蔡霞 徐舒凡 敬懿 業(yè)茜 葉俊民

摘? 要： 在互聯(lián)網(wǎng)時(shí)代，結(jié)合線上學(xué)習(xí)和面對(duì)面?zhèn)鹘y(tǒng)教學(xué)的混合式學(xué)習(xí)成為大學(xué)生學(xué)習(xí)的重要方式。文章提出以同伴學(xué)習(xí)方式來彌補(bǔ)混合式學(xué)習(xí)中交互少、問題解決不及時(shí)等不足，并構(gòu)建了基于學(xué)習(xí)者特征的同伴推薦算法。利用學(xué)習(xí)者相似度個(gè)性化推薦互補(bǔ)、相似型的學(xué)習(xí)同伴，以提高學(xué)習(xí)效率。實(shí)驗(yàn)基于真實(shí)、有效的學(xué)習(xí)者特征數(shù)據(jù)集，選取機(jī)器學(xué)習(xí)中常用的評(píng)價(jià)指標(biāo)，驗(yàn)證了該推薦算法的有效性和準(zhǔn)確性。

關(guān)鍵詞： 同伴推薦; 混合式學(xué)習(xí); 相似度; 混淆矩陣

中圖分類號(hào)：TP319? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2020）04-38-03

Design and realization of peer recommendation algorithm for blended learning

Cai Xia1， Xu Shufan2， Jing Yi1， Ye Xi1， Ye Junmin1

（1. Computer School of Central China Normal University， Wuhan， Hubei 430079， China;

2. Mathematics and Statistics School of Central China Normal University）

Abstract： In the Internet era， blended learning， the combination of e-learning and face-to-face traditional teaching， has become an important way of college students learning. This paper proposes to use peer learning to make up for the deficiency of less interaction and delayed problem solving in blended learning， establishes a student characteristic based peer recommendation algorithm which use learner similarity to individually recommend similar and complementary learning companions to improve learning outcomes. Based on the real and effective learner's feature dataset， and the commonly used evaluation index in machine learning， the validity and accuracy of the proposed algorithm are verified by experiment.

Key words： peer recommendation; blended learning; similarity; confusion matrix

0 引言

隨著互聯(lián)網(wǎng)技術(shù)高速發(fā)展，國(guó)際教育界在總結(jié)近十年網(wǎng)絡(luò)教育實(shí)踐經(jīng)驗(yàn)的基礎(chǔ)上，提出教育技術(shù)發(fā)展的“第二條道路”，即結(jié)合網(wǎng)上學(xué)習(xí)與面對(duì)面學(xué)習(xí)優(yōu)勢(shì)的“混合式學(xué)習(xí)”[1]。雖然混合式學(xué)習(xí)具有低成本、高效率、高靈活性等優(yōu)勢(shì)[2]，但仍存在交互少、問題解決不及時(shí)等不足。在21世紀(jì)基礎(chǔ)教育課程改革的背景下，學(xué)生間的相互影響成為教學(xué)過程中的寶貴教育資源，同伴學(xué)習(xí)成為教學(xué)成功的必要環(huán)節(jié)[3]。交互是學(xué)習(xí)發(fā)生的重要條件，“沒有交互，就沒有教育”[4]。同時(shí)，網(wǎng)絡(luò)技術(shù)的發(fā)展，配套軟硬件設(shè)備的成熟，也為學(xué)習(xí)中的互動(dòng)提供了技術(shù)支持[5]。學(xué)習(xí)者間的交互影響，恰好能彌補(bǔ)混合式學(xué)習(xí)中存在的不足。在混合學(xué)習(xí)中，學(xué)習(xí)者面對(duì)面交流機(jī)會(huì)減少，相互了解程度低，自主尋找合適的學(xué)習(xí)同伴難度增加，本文提出根據(jù)學(xué)習(xí)者學(xué)習(xí)特征與偏好，為學(xué)習(xí)者推薦合適學(xué)習(xí)同伴的推薦算法。

1 學(xué)習(xí)同伴推薦算法

混合式學(xué)習(xí)模式下的學(xué)習(xí)同伴推薦算法總體架構(gòu)如圖1所示。以學(xué)習(xí)者為推薦的主體，首先建立學(xué)習(xí)者特征數(shù)據(jù)集，獲取并記錄學(xué)習(xí)者的屬性、興趣偏好以及在混合式學(xué)習(xí)中的能力。以此為基礎(chǔ)，計(jì)算學(xué)習(xí)者的相似度，按相似度由高到低生成同伴推薦列表并作為推薦結(jié)果反饋給學(xué)習(xí)者。

1.1 建立學(xué)習(xí)者特征數(shù)據(jù)集

為了更有效地進(jìn)行同伴推薦，綜合考慮學(xué)習(xí)者屬性、偏好和能力。由于學(xué)習(xí)者能力指標(biāo)多且有等級(jí)之分，本文采用層次分析法給出每個(gè)指標(biāo)的權(quán)數(shù)。首先，建立層次結(jié)構(gòu)模型，目標(biāo)層為：評(píng)估學(xué)習(xí)者能力。準(zhǔn)則層為能力的影響因子，根據(jù)同伴學(xué)習(xí)交互性的特點(diǎn)，第一層為自主學(xué)習(xí)能力、幫助同伴的能力;根據(jù)混合式學(xué)習(xí)的特點(diǎn)，第二層為線下測(cè)驗(yàn)的平均分等。方案層為對(duì)學(xué)習(xí)者能力的評(píng)分。再通過1-9標(biāo)度方法構(gòu)造成對(duì)比較矩陣并進(jìn)行層次單排序和一致性檢驗(yàn)。最終確定的學(xué)習(xí)能力評(píng)估權(quán)重如表1所示。

1.2 學(xué)習(xí)者相似度計(jì)算

⑴ 計(jì)算學(xué)習(xí)者的能力相似度

，i為用戶a和a'共同修讀的課程

⑵ 計(jì)算學(xué)習(xí)者屬性相似度

令haa'為性別相似度，;令maa'為專業(yè)相似度，;令gaa'為年級(jí)相似度，。綜合上述三種相似度，計(jì)算學(xué)習(xí)者屬性相似度為。

⑶ 計(jì)算學(xué)習(xí)者興趣偏好相似度

令學(xué)習(xí)者a該學(xué)期修讀的課程集為{c1，c2，…，cna}，na為學(xué)習(xí)者a該學(xué)期修讀的課程總數(shù)。定義“非運(yùn)算”：。學(xué)習(xí)者a和a'該學(xué)期修讀的相同課程數(shù)。以學(xué)習(xí)者a為主體，課程相似度。同伴學(xué)習(xí)的形式選取三種方式：交流答疑、學(xué)習(xí)PK、輪流授課。令學(xué)習(xí)者a的同伴學(xué)習(xí)偏好為{fa1，fa2，fa3}，其中。定義“同或運(yùn)算”：。學(xué)習(xí)者a和a'同伴學(xué)習(xí)形式偏好的相似度。綜合上述兩種相似度，計(jì)算學(xué)習(xí)者興趣偏好相似度。

⑷ 計(jì)算學(xué)習(xí)者相似度

為保證同伴學(xué)習(xí)有效進(jìn)行，設(shè)學(xué)習(xí)者能力差距閾值為β，學(xué)習(xí)者a和a'能力差距滿足閾值的情況為，α為寬大參數(shù)。篩選與學(xué)習(xí)者a能力差距滿足Yaa'>0的學(xué)習(xí)者，計(jì)算學(xué)習(xí)者a與其他學(xué)習(xí)者的相似度：

1.3 生成推薦列表

計(jì)算出學(xué)習(xí)者相似度后，降序排列學(xué)習(xí)者相似度Saa'，截取相似度最高的N項(xiàng)資源推薦給學(xué)習(xí)者a，生成同伴推薦列表。

2 仿真實(shí)驗(yàn)

2.1 數(shù)據(jù)集

本文選擇數(shù)據(jù)庫(kù)原理課程學(xué)生的學(xué)習(xí)數(shù)據(jù)來進(jìn)行實(shí)驗(yàn)，統(tǒng)計(jì)2018-2019學(xué)年第二學(xué)期修讀此課程的學(xué)生的各項(xiàng)相關(guān)數(shù)據(jù)。該課程的學(xué)生大都來自同一專業(yè)，彼此相識(shí)。

2.2 實(shí)驗(yàn)設(shè)計(jì)與評(píng)價(jià)指標(biāo)

在選定的數(shù)據(jù)集上，應(yīng)用學(xué)習(xí)同伴推薦算法，為每位學(xué)習(xí)者生成學(xué)習(xí)同伴推薦列表。通過問卷形式調(diào)研學(xué)習(xí)者主觀選擇的學(xué)習(xí)同伴。將算法為學(xué)習(xí)者推薦的學(xué)習(xí)同伴列表與學(xué)習(xí)者主觀選擇的學(xué)習(xí)同伴列表進(jìn)行對(duì)比，檢驗(yàn)學(xué)習(xí)同伴推薦算法的優(yōu)良。

在建立算法評(píng)價(jià)準(zhǔn)則前，首先建立分類結(jié)果混淆矩陣，如表2所示，在推薦算法中，被推薦為學(xué)習(xí)同伴的為1，否則為0;在真實(shí)情況中，用戶主觀選擇的學(xué)習(xí)同伴為1，否則為0。其中，TN為學(xué)生未主觀選擇也未被推薦的同伴數(shù)量，F(xiàn)N為學(xué)生主觀選擇但未被推薦的同伴數(shù)量;FP為學(xué)生未主觀選擇但被推薦的同伴數(shù)量;TP為學(xué)生主觀選擇也被推薦的同伴數(shù)量。

本文選用的評(píng)價(jià)指標(biāo)有：精度、錯(cuò)誤率、查準(zhǔn)率、查全率。在混淆矩陣下，精度為。錯(cuò)誤率為。查準(zhǔn)率為。查全率為。

2.3 實(shí)驗(yàn)結(jié)果與分析

通過推薦算法，為《數(shù)據(jù)庫(kù)原理》課堂參與實(shí)驗(yàn)的學(xué)習(xí)者每人生成一個(gè)推薦列表，共八名推薦的學(xué)習(xí)同伴。當(dāng)取參數(shù)α=1，β=20時(shí)，將推薦結(jié)果與學(xué)習(xí)者的主觀選擇對(duì)比，計(jì)算得分類結(jié)果混淆矩陣如表3。

由于推薦算法只給每位學(xué)習(xí)者推薦八位同伴，且學(xué)習(xí)者主觀選擇的學(xué)習(xí)同伴也較少，所以TP所占比例較低，為14.729%。

進(jìn)一步計(jì)算評(píng)價(jià)指標(biāo)如圖2所示，精度acc為0.831，錯(cuò)誤率err為0.169，查準(zhǔn)率P為0.546，查全率R為0.761。其中，查準(zhǔn)率較低是因?yàn)閷W(xué)習(xí)者主觀選擇時(shí)，更偏好熟悉的同伴，而推薦算法僅依據(jù)學(xué)習(xí)者相似度進(jìn)行推薦，所以存在推薦算法推薦的同伴并未被學(xué)習(xí)者主觀選擇的情況。若在相似度計(jì)算中，加入學(xué)習(xí)者相互熟悉度的指標(biāo)，則可將查準(zhǔn)率也提高到較高水平?？傮w而言，本文的推薦算法能較精確、全面地為學(xué)習(xí)者推薦同伴。

3 結(jié)束語(yǔ)

本文主要根據(jù)高等教育的混合學(xué)習(xí)現(xiàn)狀，設(shè)計(jì)了一種學(xué)習(xí)同伴推薦機(jī)制，應(yīng)用于混合課堂，并經(jīng)實(shí)驗(yàn)驗(yàn)證取得了不錯(cuò)的效果，能有效地為學(xué)習(xí)者推薦合適且滿足個(gè)人偏好的學(xué)習(xí)同伴。本文提出的方法有待進(jìn)一步構(gòu)建一套在線學(xué)習(xí)工具，從而收集更大規(guī)模、多樣化的學(xué)習(xí)者數(shù)據(jù)，并基于學(xué)習(xí)者的特征和主觀評(píng)價(jià)的智能分析，以完善學(xué)習(xí)同伴推薦機(jī)制。

參考文獻(xiàn)（References）：

[1] 陳純槿，王紅.混合學(xué)習(xí)與網(wǎng)上學(xué)習(xí)對(duì)學(xué)生學(xué)習(xí)效果的影響——47個(gè)實(shí)驗(yàn)和準(zhǔn)實(shí)驗(yàn)的元分析[J].開放教育研究，2013.19（2）：69-78

[2] 何克抗.從Blending Learning看教育技術(shù)理論的新發(fā)展[J].國(guó)家教育行政學(xué)院學(xué)報(bào)，2005.9：37-48，79

[3] 王有升，蘭玉萍.同伴學(xué)習(xí)中的“教學(xué)相長(zhǎng)”與課堂教學(xué)變革[J].課程.教材.教法，2018.38（2）：62-68

[4] Gunawardena C N， Lowe C A， Anderson T. Analysis of aglobal online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J].Journal of educational computing research，1997.17（4）：397-431

[5] 李梅，楊娟，劉英群.同伴在線互助學(xué)習(xí)交互行為分析[J].中國(guó)電化教育，2016.5：91-97

[6] 周志華.機(jī)器學(xué)習(xí)[M].清華大學(xué)出版社，2016.