学习管理系统个性化推荐机制研究——面向学历教育的大规模在线课程

周驰岷，陈 薇

(四川广播电视大学，四川 成都 610073)

学习管理系统个性化推荐机制研究
——面向学历教育的大规模在线课程

周驰岷，陈 薇

(四川广播电视大学，四川 成都 610073)

在线学习的兴起使学习管理系统成为研究的热点，具有个性化推荐机制的学习管理系统是目前的发展方向。在比较大规模在线课程(MOOC)和专属小规模在线课程(SPOC)的基础上，提出了一种面向学历教育大规模在线课程(AEMOC)的个性化推荐机制。该机制根据学历教育的特点，结合大规模在线课程的技术特征，为学生构建了一套行之有效的个性化推荐方案。

个性化推荐；学习管理系统；学历教育

一、引言

传统的课堂教学是由人来充当教师，但随着信息技术和通信技术的发展，在线学习成为一种新的教育模式。布鲁姆认为，最好的学习方式是一对一的辅导[1]，这样才能充分了解学习者并施以最佳的学习指导。但当学生人数众多的时候，这种一对一的辅导由教师来完成是不可能的，最好的方式就是利用智能化的在线学习系统，由该系统担任辅导教师的角色。学习管理系统[2]允许个人通过访问本地或远程的学习材料，这些学习材料通常是根据学校的课程目标来组织，能满足大量学生通过因特网获取学习材料的需求。在线学习采用了自动化的学习方式并大幅减少了教师的数量，但忽略了学生的个性化学习需求。为解决这个问题，具有个性化推荐功能的学习管理系统应运而生[3]。个性化推荐的目的是让用户感到所见的内容是为其专门设计的，并确保这些内容是具有独特用户个性的。学习管理系统是最早引入个性化技术的领域之一，这些技术为大规模课程中大量学生与有限教师的个性化沟通提供了支持。个性化学习不仅是简单地为学生提供注册信息、考试日期等材料，而是直接为帮助学生学习提供个性化学习材料。

个性化学习管理系统的首要特征是双向性[4]，从早期的静态网页技术到后来的Web2.0，网页能更好地与用户交互。双向性之所以成为个性化学习管理系统的关键，是因为通过该技术使个性化系统能真正与用户交互，能及时发现用户的困难并帮助和引导他们获得有用的信息或开展学习活动，这样能显著提高用户的学习效果和学习速度。

个性化学习管理系统有以下几点优势：

其一，学习本身就是一种个性化的体验，由于每个学生学习目的、阅历和背景不同，导致了他们采用不同的学习方式。在传统教学中，这种多样性是通过小班教学来保证的，教师为班级学生准备特定的教学材料，教师向学生解释概念，然后鼓励学生理解后用自己的语言重新诠释。个性化学习管理系统试图模拟小班教学中对学生的个人关注，使学生将学习重点放在完成个人学习目标的知识点上，学生会更喜欢使用个性化学习管理系统获取知识，从而取代传统的搜索引擎。

其二，教育者通过低成本的方式不断扩展与学习者的交互。个性化学习管理系统有两大成本优势，一是可以大大减少教师的数量，二是能为远距离学习的学生提供满意的交互体验，这使得教育机构第一次能以远程教学的方式大幅增加学生数量。

我国开展学历教育的远程教育机构主要指广播电视大学(包括开放大学)、网络教育学院，它们均主要采用基于互联网的学习管理系统完成主要的教学任务，学生自主地在学习管理系统上完成课程的学习。但这种自主学习并不是孤立的，这主要是指学生在选择学习内容、理解学习目标、评价学习成绩的过程中都需要得到教师个性化的指导和帮助。学历教育的学习管理系统既不同于目前广为流行的大规模在线课程(MOOC)[5]，又不同于近年新兴的专属小规模在线课程(SPOC)[6]。与MOOC相比，学历教育的学习管理系统要求学生对平台上的课程学习有更高的完成率，这样才能保证学生能按期完成教学进度与教学计划；而与SPOC相比，我国远程学历教育的学生又人数众多，无法像SPOC一样实现小班模式的更精细的学习辅导。

本文通过比较学历教育学习管理系统与MOOC和SPOC的差异，提出了一种面向学历教育的大规模在线课程(Academic Education Massive Online Course，即AEMOC)的个性化推荐机制。AEMOC首先面临的问题是如何为新注册学生进行个性化推荐，促进学生在平台上开展积极的学习活动。其次，学历教育学生因受专业等因素影响，系统在为学生进行个性化推荐的时候，既要考虑这些限制因素又要兼顾学生的个性化需求。最后，学历教育的个性化学习管理系统必须要保证更高的学生上线率，才能确保学生能及时跟进教学计划中要求的学习进度，教师方能更好地掌握每个学生的学习情况。

二、个性化学习管理系统的技术实现

学习管理系统广泛应用于高等教育和企业培训中，这些系统的本质在于信息传递，其使用的技术也主要用于信息的管理和表达。信息管理主要利用SQL数据库、XML等技术实现，数据表达主要利用HTML、AJAX等技术实现。传统的学习管理系统是基于客户与服务器模式，客户端位于每个用户的计算机上，而服务器端在一个集中的单独系统之中。这种模式正被基于服务的新模式所取代，新模式中，系统为用户提供的服务集中或分布在网络当中，这就是所谓“教育即服务”的概念[7]。此外，分布式学习管理系统越来越侧重于“云”技术，即数据、信息等都分布于网络之中，这一变化也出现在移动计算和移动学习领域，存储容量有限的手机等移动设备更加依赖网络中的“云端”。学生往往认为学习管理系统忽略了学生的个人需求因而有一刀切的弊端，而个性化学习管理系统却能满足学生的个性化学习需求，它通过引入用户相关知识系统来满足用户的特定需求。

个性化学习管理系统需要建立一个用于收集用户信息的用户模型，这样就能帮助用户获取有助于提升学习效果的支撑材料。要实现这样的目的，同样需要建立数据库存放有关用户个人敏感信息并分布于网络之中，该系统也能从某处检索到这些数据，无论是用于直接查询用户信息或是获取用于推断用户行为的间接数据。此外用户模型数据应提供有效的访问控制和存储控制，而且永久地存储用户模型数据，有助于系统进行用户行为比较和分析，从而更好地为用户服务。接下来该系统还需要一个完善的数据处理机制，该机制决定了哪些学习材料会推送给用户，隐藏与用户无关的信息，并以适当的形式展现给用户，如文字、图片、视频等。传统的计算机辅助学习系统是所谓封闭式的，它们提供的个性化支持局限于单一服务器资源，而个性化的学习管理系统将信息存储于开放网络中(如互联网)，因而也具有开放网络的优点即信息量丰富。上述基于内容的个性化，只是个性化的一种形式[8]，即根据历史统计信息进行选择，向用户推送的学习内容是根据之前学习的相关内容推演的，是一种搜索范围有限的算法，这种算法对学生学习是有一定帮助的，特别是在信息量过大、学生无从选择的情况下。其他一些形式的个性化技术也被广泛用于学习管理系统，如个性化搜索，便是根据用户之前训练的个性化数据为用户推送开放网络中的信息，另外个性化学习管理系统也能向用户推荐其社交圈的相关学习信息。

三、AEMOC个性化推荐的特殊性

AEMOC对学生学习年限和在籍时限有一定要求，在线学习是其远程教学的主要途径，学生必须按时完成学习平台上的课程学习，才能保证按期完成教学进度与教学计划。首先，学历教育新生注册入学后，除了完成必修的基础课程外，还需要结合自身实际情况完成选修课程的学分。其次，学历教育学生在学习资源的选择上，必须考虑归属专业等限制因素。另外，吸引学生积极参与线上学习是所有学习管理系统共同面临的问题。表1就这三方面的问题对AEMOC和MOOC及SPOC进行了比较。

表1 AEMOC与MOOC及SPOC的比较

(一)新生入学

AEMOC首先面临的问题是新注册学生的个性化推荐，从而促使新生在平台上开展积极的学习活动。新生没有可以利用的行为信息，无法给出精确的推荐，这就是所谓的冷启动问题。[9]目前我国的学历教育机构主要通过学习管理系统作为其教学手段，与普通高校的课堂教学类似，学生在学习平台上选定一门课程以后，就表明学生对完成该课程作出了承诺，除了因考核不合格、退学等其他因素外，选课学生人数也基本等同于完成该课程学生的人数，完成该课程给学生带来了学分等回报。学生选课通常有一定要求和限制，如必须是在籍学生，必须满足一定年级、专业要求，以此保证选课学生拥有相近的知识水平、学习经历等，且课程必须在特定时段内完成。然而在实际情况中，很多新生在注册学籍后，由于对课程体系和学习系统不够了解，往往困惑重重。首先新生对选修课的了解往往停留在简单的课程简介和习惯印象上，没有结合自身特点选择合适的选修课程，导致日后的学习过程困难重重或者兴趣不高。也有新生求助于辅导教师如何选择课程，然而由于学生人数众多，且辅导教师对注册新生也不够了解，无法根据每个学生的特点一对一有针对性地提出合适的选课建议。其次由于新生刚刚注册入学，学习管理系统并无任何学习行为记录信息，导致系统为新生推送学习资源时很难真正做到个性化推荐。

(二)专业限制

学历教育学生因受所选专业限制，AEMOC在为学生进行个性化推荐的时候既要考虑专业限制因素又要兼顾学生的个性化需求[10]。学历教育学生的知识结构、个人经历的多样性导致其学习路径、兴趣重点的不同，与课堂教学相比，在线学生的参与方式更加个性、自主，学生会根据自身学习动机自主地选择学习时间和学习方式。AEMOC需要满足学生个别的需求，支持学生个别学习和自主学习，为学生提供选择和整合个人学习经历的个性化学习空间，并且为学生提供技术、资源丰富的个性化环境，能支持学生选择和配置最合适学生本人的学习目标需求的资源和环境，支持知识创新和协作。此外，由于受学生所学专业的限制，AEMOC在为学生进行个性化推荐时与MOOC不完全相同，学生的自主选择受专业设置目标等条件的限制，系统在为学生推荐课程资源时也必须考虑这些因素。

(三)上线率保证

只有学生及时地跟进教学计划，教师才能掌握每个学生的学习情况，这些都要求AEMOC系统比MOOC平台有更高的学生上线率[11]。部分通过在线方式进行学历教育学习的学生(如广播电视大学)是利用业余时间学习而非传统意义的“脱产”学习，平时往往还需要兼顾工作和生活，在学习时间上容易产生碎片化问题，不能像在校学生一样能够不受外界干扰地投入学习。因此在使用学习管理系统时，也因为时间的碎片化导致不一定能随时打开电脑上线学习，相比传统纸质书籍可以随时打开阅读而言，更易受到设备、网络等条件的限制。另一方面，正是由于学生需要兼顾工作和生活，学习并非强制性的任务，所以虽然学历教育的学生需要获得学分、取得毕业证等，但是可以通过重修或延期等方式缓解这个矛盾。学生可以通过学习管理系统非常容易地获得课程资源，使其能通过多次尝试达到学习目标，学习付出的成本降低了，学生有可能先是拖延最终放弃学习。课程资源容量无限，学生不必像传统课堂一样必须在特定时间参加课程学习，课程不再是一次性资源可以反复学习，在一定程度上纵容了学生的惰性，学生总是在临近规定的时间限制前才匆忙完成学习任务。如何像传统课堂一样，让学历教育在线学习的学生珍惜学习机会，充分利用学习资源，这一直是远程教育工作者研究的热点。个性化的AEMOC系统既能完成教师设计的教学计划，又能满足每个学生的个性化需求，保持学习管理系统对学生的吸引力，使学生能保持较高的上线率，是实现这些目标的前提条件。

图1 面向AEMOC的个性化推荐机制

四、面向AEMOC的个性化推荐机制

AEMOC系统的个性化推荐能有效激励和维持学生的学习动力、促进可持续学习，是学历教育远程教学的质量保证。学生个人数据是个性化推荐机制的支撑，只有获得了全方位的学生基础、行为等各项数据，才能准确描述每个学生的特点，从而更好地进行个性化建模和算法分析，才能提取每个学生特殊的个性化因子。差异化是个性化推荐的出发点，个性化推荐机制要以学生为中心，关注学生的差异性，通过对学生知识水平、认知能力、学习需求等进行分析，提供有针对性的反馈信息和个性化的学习指导，从而有效激励和维持学生的学习动机，促进学生学习的持续发展。AEMOC虽然技术基础与MOOC、SPOC等相同，但考虑到学历教育的特殊性，要实现个性化推荐又受到一些学历教育因素的限制，如专业、开设时间等等。

针对学历教育的上述特征，本文提出了一种面向AEMOC的个性化推荐机制。首先，对于新注册的学生，可以利用新生报名注册信息、入学测试成绩等数据信息，提取出能描述新生个人特征的个性化数据，进而完成对新生的个性化建模和算法分析，该机制可以利用初始化模型和数据帮助新生完成选修课的选择。其次，在学生日常学习的过程中，该机制需要记录学生行为，将这些行为数据注入学生的个性化模型，不断充实和改进每个学生的个性化特征，为系统进行个性化推荐积累数据依据。第三，可以将交互活动引入学习管理系统，根据这些交互活动的数据为学生提供个性化推荐，使其对学生有更持续的吸引力，从而保证学生有较高的上线率。图1描述了这种面向学历教育大规模在线课程的个性化推荐机制。

(一)基于入学数据的个性化推荐

个性化推荐首先需要对学生进行分类。对学生分类依据是将其与其他学生比较，这种比较是基于不断累积的学生行为数据，对于才注册的新生而言，由于尚无学习行为数据，因此必须依靠其他入学数据[12]。新生报名注册信息能描述新生的个人特征，如性别、专业、年龄等个人信息，因此系统只能根据这些个人基本信息对新生进行大致分类。此外，入学测试是系统获取新生个人特征数据的重要环节，根据新生注册信息的大致分类，分别对新生进行入学测试，系统便能获得更详细的新生个性化特征数据。为了提取准确的新生个性化特征数据，入学测试题目设置应能测试出新生以下几个方面的能力。

1.知识能力：在新生不同专业分类的基础上，各专业的入学测试应能测试出新生具有的与本专业有关的基础知识水平，系统可以根据新生的该项能力评估本专业课程设置的知识侧重点和难易程度，这是面向AEMOC的个性化推荐系统进行个性化知识推送的重要依据之一。

2.认知能力：入学测试还应能测试出新生学习理解的基本能力，可以通过设定一些认知能力测试的题目来进行。认知能力是衡量新生学习、理解各项知识的速度、难易程度的标准，系统可以根据学生该方面的能力，个性化地设置教学进度。

(二)基于行为数据的个性化推荐

个性化推荐需要通过学生浏览、点击网页等行为挖掘其个人偏好，在获取这些学生个人兴趣偏好等信息的过程中，并不需要学生的主动参与，系统会自动记录并分析其行为[13]。学生学习行为的记录信息能为本系统的个性化推荐算法提供庞大的数据集，能准确地为学生学习提供个性化学习资源的推荐，并缓解推荐算法中常见的数据稀疏问题。面向AEMOC的个性化推荐系统需要记录以下几个方面的学生行为。

1.反复的操作行为：学生在某一页面上反复操作是反映学生学习偏好的重要指标，如学生经常打开某一页面，或者在某些页面上的长时间停留。当然还需要结合学生鼠标在该页面的移动、点击等行为，可以判断学生是否对该页面很感兴趣。

2.文字操作行为：学生在某一页面内复制页面文字或者在页面内搜索相关文字信息，都反映了学生对相关内容的兴趣爱好。

3.固定跳转行为：如果学生常常按照固定跳转路径打开某些页面，说明他对该跳转路径的某些页面和内容比较感兴趣。

(三)基于交互数据的个性化推荐

学历教育的学习管理系统常常采用论坛来实现教师为学生答疑等学习辅导，通过记录分析论坛中学生的发帖内容，借助语义分析、内容过滤等算法，使用户模型能判断出学生的兴趣所在，从而为学生进行个性化推荐。然而文字论坛表现形式比较单调，容易使学生产生学习倦怠，对学生的吸引力不够，此外，由于文字论坛实时交互性的限制，易使学生产生时空分离的疏远感。现在不少学习管理系统将双向视频引入师生交互活动，这种方式的双向交互用户体验更好，学生的辅导答疑效果也更理想，双向视频系统支持师生间的实时交互，使学生在学习过程中更有课堂归属感。随着互联网的飞速发展，特别是3G、4G移动互联网技术的成熟，使移动视频交互成为可能，这不但打破了学生学习的时空限制，也方便了师生进行教学交互。学习管理系统需要通过分析视频活动中的师生交互内容，得知学生的兴趣所在，从而为学生推送个性化学习资源。然而要分析视频活动中的内容，需要进行语音分析和图像分析，由于学习管理系统用户数量巨大，这种分析还需要硬件设备的支撑和分析算法的进一步优化。

五、结论

本文通过比较学历教育的大规模在线课程与MOOC和SPOC的异同，分析了学历教育学习管理系统个性化推荐的特殊性，从新生入学、专业限制、上线率三个方面展开了讨论。针对上述讨论的问题，文中提出了一种面向学历教育的个性化推荐机制，该机制通过基于入学数据的个性化推荐、基于行为数据的个性化推荐和基于交互数据的个性化推荐，形成了一套有效的面向学历教育大规模在线课程的个性化推荐方案。

[1]郑建.浅谈布鲁姆掌握学习理论[J].外国教育研究，1990，(01).

[2]余胜泉等.支持课程大规模开放的学习技术[J].中国电化教育，2014，330(07).

[3]杨玉芹.MOOC学习者个性化学习模型建构[J].中国电化教育，2014，329(06).

[4]胡艺龄等.在线学习行为分析建模及挖掘[J].开放教育研究，2014，21(02).

[5]李曼丽. MOOCs的特征及其教学设计原理探析[J].清华大学教育研究，2013，34(04).

[6]康叶钦.在线教育的“后MOOC时代”SPOC解析[J].清华大学教育研究，2014，35(01).

[7]朱永海等.高等教育借助在线发展已成不可逆转的趋势[J].清华大学教育研究，2014，35(04).

[8]曾春等.个性化服务技术综述[J].软件学报，2002,13(10).

[9]陈小兰等.我国远程学历教育课程体系现状调研及分析[J].现代远程教育研究，2007,90(06).

[10]陈晓黎.现代远程学历教育质量的内部保证体系研究[D].北京：清华大学，2004.

[11]邹景平.大规模网络公开教学的发展障碍与突破[J].中国远程教育，2012,(24).

[12]何亮.基于稀缺性和冷启动问题的个性化协同过滤推荐系统研究[D].北京：对外经济贸易大学，2013.

[13]孙立莹.基于组合推荐技术的个性化学习资料推荐的研究[D].大连：大连海事大学，2010.

[14]祝智庭等.后MOOC时期的在线学习新样式[J].开放教育研究，2014，20(03).

[15]姜强等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015,336(01).

[16]余杰等.集成通用型终身学习平台的个性化服务研究[J].现代远距离教育，2014,156(06).

ZHOU Chi-min, CHEN Wei
(SichuanRadioandTVUniversity,Chengdu,Sichuan, 610073)

Research on the Personalized Recommendation Mechanism of Learning Management System——The Massive Online Course Oriented to the Academic Education

The rising of online learning has enabled the learning management system to become the hot spot of research, and the learning management system with the personalized recommendation mechanism is the current development direction. On the basis of comparing the massive open online course (MOOC) and the small private online course (SPOC), a personalized recommendation mechanism oriented to the academic education massive online course (AEMOC) is put forward. This mechanism can build an effectively personalized recommendation scheme for students as per the features of academic education, with the technical features of massive online course being combined.

Personalized recommendation; Learning management system; Academic education

2015-09-23

周驰岷(1975-)，男，四川成都人，讲师，工学硕士，研究方向：现代远程教育；陈薇(1980-)，女，四川广播电视大学讲师，管理学、硕士。

G434

A

1673-582X(2015)12-0116-06