智能学习系统的重要性

2015-07-23颂大教育
  “活到老学到老”已经成为当前人们的共识,在这样的社会意识引领下,网络教学资源得到指数增长。然而,海量的学习资源往往使学习者不知所措,“信息过载”显然已成为在线学习的绊脚石。大量无关的冗余信息严重干扰了学习者对相关有用信息的准确性选择。为了帮助学习者在海量信息中寻找最优质的学习资源,个性化推荐技术应运而生。然而,目前在线学习系统对个性化推荐的应用凤毛麟角,内容呈现千篇一律。《国家中长期教育改革和发展规划纲要(2010-2020年)》明确指出,要运用互联网“为学习者提供方便、灵活、个性化的学习条件”。当前的应用与学习者需求之间的巨大鸿沟,促进了推荐技术的发展,也使个性化推荐技术成为了当前的研究热点。
  一、研究现状
  推荐技术最早用于电子商务领域,该技术根据用户的浏览和购买喜好来判断并做出推荐决策,使用户能在较短的时间内获得满意的产品。经过多年的发展与完善,推荐系统在电子商务的应用已趋于成熟(如亚马逊、淘宝、当当等),而在网络学习(E-learning)领域仍然处在起步阶段。从研究现状看,国内外都处在活跃阶段,但应用仍然不广泛。早在2002年Zaiane等人就运用数据挖掘和信息检索技术为网络学习设计推荐策略。[1] 2005年Chen,Lee and Chen运用项目存储理论对学习者进行能力评估,并根据评估结果给予学习材料的推荐。2005年后随着计算机技术在网络学习的应用发展,逐渐出现了基于内容,基于知识,基于协同过滤等推荐技术为支撑的学习推荐系统[2]。国内的学者在该领域的研究也较为活跃,他们更多使用“个性化”和“自适应”这样的研究论题,其原理和推荐技术是相通甚至相同的,本质上都是获得用户相关属性后,搜索与学习者最匹配的学习内容进行推送。[3-6]各个研究成果中的核心技术各具优势,但笔者认为推荐的学习对象应在遵守教学规律的基础上突出个性化。为此,我们设计了功能分离的双层决策模型:第一层充分遵守教学规律,结合学习者对知识掌握的情况及各知识概念间的关系形成学习路径;第二层突出个性化,根据学习者的学习偏好推荐最符合其个性的学习对象。
 
  二、学习者模型构建
  学习者建模是个性化的基础,个性化就应量体裁衣,因材施教。系统推荐的学习内容要契合学习者的需求就要掌握学习者的个人基本信息、知识状态、偏好以及访问习惯等等,只有这样个性化推荐才能更加准确。限于篇幅本文只论述学习者知识状态、偏好属性两部分内容。
  知识状态是学习者对全局知识概念掌握的程度。每个知识概念被描述成数值,取值范围为[0,1],表示学习者在该知识概念的状态。状态为0时表示从未被学习者浏览过,为1时则表示已完全掌握,当超过特定阈值(如0.8)学习者就通过了该知识点的学习。
  学习偏好可以通过五个属性进行描述:学习资源类型(练习、仿真、图像/表格、音频、视频、幻灯片、文本、测试);偏好知识点(依据学习对象关键字进行描述);学习资源组织方法(概念、实例、案例、仿真、演示);难易程度(容易、中等、难);语言类型(中文、英文等)。每一个属性都有多个属性值,每一个属性值都有对应的数值表示,如学习资源类型“练习”可以表示成(Exercise,0.3)。0.3表示学习者对练习的偏好程度。学习者在学习过程中,每一个属性值的数值都能得到有效进行更新。当实施学习对象推荐时,系统将依据数据库中学习者的各个属性值的数值进行运算,依据计算结果作出决策。
 
  三、基于本体的知识模型构建
  电子商务和E-learning推荐系统的最终目的是智能化识别用户的需求,并为这需求做出及时的推荐。但两者是有区别的,学习推荐过程具有持续性和循序渐进的特征,而网上购物具有一次性、短暂性特点[7]。对于商品而言知识点之间的关系更为复杂,如果根据领域知识的逻辑结构自上而下地进行划分,整个领域知识就是一种树形结构[8]。另外,网络学习的个人化推荐要考虑教学和学习的需求,不能单凭学习者的兴趣进行决策推荐。因此,电子商务的推荐技术不能简单迁移到学习推荐系统中。
  本体是语义网的基础,也是计算机能够更好理解网站中学习资源的基础。它的可重用和共享性为各种应用提供支持。本体中的概念知识具有较强的语义关系,通过概念属性描述不仅能够显示当前学习知识点,还能实现将前一个知识、后一个知识、已学过的知识、后续知识及相关知识推荐给学习者,可见构建良好的本体是个性化学习资源推荐的前提[6]。为了简化起见,本体中概念间用三种关系描述:包含关系,如C1是C的一个组成部分可以表示成函数HasPart(C,C1);先后关系,如C1是C2的基础,学习C2前需先学习C1,表示成函数RequiredtoLearn(C1,C2);建议次序关系,该关系比先后关系稍弱,它没有硬性规定两个知识点的先后关系,类似于平行关系,如建议先学C1再学C2,表示为SuggestedtoLearn(C1,C2)。在学习系统中,学习者可以通过两种方式进行学习:关键字查询和目录选择。系统将依据其所选定的知识点生成学习资源序列。为了兼顾教学又突出个性化,生成更优的推荐,笔者设计如图1的知识模型,形成了双层推荐策略。
   \
                图1 知识模型与双层推荐机制

  四、个性化推荐模型构建
  1.基于学习风格的推荐
学习风格(Learning Style)一般是指学生对学习方法的定向或偏爱,指明某个学生在教学过程中通常喜欢采用的学习方式。学习风格最先是由瑞士心理学家荣格(Carl Jung)于1927年提出来的。随后迈尔斯(Isabel Briggs Myers)和布里格斯(Katherine Cook Briggs)根据荣格的人格理论创立了“迈尔斯—布里格斯类型指标”(Myers-Briggs Type Indicator,简称MBTI)。“迈尔斯—布里格斯类型指标”是一种自我报告式的人格量表,旨在给出人们有关心理类型倾向的信息,这些心理倾向表现在四个方面,即:外倾性(E)或内倾性(I);感觉性(S)或直觉性(N);思考性(T)或情感性(F);判断性(J)或感知性(P)。研究表明,网络学习环境下,心理倾向具有差异的学习者学习序列亦有差异。[9]由此,可得到学习偏好序列矩阵A:
\
  其中M1、M2、M3、M4、M5、M6分别表示概念、演示、案例研究、仿真、实例、概念具体化;E、I、S、N、T、F、J、P分别表示外倾性、内倾性、感觉性、直觉性、思考性、情感性、判断性、感知性。不同的学习者都遵守(1,2,3,4,5,6)的学习序列。其中M1、M2、M3、M4、M5、M6中含有多个学习对象,表示如下:
\
  (2)基于学习者偏好的推荐模型
从多个学习对象{Lo1,Lo2…,Lom}(如:M1={obj_C1,obj_C2 …obj_Ci})中筛选学习者所需就成了核心问题。运用学习对象的属性特征{f1,f2…,fv}与学习者所具备的各个属性值{value1,value2,…,valuet}进行比较得出筛选结果就成了较好的选择。
  为此定义如下:学习者的第i个属性表示为fi,它含多个值(如:Text,Video,Audio等),fi的第k个属性值表示为Valueik;Scoreik为Valueik的数值表示;(Valueik,Scoreik)表示学习者对Valueik的偏好程度,Scoreik值越大表示学习者对Valueik偏好程度越高,反之越小。每一个属性值在该学习对象中的权重ωik为:\表示所有的属性值中数值的最大值。
\
P(Loj)值的大小反映学习者对Loj的偏好程度,其中n表示学习者具有的偏好属性和Loj的属性相交的个数。

 
  五、总结
  现行的学习网站内容千篇一律,大部分作品仍然单纯追求界面华丽而忽视内在的智能化。当今互联网技术的发展促进了学习资源爆炸式增长,促使推荐技术的应用从电子商务向学习网站延伸。显然,提供智能化、个性化、知识可视化的服务将是学习网站未来发展的方向。智能化的学习网站势必带来服务器负载增加,一定程度上影响学习者的浏览体验。在系统优化上,应考虑适当的数据库冗余设计,合理运用二级缓存,以及巧用cookie形成“动静结合”的网站运行模式。只有这样才能做到以学习者为中心。
文章关键词: