基于遗传算法的移动学习路径生成机制研究*——以博物馆参观学习为例

李浩君 崔晨萍 徐佳程 项 静 华燕燕

（浙江工业大学 教育科学与技术学院，浙江杭州 310023）

基于遗传算法的移动学习路径生成机制研究*
——以博物馆参观学习为例

李浩君 崔晨萍 徐佳程 项 静 华燕燕

（浙江工业大学 教育科学与技术学院，浙江杭州 310023）

移动学习环境下海量无序的信息资源，对学习者学习资源的选择以及学习活动的开展造成了极大干扰。文章综合考虑移动学习环境下的学习情景、学习者个性特征等多种因素，将遗传算法应用于移动学习路径研究，并结合博物馆参观学习的应用案例，探索移动学习路径的生成机制，根据移动学习情景生成个性化学习路径。该研究能为学习者推荐符合其学习需求和情景特征的学习资源序列，使学习者取得更好的学习效果。

移动学习；学习情景；学习路径；遗传算法

引言

随着移动学习应用领域的不断拓展以及学习需求的不断增加，学习者希望在移动学习环境下能够获取更多的个性化学习资源来开展学习，这就要求移动学习系统根据学习情景信息和学习者的个性特征，为学习者推荐合适的移动学习路径，让学习者面对海量无序的移动学习资源时能更加有效地利用资源。学习路径即学习活动的路线与序列，是指在学习特定主题下各知识点的过程中可以选择的各种学习活动的序列。个性化学习路径需要综合考虑学习者的个性特征以及情景信息等因素，为学习者推荐合适的学习资源和合理的资源学习序列[1]。学习序列为学习者指定了最适合他们学习所需的知识单元和学习任务序列，如何做到既兼顾各知识点之间的逻辑关系，又适应学习者的个性化学习需求，是生成个性化学习路径的难点所在。

移动学习路径是综合考虑移动学习情景特征以及学习者个性特征的个性化资源学习序列。针对移动学习环境下个性化学习路径的生成问题，国内外学者先后开展了相关的研究，提出了应用知识地图、自适应导航支持等理论。如 Zheng等[2]提出了基于知识地图的学习导航路径算法LNPA，为学习者提供了合适的学习路径；Chiou等[3]提出了一种面向博物馆情景感知泛在学习的自适应导航支持系统，设计了利用遗传导航支持算法 GENS和最大化目标导航支持算法MONS来为学习者提供个性化学习路径的策略；Vincent等[4]提出了用于开展学习分析的完整系统框架，并采用启发式算法生成最佳学习序列；Shukhman等[5]利用佩特里网模型开展对个性化学习路径的研究。如何设计一种学习路径策略以满足移动学习环境下学习者的个性化学习需要，已成为移动学习支持服务所面临的挑战之一。

本文首先探讨了个性化移动学习路径的问题，然后分析移动学习环境下的情景因素，并结合博物馆参观学习的应用案例，提出了基于遗传算法的移动学习路径生成机制，最后详细阐述了该机制的工作原理。

一 个性化移动学习路径问题的描述

学习者在开展移动学习活动的过程中，可以选择学习者控制路径或者引导式学习路径[6]。其中，学习者控制路径是指由学习者自主决定学习方式和学习序列，即学习者自主选择学习对象并完成学习过程；引导式学习路径则是由导学者根据以往教学活动经验得出的学习路径。虽然移动学习者可以便捷地获取丰富的网络学习资源，但学习资源的存在形式往往驳杂且无完整的逻辑关系，加上学习者也往往无法确定自己的知识水平和学习状态，因而在学习过程中容易产生“迷航”现象，使学习成为了没有目标的盲目探索。同时，结合移动学习环境因素开展的引导式学习路径也存在一定缺陷，如很少考虑个性化设计、缺少与学习者个性特征相适应的支持方法，而学习者的学习兴趣与学习风格等对学习效果存在着决定性的影响，因此个性化移动学习路径生成机制一方面应为学习者推荐合适的引导式学习路径，另一方面要综合考虑移动情景因素和学习者的个性特征，以满足学习者的个性化学习需求。

移动学习环境下情景及个性因素将直接影响学习者的学习效果，不同情景因素影响下学习者所选择的学习资源存在显著的差异；同时，学习者的个性特征所导致的个性需求差异也会对资源的选取产生影响。如何生成符合学习者个性需求的个性化移动学习路径是实现个性化学习的关键，而对学习的情景因素和学习者个性特征的分析则是个性化移动学习路径生成的核心问题。因此，本文选取访问人数、预期学习价值、学习需求作为移动学习环境下情景因素以及学习者个性特征的最主要影响因素，并研究了这三个因素对移动学习路径生成机制所产生的影响。

二 移动学习环境下情景因素的分析

移动设备类型、网络状况、学习对象数量、学习对象当前访问人数、位置信息等学习情景因素会对学习者的学习兴趣和学习效果产生直接影响，不同学习环境下学习者的注意力也会因此而受到不同程度的影响。Hwang等[7]通过将移动学习环境下的情景因素作为启发式算法的输入参数来构建个性化学习路径，但其仅仅考虑了学习者数量、学习对象数量、位置信息等参数，没有考虑学习者学习风格、个人偏好与学习需求等因素。本文综合考虑移动学习环境下的情景因素和学习者特征，为不同学习者提供个性化的移动学习路径。

图1 移动学习环境下学习活动示例图

博物馆参观学习过程中的移动学习活动如图1所示，采用参数化形式显示了博物馆参观学习过程中学习对象以及学习情景信息的实时变化状况。本文结合博物馆参观学习的应用案例，选取移动学习活动过程中对学习效果影响最大的参数加以分析说明。

（1）环境参数:

n:学习对象总量；

Oi:学习对象序号，i≤n；

Eij:从Oi到Oj的学习路径，i,j≤n且i≠j；

TRij:从Oi到Oj的时间，i,j≤n且i≠j；

L:学习的总时间限制；

S:饱和度比例阈值，即可以提供访问的学习对象的最高容量占用百分比。该参数用于控制同时访问某一学习对象的学生数量。

（2）对象参数:

Ci:学习对象Oi的容量限制，i≤n；

Vi:预期的学习对象的学习价值，由指导者根据学习对象与学习活动的相关度设定，其范围为[0,1]。0表示完全无关，1表示完全相关或必须学习的内容。

Ti:预期的学习Oi的时间，i≤n且Ti≤L；

Ni:访问Oi的学生数量，i≤n且Ni≤Ci；

Pi:Oi的相对饱和度，Pi=Ni/Ci，i≤n，它表明了访Oi的学生数量与Oi容量限制之间的比例关系；

Fi:表明Oi是否已饱和，i≤n。若Pi〈S，Fi=0；否则Fi=1。

（3）主体参数:

STi:学生i花费的总的学习时间，即学生已经花在学习上的总的时间；

OTij:学生i在对象Oj时所花费的时间，原则上OTij≤Tj。

上述三种类型参数值将用于决定最佳的个性化移动学习路径。学生参与学习活动的学习效果被定义为学习对象的总价值。高效的学习路径意味着该路径可以引导学习者更加有效地学习针对性更强的学习内容。本文在现有的移动学习原型的基础上，结合遗传算法分析以及对上述情景参数的分析，剔除一些无关或影响较小的因素，构建了移动学习路径框架模型。该模型主要考虑三个方面的影响因素，即学习环境因素、学习对象因素以及学习者因素。

（1）环境因素:当前访问人数 Number。某学习对象当前访问人数对学习活动将产生较大的影响，原因在于学习者在移动学习环境下主要是利用移动设备和无线网络，通过扫描学习对象的二维码来获取知识信息。若在同一时间内有过多的学习者访问同一学习对象，就会由于访问数量巨大而使网络拥堵，甚至出现服务器停止响应的现象。因此，系统应根据各学习对象当前访问的人数来决定是否将该学习对象推荐给学习者作为下一个学习的目标。本研究用拥堵、一般、流畅，分别表示当前访问人数饱和、适中、较少的三个等级。

（2）学习对象因素:预期学习价值 Value。在众多的学习对象中，部分知识点与学习目标的相关性不大，即学习价值较小，此时学习系统在进行学习路径规划时不推荐或直至价值更高的学习对象全部完成时才推荐该学习对象。如此一来，学习者就能在有限的时间内尽可能地学习主要的知识点，并尽可能按时完成学习目标。本研究将学习价值设为高、中、低，分别代表知识点与学习目标之间紧密、一般、较低的关联度。

（3）学习者因素:学习需求 Need。学习者内在的学习需求同样对学习者选择学习对象有重要的影响。学习者的学习需求可分为基础认知、一般理解和重点掌握三个层次，系统中用认知、理解、掌握来表示三个层次间的差别。当学习需求为基础认知时，可推荐内容、展示形式都比较简单的学习对象，此时可接纳较多的学习者同时访问。当学习需求为一般理解时，可推荐内容丰富、展示形式相对简单的学习对象，此时需适当考虑当前的学习者数量。当学习需求为重点掌握时，可推荐包括图片、音视频等资源在内的、内容比较详实的学习对象，此时对网络带宽、响应速度等的要求比较高，需重点考虑当前的学习者数量。

根据以上分析，本文将环境因素、学习对象因素、学习者因素这三个情景参数进行数据化表征设计，其结果如表1所示。

表1 移动学习环境下学习路径影响因素数据化表征

移动学习环境下所有学习对象都与上述三个情景参数相关联，因此可将其作为各学习对象的定位标准，即将这三个情景参数作为学习对象的三维坐标，根据各学习对象所赋予的当前访问人数、预期学习价值和学习需求，来决定该学习者学习内容的先后顺序，从而将个性化移动学习路径问题转化为类似TSP问题，进而利用遗传算法求得最优解。

三 基于遗传算法的移动学习路径生成机制设计

遗传算法属于元启发式算法，是开展进化计算使用最频繁的技术之一。根据达尔文“适者生存”的进化原则，遗传算法模拟的过程更符合个体且有更高的生存和遗传的可能性。将遗传算法应用于移动学习路径生成机制，优化后的遗传算法工作流程如图2所示。

图2 移动学习环境下遗传算法工作流程图

基于遗传算法的移动学习路径生成机制过程包括如下九个步骤:

（1）学习对象染色体编码。该步骤需将学习对象序列进行编码作为一个染色体，而染色体是一组由学习对象序列号形成的基因。为了固定开始和结束的位置，开始和结束节点分别设为0和n+1。对图1中的学习路径进行染色体编码后，所得结果如图3所示。

图3 学习对象染色体编码示例图

（2）确定学习路径评估函数。为了找出潜在的学习对象染色体并进行保存，以便开展下一步操作，需要评估染色体的合适度。本文采用如公式1所示函数作为学习路径的评估函数。

在公式1中，Xi是第i个染色体，l是染色体Xi的长度；Xij是学习对象的唯一序号，是第i个染色体的第j个基因；Vx是学习对象Cx的学习价值，Fx是Cx的饱和指标。公式1是学习价值Vx和Fx的指标，即学习路径将获得更高的价值，且低饱和度的学习对象更适合。

（3）生成学习对象初始种群。在此步骤中，根据情景因素和学习者的个性特征，这些染色体里的基因序列随机产生，这些学习对象染色体被称作初始种群。

（4）计算学习路径选择。该步骤中潜在的学习对象染色体将从下一代种群中选择出来。通过学习路径评估函数计算分数，然后按照种群递减顺序进行排序。优化后的遗传算法中，染色体的前50%是保留的，后50%用于步骤5～8中产生下一代染色体。

（5）学习路径交叉操作。交叉用于改变上一代到下一代学习对象染色体的编码。本研究使用的是单点交叉，且交叉点随机产生。如果学习对象染色体中存在重复的基因，则将由未选定的基因代替。

（6）学习序列突变。基因突变用于保持学习路径遗传的多样性。优化后的遗传算法中有两种突变，分别是序列突变和长度突变。当发生序列突变时，所选择的两种基因将进行互换。

（7）学习路径长度突变。在本文的移动学习路径生成机制研究中，学习路径序列的长度是可变的。因此，优化的遗传算法中学习路径长度突变将在随机选择的基因位置中发生，它们将被删除或插入，且发生概率为50%。

（8）学习路径评价。个性化学习路径的适应度函数将用来检测前期过程的结果，潜在的学习对象染色体将在下一代中保留下来。

步骤4～8是基于遗传算法的移动学习路径生成机制过程的第一代。如果优化后的遗传算法条件能得到满足，则输出最有潜力的学习对象染色体结果，否则返回步骤 4，并运行评估程序。在本研究中，终止条件是染色体代数达到阈值。

（9）染色体解码:将染色体解码成一个学习导航路径，然后引导学习者开展学习。

结合图1所示案例，现假定共有7个学习对象，且学习时间限制为40分钟。O0和O7分别表示学习开始对象和学习结束对象；设定初始种群为2，且在第一代生成之后终止算法。优化后的遗传算法程序将在每一代产生4个染色体。最初，4个主染色体随机产生，如图4所示。每个染色体的适应度决定过程如下:

高适应度的染色体将在交叉阶段被选择，通过随机选择一个切割位置用于交换所选择染色体的基因来产生新染色体N1和N2。图5是突变阶段的图示说明，其中序列突变和长度突变随机发生。在此案例中，N1通过交换两个随机产生的值（如2和4）进行变异，N2通过延伸其长度来进行变异。图6所示的是新的学习对象染色体，且通过学习路径适应度函数的评估，以决定是否比原来的更好。

图4 初始种群和改进的遗传算法的交叉阶段

图5 移动学习环境下遗传算法的突变

图6 移动学习环境下遗传算法的评价

根据图1中所示的移动学习情景参数，基于遗传算法的移动学习路径生成机制得到的学习路径为O0→O1→O3→O6→O2→O4→O7。

四 总结

移动学习环境虽然为个性化学习提供了许多潜在优势，但基于移动学习情景和学习者个性特征相结合的个性化移动学习路径问题一直制约着移动学习的应用发展。本研究将遗传算法应用于移动学习路径的研究中，将移动学习情景因素和学习者的个性特征作为输入变量，并结合博物馆参观学习的应用案例，提出了基于遗传算法的移动学习路径生成机制，可为移动学习环境下个性化学习的应用研究提供支持。

[1]彭绍东.基于SCORM标准的“学习路径”设计[J].现代教育技术,2010,20(8):114-119.

[2]Zheng Q H, Huang X J, Zhang C. A learning navigation path algorithm based on knowledge map in E-Learning[A]. Ezendu A, Dorota K, Jan G. Proceedings of 2013 second international conference on E-Learning and E-Technologies in education[C]. Piscataway: IEEE Press, 2013:180-185.

[3]Chiou C K, Tseng J C R, Hwang G J, et al. An adaptive navigation support system for conducting context-aware ubiquitous learning in museums[J]. Computers & Education, 2010,55(2):834-845.

[4]Vincent T, Fung S T, Alex Y, et al. Applying an evolutionary approach for learning path optimization in the next-generation E-Learning systems[A]. Carlo G, Vincent T, Li Y S. Proceedings of 2013 IEEE 13th international conference on advanced learning technologies[C]. Piscataway: IEEE Press, 2013:120-122.

[5]Shukhman A, Motyleva M, Belonovskaya I. Individual learning path modeling on the basis of generalized competencies system[A]. Olivier P, Michael E, Auer, et al. Proceedings of 2013 IEEE global engineering education conference[C]. Piscataway: IEEE Press, 2013:1023-1026.

[6]彭建伟.基于Memetic算法的个性化学习路径推荐的研究与实现[D].长沙:湖南大学,2009:30-31.

[7]Hwang G J, Kuo F R, Yin P Y, et al. A heuristic algorithm for planning personalized learning paths for context-aware ubiquitous learning[J]. Computers & Education, 2010,54(2):404-415.

Research of Mobile Learning Path Generative Mechanism Based on Genetic Algorithm——Take Museum Visiting Learning as an Example

LI Hao-jun CUI Chen-ping XU Jia-cheng XIANG Jing HUA Yan-yan
(College of Educational Science and Technology, Zhejiang University of Technology, Hangzhou, Zhejiang, China 310023)

The massive disorder information resources in mobile learning environment may interfere the learners to choose resources and carry out learning activity. In this paper, this research synthetically considers the mobile learning situation and characteristics of learners under mobile learning environment, and then take genetic algorithm into the mobile learning path study in order to explore the generative mechanism of mobile learning path on the basis of museum visiting learning case. The purpose of this research is that personalized mobile learning path can be generated based on mobile learning situation, learning resources which are satisfied with learner’s learning need and situation are recommend, and better learning effect is got by learners .

mobile learning; learning contexts; learning path; genetic algorithm

G40-057

A【论文编号】1009—8097（2015）08—0100—07【DOI】10.3969/j.issn.1009-8097.2015.08.015

编辑:小米

本文为教育部人文社会科学研究青年基金项目“mCSCL环境下情景感知性异质学习伙伴生成机制研究”（项目编号：12YJCZH103）、浙江省教科规划重点研究项目“基于语义网技术的情境感知移动学习系统设计及实证研究”（项目编号：SB116）的阶段性研究成果。

李浩君，副教授，硕士，研究方向为移动学习、普适计算，邮箱为zgdlhj@zjut.edu.cn。

2014年9月23日