浅谈网络教育领域的自适应推送系统

谢洵

（北京邮电大学网络教育学院，北京100088）

浅谈网络教育领域的自适应推送系统

谢洵

（北京邮电大学网络教育学院，北京100088）

随着网络学习资源的空前繁荣及未来学习资源的进一步开放共享，海量资源的过滤和选取将成为学习者的一大困扰。快速发现有用信息的工具主要有搜索引擎和推荐系统两种。前者需要学习者主动提供准确的

来寻找信息；后者则通过对学习者的背景、偏好、认知状态以及交互状况信息的采集、分析，主动为学习者推荐信息。自适应推送将综合利用这两种工具，对学习者的行为和需求进行分析和预测，实现资源对于学习者的自适应，从而为学习者构建起个性化的学习环境。

自适应；推送；推荐；个性化

一、引言

《国家中长期教育改革和发展规划纲要（2010-2020年）》中提到我国教育的战略目标是“到2020年，基本实现教育现代化，基本形成学习型社会，进入人力资源强国行列”，为了实现这个目标，要求“继续教育的参与率大幅提升，从业人员继续教育年参与率达到50%”，即从业人员继续教育将从2009年的 “1.66亿”增长至2020年的“3.5亿”。这样大规模的继续教育将依托各类网络教育来实现。如何为这些能力水平、年龄结构、学习风格等特征各异的学习对象提供适合的学习内容和服务，灵活适应他们多样化的学习需求，确保学习热情的保持和学习的发生就显得非常重要。当前，网络课程资源极大丰富，仅仅是在线高等教育，大规模在线开放课程、国家精品课程、大学视频公开课等就足以让任何一个学习者眼花缭乱，无所适从。自适应能够较好地解决资源和学习者特征的匹配问题，提升学习者获取资源的效率，成为了在线教育的理想状态和发展趋势。

二、自适应推送

1.概念

自适应推送是指系统捕捉、判断学习者的特征、行为及其变化，自动为学习者匹配相应的资源，并以学习者能够感知、理解和选择的方式进行呈现。

2.特征

（1）以学习者为中心。尊重学习者的知识基础、学习风格和学习习惯，帮助、引导学习者形成自己个性化的学习路径和学习资源，保护学习兴趣，提高学习效率。

（2）自适应。系统内规划相应的规则和算法，依据学习者的学习特征和行为及其他学习者的特征和行为，自动为学习者匹配和推送学习资源和学习路径。

（3）路径优化。教师规划的初始路径作为参考路径，后续学习路径由学习者和系统依据学习者的基础和学习进程相互作用形成，更符合学习者需求。

三、相关研究领域

1.智能教学系统

智能教学系统是一种借助人工智能技术，让计算机扮演教师的角色实施个别化教学，向不同需求、不同特征的学习者传授知识、提供指导的适应性学习支持系统[1]。适应性学习支持系统是智能教学系统与适应性超媒体系统在网络环境下发展的融合。其目的就是要实时地把握学习者的经验基础、认知结构、认知风格、兴趣爱好等方面的信息，据此提供学习者在当前状态下学习新信息时最适合的学习内容、学习策略、学习支持以及最佳的知识基础等[2]。可以说，自适应推送是智能教学系统的一个发展方向。

2.教育数据挖掘

教育数据挖掘主要关注开发探索教育情境中产生的那些独特类型的数据的方法，并且使用这些方法来更好地理解学习者和他们学习的情境。主要的挖掘方法可分为五类：统计分析与可视化、聚类（聚类、离群点）、预测（决策树、回归分析、时序分析）、关系挖掘（关联规则挖掘、序列模式挖掘、社会网络分析）、文本挖掘[3]。教育数据挖掘强调将学习简化为能够被分析、且随后能够被软件所影响从而适配学习者的成分[4]，是自适应推送系统的重要基础之一。

3.推荐系统

推荐系统就是自动联系用户和物品的一种工具，它能够在信息过载的环境中帮助用户发现令他们感兴趣的信息，也能将信息推送给对它们感兴趣的用户。推荐算法的本质是通过一定的方式将用户和物品联系起来。个性化推荐的成功应用需要两个条件，第一是存在信息过载，第二是用户没有明确的需求。[5]当前个性化推荐系统的研究相对集中在商业领域，自适应推送强调基于教育领域对推荐技术的应用，其指导思想、应用环境、评测指标、推荐解释等与商业领域均不尽相同。

4.学习分析

学习分析是以理解和优化学习及其发生的环境为目的，对学习者及其所处情境的数据进行测量、收集、分析和报告。[6]新媒体联盟认为，学习分析是以评估学业成就、预测未来表现、发现潜在问题为目的，对学习者产生和收集的大量数据进行阐释的过程，旨在应用数据分析为教育系统的各级决策提供参考。[7]学习分析与自适应推送的侧重点不同，除了共同关注的产生适应性学习内容外，学习分析还重点关注危机学习者干预和决策支持等，相对关注的范围更广，指导决策的层级也更加丰富。

四、相关研究现状

国外的一些自适应学习系统主要依据学习者的学习风格、知识背景和兴趣，以及学习者的学习信息和行为构建学习者模型，通过个性化推荐或自适应导航提供个性化的内容呈现、教学活动、学习环境、学习者评价等，并以某种方式进行展示或标注。[8]

美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》报告认为，自适应学习系统和个性化学习属于教育数据挖掘和学习分析的高级应用，是教育大数据相关研究的终极目标。[9]典型的自适应学习系统包括六个组成部分：①内容管理，提供个性化的学科内容和评价。②学习者学习数据库，存储基于时间标记的学习者行为。③预测模型，联合人口统计数据和学习者行为数据来进行追踪和预测。④报告服务，为各类使用者提供可视化反馈。⑤适应性引擎，根据学习者的表现水平和兴趣发送材料，确保后续学习的提高。⑥干预引擎，允许干预或改写自动化系统以更好地服务学习者。

国内的研究从理论、模型、原型到系统相比于国外并没有大的突破。余胜泉提出适应性学习模式的关键环节是：学习诊断（学习能力、认知能力）、学习内容的动态组织（根据学习历史、认知风格）、学习策略（传授式、探索式和协作式）。[10]谢晓林等提出适应性学习系统包括运行层（含适应引擎）和存储层（如图1）。姜强认为研发自适应学习系统的关键在于用户模型和领域模型。依据学习风格和知识水平进行了用户建模，利用解释结构模型法和本体技术进行了知识建模。[11]

图1　适应性学习系统的体系架构

上海交通大学檀晓红等认为 “个性化导学系统”应包含：初始知识域建构模块、个性化的知识域生成模块、个性化的学习路径生成模块、历史学习记录模块、知识结构水平评估模块和个性化学习资源推荐模块。[12]系统的设计以知识点为核心，根据对学习者学习行为数据的分析和学习效果的测试，判断其知识结构和水平，从而进行相应的学习资源和同学推荐。

总的来说，对于自适应系统，研究者关注了学习内容、学习内容的存储、学习内容呈现的对象、学习内容呈现的依据、学习内容呈现的规则和学习内容呈现的方法。[13]这些研究具有很好的启迪和指导作用，然而，还有一些问题需要进一步深入研究，比如：①由于用户行为的复杂性和其所处环境的噪音等，用户模型的构建通常不存在通用的建模方法，如何提取用户最核心的要素加以描述和表示？②不是什么样的资源都能直接进行匹配，资源的构建、存储和提取都是值得深入研究的问题，这也是制约自适应系统研究大多处于理论层面的重要原因。

五、推荐系统的研究现状

推荐系统当前主要用于电子商务、音乐、视频网站，社交网络、个性化阅读等领域。利用用户行为数据、用户标签数据、上下文信息（时间信息、地点信息）、社交网络数据等对用户的兴趣、行为进行预测，从而进行物品或好友的推荐。目前主流的推荐系统有表1中的三类。

每种基本方法都各有利弊，有的存在数据稀疏性和冷启动能力问题，有的存在放大效应问题，同时，没有一种方法能够充分利用所有的信息。构建一种混合的系统，结合不同算法和模型的优点，克服相应的缺陷和问题，不失为实践中的解决办法。[14]

六、网络教育系统的特征

网络教育系统与商业系统相比，用户特征集中，数据来源明确，其所应用的教务管理系统和教学管理系统为学习者特征数据的采集提供了很大的便利，能够做很多相关的设计。比如杨曼等就曾应用学习者的学习时间和进度数据，平台、课程的登录频率及时间，提交作业的百分率，发帖情况等来构建学习者的学习能力评价模型，判断学习者的学习时间管理能力、学习态度、学习效率等[15]。而且，网络教育系统学习者相对比较稳定，服从性和参与度较好，通过一些教学、教务管理功能的设计，可以诱发更多的学习（行为）数据。并且可以通过测试、问卷等方式获取和印证更多的特征。

表1　推荐的类型

网络教育系统的资源匹配能力与所采用的教学系统及课程组织形式紧密相关。例如，贺媛婧依托Moodle平台中的学习者学习记录，通过个性化的推荐技术预测学习者对学习资源的兴趣度，然后按照兴趣度从大到小进行资源推荐。[16]事实上，平台推送的资源可以有三个层次：方案级、课程级和内容级。从某种意义上讲，推送课程级资源相对比较容易。然而，推送内容级资源可能是学习者在学习过程中最需要也是最难的。需要课程本身的设计是模块化的，并且知识点相互关联。只有在资源设计中埋下了行为选择的可能，依托平台的支撑才能够实现内容级资源的推送。余胜泉等基于学习元平台的生成性课程设计与实施就是在这个方向上的实践。[17]在平台功能的支撑下，通过学习活动的设计，学习者个性化的学习行为才能得以显现。

七、自适应推送系统的设计

基于网络教育领域的特征，其自适应推送系统的设计可以从以下三方面着手：学习者特征、资源特征以及推送算法。建立算法的前提是由平台系统和资源端配合提炼出学习者个性化的学习行为。

从网络教育的教学教务管理平台中可以获取学习者的统计特征、偏好特征、知识特征和目标特征，学习系统可以读取、测量和记录学习者的行为特征，综合起来，可以形成学习者特征模型。因为网络教育教学一般按照地域、年级和专业来组织，学习者具有一定的共性特征，可以采用基于用户的算法（比如协同过滤算法），通过借鉴相似偏好的其他学习者的选择来为当前学习者进行课程和内容的推荐；考虑到网络教育的学习者具有可交互性（比如为学习者提供搜索功能、提供多路径供选择或做问卷调查等），也可以采用基于知识的推荐来为学习者选择推送的课程、内容或学习路径。

对一门课程的内容或学习路径做推荐，需要将课程资源模块化处理。一方面对资源的特征、属性进行标注（基于人工或借助语义技术）；另一方面对资源的呈现做设计，依托平台功能为学生提供展现行为偏好的机会。以北京邮电大学《互联网技术》课程为例，课程设计了三条彼此相通又各自独立的学习路径，在课程学习的任何环节，都可以快速切换，灵活选用。“循序渐进”路径按照知识的内在逻辑顺序和学习者认知能力发展来呈现学习内容，适合初学者；“个性选择”路径按照知识的脉络提供，强化了知识的关联关系；“学以致用”路径按照主题、任务组织知识，增加了学习者问题解决的体验。

1.“循序渐进”路径

在循序渐进路径中，保证知识点的覆盖度，标示重难点，记录学习者的学习进度（见图2）。

图2　循序渐进

2.“个性选择”路径

在个性选择路径中，采用图形化的无序树形导航（见图3）。导航可进行展开、收缩交互操作，同时，支持知识点的名称检索，充分展现学习者个性化特征。

图3　个性选择页面

（1）学习者可以按照感兴趣的内容逐层进入。了解每一个知识点在知识体系中所处的位置和关联关系。

（2）也可以通过检索，从检索结果中找到自己感兴趣的内容，直接进入学习。

3.“学以致用”路径

在学以致用路径（见图4）中，以“实战、实效、实用”为目的。比如局域网的组建，示范按照局域网的生命周期进行设计，对步骤、流程进行讲解，对操作细节进行演示后，提供实际企业案例，设计组网任务。

图4　学以致用页面

通过记录学习者在不同路径上的学习行为，可以较好地识别学习者的个性特征，成为了下一步自适应推送的有效铺垫。比如，个性选择路径，可以得到学习者相应知识点的学习状态，为他推送相关知识点。对于选择学以致用路径的学习者，可以为其推送其他相关知识领域实操为主的课程等等。

在网络教育领域，自适应推送系统的应用符合以学习者为中心，服务学生个性化需求的目标和趋势。但自适应推动系统的成熟需要学习者、资源和算法三个方面研究的共同进步。对于网络教育来说，资源的设计和处理难度最大，一方面有赖于技术（比如语义技术）的进一步发展完善，另一方面，还要赖于人的投入和创造。

[1]智勇.分布式学习环境中的智能授导系统研究[D].南京:南京师范大学,2004.

[2]陈仕品,张剑平.智能教学系统的研究热点与发展趋势[J].中国远程教育,2007(10).

[3]葛道凯,张少刚,魏顺平.教育数据挖掘方法与应用[M].北京:教育科学出版社,2012.

[4]Siemens,G.,and R.S.J.d.Baker.2012.“Learning Analytics and Educational Data M ining:Towards Communication and Collaboration.”NY:Association for Computing M achinery,252-254.

[5]项亮.推荐系统实践[M].北京:人民邮电出版社, 2012:6.

[6]Siemens,G.Knew ton-the future of education?[EB/ OL].http://www.learninganalytics.net/?p=126.

[7]The New Media Consortium.Horizon Report：2013 Higher Education Edition.

[8]姜强.自适应学习系统支持模型与实现机制研究[D].长春:东北师范大学,2012.

[9]U.S.Departmentof Education，O ffice of Educational Technology.Enhancing Teaching and Learning through E-ducational Data M ining and Learning Analytics[DB/OL]. http://www.ed.gov/edblogs/technology/files/2012/03/edmla-brief.pdf.

[10]余胜泉.适应性学习——远程教育发展的趋势[J].开放教育研究,2000(3).

[11]谢晓林,余胜泉,程罡,黄烨敏.网络教学平台的新发展[J].开放教育研究,2007(10).

[12]檀晓红,申瑞民等.网络教学中基于非零起点的个性化导学系统（专利）[D].上海:上海交通大学,2007.

[13]陈品德.基于W eb的适应性学习支持系统研究[D].上海:华东师范大学,2003.

[14]Dietmar JannachMarkus Zanker,Alexander Felferning Gerhard Friedrich(著),蒋凡(译).Recommender Systems:An Introduction[M].北京:人民邮电出版社,2013.

[15]杨曼,勾学荣,李建伟.基于网络在线学习的学习能力评价模型研究[J].北京邮电大学学报(社会科学版), 2011(1):13-19.

[16]贺媛婧.个性化推荐技术在Moodle学习平台的应用研究[J].中国教育信息化,2015(4):86-88.

[17]余胜泉,万海鹏,崔京菁.基于学习元平台的生成性课程设计与实施[J].中国电化教育,2015(6).

（编辑：鲁利瑞）

TP393

A

1673-8454（2016）22-0090-04