李祥 金安安 張逸琴

摘 ? 要：隨著5G時(shí)代的到來，移動(dòng)學(xué)習(xí)已成為當(dāng)前教育行業(yè)發(fā)展的必然趨勢，而立足于學(xué)習(xí)者驅(qū)動(dòng)進(jìn)行移動(dòng)學(xué)習(xí)，是當(dāng)下移動(dòng)學(xué)習(xí)領(lǐng)域亟待解決的難題之一。文章利用已有的知識(shí)推薦系統(tǒng)，在其基礎(chǔ)上加入?yún)f(xié)同過濾技術(shù)，提取學(xué)習(xí)者的“學(xué)習(xí)驅(qū)動(dòng)”因素，挖掘出隱藏在行為數(shù)據(jù)背后的信息，建立基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型;并在此模型上進(jìn)行微信平臺(tái)開發(fā)實(shí)踐，滿足學(xué)習(xí)者智能挖掘的學(xué)習(xí)需求，提供個(gè)性化滿意的學(xué)習(xí)服務(wù)，提升用戶體驗(yàn)。

關(guān)鍵詞：學(xué)習(xí)驅(qū)動(dòng);移動(dòng)學(xué)習(xí);推薦系統(tǒng);協(xié)同過濾技術(shù);微信平臺(tái)

中圖分類號(hào)：G203 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-8454（2020）05-0077-05

一、引言

在互聯(lián)網(wǎng)飛速發(fā)展的今天，移動(dòng)學(xué)習(xí)已經(jīng)在我們的學(xué)習(xí)生活中發(fā)揮著不可估量的作用并仍保持上升勢態(tài)。在當(dāng)今網(wǎng)絡(luò)環(huán)境下，可以讓學(xué)習(xí)者充分發(fā)揮其自主學(xué)習(xí)的積極性，既可以進(jìn)行個(gè)別化學(xué)習(xí)，又可以進(jìn)行協(xié)作學(xué)習(xí)，符合學(xué)習(xí)者的學(xué)習(xí)需求。隨著5G時(shí)代的到來，各種智能設(shè)備基本得到普及，這為在線教育奠定了基礎(chǔ)，而在線教育具有碎片化、輕量化、結(jié)構(gòu)化等特點(diǎn)，這使移動(dòng)學(xué)習(xí)發(fā)展迅速。當(dāng)前教育機(jī)構(gòu)發(fā)展處于瓶頸期，這使其發(fā)現(xiàn)了希望的曙光，為其未來發(fā)展方式提供新思路，促使更多的教育機(jī)構(gòu)探索新模式。

移動(dòng)學(xué)習(xí)利用移動(dòng)互聯(lián)網(wǎng)技術(shù)使知識(shí)迅速傳播，不受時(shí)間和空間的阻礙，使學(xué)習(xí)者獲取知識(shí)的途徑越來越多，已成為當(dāng)下教育行業(yè)發(fā)展的趨勢，與國外相比，我國移動(dòng)學(xué)習(xí)發(fā)展較慢，處于初級(jí)階段，但我國對(duì)教育越來越重視，對(duì)教育的投入也在不斷加大，移動(dòng)學(xué)習(xí)也可能會(huì)迎來發(fā)展高潮。

隨著各種智能設(shè)備的快速普及，例如手機(jī)、iPad等，移動(dòng)學(xué)習(xí)獲得了更多的發(fā)展機(jī)會(huì)，各種輕量化、碎片化、結(jié)構(gòu)化的知識(shí)更符合移動(dòng)學(xué)習(xí)，發(fā)展到現(xiàn)在，微信已成為移動(dòng)學(xué)習(xí)的一種重要工具。據(jù)相關(guān)統(tǒng)計(jì)，截至2018年12月底，移動(dòng)學(xué)習(xí)用戶中，手機(jī)移動(dòng)用戶用微信學(xué)習(xí)占所有移動(dòng)學(xué)習(xí)用戶的96.5%，由此可以看出，微信是當(dāng)前移動(dòng)學(xué)習(xí)中最受歡迎的工具之一，由于微信在流量獲取、社群運(yùn)營、用戶規(guī)模與黏性等方面具有先天優(yōu)勢，越來越多的教育產(chǎn)品開始借助微信探索新的服務(wù)模式，可以大大降低宣傳成本，輕松獲取大量新用戶，吸引用戶通過微信群、公眾號(hào)、小程序等工具進(jìn)行在線學(xué)習(xí)，并進(jìn)行持續(xù)性分享，以降低獲得新用戶的成本，提升用戶黏性。

面對(duì)諸多學(xué)習(xí)資源，學(xué)習(xí)者如何快速找到自己所需要的學(xué)習(xí)資源，無疑是困難的，學(xué)習(xí)者學(xué)習(xí)一門新的技術(shù)，其中最大的“驅(qū)動(dòng)”因素便是為了解決現(xiàn)階段的問題，這種驅(qū)動(dòng)型的學(xué)習(xí)目標(biāo)，可以大大提高他們的學(xué)習(xí)效率。然而，針對(duì)學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型較少，因此針對(duì)這個(gè)問題進(jìn)行研究與實(shí)踐具有較強(qiáng)的意義及應(yīng)用價(jià)值，本文結(jié)合當(dāng)下最為流行的微信構(gòu)建移動(dòng)學(xué)習(xí)平臺(tái)，并在實(shí)踐中加深對(duì)移動(dòng)學(xué)習(xí)的認(rèn)識(shí)。

二、研究現(xiàn)狀

移動(dòng)學(xué)習(xí)是當(dāng)前最受歡迎的學(xué)習(xí)方式之一，其利用移動(dòng)終端具有便捷、實(shí)時(shí)等特性，使學(xué)習(xí)者的學(xué)習(xí)生活充滿各類學(xué)習(xí)資源，讓學(xué)習(xí)者隨時(shí)隨地想學(xué)就學(xué)，打破傳統(tǒng)的課堂式學(xué)習(xí)、書本式學(xué)習(xí)，使他們的學(xué)習(xí)方式發(fā)生改變，讓學(xué)習(xí)資源的占有和使用成為他們的學(xué)習(xí)新方式。

為有效提升學(xué)習(xí)者的學(xué)習(xí)效率，對(duì)其行為方式進(jìn)行分析具有重要意義，對(duì)學(xué)習(xí)者在學(xué)習(xí)中產(chǎn)生的各種行為數(shù)據(jù)進(jìn)行廣泛搜集，利用復(fù)雜的分析工具進(jìn)行挖掘分析，找出數(shù)據(jù)間的潛在聯(lián)系，以此來改善學(xué)習(xí)和教育，已成為一個(gè)新興研究領(lǐng)域。

從國內(nèi)外學(xué)者對(duì)移動(dòng)學(xué)習(xí)的研究來看，目前主要對(duì)學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)結(jié)果進(jìn)行研究。對(duì)其學(xué)習(xí)行為進(jìn)行深入分析，其目的是預(yù)測他們的學(xué)習(xí)結(jié)果，根據(jù)前面的預(yù)測結(jié)果，然后推送相應(yīng)難度的學(xué)習(xí)資源，大大提高學(xué)習(xí)效率。正如國外學(xué)者George Siemens所說，對(duì)學(xué)習(xí)分析應(yīng)該利用各種數(shù)據(jù)進(jìn)行建模，然后分析其內(nèi)在聯(lián)系，從而對(duì)學(xué)習(xí)者的學(xué)習(xí)進(jìn)行預(yù)測，改善學(xué)習(xí)者的學(xué)習(xí);[1]而Johnson等人認(rèn)為分析學(xué)習(xí)者的學(xué)習(xí)，可以對(duì)他們的未來學(xué)習(xí)表現(xiàn)進(jìn)行預(yù)測，從而發(fā)現(xiàn)潛在的問題;[2]Mayer等則認(rèn)為對(duì)移動(dòng)技術(shù)學(xué)習(xí)的研究應(yīng)該圍繞三個(gè)研究問題開展，他對(duì)這三個(gè)主要問題進(jìn)行了深入研究;[3]Magnisalis等人則認(rèn)為學(xué)習(xí)者需要合適的學(xué)習(xí)指導(dǎo)，否則學(xué)習(xí)者很難對(duì)所學(xué)知識(shí)進(jìn)行合理的組織構(gòu)建，因?yàn)閷W(xué)習(xí)者所處的環(huán)境具有大量的學(xué)習(xí)資料，這些學(xué)習(xí)資料由豐富多彩的網(wǎng)絡(luò)資料和現(xiàn)實(shí)生活中的資料組成。[4]而國內(nèi)眾多學(xué)者也對(duì)其進(jìn)行了充分研究，李艷燕等國內(nèi)學(xué)者認(rèn)為分析學(xué)習(xí)者的學(xué)習(xí)，可以對(duì)他們的學(xué)習(xí)狀態(tài)和學(xué)習(xí)效果進(jìn)行一個(gè)很好的預(yù)測，從而對(duì)他們的學(xué)習(xí)進(jìn)行干預(yù)，提高他們的學(xué)習(xí)效率;[5]國內(nèi)學(xué)者郎波等對(duì)移動(dòng)學(xué)習(xí)者產(chǎn)生的大數(shù)據(jù)進(jìn)行研究，利用神經(jīng)網(wǎng)絡(luò)模型，對(duì)各種學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析，從而得出較為精準(zhǔn)的推薦;[6]國內(nèi)李青等學(xué)者則認(rèn)為分析學(xué)習(xí)者的學(xué)習(xí)是一種教學(xué)技術(shù)，該技術(shù)可以對(duì)他們的學(xué)習(xí)結(jié)果進(jìn)行簡單預(yù)測，可以對(duì)他們學(xué)習(xí)中發(fā)現(xiàn)的問題及時(shí)糾正，可以對(duì)他們的學(xué)習(xí)效果進(jìn)行提升。[7]

在最近幾年中，曾有學(xué)者想要開發(fā)一種系統(tǒng)，用它幫助學(xué)習(xí)者搭建知識(shí)框架，同時(shí)讓學(xué)習(xí)者進(jìn)行自我反思。[8]如chang等人開發(fā)的用于數(shù)學(xué)課程的問題驅(qū)動(dòng)系統(tǒng)，幫助學(xué)生更集中于他們正在學(xué)習(xí)的內(nèi)容并能增強(qiáng)解決問題的能力。[9][10]綜上所述，對(duì)他們的學(xué)習(xí)進(jìn)行分析具有重要意義，通過對(duì)他們在學(xué)習(xí)中產(chǎn)生的各種行為數(shù)據(jù)進(jìn)行搜集，然后對(duì)其進(jìn)行多元化分析，最后對(duì)他們的學(xué)習(xí)進(jìn)行評(píng)價(jià)和預(yù)測，同時(shí)對(duì)其做出適當(dāng)?shù)母深A(yù)，但是這些都忽略了一個(gè)關(guān)鍵信息，沒有考慮他們的學(xué)習(xí)動(dòng)機(jī)。本文通過調(diào)查他們的學(xué)習(xí)動(dòng)機(jī)，進(jìn)行深入研究并進(jìn)行建模，以豐富移動(dòng)學(xué)習(xí)在學(xué)習(xí)者動(dòng)機(jī)方面的理論探索，并為設(shè)計(jì)基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)微信平臺(tái)提供理論依據(jù)。

三、模型構(gòu)建

對(duì)學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的行為數(shù)據(jù)進(jìn)行記錄，然后對(duì)其進(jìn)行針對(duì)性分析，利用人工智能技術(shù)，通過提取數(shù)字化學(xué)習(xí)資源中的特征值，建立基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型，如圖1所示，能挖掘他們的學(xué)習(xí)動(dòng)機(jī)、個(gè)體認(rèn)知狀態(tài)和學(xué)習(xí)需求，找出隱藏在行為數(shù)據(jù)下的具有重要價(jià)值的信息，進(jìn)而對(duì)學(xué)習(xí)者進(jìn)行精準(zhǔn)推薦。

常見的推薦技術(shù)有基于內(nèi)容的推薦技術(shù)、基于知識(shí)的推薦技術(shù)、協(xié)同過濾推薦技術(shù)、基于關(guān)聯(lián)規(guī)則的推薦技術(shù)、混合推薦技術(shù)等。其中基于內(nèi)容的推薦技術(shù)所推薦的資源比較單一，它是根據(jù)用戶的歷史信息進(jìn)行推薦;[11]而基于知識(shí)的推薦技術(shù)是使用相關(guān)領(lǐng)域的概念知識(shí)進(jìn)行推薦的，用來分析特定用戶的需求與物品之間的關(guān)系;[12]協(xié)同過濾推薦技術(shù)是通過分析用戶及其鄰居用戶的資源進(jìn)行資源推薦;[13]基于關(guān)聯(lián)規(guī)則的推薦技術(shù)則是根據(jù)先前制定的規(guī)則分析用戶學(xué)習(xí)行為之間的關(guān)聯(lián)然后進(jìn)行推薦;[14]混合推薦技術(shù)則是對(duì)幾種推薦技術(shù)根據(jù)不同場景進(jìn)行組合或者混合使用。[15]

本文在基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ)上，引入?yún)f(xié)同過濾技術(shù)，對(duì)他們的學(xué)習(xí)行為（外顯行為和內(nèi)顯行為）進(jìn)行分析。首先針對(duì)新用戶，用戶登錄后，綁定學(xué)號(hào)即可自動(dòng)獲取到該用戶在學(xué)校的學(xué)習(xí)成績和課表等內(nèi)顯信息;其次根據(jù)用戶的課表，可以初步判定該用戶的一些大致情況，然后再根據(jù)用戶成績單，對(duì)該用戶的一個(gè)學(xué)習(xí)能力進(jìn)行判斷，利用這個(gè)內(nèi)顯信息，可以避免基于內(nèi)容的推薦系統(tǒng)的冷啟動(dòng)問題;最后再根據(jù)用戶的學(xué)習(xí)歷史記錄和學(xué)習(xí)行為，進(jìn)行綜合分析，給用戶推薦用戶滿意的課程。因此無論是新用戶還是老用戶，都能夠獲得一個(gè)可信的推薦。

本文在基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ)上，引入?yún)f(xié)同過濾技術(shù)，然后對(duì)模型進(jìn)行構(gòu)建，通過對(duì)學(xué)習(xí)者的特征（成績、課表）進(jìn)行提取，然后對(duì)推薦課程與學(xué)習(xí)者的特征之間的相似度進(jìn)行仔細(xì)研究，最后推薦具有較高相似度的課程。在提取學(xué)習(xí)者的特征的時(shí)候，主要以他們的文本歷史信息為主，這些文本歷史信息包含他們的課表、學(xué)習(xí)行為記錄、成績單等。本文在提取學(xué)習(xí)者的信息特征時(shí)采用逆信息頻率法，具體定義如下：假設(shè)課程有N個(gè)，在ni個(gè)課程中含有關(guān)鍵信息ki，我們將課程j中出現(xiàn)關(guān)鍵信息ki的次數(shù)設(shè)為fij，則關(guān)鍵信息ki在課程文件j中的信息頻率為Wij。

在公式（1）中，Z指的是課程j中含有關(guān)鍵信息的次數(shù)。在N個(gè)課程中含有關(guān)鍵信息的次數(shù)與待推薦的課程毫無關(guān)聯(lián)，故Zmax可以通過計(jì)算課程j中含有關(guān)鍵信息的頻率而求出。所以關(guān)鍵信息在課程中出現(xiàn)的次的逆Ii可以與Wij一同使用，如（2）式所示。

則我們可以用di一個(gè)向量來表示課程j中的內(nèi)容，其中di=（v1j，v2j，…，vij），vij可表示為：

根據(jù)課程的di值，進(jìn)行初步推薦。

再利用協(xié)同過濾技術(shù)，對(duì)該課程進(jìn)行相似度分析，利用相關(guān)系數(shù)等計(jì)算該課程與用戶之間的相似度，構(gòu)建最近候選集，再用偏移加權(quán)平均評(píng)分法，對(duì)該課程進(jìn)行綜合評(píng)價(jià)，對(duì)候選集進(jìn)行更新，利用最新的候選集進(jìn)行推薦。具體的定義如下：假設(shè)用戶的集合為U=（u1，u2，…，un），待推薦的課程集合為V=（v1，v2，…，vn），用R（u，v）表示用戶對(duì)待推薦課程的評(píng)價(jià)。

在（4）式中，U′指的是與學(xué)習(xí)者u具有較高相似度的候選集，Rk，i指的是候選集中第k個(gè)學(xué)習(xí)者對(duì)課程i的評(píng)分，S（u，k）指的是學(xué)習(xí)者u和候選集中第k個(gè)用戶之間的相似性，R-u指的是學(xué)習(xí)者u對(duì)該課程的平均評(píng)分，在（4）式中，除了對(duì)權(quán)重進(jìn)行考慮外，還對(duì)學(xué)習(xí)者的評(píng)分尺度以及不同偏好都有所考慮，使課程的推薦更為精準(zhǔn)。

最后根據(jù)課程di的值和R（u，v）的值，利用基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型，給用戶一個(gè)可信的推薦，本文提出了一種全新的推薦算法，具體如公式（5）所示：

最后根據(jù)P（u，v）的值，給用戶推薦最為可信的課程。

四、微信平臺(tái)開發(fā)

根據(jù)基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型設(shè)計(jì)方案，開發(fā)一個(gè)微信學(xué)習(xí)平臺(tái)，實(shí)現(xiàn)模型運(yùn)用。平臺(tái)框架圖如圖2所示。

用戶首先授權(quán)登錄該微信平臺(tái)，然后綁定學(xué)號(hào)，進(jìn)入微信平臺(tái)后，用戶可以在里面進(jìn)行學(xué)習(xí)。首先對(duì)學(xué)習(xí)者的顯式特征（學(xué)習(xí)記錄、學(xué)習(xí)筆記、課程表、成績單等）進(jìn)行提取，利用基于內(nèi)容的推薦系統(tǒng)技術(shù)計(jì)算課程相似度，進(jìn)行初步推薦，然后對(duì)學(xué)習(xí)者的隱式特征（學(xué)習(xí)時(shí)長、發(fā)帖情況、課程評(píng)價(jià)、課程分享等）進(jìn)行提取，利用協(xié)同過濾推薦系統(tǒng)技術(shù)計(jì)算課程相似度，再結(jié)合之前的初步推薦課程，進(jìn)行綜合評(píng)判，最終給用戶推薦最為滿意的課程。

在開發(fā)微信學(xué)習(xí)平臺(tái)的基礎(chǔ)上，將所提模型運(yùn)用其中，該微信平臺(tái)頁面如圖3所示。

微信平臺(tái)搭建后，將該模型運(yùn)用其中，對(duì)該模型進(jìn)行測試和檢驗(yàn)。

五、平臺(tái)測試

本平臺(tái)開發(fā)后，在本院所有學(xué)生（共計(jì)3187個(gè)）中進(jìn)行測試，包含2016、2017、2018、2019四個(gè)年級(jí)，涉及軟件工程嵌入式、軟件工程電子商務(wù)、網(wǎng)絡(luò)工程、數(shù)字媒體與技術(shù)、物聯(lián)網(wǎng)工程、軟件工程（中外合作辦學(xué)）等6個(gè)專業(yè)。測試時(shí)間為2018年9月至2019年8月，為期1年，在前半年階段，未將該模型運(yùn)用其中，而后半年階段將該模型運(yùn)用其中，兩者進(jìn)行結(jié)果對(duì)比，測試結(jié)果如圖4、5、6、7所示。

由圖可以看出，在未運(yùn)用該模型期間，此平臺(tái)有317個(gè)學(xué)生用戶，每個(gè)用戶平均每天學(xué)習(xí)時(shí)長為10分鐘，平均每個(gè)學(xué)生學(xué)習(xí)課程數(shù)為1門，用戶活躍度低下，用戶活躍度僅為30%;而后半年使用該模型期間，此平臺(tái)使用人數(shù)為1891人，每個(gè)用戶平均每天學(xué)習(xí)時(shí)長為55分鐘，平均每個(gè)學(xué)生學(xué)習(xí)課程數(shù)為5門，用戶活躍度較高，從最開始的用戶活躍度30%，經(jīng)過半年試運(yùn)行，用戶活躍度上升到88%，提高了58%。

從使用人數(shù)上來看，從圖4可以看出，未使用該模型期間，該平臺(tái)對(duì)學(xué)生吸引力不足，盡管在本院大力宣傳，使用人數(shù)不多，經(jīng)過6個(gè)月的運(yùn)營，使用人數(shù)為317人，占本院學(xué)生總?cè)藬?shù)的9.95%，上升趨勢緩慢，而使用該模型后，本院學(xué)生使用人數(shù)明顯增多，經(jīng)過6個(gè)月運(yùn)營，從最開始的317人上升到使用人數(shù)為1891人，占本院總?cè)藬?shù)的59.33%，整體提高49.38%，上升速度較快，說明該模型對(duì)學(xué)生吸引力較大，較多學(xué)生愿意使用本平臺(tái)學(xué)習(xí)，側(cè)面反映該模型推薦的課程較為受歡迎;從使用時(shí)長上來看，從圖5可以看出，未使用該模型期間，用戶平均學(xué)習(xí)時(shí)長為10分鐘，說明學(xué)生對(duì)該平臺(tái)使用不充分，在該平臺(tái)上尋找資源花費(fèi)較多時(shí)間，很難快速找到學(xué)生所需的課程，難以滿足學(xué)生的學(xué)習(xí)需求，故不愿在本平臺(tái)使用，而使用該模型后，該模型根據(jù)學(xué)生的一些信息對(duì)其進(jìn)行精準(zhǔn)化課程推薦，獲得學(xué)生的認(rèn)可，故每天在該平臺(tái)獲取自己想要的知識(shí)，每個(gè)學(xué)生平均每天至少花55分鐘在該平臺(tái)上進(jìn)行學(xué)習(xí)，相對(duì)以前來說，有較大提高，說明該模型所推薦的課程，得到廣大學(xué)生的贊同，愿意在本平臺(tái)進(jìn)行學(xué)習(xí)，提升自己的專業(yè)技能。

從學(xué)生學(xué)習(xí)課程數(shù)來看，從圖6可以看出，未使用該模型時(shí)，學(xué)生學(xué)習(xí)課程數(shù)少，運(yùn)營6個(gè)月期間，平均每個(gè)學(xué)生所學(xué)課程為1門，說明學(xué)生未能在本平臺(tái)所提供的課程中尋找到自己所喜歡的內(nèi)容，故很少有學(xué)生去學(xué)習(xí)其他課程，而使用本模型后，本平臺(tái)給學(xué)生精準(zhǔn)推薦相應(yīng)課程，大多數(shù)課程均被學(xué)生采納學(xué)習(xí)，平均每個(gè)用戶學(xué)習(xí)課程數(shù)為5，相對(duì)之前有較大提升，而且上升速度明顯，說明運(yùn)用該模型后，所推薦的課程得到學(xué)生的認(rèn)可。從平臺(tái)用戶活躍度來看，從圖7可以看出，未使用該模型時(shí)，該平臺(tái)用戶活躍度低下，運(yùn)行6個(gè)月后，用戶活躍度為30%，說明大部分學(xué)生使用本平臺(tái)頻率低，而使用本模型后，由于該模型可以為用戶推薦課程，大部分學(xué)生使用后，對(duì)所推薦的課程較為滿意，故愿意在本平臺(tái)使用，每天都花一些時(shí)間在本平臺(tái)，經(jīng)過6個(gè)月試運(yùn)行后，該平臺(tái)的用戶活躍度為88%，與之前相比提高了58%，有較大提高，側(cè)面反映該模型在學(xué)生中較為受歡迎。

六、結(jié)束語

本文所提出的移動(dòng)學(xué)習(xí)模型較為成功，推薦課程較為精確，相對(duì)于基于內(nèi)容的推薦或基于協(xié)同過濾的推薦來說，本文提出的基于學(xué)習(xí)者驅(qū)動(dòng)的移動(dòng)學(xué)習(xí)模型結(jié)果較為理想，較為符合用戶的期望值。

參考文獻(xiàn)：

[1]Siemens， G. What are Learning Analytics？[EB/OL]. http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/，2010-08-25.

[2]Johnson， L.，Smith，R.，Willis，H.，Levine，A.，Haywood，K.The 2011Horizon Report [R].Austin，Texas：The New Media Consortium，2011.28.

[3]Mayer， R. E.（2019）. Where Is the Learning in Mobile Technologies for Learning？ Contemporary Educational Psychology， 101824.

[4]Magnisalis I， Demetriadis s， Karakostas A. Adaptive and Intelligent Systems for Collaborative Learning Support： A Review of the Field[J].IEEE Transactions on Learning Technologies，2011，4（1）：5-20.

[5]李艷燕，馬韶茜等.學(xué)習(xí)分析技術(shù)：服務(wù)學(xué)習(xí)過程設(shè)計(jì)和優(yōu)化[J].開放教育研究，2012（5）：18-24.

[6]郎波，樊一娜.基于深度神經(jīng)網(wǎng)絡(luò)的個(gè)性化學(xué)習(xí)行為評(píng)價(jià)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019（7）：6-10.

[7]李青，王濤.學(xué)習(xí)分析技術(shù)研究與應(yīng)用現(xiàn)狀述評(píng)[J].中國電化教育，2012（8）：129-133.

[8]Hirashima， T.， Yokoyama，T.， Okamoto， M.， & Takeuchi， A.An Experimental Use ?of Learning Environment for Problem-posing as Sentence-integration in Arithmetical Word Problems.Lecture Notes in Computer Science，2008（509l）：687-689.

[9]Cheng H N H， Weng Y L， Chan T W. Computer-supported problem-posing by annotated expressions：contcnt-first design and cvaluation[J]. Journal of Computers in Education，2014，1（4）：271-294.

[10]Chang K E， Wu L J， Weng S E， et al. Embedding Game-Based Problem-Solving Phase into Problem-Posing System for Mathematics Learning[J].Computers & Education，2012，58（2）：775-786.

[11]徐剛，孫高嶺.面向網(wǎng)絡(luò)用戶的個(gè)性化推薦服務(wù)實(shí)現(xiàn)[J].情報(bào)雜志，2008（8）：119-120.

[12]胡寬政.面向在線學(xué)習(xí)系統(tǒng)的個(gè)性化資源推薦算法的研究[D].武漢：湖北大學(xué)，2018.

[13]孫歆，王永固，邱飛岳.基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究[J].中國遠(yuǎn)程教育，2012（8）：78-82.

[14]郝國慶.基于迀移學(xué)習(xí)的個(gè)性化推薦算法研究[D].上海：東華大學(xué)，2014.

[15]陳桃利.個(gè)性化學(xué)習(xí)中的知識(shí)推送系統(tǒng)研究[D].長沙：湖南大學(xué)，2013.

（編輯：王天鵬）