基于远程教育的个性化知识服务研究

2017-01-17姬昊

东方教育 2016年8期

姬昊

摘要：随着因特网的广泛普及和网络应用规模的不断扩大，用户可以便利的从网络中获取丰富的信息资源，用户和网络之间的信息通信、相互交流也变得越来越普及。然而，在这种便利的教学模式下如何进行高效的学习受到了越来越多的关注。当前常见的远程教育系统模式单一，使得用户只能被动的接受基本一致的学习内容，而缺少较好的个性化知识服务，导致教育资源利用效率低，影响教学质量。本研究旨在对远程教育的学习用户制定群体聚类的个性化知识服务体系。研究实现核心思想为根据用户在远程教育系统使用过程中归纳的群体性相似学习特征，建立带反馈机制的个性化知识服务模式，从而提高远程教育的教学质量。

关键词：远程教育；知识服务；个性化推荐；神经网络

1 引言

随着因特网的广泛普及和网络应用规模的不断扩大，用户可以便利的从网络中获取丰富的信息资源，用户和网络之间的信息通信、相互交流也变得越来越普及。在这种情形下，教育从业者们思考着将网络中的一些笼统的资源转化成特定的教育资源，同时用户从网络中获取资源信息的行为实质变成一种类似学生学习式的知识获取，这样远程教育理念就应运而生了。

1.1 研究现状

目前，由于远程教育的规模发展迅速，服务对象的规模日益增大[1][2]，导致远程教育的规模与质量间的矛盾提议增大。因此，个性化的学习服务已经受到了国内外众多学者的广泛关注[3][4][5][6]。

在此背景下，我们提出了一种通过对远程教育用户的行为分析来实现对不同用户的个性化知识服务模式。这种模式是解决用户需求个性化和教学资源单一化这一矛盾的有效方案，将会大大提高远程教育的服务质量。通过对用户学习能力、个性差异以及学习状态的相关大量数据进行分析，研究用户的行为习惯与兴趣，从而根据用户的实际需求为用户提供更合适的资源，来实现最优化、最高效的学习策略。同时，学习过程中增加了更多的人机交互、人人交互，能够激发用户在学习过程中的最大热情，进一步提高远程教育的教学质量。

1.2 个性化服务

个性化服务是指学习环境、资源通过智能适应学习者的个性特征和知识水平，以满足学生个性化需求的学习过程。在这种学习模式下，学习是根据自身已有的知识水平和资源系统进行交互并获取知识、提升能力的过程。在这个过程中，学生可以自主选择学习策略、自主制定学习计划、对自身的学习进行评估并控制整个学习过程。个性化学习重点强调学习环境的适应性，创设个性化学习环境，最大可能地适应不同学生的具体情况。

2 个性化知识服务设计

基于用户行为分析的个性化服务的在线学习系统，要求根据用户的个性特征、学习行为等，动态地生成个性化教学策略来组织与呈现最适合用户特征的学习内容。系统以用户为中心，建立用户模型来表示用户的特征，在构建用户模型，收集用户特征时，可以首先采用线上、线下调查或激励用户完善个人基本信息的方式收集用户信息，为个性化服务过程设计提供数据。此外，系统应充分关注知识概念间的语义关联关系，以便更智能、更全面地为用户提供个性化的资源内容。

2.1 服务模型构建

用户可以向推荐系统主动提供个人兴趣偏好信息，包括用户的显式信息和隐式信息，推荐系统自动将用户的个人偏好相关信息存储到偏好信息库中，推荐引擎通过查询偏好信息库和资源数据库中的相关数据，提取知识库中的用户访问模式信息，利用相应的个性化推荐策略，向用户提供个性化的资源推荐。

2.2 系统总体架构设计

系统的设计遵循以下几条主线：随时掌控用户的学习情况，全程跟踪其学习进度与教学目标的达成程度；向学生推荐符合其兴趣偏好的学习资源。此外，系统还应该具备其它个性化学习系统所具备的特征。

（1）数据存储层。

主要用来存取学生、学习资源等数据信息，为学习提供教学数据支撑，为生成个性化教学策略提供学生的个性化信息；提供领域知识的信息。

（2）个性化控制层。

个性化控制层是整个系统的中心环节，协调各模块的行为。它根据数据存储层的数据信息生成个性化教学策略、合适的教学序列，控制教学进度与表现过程。

（3）学习层。

学习层包括个性化学习和学习评价两部分，其中个性化学习包括学习测试与资源学习两个模块，这两个模块是根据个性化控制层返回结果生成的。这一层提供学生与系统的直接交流。学习评价是系统对学生学习情况的诊断反馈信息。

2.3 个性化推荐策略

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的[7]。

一个神经网络模型描述了一个网络如何将它的输入矢量转化为输出矢量的过程。通常情况下，神经网络模型由神经元特性、拓补结构和学习方法三个元素组成。

应用BP神经网络的构建方法进行分析，得到网络结构各参数分别为：输入层：4节点；隐含层：4节点；输出层：1节点。制定知识影响度BP神经网络个性化推荐策略。

2.4 工作流设计

3 应用与分析

3.1 应用

以西安电子科技大学网络教育课程建设、陕西省人力资源和社会保障厅专业技术人员继续教育资源学习为重点开展相关研究活动，获取在线学习相关资源；根据研究和调研情况实施个性化方法与实施方案。

行为分析模块实现对目标用户的职业预测，通过应用行为分析模型对用户行为进行分析。首先，统计目标用户群体，结果如图4所示。

结果统计模块是应用分析结果进行数理统计，为管理人员提供直观的分布数据，以进一步为方案制定做准备。分布统计以职业为标准，对不同职业类别的用户进行统计，可视化的方法显示出不同职业的用户分布，如图5。

结果分析模块是指针对获得职业特征后的用户，在已知职业信息的基础上，结合用户的其他属性信息，分析用户的兴趣、性格等特征。该模块的实现分为两部：首先提取用户的显性特征，包括星座、性别、属相、年龄等，如果用户的注册信息中没有该项目，则通过字段提取分析的方法取得用户的显性属性特征；然后结果用户的隐性特征职业进行分析预测，获得期望预测结果，如图6。

3.2 分析

应用测试数据对分析系统进行个性化推荐适用测试，应用计算公式计算适用率并绘制图标。设适用率为P；测试样本数为N；测试推荐适用数为R.则：

（1）

具体结果如图7所示。

4 结束语

本文提出了一种对远程教育的学习用户制定群体聚类的个性化知识服务体系。根据用户在远程教育系统使用过程中归纳的群体性相似学习特征，建立带反馈机制的个性化知识服务模式。测试结果表明，该模式一定程度上可有效提高用户学习效率，提升远程教育用户学习质量。

参考文献：

[1]章东飞.试析我国远程教育发展现状与存在问题[J].成人教育，2010（012）：50-51.

[2]蒋立兵，于凌云.远程教育发展现状与存在的问题分

[3]王陆，方平，刘维民.关于学生个性因素与远程教育相关性的探讨[J].电化教育研究，2001，6：28-32.

[4]舒蓓，申瑞民.个性化的远程学习模型[J].计算机工程与应用，2001，37（9）：90-92.

[5]韩玲.远程网络教学中学习者行为间隔的量化分析与反思[J].中国远程教育，2005（06S）：44-47.