田楓 李欣 劉芳 劉賢梅 王梅 張可佳 富宇

摘要：互聯(lián)網(wǎng)的高速發(fā)展導致網(wǎng)絡學習資源數(shù)量迅速增長，案例教學、理論教學等教學資源的個性化推薦受到更多關注。學習者模型是實現(xiàn)個性化推薦的依據(jù)。文章以CELTS—11學習者模型規(guī)范為基礎，針對學習者的個性差異，在學習過程中對基本信息、學習風格、知識狀態(tài)、認知能力、興趣偏好等個性化特征展開研究，解決目前資源推薦系統(tǒng)的學習者模型中學習者特征描述不全面、個性化程度不高等問題，構建出了個性化的學習者模型，為學習資源的推送提供了有力的依據(jù)，應用效果表明了該方法的有效性。

關鍵詞：學習資源;個性化;推薦系統(tǒng);學習者模型

中圖分類號：G642.0? ? ?文獻標志碼：A? ? ?文章編號：1674-9324（2020）10-0304-02

一、前言

近年來，網(wǎng)絡學習迅速發(fā)展，已經(jīng)成為人才培養(yǎng)的重要形式。高校教育中不同程度地存在一些不利于復合型和創(chuàng)新型兼顧的人才培養(yǎng)問題亟須解決[1]。網(wǎng)絡學習資源為學習者的自主學習、基于網(wǎng)絡的學習方式的開展提供了有利條件。網(wǎng)絡學習者之間存在個體差異性，對學習資源的需求各不相同。

1997年，為適應電子商務領域的需求，推薦系統(tǒng)概念被正式提出[2]。近年來，在教育領域內(nèi)，互聯(lián)網(wǎng)信息資源數(shù)量迅猛增長且種類繁多，造成了信息過載的問題，由此引入了學習資源的個性化推薦系統(tǒng)的研究，并逐步被學者重視。學習者更加迫切地需要構建全面的、個性化的學習者模型，來支持學習資源的個性化推薦，提高學習資源利用率以及學習者的學習效率。

二、學習資源個性化推薦系統(tǒng)的學習者模型的問題分析

近些年的學習資源個性化推薦系統(tǒng)的學習者模型構建存在以下問題。

1.研究者對個性化推薦系統(tǒng)的研究重點是從計算機算法層面關注推薦算法的有效性或?qū)W習者單一特征的研究，使得資源推薦算法過度聚焦于特定“點”的學習，而導致學習整體目標偏離。

2.缺少與學習者的教育過程相結合對學習者建模的研究，導致推薦系統(tǒng)推送的學習資源與其真正的學習需求并不匹配，資源內(nèi)容的難易很難掌握。

從分析教學的本質(zhì)出發(fā)，發(fā)現(xiàn)學習者的真實需求，構建個性化學習者模型，能夠為學習資源個性化推薦系統(tǒng)的研究提供更為有利的依據(jù)。

三、學習資源個性化推薦系統(tǒng)的學習者模型構建

1.學習者模型構建。學習資源個性化推薦系統(tǒng)中構建學習者模型包括以下三個關鍵點：（1）確定學習者的個性化特征。從不同研究視角分析學習者模型，發(fā)現(xiàn)學習者模型中必須同時包含智力因素與非智力因素特征。這些特征不能獨立存在，而是需要相互作用才能形成一個有機整體。國內(nèi)的CELTS-11學習者模型規(guī)范包含個人信息、學業(yè)信息、管理信息、關系信息、安全信息、偏好信息、績效信息、作品集信息[3]，該規(guī)范對學習過程信息的描述不夠細致，對學習者非智力因素特征，如學習風格、興趣偏好等方面的描述涉及不多。本文基于CELTS-11學習者信息模型規(guī)范，并整合其他必不可少的個性化學習者特征，將學習者特征分為基本信息、認知能力、知識狀態(tài)、學習風格、興趣偏好五個維度。（2）利用系統(tǒng)收集的初始學習者特征信息完成學習者模型的初始化。（3）將學習者模型分為數(shù)據(jù)層、分析層、應用層，分析學習者個性化特征的維度指標，理清其中各層級之間的關聯(lián)關系，動態(tài)更新學習者模型，以便為后續(xù)的個性化服務提供基礎。

2.學習者模型的層次分析。數(shù)據(jù)層中包含靜態(tài)數(shù)據(jù)、動態(tài)數(shù)據(jù)以及推理數(shù)據(jù)三種類型的數(shù)據(jù)。靜態(tài)數(shù)據(jù)是學習者模型規(guī)范中的個人信息、管理信息和安全信息的擴展，作為學習者模型的基本信息、學習風格等特征的初始信息來源。動態(tài)數(shù)據(jù)是對學習者模型規(guī)范中學業(yè)信息、績效信息、偏好信息等信息的細化。推理數(shù)據(jù)以靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)為基礎，通過分析隱藏在靜態(tài)和動態(tài)數(shù)據(jù)背后的潛在規(guī)律和模式來獲取數(shù)據(jù)分析層中學習者興趣偏好、認知能力、知識狀態(tài)的特征值，動態(tài)更新學習者模型。

分析層分為數(shù)據(jù)分析層和邏輯分析層。數(shù)據(jù)分析層是針對學習者基本信息、學習風格、興趣偏好、認知能力和知識狀態(tài)五種學習者特征進行分析;邏輯分析層是對學習過程中的互動信息、學習行為、學習內(nèi)容等行為指標進行了層次分析。互動分析包括同伴互動分析、課程評價分析;學習行為分析包括作業(yè)完成度分析、頁面訪問次數(shù)分析、資源訪問時段分析;學習內(nèi)容分析是對章節(jié)測試、學習目標、資源類型、資源內(nèi)容展開分析。這五類學習者特征的分析結果將直接作用于學習者模型的應用層。

應用層包括個性化界面定制、個性化信息檢索和個性化學習資源推薦。個性化界面定制是指在人機交互過程中在交互內(nèi)容以及呈現(xiàn)方式上滿足學習者的個性化需求。個性化信息檢索是學習者利用推薦系統(tǒng)展開學習時，學習者通過輸入關鍵字獲取到與其興趣偏好相關的信息。個性化學習資源推薦服務是系統(tǒng)通過學習者特征分析獲取學習者的個性化需求，向其推薦感興趣或符合學習需求的學習資源。

在上述學習者模型中，數(shù)據(jù)層是學習者模型的數(shù)據(jù)基礎，分析層是學習者模型的主體，通過數(shù)據(jù)分析和邏輯分析過程，提取學習者特征，從而更好地為應用層服務。應用層是前面所有層級所存在的價值體現(xiàn)，它們之間互相關聯(lián)，不可分割。

四、結論

隨著網(wǎng)絡學習資源數(shù)量的迅速增長，個性化推薦系統(tǒng)在學生理論學習資源、實驗資源與案例資源的定向推薦過程中顯得越發(fā)重要。因為學習者是推薦系統(tǒng)的核心，對于學習者信息了解得越深入，考慮得越全面，個性化學習資源推薦的準確性越高，對學習者幫助程度就越高。本文將智力與非智力因素相結合確定學習者個性化特征，構建了更為全面、人性化的學習者模型，有效解決了推薦系統(tǒng)中學習者特征描述不全面的問題。該方法在“機器學習”等課程的案例教學資源推送中得到了成功應用。

參考文獻：

[1]田楓，劉賢梅，周凱，等.高校電子信息科學類復合型創(chuàng)新人才培養(yǎng)模式探索與實踐[J].教育教學論壇，2016，（16）：140-141.

[2]李曉昀.基于隱性反饋的個性化自適應電子商務推薦系統(tǒng)研究[D].衡陽：南華大學，2007.

[3]李唯實.個性化教育中的學習者模型技術研究[D].長沙：國防科學技術大學，2011.

The Learner Model Construction of Personalized Learning Resource Recommendation System

TIAN Feng，LI Xin，LIU Fang，LIU Xian-mei，WANG Mei，ZHANG Ke-jia，F(xiàn)U Yu

（School of Computer and Information Technology，Northeast Petroleum University，

Daqing，Heilongjiang 163318，China）

Abstract：The rapid development of the Internet has led to a rapid increase in the number of online learning resources，and more attention has been paid to personalized recommendation of teaching resources such as case teaching and theoretical teaching.Learner model is the basis of realizing personalized recommendation，in this paper，based on CELTS - 11 learners model specification，according to the learner's individual differences，in the process of learning the basic information，learning style and knowledge state，cognitive ability，study interest preferences such as the personalized features，to resolve the resource recommender system learners model describing is not comprehensive，the learners do not have a high level of personal problems，construct，the personalized learner model for learning resource push provided the powerful basis，application results show the effectiveness of the method.

Key words：network learning resources;personalized;recommended system;learner model