面向网络学习的学习者个性挖掘研究

宁建飞

摘 要： 提出了一种面向个性化网络学习的学习者个性挖掘（Personality mining）及自适应学习策略生成的解决思路，即：通过对样本学习者的个性调查和学习行为模式的分析，挖掘出“行为模式-个性-学习策略”三者之间的关联关系，并据此实现学习者个性的自动获取与自适应学习策略的生成，为学习者提供网络学习的策略推荐。

关键词： 网络学习； 个性挖掘； 行为模式； 策略推荐

中图分类号：TP3 文献标志码：A 文章编号：1006-8228（2015）03-30-03

Abstract： This paper propose a personalized network learning learners oriented personality mining method and idea of adaptive learning strategy generation. that is， through the analysis of the samples of the learner's personality investigation and learning behavior， to dig out the incidence relationship between "behavior patterns-personality-learning strategies" of the three， and then to realize the learners' personality automatic acquisition and adaptive learning strategy generation， and to provide recommendations of network learning strategy for the learners.

Key words： online learning； personality mining； behavior pattern； policy recommendation

0 引言

目前，网络学习技术和应用还主要集中在如何运用多媒体网络技术突破传统教学的时空限制这一基本问题上，而在如何满足学习者个性化自适应学习需求方面还很欠缺。能否根据学习者的个性特征设计自适应的学习策略并提供合适的学习内容是决定学习效率的关键。因此，人们逐渐开始探究网络学习的个性化机理，以及个性特征与学习策略、学习内容之间的关系等一系列问题。

个性化网络学习逐渐成为研究的热点，研究主要集中在学习内容的个性化导航和学习策略的个性化设计两个方面。前者是指网络学习系统针对学习者的学习目标、认知水平等因素提供相应学习内容；后者则是指网络学习系统根据学习者性格、动机、偏好、风格等非智力因素确定学习环节的组织、传递和管理方法。

1 学习者模型和数据收集

学习者模型是个性化网络学习的前提与基础，是对某个或某类学习者的抽象。学习者个性挖掘过程也就是学习者模型建立与完善的过程。目前，典型的学习者模型为IEEE 1484.13 PAPI（public and private information）[1]，它从个人资料、学业、管理、关系、安全、偏好、绩效和作品集八个方面描述学习者。但由于该模型还缺少对学习者非智力因素（如性格、动机、风格等）的描述，因而还不足以作为个性化学习策略的制定依据。以现代教育理论为指导，在IEEE l484.13模型的基础上进一步引入卡特尔16种性格特征、动机模式、学习风格等对学习者非智力因素的描述，建立更加完善的、能够综合反映学习者个性与行为特征的学习者模型，从而为个性挖掘以及自适应学习策略的生成提供了基础。

2 学习者个性挖掘机理

与其他领域的数据挖掘相比，网络学习环境下学习者的个性挖掘更具有复杂性、动态性、分散性等特点。复杂性体现在学习者学习行为模式异构多样，个性模式维数较多且属性值多为数值型等；动态性体现在学习日志数据的内容不断更新；分散性则体现为数据来源广泛，不仅包括各种个性测量表，还包括系统记录的学习日志和网页内嵌机制采集的学习行为数据。简单地采用常规数据挖掘算法，会导致挖掘过程复杂度高，效率与精度低下。针对上述问题，提出个性挖掘工作机理，如图2所示。

首先，通过对样本学习者进行个性调查和日志收集，获得个性数据、行为数据以及学习策略数据，通过数据预处理对垃圾数据进行清型、整合、归约。基于粗糙集理论的个性属性归约可实现个性数据的降维，获取对学习策略影响重要程度高的个性特征属性。它依据学习者的个性属性间存在的关联关系，并鉴于各自对学习策略的影响程度有显著差别，因此约简掉那些能够被其他属性导出的属性，保留那些对学习策略影响最大的属性，如此就能达到降低个性挖掘与个性化学习策略生成复杂度的目的。数据预处理还包括日志分析中的会话识别、路径补全、噪声消除等工作。

其次，通过对网络学习行为日志进行统计和序列模式分析，获得学习行为模式；同时，对个性特征与学习策略进行粗糙集分析，挖掘出行为-策略的关联规则，此部分工作还可发现与学习紧密相关的关键个性属性，实现第二次个性属性归约，达到个性模型的进一步简化。出于个性化服务是针对具有共同个性特征的学习者群体开展的，因此还对学习者的群组划分进行了研究，采用聚类算法根据学习者个性特征的相似性计算，将学习者分为若干群组。

再次，以用户分组为目标，结合学习策略和行为模式，采用关联规则挖掘方法，挖掘个性与策略、个性与行为的关联关系，建立个性-策略关系库和个性-行为关系库。

最后，依据上述步骤建立规则库，对当前学习者的行为模式进行推理，从而自动获得学习者个性特征，为个性化学习策略推送服务提供基础。

上述过程中，个性聚类、个性模式与行为模式的关联规则分析是通过样本数据获得规则的过程，而个性特征获取则是利用行为模式与所获规则得到当前学习者个性特征的过程。需要强调的是，个性挖掘是一个反复迭代、逐步逼近的过程，随着该过程的推进，学习者个性特征（包括属件值与权重）将逐步逼近真实值。

3 个性挖掘实例

前面已经介绍了完整的个性挖掘流程。下面以我校的大学生职业生涯规划与就业指导网络学习平台为学习环境，以三个学习者的真实网络学习日志和相关数据为实例，演示“新学习者”到来时如何仅通过他们的学习行为推断其个性特征，又如何进—步为他“指点”有效的学习策略，这两个过程称之为“个性推理”和“策略推荐”。

三个学习者的UserID是14304040114、14305020202和14306300227，都是我校2014级学生，从同一批采集的数百名学习者中随机选出。他们被选中的条件很简单，首先行为日志量不能太少，其次学习者的职业生涯规划与就业指导课的成绩属于优良，这时认为学习者现行使用的学习策略至少是有效的（虽然对于其个性而言未必是最有效的），这样，通过对比分析能够了解我们推荐的策略是否“中肯”。出于对隐私的尊重，这里不能列出他们具体卡特尔16pf得分，他们的真实个性类别和学习策略使用情况如表1。在个性推理之初，新学习者的个性和学习策略都是未知的，也就是说，表l的内容是用来与个性推理所得结论进行对比的。

Step1 日志数据清理

从我校的大学生职业生涯规划与就业指导网络学习平台网站Web日志中按照UserID以时序整理出包含这三个用户在某一时段的多条动作，完成UserID的填写、动作编码、时间提取、内存编码等数据清理工作。内容编码是按照网站拓扑逐层编号形成的。

Step2 会话识别

由于网站面向注册用户，无须用户识别，帮直接进人会话识别阶段。我们规定动作时间间隔小于30分钟为同一会话，得到了这三个学习者的日志经识别后形成的会话表。

Step3 行为模式识别

该序列模式体现了“课件浏览、查询、自检、交互、评注和协同”中的行为。根据会话，匹配检查出现了哪些活动层行为序列模式和其频度，最后累加到六种行为上去。由于他们各自会话个数不同，所以最后的结果还要除以每个学习者自己的会话数。

Step4 个性推理

根据行为-个性规则“课件浏览=中，交互=中，有恒性=中”和“交互=少，评注=中，恃强性=低”，推理出他们三人的个性特征都符合“有恒性=中”，且14305020202还符合“恃强性=低”；进一步，参照五种个性特征，簇A和B的有恒性G都介于（3，8），所以14304040114与14306300227的个性类型为B；但是簇A、B和D的恃强性E都为“中”，只不过簇A的恃强性取值为4，最接近“低”，因此严格地说对于14305020202尚不能够区分他到底应该属于簇A还是B。根据这三个学习者真实的个性类别，这个个性推理结论是完全可以接受的。

Step5 学习策略推荐

依据获得的个性-学习策略规则：对簇A有“侍强性E=中，世故性N=中，语言形式策略=少”和“世故性=中，忧虑性=中，紧张性=中，管理策略=多”；对簇B有“乐群性A=中，幻想性M=中语言形式策略=少”和“NOT（怀疑性L=中） 情感策略=少”。所以，对于14304040114与14306300227两位学习者，既然已推断他们为B类学习者，则不能推荐他们使用语言形式策略和情感策略，否则他们需要付出很多的努力来克服自己“容易烦恼忧虑、容易激动和受环境支配而心神动摇”的天性，使得学习的过程事倍功半；应该推荐给他们另外三种学习策略：{管理策略、语言功能策略和交际策略}。

对于学习者14305020202，策略推荐要求为：语言形式策略=少，管理策略=多，情感策略=少，即给他的策略推荐集合为{管理策略，语言功能策略，交际策略}。

4 结束语

通过由学习行为到个性类别的“个性推理”阶段和依据个性特征提供学习策略建议的“策略推荐”阶段的演示，从随机选出的三名学习者例子可以看出，在这两个阶段都能获取较理想的结果，在一定程度上说明了个性挖掘机理和三个关键步骤的有效性。只要有一定量的学习行为日志就能够向学习者提供较佳的个性化推荐服务。

参考文献：

[1] 刘均，李人厚，郑庆华.网络学习中学习者个性挖掘方法的研究[J].西

安交通大学学报，2004.38（6）：576-579

[2] 钱晓东.数据挖掘中分类方法综述[J].图书情报工作，2007.51（3）：

68-71

[3] 史忠植.知识发现[M].清华大学出版社，2002.

[4] 粟湘，焦微玲，吴沛.Web挖掘应用研究[J].信息系统，2005.28（6）：

651-655

[5] 黄永光.基于网页挖掘的搜索引擎若干技术的研究[D].哈尔滨工业大

学工学硕士学位论文，2006.