学习者走出学习资源迷航的探讨.docx

《学习者走出学习资源迷航的探讨.docx》由会员分享，可在线阅读，更多相关《学习者走出学习资源迷航的探讨.docx（19页珍藏版）》请在第一文库网上搜索。

1、学习者走出学习资源迷航的探讨摘要：以MOOCs为代表的在线课程为学习者提供了多模态海量的学习资源，但学习者在选择资源时也经常面临信息过载、资源内容与学习需求不匹配等问题，造成学习资源迷航的困境。如何高效精准地向学习者推荐合适的学习资源与自适应的学习路径，已成为当前教育信息化亟待解决的问题。基于学习者画像的个性化学习资源推荐模型,从个性化资源推荐的现实需求出发，以现代教育理论和数字技术为支撑，探究个性化学习资源推荐过程中，学习者的状态与学习需求等个性化特征诊断、学习资源自身属性特征参数挖掘与表征、学习资源与学习需求精准匹配等问题，旨在向学习个体和学习群体推荐个性化学习资源。将基于学习者画像的个性

2、化学习资源推荐模型应用于教学实践，结果表明，与基于协同过滤推荐、D1NA认知诊断推荐相比，该学习资源推荐模型具有更高的精准度和更优的可解释性，能够为不同学习需求的学习者推荐适切的学习资源；同时该模型也在一定程度上缓解了冷启动与数据稀疏性等问题。关键词：在线开放课程；学习者画像；学习资源；深度学习；推荐模型；数字化一、研究背景随着教育信息化进程的不断推进，国家不断从顶层架构层面出台系列政策文件，支持个性化的自适性服务，如教育信息化十年发展规划(20112023年)提出努力为每一名学生和学习者提供个性化学习、终身学习的信息化环境和服务；1教育信息化2.0行动计划提出要探索在信息化条件下实现差异化教

3、学、个性化学习、精细化管理、智能化服务的典型途径；中国教育现代化2035提出要利用现代化技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合。3提供个性化的教育服务是我国现阶段教育现代化的重要任务之一。近年来，随着新一代信息技术与教育行业的深度融合发展，以慕课为代表的在线开放课程为学习者提供了海量的学习资源。然而，学习者在海量学习资源中也常常面临信息过载、资源内容与学习需求不匹配等问题，造成资源迷航的困境。因此，如何高效精准地向学习者推荐合适的学习资源与自适应的学习路径，已成为当前教育信息化亟待解决的问题。本研究以教育大数据、数据挖掘等技术为支撑,从学习者基本信息、知识掌握情况、

4、学习行为等维度，构建学习者画像并对其知识掌握情况进行诊断，同时结合学习者的个性化特征和学习行为特点向其推荐适切的学习资源，促进其学习效率和学习成效双提升。二、个性化学习资源推荐研究现状（一）概念界定个性化推荐概念最早由Resnick和Varian提出，认为个性化推荐是根据用户的个性化需求，利用计算机系统向其推荐相关信息。姜强等认为个性化学习资源推荐是基于对学习者认知风格等个性化特征和知识掌握情况等综合分析后，将学习资源进行重组排序，从而使学习资源更适合学习者的认知能力与学习风格，帮助学习者进行知识构建。5赵晋认为个性化学习资源推荐是在明确学习者学习需求和偏好的前提下，根据用户对资源的评价信息，

5、对学习资源进行多维度优先级排序，再向学习者进行推荐。赵蔚等认为个性化学习资源推荐是根据学习者特性、需求向其呈现适切的学习资源与学习路径，从而促进其学习目标达成。7尽管国内外学者对个性化学习资源推荐的内涵进行了多种描述，但其核心要义是一致的，即个性化学习资源推荐主要包括三个核心内容：学习者特征、推荐对象和推荐算法。学习者特征是根据学习者的基本信息、学习行为挖掘出其学习风格、偏好和学习需求并进行参数化表示；推荐对象包含MOoCS视频、文本等学习资源和学习路径，同时需要将其进行参数化表示；推荐算法是指根据学习者的个性化需求特征和推荐对象之间的关系，向学习者推送适切的学习资源，以提高其学习成效。因此，

6、推荐算法是衔接两者的重要桥梁。（二）推荐算法及模型构建1 .推荐算法常用个性化学习资源推荐算法包括内容推荐、协同过滤推荐、9混合推荐三种，10其中协同过滤推荐算法应用最为广泛。协同过滤推荐算法是通过分析与目标用户相似的用户进行推荐，即找到与目标用户相似的用户群组，将相似用户偏好的学习资源、学习路径等推荐给目标用户。EdURank利用协同过滤推荐算法筛选出与目标学生相似度最高的学生，然后将相似学生的学习内容、练习试题、学习路径等推荐给目标学习者。11姜强等将具有相同或相近知识结构水平、学习偏好的学习者进行分类，并进行学习者特征与学习对象媒体类型、理解等级、难度级别的匹配计算，从而生成精准个性化学

7、习路径，为差异化教学提供了新思路。12赵宁对协同过滤推荐算法进行了优化,充分利用学习者的用户属性信息，计算学习者之间的相似性并形成最佳的邻居集合，进而向目标用户推荐与其兴趣爱好相近的邻居所评价过的学习资源。13近年来，随着云计算和大数据技术的发展，基于深度学习的推荐算法逐渐兴起。基于深度学习的推荐算法主要是通过对数据样本进行训练、提取特征属性来提升预测或分类的准确性。兰明祥利用深度神经网络技术设计了基于相似度排序的资源过滤算法,从而向学习者进行个性化推荐。14文孟飞等利用深度学习和支持向量机(SUPPOrtVeCtOrMaChine,SVM)相结合的方式进行视频学习资源的个性化推荐，从而大大提

8、高了视频资源的获取率和利用率。15任蒋蓿等人通过深度学习挖掘用户特征、时间关系、资源参数之间的关系，大大提高了学习者与资源间的匹配度，从而实现了数字图书馆资源的个性化推荐。162 .模型或系统构建目前个性化学习资源推荐模型主要有基于协同过滤算法的传统模型、矩阵分解模型、逻辑回归模型、特征交叉模型和深度神经网络推荐模型等。Jie1U等人开发了在线学习资料个性化推荐系统，通过学习者历史浏览数据，挖掘其偏好模型并引入内容过滤，优化了推荐效果。1刀王晓东等将学习者的学习水平和学习风格等特征融入推荐过程，构建了学习者和学习资源知识相融合的学习资源推荐模型，其个性化与精准度超过了传统的协同过滤算法。18李

9、浩等针对移动学习时间碎片化、学习环境动态性等特点，设计了基于学习者时空特征的移动学习资源推荐模型，有效解决了由于学习用户数据量过大而导致的用户相似度计算过慢的问题，提高了移动学习情境下学习资源推荐的精准度。19王奕利用概率矩阵分解模型，从用户图书借阅历史记录中学习低维的近似矩阵，从而实现个性化的图书推荐。20常诗卉在内容推荐和协同过滤推荐策略的基础上，融合逻辑回归精排序模型，并添加交叉特征，以此提升推荐结果的个性化程度。21字云飞等提出了一种基于多用户一项目结合的深度神经网络个性化推荐模型，该模型利用深度神经网络学习、抽取数据特征，再融合协同过滤中的广泛个性化产生候选集，然后通过二次模型学习产

10、生排序集，实现精准、实时、个性化推荐。22近年来，基于认知诊断模型(CognitiveDiagnosisModIeIs,CDMs)的个性化学习资源推荐备受关注。认知诊断模型是基于项目反应理论(ItemResponseTheory,IRT)框架并融入认知变量，对学习者的认知过程、知识加工技能或知识结构等方面进行诊断与评价。当前常用的认知诊断模型主要有规则空间模型(Ru1esSpaceModeI)决定型输入、噪声与门模型(Deterministic1nputs,NoisyandGateModehDINA)、融合模型(FusionModeI,FM)多维项目反应理论模型(Mu1tidimentiona

11、1ItemResponseTheory,MIRT)等。23其中，DINA模型最为经典，应用也最为广泛。D1NA模型利用学习者的答题历史记录，引入试题一知识点关联矩阵(QuestionKnowIedgematrix,简称Q矩阵)，将学生的认知状态建模为一个多维的知识点掌握向量，建模得到的认知状态具有极高的可解释性。赵宇丹提出基于DINA模型的教师认知诊断模型，通过引入潜变量和滑动矩阵，使DINA模型能够实现多级评分，从而为学习者提供个性化学习资源。24李全等基于学生知识点掌握信息，利用D1NA认知诊断模型对学生、试题和知识点三者信息进行联合概率矩阵分解，最后根据难度范围进行试题推荐。25另外，基

12、于图模型的个性化推荐是近期业界和学界的研究热点。262刀综上，基于协同过滤推荐算法的推荐能够有效降低模型构建的复杂性，但存在忽略学习个体的知识点掌握情况和知识点之间存在的关系，且存在矩阵稀疏和冷启动等问题。基于深度学习的推荐能够有效降低学习资源推荐过程中对模型的依赖性，但存在对推荐结果的解释性不强等问题。基于DINA认知诊断的推荐能够以多维向量准确反映学习者的知识掌握情况，具有较好的可解释性，但由于只关注个体学习状态诊断，忽视相似学习者的共性特征，对数据隐含的信息挖掘不够等，容易造成建模模型过大和误差偏大等问题。为克服上述不足，借鉴协同过滤推荐算法和DINA认知诊断推荐模型，本研究构建了基于学

13、习者画像的个性化学习资源推荐模型，该模型基于学习者画像动态获取学习需求，根据学习者个性化参数、学习资源参数等信息匹配，计算出适合学习者当前学习需求和偏好的资源推送给学习者，大大提高了推荐结果的准确性与可解释性。三、基于学习者画像的个性化学习资源推荐模型构建在学习者画像个性化学习资源推荐模型中，学习者画像是个性化推荐模型的基础，通过画像诊断出学习者的认知水平和未掌握的知识点;通过画像挖掘提取出学习者学习风格与偏好。学习资源匹配计算模块是个性学习资源推荐模型的核心，通过多个参数（未掌握的知识点、知识点一学习资源关系、学习风格与偏好等）精准匹配，计算并筛选出适合学习者当前认知水平与学习偏好的各类学习

14、资源。学习资源推荐模块根据相应的策略向学习者个体、学习群体推荐适切的学习资源（见图1）。一）学习者画像构建学习者画像概念源于商业领域的“用户画像。用户画像最初由库珀（AIanCooper）提出，是对用户的基本属性、偏好特征、行为特点等用户数据进行语义化的标签表示，其对用户全貌进行刻画、细化用户特征，能够为企业实现精准化服务提供管理决策参考。28用户画像技术最初在医疗、商业等领域有着广泛的应用，改进了产品服务质量与提升用户体验。近年来，随着学习分析、人工智能等技术在教育领域的深度应用，用户画像概念与技术也被引入教育领域。学习者画像的本质在于收集学习者基本属性数据、学习过程全样本数据，并对这些数据

15、进行处理分析，从而生成数字化标签和知识体系。学习者画像构建流程通常包含明确画像目标、数据采集与处理、构建标签体系、生成学习者画像库、画像服务输出五个阶段（见图2）。当然，针对不同的画像目标，画像建模的维度也不尽相同。本研究构建学习者画像的目标是对学习者学习状态进行精准识别、对学习者的认知水平进行精准诊断，以便后期对学习者进行个性化学习资源推荐。本研究主要从学习者基本属性、知识掌握情况、学习行为三个维度构建学习者画像，由于本研究团队在基于学习者画像的在线开放课程学习预警研究一文中，曾对学习者画像的构建流程做过详细表述，29因此，这里主要介绍学习者画像标签体系的构建流程（见图3）。1 .原始数据采

16、集全面持续采集学习者全样本数据是学习者画像构建的基础。原始数据采集主要是采集学习者基本信息、历史学业数据、学习过程数据和学习结果数据等。考虑到线下实体课堂中师生教学互动等行为数据的采集存在诸多条件限制，本研究暂且仅对线上课堂数据进行全面采集。其中，基本信息数据包括学习者的人口属性、部分学习风格等数据,主要通过在线开放课程用户注册、调查问卷等进行采集；历史学业数据主要通过学校学业综合成绩管理信息系统进行采集；学习过程数据包括在线开放课程学习过程中教与学行为数据、教学管理数据等，即师生或生生互动数据、论坛交流、探究过程等数据；学习结果数据包括学习者在线做练习、在线即时测评和期末终结性考核评价等数据。2 .事实标签处理事实标签处理是对原始数据进行统计分析。这里的事实标签主要指静态事实标签，包括学习者基本信息、学习风格类型等，具有稳定性。比如，学习风格反映