驗了“應學資源”列表的推薦功能。從學生們使用這一功能的效果看，絕大多數(shù)學生肯定了這一模型的作用，并高度贊揚了基于學習進程推薦資源的設計思想?；赾en.bnu上的教學實踐活動，筆者又邀請了3名同行專家對CenModel模型本身、資源推薦的影響因素和權重設計的合理性進行了評價，同時邀請了10名北京師范大學在讀碩士和本科生討論了cen.bnu上教學實踐活動的有效性。從訪談結果和討論情況看，教師及學生們對cen.bnu平臺所采用的資源推薦策略、影響因素選擇及權重設置均非常贊同，并提出了一些修正意見和建議。

四、總結與思考

本文從智能化學習支持的視角出發(fā)，以知識地圖為基礎，探究了以完成學習目標、形成良好的知識結構為目的的個性化推薦模型，并總結出以知識結構為基礎的5個智能推薦的參考因子及其權重，這將為現(xiàn)有的個性化推薦系統(tǒng)提供有效的解決方案。

（一）CenModel個性化推薦模型的應用價值

在海量的信息資源中，依據(jù)知識體系和學習行為數(shù)據(jù)向?qū)W習者智能推薦學習資源是必要的，它能節(jié)約學習者信息搜索時間，滿足學習者個性化學習的需求。本研究從已有的個性化推薦系統(tǒng)中梳理出了智能化學習支持中需要的參考因子，并根據(jù)教師及學生訪談確定了以知識結構為基礎的5個參考因子：知識目標、教師推薦、知識點易錯點、個人錯誤率、個人學習時長，進而并基于問卷和學習行為數(shù)據(jù)確定了各參考因子的權重。在此基礎上，筆者綜合考慮了知識體系、知識結構與學習行為之間的關系，把知識點的順序系數(shù)A與各參考因子的權重值有機地結合起來，既保證了推薦模型對完整知識體系的依賴性，又充分考慮到了學習行為、知識點自身特征對推薦模型的重要影響。

筆者提出的CenModel模型適合學校教育中的正式學習：（l）CenModel模型的最大優(yōu)勢在于能幫助學習者建立良好的知識體系，形成知識網(wǎng)絡;（2）為了促進學習者的個性發(fā)展，智能化推薦的內(nèi)容不僅要滿足學習者當前的學習狀態(tài)，還要預測學習者的學習進程，幫助學習者個性化發(fā)展及能力的延伸。因此，CenModel模型分別從應復習的內(nèi)容、未掌握的內(nèi)容、未學習的內(nèi)容、教師推薦4個層次分別考慮了學習者對學習資源的需求;（3）CenModel模型采用知識地圖為學習者規(guī)劃學習路徑，不僅可以充分考慮到知識之間的關系及知識與資源之間的聯(lián)系，還能向?qū)W習者推薦與某一知識點相關聯(lián)的資源，使學習者在學習知識時更有針對性，從而促進學習者更好地完成學習目標，形成完整的學科能力。

（二）CenModel個性化推薦模型的局限性及展望

不可否認，資源個性化推薦在解決學習者學習迷航的問題上有重要作用，然而，任何一種個性化推薦模型或推薦策略都有其局限性，它能否真正地符合學習者的需求、能否真正地促進學習者能力的個性化發(fā)展都有待于進一步檢驗。CenModel智能推薦模型提出的參考因子及其權重設置，是根據(jù)文獻分析、教師訪談、專家評審以及學生問卷的調(diào)查數(shù)據(jù)而得到的，雖具備了一定的實用價值，但其應用效果仍有待進一步地檢驗。在后續(xù)研究中，筆者將借助北京師范大學計算機公共課學習支持平臺，大規(guī)模應用該模型并實時采集教學實踐數(shù)據(jù)，驗證推薦效果，以求能進一步改進智能推薦的推薦因子及其權重，擴大模型的普適性和影響力。

作者簡介：

馬秀麟：副教授，博士，碩士生導師，研究方向為信息技術促進教育、教育信息化、線上學習行為分析（maxl@bnu.edu.cn）。

梁靜：碩士，研究方向為信息技術教學、網(wǎng)絡課程開發(fā)（201721010187@mail.bnu.edu.cn）。

李小文：高級工程師，博士，研究方向為移動學習支撐平臺共性技術、遠程教學交互解決方案（13901018618@139.com）。

蘇幼園：碩士，研究方向為信息技術教學、教育軟件應用（583745194@qq.com）。