鐘亞妹

(廣州南洋理工職業(yè)學(xué)院,廣東 廣州 510900)

1 高校選課系統(tǒng)應(yīng)用現(xiàn)狀及存在的問題

1.1 課程推薦算法應(yīng)用現(xiàn)狀

目前,高校選課系統(tǒng)的課程推薦算法已經(jīng)在一些高校和在線教育平臺中得到了應(yīng)用,主要有以下3種形式。

1.1.1 基于協(xié)同過濾的推薦算法

協(xié)同過濾推薦算法通過分析用戶的歷史行為和興趣,找到與其興趣相似的其他用戶,并將這些用戶喜歡的課程推薦給目標用戶[1]。這種算法常用于高校選課系統(tǒng)中,根據(jù)學(xué)生的選課歷史和興趣,推薦與其相似的其他學(xué)生喜歡的課程。

1.1.2 基于內(nèi)容過濾的推薦算法

內(nèi)容過濾算法通過分析課程的內(nèi)容特征,如課程的標簽、描述等,與學(xué)生的興趣進行匹配,從而推薦適合學(xué)生的課程。這種算法可以根據(jù)學(xué)生的個人興趣和偏好,提供個性化的課程推薦[2]。

1.1.3 混合推薦算法

混合推薦算法將多種推薦算法進行組合,利用不同算法的優(yōu)勢,提供更準確和多樣化的課程推薦。例如,可以結(jié)合協(xié)同過濾和內(nèi)容過濾算法,綜合考慮學(xué)生的歷史行為和課程內(nèi)容,進行推薦。

1.2 高校選課系統(tǒng)應(yīng)用存在的問題

1.2.1 系統(tǒng)穩(wěn)定性問題

由于選課系統(tǒng)需要支持大量用戶同時訪問和操作,系統(tǒng)容易面臨崩潰或卡頓的問題,給學(xué)生和教務(wù)管理帶來困擾。

1.2.2 選課流程煩瑣

一些選課系統(tǒng)的操作流程較為復(fù)雜,需要學(xué)生填寫大量的信息并進行多次確認,增加了選課的難度和耗時。

1.2.3 選課沖突難以解決

在選課過程中,由于課程安排的時間沖突或者人數(shù)限制,學(xué)生往往很難滿足自己的選課需求,導(dǎo)致選課困難[3]。

1.2.4 選課結(jié)果不公平

一些選課系統(tǒng)存在搶課現(xiàn)象,即某些學(xué)生利用技術(shù)手段或者時間優(yōu)勢,在選課開始的瞬間搶占課程資源,使其他學(xué)生無法選上自己想要的課程,導(dǎo)致選課結(jié)果不公平。

1.2.5 選課信息不準確

有時候選課系統(tǒng)中的課程信息、教師信息或者課程容量等數(shù)據(jù)不準確,導(dǎo)致學(xué)生選課時容易被誤導(dǎo)或者出現(xiàn)錯誤的情況。

2 高校選課系統(tǒng)需求分析

2.1 學(xué)生選課需求

選課系統(tǒng)需要了解學(xué)生的選課需求,包括所需的課程類型、課程時間安排、選課優(yōu)先級等,這可以通過調(diào)查問卷、學(xué)生反饋以及歷史選課數(shù)據(jù)進行分析。

2.2 課程管理需求

選課系統(tǒng)需要了解高校的課程管理需求,包括課程信息的錄入、修改和刪除,課程容量的設(shè)置,課程的時間安排和教室分配等,這需要與教務(wù)管理部門和教師進行溝通和需求收集。

2.3 選課流程需求

選課系統(tǒng)需要分析學(xué)生的選課流程,包括選課時間安排、選課方式(如網(wǎng)上選課、現(xiàn)場選課、預(yù)選課等)、選課限制(如先修課程、課程容量限制等)等[4]。同時,需要考慮選課系統(tǒng)與其他教務(wù)系統(tǒng)的整合,確保選課順暢進行。

2.4 沖突解決需求

選課系統(tǒng)需要考慮學(xué)生選課過程中可能出現(xiàn)的沖突(如時間沖突、課程容量不足等),需要設(shè)計相應(yīng)的沖突解決機制,如沖突自動調(diào)整、沖突提示和沖突手動解決等。

2.5 選課結(jié)果公平性需求

選課系統(tǒng)需要確保選課系統(tǒng)的公平性,避免搶課現(xiàn)象的發(fā)生,可以考慮采用抽簽、選課輪次等機制,確保每位學(xué)生有公平的選課機會。

2.6 數(shù)據(jù)準確性需求

選課系統(tǒng)需要保證課程信息、教師信息、學(xué)生選課信息等數(shù)據(jù)的準確性,可以設(shè)計數(shù)據(jù)校驗機制和數(shù)據(jù)更新機制,確保數(shù)據(jù)的及時更新和準確性。

2.7 用戶友好性需求

選課系統(tǒng)需要具備良好的用戶界面和用戶體驗,方便學(xué)生進行選課操作,并提供選課結(jié)果的查看和反饋功能。同時,系統(tǒng)設(shè)計人員還要考慮不同類型用戶(如學(xué)生、教師、教務(wù)管理人員)的不同需求,提供相應(yīng)的功能和權(quán)限控制。

2.8 系統(tǒng)安全性需求

選課系統(tǒng)需要具備安全性,保護學(xué)生和教務(wù)管理部門的個人信息和選課數(shù)據(jù),防止系統(tǒng)被非法訪問和篡改[5]。選課系統(tǒng)可以采用用戶身份認證、數(shù)據(jù)加密、訪問控制等安全措施來保護系統(tǒng)安全。

3 基于學(xué)生畫像的高校選課系統(tǒng)優(yōu)化設(shè)計

3.1 總體設(shè)計策略

3.1.1 用戶畫像

筆者根據(jù)用戶的角色和特征將高校課程推薦系統(tǒng)的用戶劃分為教師、學(xué)生和教務(wù)人員等,并對每個用戶分類進行用戶特征的分析和描述。用戶特征包括以下方面:個人信息(包括用戶的姓名、性別、年齡、所屬學(xué)院等基本信息)、學(xué)術(shù)水平(包括用戶的學(xué)歷水平、專業(yè)方向、學(xué)習成績等)、興趣愛好(包括用戶的興趣領(lǐng)域、愛好、職業(yè)規(guī)劃等)、使用習慣(包括用戶對于技術(shù)的熟悉程度、使用設(shè)備和平臺的偏好等)、歷史行為(包括用戶的選課記錄、評價記錄、瀏覽記錄等)。筆者根據(jù)用戶分類和用戶需求,進一步細化用戶畫像,包括用戶的關(guān)鍵特征、使用場景、偏好等,通過用戶建模方法來描述用戶畫像。

3.1.2 數(shù)據(jù)挖掘和機器學(xué)習

筆者利用數(shù)據(jù)挖掘和機器學(xué)習技術(shù)對大量的課程數(shù)據(jù)進行分析和建模,提取課程之間的關(guān)聯(lián)性、用戶的行為模式等信息。這些信息可以為用戶提供更準確、個性化的課程推薦。

3.1.3 多維度推薦

考慮到用戶可能有不同的需求和偏好,推薦系統(tǒng)應(yīng)該支持多個維度的推薦,如根據(jù)課程內(nèi)容、難度、學(xué)分、教師評價等進行推薦。同時,系統(tǒng)還可以根據(jù)用戶的學(xué)習歷史、成績、專業(yè)方向等因素進行推薦。

3.1.4 用戶反饋和評價

為了不斷優(yōu)化推薦系統(tǒng)的準確性和用戶體驗,推薦系統(tǒng)應(yīng)該設(shè)計用戶反饋和評價機制。用戶可以對推薦結(jié)果進行評價和反饋,系統(tǒng)可以根據(jù)用戶的反饋進行調(diào)整和改進。

3.1.5 實時更新和動態(tài)調(diào)整

高校課程推薦系統(tǒng)應(yīng)該能夠及時更新數(shù)據(jù)和模型,并隨著用戶行為和需求的變化進行動態(tài)調(diào)整。推薦系統(tǒng)可以利用實時數(shù)據(jù)流處理技術(shù)和在線學(xué)習算法來實現(xiàn)系統(tǒng)的實時性和靈活性。

3.2 功能模塊詳細設(shè)計

3.2.1 人群劃分模塊

(1)數(shù)據(jù)收集與預(yù)處理。

筆者收集學(xué)生的圖像數(shù)據(jù),然后進行圖像去噪、尺寸調(diào)整、灰度化等數(shù)據(jù)預(yù)處理,以減少數(shù)據(jù)噪聲,保證數(shù)據(jù)的一致性。

(2)特征提取與表示。

筆者從學(xué)生的圖像中提取特征,以便進行人群劃分,使用計算機視覺技術(shù)提取圖像的特征,例如使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像的面部表情、膚色、眼睛、嘴唇等高級特征表示。

(3)特征選擇與降維。

根據(jù)實際需求,筆者選擇了一部分具有代表性的特征,同時,為了減少特征的維度和冗余,筆者使用降維算法,例如主成分分析或線性判別分析,來提取最具代表性的特征。

3.2.2 課程推薦選擇模塊

(1)課程特征表示。

推薦系統(tǒng)將課程的特征表示為可用于推薦的形式。課程特征可以包括課程的類別、難度、教學(xué)質(zhì)量等信息,也可以考慮使用自然語言處理技術(shù)提取課程的關(guān)鍵詞或主題,可以將課程劃分為不同的類別,如數(shù)學(xué)、文學(xué)、科學(xué)、藝術(shù)等。將課程類別作為一個特征可以幫助系統(tǒng)更好地理解課程的領(lǐng)域。

(2)推薦算法選擇與設(shè)計。

推薦系統(tǒng)根據(jù)用戶畫像和課程特征,選擇合適的推薦算法進行課程推薦。常見的推薦算法包括基于內(nèi)容的推薦、協(xié)同過濾推薦、深度學(xué)習推薦等。系統(tǒng)可以根據(jù)具體情況選擇單一算法或結(jié)合多個算法進行推薦。另一個重要的方面是使用自然語言處理技術(shù),如文本挖掘和文本分類,來提取關(guān)于課程的信息,如從課程描述或評論中提取關(guān)鍵詞、主題、情感分析等信息,以更全面地理解課程的內(nèi)容和學(xué)生的反饋。

3.2.3 課程畫像體系模塊

徐鍇《系傳》云：“犬善出卑戶也”。張舜徽《約注》“卑戶，謂僅容犬身以通出入之小竇（洞）也。湖湘舊俗，凡造室必于大門之旁穿壁為竇，以悲門閉而犬得由是而出入焉。形似戶而實非戶也。犬出入其間，必曲其身，因謂之戾。”

(1)指標體系。

①課程特色指標體系建立。

推薦系統(tǒng)收集課程相關(guān)的數(shù)據(jù),包括課程名稱、課程分類、開設(shè)學(xué)院、學(xué)分、學(xué)科領(lǐng)域等信息。根據(jù)課程的特點和目標,推薦系統(tǒng)初步篩選出一些能夠反映課程特色的指標,如課程分類、學(xué)科領(lǐng)域、教學(xué)方法等。

②課程質(zhì)量指標體系建立。

推薦系統(tǒng)收集與課程質(zhì)量相關(guān)的數(shù)據(jù),包括教師評分、學(xué)生評價、教學(xué)資源利用情況等。根據(jù)數(shù)據(jù)的重要性和相關(guān)性,推薦系統(tǒng)篩選出合適的指標,并請教師、學(xué)生等相關(guān)人員進行評估和權(quán)重分配,形成課程質(zhì)量指標體系。

(2)畫像體系。

在基于學(xué)生圖像的高校選課個性化推薦系統(tǒng)中,課程畫像和學(xué)生畫像的建立是關(guān)鍵的步驟,用于描述和表示課程和學(xué)生的特征,以便進行匹配和推薦。

推薦系統(tǒng)收集與課程相關(guān)的數(shù)據(jù),包括課程名稱、課程分類、學(xué)科領(lǐng)域、教學(xué)內(nèi)容、教材使用等信息。推薦系統(tǒng)從收集到的數(shù)據(jù)中提取關(guān)鍵特征,例如課程的難度級別、知識點覆蓋范圍、教學(xué)方法、實踐與案例分析比例等特征。

②學(xué)生畫像。

推薦系統(tǒng)收集與學(xué)生相關(guān)的數(shù)據(jù),包括學(xué)生的個人信息、學(xué)習成績、興趣愛好、學(xué)科偏好等信息。推薦系統(tǒng)從收集到的數(shù)據(jù)中提取關(guān)鍵特征,例如學(xué)生的學(xué)習能力、學(xué)科偏好、興趣愛好等。推薦系統(tǒng)將提取到的特征進行編碼,可以使用離散的編碼方式或者向量表示。根據(jù)特征的重要性,推薦系統(tǒng)對特征進行加權(quán),以便更準確地描述學(xué)生的特征。推薦系統(tǒng)將編碼和加權(quán)后的特征組合起來,形成學(xué)生畫像,用于表示學(xué)生的特征。

課程畫像、學(xué)生畫像構(gòu)建流程如圖1所示。

圖1 課程畫像、學(xué)生畫像構(gòu)建流程

(3)基于學(xué)生畫像的推薦。

①基于相似度。

推薦系統(tǒng)根據(jù)學(xué)生的個人信息、學(xué)習成績、興趣愛好等數(shù)據(jù),建立學(xué)生的畫像,這可以通過特征提取、特征編碼和特征加權(quán)等步驟完成。對于每個學(xué)生,推薦系統(tǒng)計算其與其他學(xué)生之間的相似度,相似度可以使用歐氏距離、余弦相似度等度量方法。根據(jù)計算得到的相似度,推薦系統(tǒng)選取與當前學(xué)生最相似的一些學(xué)生作為候選,設(shè)定一個閾值,只選擇相似度高于閾值的學(xué)生?；谙嗨贫鹊耐扑]流程如圖2所示。

圖2 基于相似度的推薦流程

②基于深度置信網(wǎng)絡(luò)。

首先,推薦系統(tǒng)根據(jù)學(xué)生的個人信息、學(xué)習成績、選課記錄、興趣愛好等數(shù)據(jù),通過特征提取、特征編碼等步驟完成學(xué)生畫像的建立。建立學(xué)生畫像是為了將學(xué)生的多維信息編碼成機器可處理的格式。將學(xué)生的多維信息通過編碼處理成程序可處理的格式。畫像涵蓋的學(xué)生信息維度包括:基本信息(姓名、性別、年齡)、學(xué)術(shù)成績(分數(shù)、課程、排名)、選課記錄(以往課程選擇)、興趣愛好(參加的俱樂部、愛好、社交媒體標簽)等。學(xué)生畫像的多維信息來自學(xué)校數(shù)據(jù)庫、問卷調(diào)查、互聯(lián)網(wǎng)等。

推薦系統(tǒng)對學(xué)生畫像數(shù)據(jù)進行特征歸一化、缺失值處理等預(yù)處理,提高深度置信網(wǎng)絡(luò)的訓(xùn)練效果。通過以下流程實現(xiàn):從原始數(shù)據(jù)中提取有意義的特征。這涉及數(shù)值特征(例如,將分數(shù)和排名作為數(shù)值特征)、分類特征(例如,將興趣愛好編碼成獨熱編碼向量)和其他類型的特征。

推薦系統(tǒng)構(gòu)建深度置信網(wǎng)絡(luò)模型。深度置信網(wǎng)絡(luò)模型通常由多個堆疊的多層感知器組成,每一層都由多個神經(jīng)元組成,通過訓(xùn)練來學(xué)習特征的表示。構(gòu)建深度置信網(wǎng)絡(luò)模型主要包括2個環(huán)節(jié):初始化網(wǎng)絡(luò)的權(quán)重參數(shù)和初始化方法的選擇,通常使用Xavier初始化。

推薦系統(tǒng)使用學(xué)生畫像數(shù)據(jù)作為輸入,通過反向傳播算法來訓(xùn)練深度置信網(wǎng)絡(luò)模型。訓(xùn)練過程中,模型會自動學(xué)習學(xué)生畫像中的特征表示和隱藏層的權(quán)重參數(shù)。訓(xùn)練深度置信網(wǎng)絡(luò)模型主要包括以下步驟:使用反向傳播算法計算成本函數(shù)對網(wǎng)絡(luò)權(quán)重的梯度,這允許模型根據(jù)梯度下降法進行權(quán)重更新,以減小成本函數(shù);通過多次迭代,不斷更新權(quán)重參數(shù),直到模型達到收斂狀態(tài),即成本函數(shù)不再顯著減小。

綜上,推薦系統(tǒng)構(gòu)建了一個深度置信網(wǎng)絡(luò)模型,進行學(xué)生畫像數(shù)據(jù)的學(xué)習和特征表示。這種模型可以用于學(xué)生推薦、成績預(yù)測或?qū)W習路徑優(yōu)化等各種任務(wù)?；谏疃戎眯啪W(wǎng)絡(luò)的推薦流程如圖3所示。

圖3 基于深度置信網(wǎng)絡(luò)的推薦流程

4 實踐檢驗

4.1 實驗數(shù)據(jù)

筆者將實驗對象隨機分為控制組和實驗組。控制組使用傳統(tǒng)的選課系統(tǒng),實驗組使用基于學(xué)生圖像的個性化推薦系統(tǒng),實驗持續(xù)一個學(xué)期,以確保收集到足夠的數(shù)據(jù)量。筆者匯總實驗結(jié)果如表1所示。

表1 實驗數(shù)據(jù)結(jié)果

4.2 評價結(jié)果

4.2.1 準確度評價

筆者通過比較實驗組和控制組的選課準確度,通過準確率、召回率等指標可知評價推薦系統(tǒng)的準確度良好。

4.2.2 選課結(jié)果分析

筆者通過分析實驗組和控制組的選課結(jié)果,比較選課成功率、課程評分等指標,可知推薦系統(tǒng)的選課效果良好。

4.2.3 個性化程度評價

筆者通過比較實驗組和控制組學(xué)生選課的多樣性、個性化程度等指標,可知個性化推薦系統(tǒng)的個性化程度良好。

5 結(jié)語

通過對實驗數(shù)據(jù)和評價結(jié)果的分析,本研究得出個性化推薦系統(tǒng)相對于傳統(tǒng)選課系統(tǒng)而言具有明顯的優(yōu)勢。通過利用學(xué)生的個人信息和畫像數(shù)據(jù),個性化推薦系統(tǒng)能夠為學(xué)生提供更準確、個性化的選課推薦,提高選課的準確性和滿意度?；谏疃戎眯啪W(wǎng)絡(luò)的推薦算法在學(xué)生畫像建立和推薦結(jié)果生成方面表現(xiàn)出良好的性能,該算法通過計算學(xué)生之間的相似度,找出與當前學(xué)生相似的其他學(xué)生,并根據(jù)這些相似學(xué)生的選課記錄和評價結(jié)果,為當前學(xué)生推薦適合的課程。