转基因学习：构建基于规则、适合大规模招生的e—learning推荐模型

丹尼尔·布尔戈斯+阿尔贝托·考比

【摘 要】 目前，教育技术领域的各种模式和教学法没有同时考虑正式学习和非正式学习。推荐系统通常只把正式环境下的活动（比如作业、成绩评定等）作为其输入参数进行储存、跟踪和检索，没有把每一个用户的非正式活动（比如在社交网络上的活动和持续性评估活动）有效结合起来。此外，学习领域的教学辅导系统通常只是建立在内容过滤和其他学生的协作的基础上，这进一步削弱了辅导教师的关键作用。最后，大规模公开在线课程（MOOC）和小规模非公开在线课程（SPOC）已经成为结合正式和非正式环境的教育模式的重要组成部分，在每一个用户的学习路径中发挥关键作用。教育需要通过我们称之为“转基因学习”的破坏性方法促进教与学过程的提升。我们可以通过利用用户的行为和交互信息以及辅导教师高效监控和个性化咨询服务改进每一个用户的学习表现。本文提出一种适合公开和非公开社交网络以及学习管理系统的个性化e-learning推荐模型LIME，这种模型能支持“转基因学习”，尤其适合大规模招生的课程和大数据集。文章还详细介绍了根据这个模型研发的框架和软件原型iLIME，以展示LIME模型是如何独立于学校所使用的学习管理系统运行的。文章最后介绍了一个案例，该案例是以面向全校实施一门慕课教学为背景在Apereo Sakai CLE 2.10-svn环境下运行这个模型。文章还讨论了技术问题和挑战，并提出解决方案，目的是为了能实现在真实学习环境下运行iLIME，向学习者提供基于LIME的推荐。

【关键词】 转基因学习；非正式学习；大规模公开在线课程（MOOC）；基于规则的推荐系统；学习工具互操作性（LTI）

【中图分类号】 G420 【文献标识码】 B 【文章编号】 1009-458x（2017）07-0005-11

导读：西班牙拉里奥哈国际大学（Universidad Internacional de La Rioja）是一所公立高等教育学校，2008年经西班牙教育部批准获得学位授予权。它自称是一所100%在线大学，一所新概念在线大学；学生来自79个国家，是一所名副其实的国际大学。拉里奥哈国际大学每周提供1，350个小时实时在线教学，此外学生还可以在线观看教学视频，参加实时答疑活动，聆听由专家主讲、与课程相关的专题讲座。学生入学后即能够通过电话、电子邮件或亲临校园得到个人辅导教师的指导和帮助。该校的使命、办学理念和办学模式决定了技术必然在其教学、管理和学习支持等方面发挥关键作用。

因此，在大规模公开在线课程（MOOC）开始风靡全球之初，该校研究人员已经敏锐地意识到“大规模”与体现教育教学精髓的“个性化”这二者间的矛盾并着手开展研究。作为主管研究和技术的副校长，丹尼尔·布尔戈斯教授是领头人。布尔戈斯教授同时还是联合国教科文组织e-learning教席和国际远程开放教育理事会开放教育资源教席，又是一位真正跨学科学者（获得四个学科领域的博士学位），理论底蕴深厚，实践经验丰富，科研硕果累累。早在2013年他便提出了个性化e-learning推薦模型LIME，即Learning （L）（学习）、Interaction （I）（交互）、Mentoring （M）（指导）和 Evaluation （E）（评价），①并开展相应的教学实验，经过初步的实践验证，最终研发了iLIME这种“适合云学习环境（SPOCs或MOOCs）、辅导教师/教师人工操作、基于规则的推荐系统”。这个系统是在吸取同类系统经验教训的基础上研发的，很多推荐系统向用户推荐的建议“通用性”有余而“个性化”不足，辅导教师的助学角色严重弱化和边缘化，这显然有悖于经过实践证明是行之有效的教学原则，①任何希冀“以通过实现教学自动化从而取代教师为目标”之企图都必将徒劳无功，因为这从根本上与教育教学的特点和规律背道而驰。②

教育环境今非昔比，学习活动已经不再局限于在物理意义的校园、教室和图书馆里进行，学习资源或者说需要学习的东西已经不再局限于“钦定”教科书，学习时间也已经不再局限于“课程表”之类的时段。因此，作者提出“我们需要把转基因生物这个概念引入教与学之中”，以应对时代的挑战，尤其是在实现正式学习活动与非正式学习活动的融合和“课内课外资源巧妙的结合，以及利用正式教学大纲以外能服务教学目标的丰富额外资源更新业经认证的内容”等方面，我们更是需要“教育的转基因方法”。

作者认为“正式和非正式学习相结合能够构建提升用户表现的生态系统”，e-learning平台也提供大量非正式学习和社会交互活动，而非正式学习活动对于招生规模庞大的那些在线课程或课程网站而言更是一种常态，如果我们希望能够客观了解和评价学生的真实学习情况，如果我们希望能够及时向学生提供符合他们学习实际的改进建议，如果我们希望能够最大限度激发学生的学习潜能，那么我们就不能对非正式学习和社会交互活动置之不理。LIME模型的提出以及iLIME推荐系统软件的研发正是以这个大背景为出发点的。

文章第三节简要介绍LIME模型的基本情况，第四节则从五个方面阐述LIME模型的软件实现指导原则，第五节以iLIME在一个学习管理系统上的实现为案例，讨论在这个过程中所面临的各种技术问题，以及所做出的选择和让步，“为下阶段独立于学习管理系统的实际部署（包括大规模公开在线课程引擎）铺路”。

iLIME的最大特点是给教师和辅导教师赋权，从而大大提升所推荐的学习建议的个性化水平。在使用这个推荐系统的时候，教学人员可以根据课程特点、教学目标和学习进度设计规则集，分配不同活动和设置（即正式和非正式的比值）的权重，配置相应的输入项目和监控策略，从而提高所推荐的学习建议相对于学习者个体的适切性。

诚如文章最后所指出的，iLIME推荐系统还有待在更大范围和更大规模环境下进一步验证，与此同时，也还可以从几个方面对其进行改进。但是，我们认为这个模型的理念符合教育教学规律，有助于促进技术与教育的深度融合，值得我们学习借鉴。

最后，特别值得一提的是第一作者布尔戈斯教授，在日程安排十分紧张的情况下接受我的稿约并如期完成此文。他在越洋航班上把文章初稿发给我，并在旅途公务之余完成文章的修改。衷心感谢两位西班牙同行对我们的支持！（肖俊洪）

破坏性学习和转基因学习

转基因生物（Genetically Modified Organisms）是一种通过人工修改DNA以产生新生命或食品的技术，这种技术颇具争议（Apolinario， 2015； Burton et al.， 2001； Millis， 2006）。引入外来破坏能导致某一个物种发生显著变化，犹如是这个物种自然进化的一部分。物种自然进化过程适应了外来干预，于是增加一种额外性状，比如某种植物变得更能抵抗恶劣气候或灾害，在某种谷类里面添加了一种它原本没有的维生素，或修改人类蛋白质。这种外来干预在诸多方面有悖于常理，比如道德、科学、社会和经济等方面，不一而足。然而，既然存在这种技术，如果能得到恰当应用，它会成为人类进步的新源泉。

今天，教育总体上看需要破坏性推动力（Collins & Halverson， 2010； Wrigley， 2009）。如果我们仍然沿用两千年来的教与学方法；如果我们仍然采用一千年前的学术结构；如果我们仍然强调二十世纪初的教学方法；如果我们仍然使用因特网兴起之前的资源——如果真的是这样，那么我们必将错失过去二十年给我们带来的一切有利机会。我们必将无法掌握新的、经过改进的、个性化的教与学方法，无法提高效率，无法表现得更好，无法更加享受用户体验，无法提升能力和技能。此外，我们有必要改变教育领域发展缓慢、跟不上形势的局面。在当今社会，年轻人和技术员、大众传媒和娱乐业在应用技术方面遥遥领先于技术在从幼儿园到大学的课堂中的应用。

我们现在有开放教育资源、大规模公开在线课程（Massive Open Online Courses，简称MOOC）、虚拟现实、增强现实、情绪智力（Emotional Intelligence）、个性化学习、学习分析技术等种类繁多的资源、服务和方法，这些都可以作为教育的补充，提高教育质量，促进教育发展（McGreal et al.， 2013； NMC， 15）。我们需要一种激进的创新，设计一种新范式，以此作为对现有教育范式的补充，才能与时俱进，跟教育体系利益相关各方（学生、教师、教授、辅导教师、家长等）一起进步，而不是落后于他们。我们需要把转基因生物这个概念引入教与学之中，换言之，我们需要教育的转基因方法，使得教育能更快发展，能更加适合具体的实际目标。这是一个复杂的挑战，而且具有强制性和紧迫性。

这个挑战最难把握的是处理好以下几方面的关系：非正式教与学和日常服务与正式课程和学位专业恰到好处的融合；课内课外资源巧妙的结合；以及利用正式教学大纲以外能服务教学目标的丰富额外资源更新业经认证的内容（Dabbagh & Kitsantas， 2012； De-la-Fuente-Valentín et al.， 2013）。

大规模公开在线课程环境下的

正式和非正式e-learning

正式学习指学校或高等教育机构的常规课程，而非正式学习则发生于课外，大学的学习管理系统之外或正常面授课之外。正式和非正式学习相结合能够构建提升用户表现的生态系统（Burgos， 2013）。目前在e-learning校园和平台上，非正式学习和社会交互越来越受重视。大规模公开在线课程也不例外（Bry et al.， 2014）。在普通的在线校园，学生现在有各种各样社会交互和小组协作的选择，比如在论坛上提问或回答问题，自己发起活动，创建自己的网站或维基，邀请别人参加，点评他人工作，把课外资源融合到自己的知识库，填写问卷，与教师一起参加Web实时通讯（WebRTC）活动等等。小规模非公开在线课程（Small Private Online Course，简称SPOC）和各校的学习管理系统（Learning Management Systems，简称LMS）已经做到能够在非常普通的环境下提供几乎是无穷无尽的机会，至于招生规模庞大的x/c型大规模公开在线课程（x/cMOOC）中，非正式学习机会更是呈几何倍数增长。

考虑到这个背景，我们设计和研发了一个概念性个性化学习模型LIME，即Learning（L）（学习）、Interaction（I）（交互）、Mentoring（M）（指导）和 Evaluation（E）（评价）。我们将在下文阐述为什么它们是正式和非正式环境下任何学习情景的四大支柱。我们的模型通过一种简单而又细致化可配置规则的系统向学生提供自适应教学辅导和支持，学生以及他们的交互情况通过e-learning平台进行监控，平台能高效收集必要的输入信息（Burgos et al.， 2007； Rocchio， 1971），比如行动、决定、分数、交流等。我们通过结合规则，跟踪数据，分类和设置，最终为学生提供个性化的学习咨询服务。

本模型还借鉴其他在线教育推荐系统的优点（Linden， Smith， & York， 2003； Marlin， 2003），將以下三个方面授权给教师/辅导教师/管理人员负责：

设计规则集；

分配每一种活动类型和设置所占分值的百分比；

据此配置站点输入项目和监控策略。

简而言之，LIME是一种教师辅助的学生指导框架，如同其他推荐系统一样，其目标是提高学习效率（Chen & Magoulas， 2005； Ghauth & Abdullah， 2010； Kerkiri， Manitsaris， & Mavridou， 2007； Romero et al.， 2003）。本文提出一种个性化辅导模型，尤其强调兼顾正式和非正式学习环境。由于我们的推荐模型让辅导教师享有课程特点、目标和进度等方面的绝对控制权，我们相信这个模型既适合小规模非公开在线课程（SPOC）也适合大规模公开在线课程（MOOC）。这种控制是根据学习者监控信息、活动类型和权重为参数制订合适的自定义规则而实现的。最后，从技术角度看，LIME作为一种软件插件旨在服务招生规模大、学习参与者众多的云端校园和大规模公开在线课程。

LIME推荐系统

2013年我们提出LIME模型（Burgos， 2013），这个模型由三项教学活动组成，任何一个阶段的教育都离不开这三种活动：

学习（Learning）：学习者吸收知识、建构知识的活动；

交互（Interaction）：建立关系，参加活动和开展学习交流，促进知识和技能的掌握；

指导（Mentoring）：教师或辅导教师认为重要的辅导活动。

此外还有一种贯穿于各种活动中的活动：

评价（Evaluation）：正式评分（测验、考试、作业等）。

教师或辅导教师必须为自己的每一门课程设计一种教学策略，即：

设置（Setting）：正式和非正式比例的平衡。系统收集具体的正式和非正式活动输入数据，按照百分比设置两种活动的权重。比如，如果设计者希望所有活动是正式的，那么要把正式和非正式比例设置为：100% - 0%。

种类（Category）：学习、交互和指导三者的平衡。LIME模型的每一种活动都被赋予一个具体权重，比如，如果个人活动和小组活动同等重要，无须指导，那么三者的平衡是：学习（50%）- 交互（50%）- 指导（0%）。

输入（Input）：列出每一种活动需要输入的具体指标和权重。每一项输入应该反映学生在学习平台上的一个具体活动、做过的一件具体事情、获得的一个分数或结果。

后文图3b是用于某一个站点的模型配置例子。辅导教师可以根据这些成分的具体要求人为定义推荐规则并设置参数，一旦涉及种类、输入和设置的条件得到满足，系统会自动发出推荐。由于输入可以包括正式和非正式活动，从成绩评定到在集成的Messenger或实时通信工具上的非正式聊天均可被列为输入项目，因此，我们能够跟踪用户课堂内外的活动。

由此可见，LMIE是一种适合云学习环境（SPOCs或MOOCs）、辅导教师/教师人工操作、基于规则的推荐系统。这也是它跟其他系统不同之处（Lenoy et al.， 2013； Sielis et al.， 2011）。

LIME模型的软件实现指导原则

LIME是作为一个具体的e-learning平台的插件运作的。常规学习管理系统与LIME插件的结合为我们提供一种能收集很多学习活动和事件数据、促进各个层面（用户、内容和服务等）交互的学习场景，而这正是我们这个模型的基础。师生均在这些e-learning站点（校园）上花很多时间，因此这些数据非常重要。

首先，我们在Sakai CLE学习管理系统上运行LIME模型。我们的主要目标之一是把这个概念设计成为类似黑盒子（black box）的iLIME软件，尽可能使之与目前最常见的学习管理系统兼容。我们对相当数量的连接器（即驱动）进行编程，每次一个，并连接上这个黑盒子，使之能跟特定学习管理系统兼容。我们把这个独立于学习管理系统以外的LIME模型称为iLIME（见图1）。具体讲，iLIME必须在以下方面跟学习管理系统相互关联（见图2）：

学生登录学习管理系统或学生和教师认为必要的时候能够便捷地向学生做出推荐；

高效监控或收集用户活动；

允许辅导教师和教师在存放他们教学内容的在线平台设置LIME模型；

由于对运算能力的要求低（包括硬件和软件两方面），因此对学习管理系统和（或）数据库服务的影响非常小。

众所周知，各种e-learning平台不尽相同，最主要的不同体现在以下方面：

用于部署环境的操作系统；

开发所用的编程语言；

后台数据库和Web服务器；

第三方信息和交换的服务、协议和界面。

由此可见，第三方应用程序与学习管理系统的结合有一定难度。幸运的是，时至今日，一些标准化团体、联盟和众多供应商一直在致力于解决这个问题。下文拟阐述我们选择哪些技术和方法解决上述问题。

（一）学习工具互操作性工具提供者服务（LTI Tool Provider）基础指南

iLIME利用学习工具互操作性（Learning Tool Interoperability，简称 LTI）基础指南（Alier， 2012； Forment et al.， 2010； Forment et al.， 2012）。LTI是教学管理系统全球学习联盟（IMS Global Learning Consortium）制订的标准，主要好处是规定了一个独立于平台的协议，据此可以把外部工具和服务添加到某一个站点或某一门课程上。IMS LTI标准定义两种融合：LTI完整指南和LTI基础指南。后者较为简单，但完全能够满足我们的需要（详见下述）。

LTI涉及两个主要角色：学习管理系统，即工具使用者（Tool Consumer）和一系列外部提供者或内容传送者，即工具提供者（Tool Providers）。LTI基础指南1.1版本有很多重要好处（Paulo & Queirós， 2011），但是iLIME用得最多的是：

集成的框架，即能够很好地将数据和信息呈现在相同的学习管理系统浏览器窗口，通常体现为可以配置大小的浮动框架或弹出窗口，有助于将工具提供者融入工具使用者窗口。虽然iLIME是一种完全不用于学习管理系统的应用程序，但是教师和学生在使用过程中几乎不会觉察到这一点。

Settings API，即能够以安全、简单且高效和灵活的方式将有价值的工具提供者信息存入学习管理系统自己的数据库。换言之，提供者的工具可以以某种独立于数据库的模式运行，将全部信息/配置存儲的要求转移给使用者（即学习管理系统）。iLIME以这种方式运行，大大简化了自己的架构。系统管理员/站点管理者必须事先设置许可。

认证，即经过目前绝大多数知名Web服务和因特网APIs（比如推特和谷歌）所使用的行业标准OAuth协议认证。由于OAuth协议的用户ID和密钥匹配，LTI工具提供者和使用者之间所有通信和会话保持机制得以妥善处理。

另外，有基本LTI支持的工具提供者能够（如果获得许可的话）：

获取全班数据，包括学生姓名和（或）电子邮件账户；

将成绩录入课程成绩册。启用这个程序后，工具提供者能够把学生使用外部工具应用程序所取得的成绩发送回学习管理系统。

我们的理念是基于事实的，即为数可观的e-learning软件部署符合IMS LTI基础指南要求或至少自身正在朝着这个方向发展。ATutor、Moodle、Sakai、Blackboard等等（Garcia et al.， 2011）均是执行这个标准的工具使用者部分的开源学习平台。

另一方面，诸如MediaWiki、WordPress和YouTube这些外部工具执行的是LTI协议的工具提供者部分，它们能够向任何符合LTI协议的在线校园提供教育内容（详见http：//www.edu-apps.org和https：//www.eduappcenter.com）。关于e-learning软件更新情况以及它们符合IMS LTI标准和协议的情况，详见https：//www.imsglobal.org/cc/statuschart.cfm。

（二）HTML5桌面级Web应用客户端

如上所述，iLIME是设计为一种LTI提供者工具的，因此它以浮动框架形式在学习管理系统浏览器窗口运行。作为HTML中的框架，它能适应任何Web技术，从纯W3C代码到更加复杂的脚本语言（Java小程序、Adobe Flash对象等等）。但是，考虑到兼容性、安全性和目前Web开发趋势，iLIME是作为纯HTML5应用程序编写的。

目前市场上有很多Web应用程序框架，我们选择Cappuccino （http：//www.cappuccino-project.org），因为它能够让我们开发浏览器窗口内的全桌面级应用程序。iLIME最重要的特点可能是包含谓词过滤（predicate filtering）。谓词用于收集项目，与W3C XQuery 或ECMA LINQ高度相似（Cheney， Lindley， & Wadler， 2013； Pardede & Rahayu， 2009； Saigaonkar & Rao， 2010）。

（三）领域特定语言轻量级后台

iLIME的多数任务发生于学生和教师使用浏览器期间。它在客户端应用和实现LIME模型（包括所有操作、修改和规则应用过程），对服务器或工具使用者的服务影响非常小（见图3b）。

由于对后台要求不高，我们决定采用现成最轻量级之一的服务器框架实现iLIME。我们选择了Sinatra（Günter & Cleenewerk， 2010），这是一个基于Ruby、轻量级领域特定的Web服务器框架（Maximilien et al.， 2007），能快速辨认HTTP 路径、参数和动词（GET， POST， DETELE， PUT）。我们为iLIME服务器编写了四条路径（见图6）：

检索学生界面：这是一种GET方法，传回iLIME学生界面，包括所有必需的HTML、Javascript和资源文件。学生界面只不过是一张推荐列表，外加某种视觉反馈（见图4）。启动这条路径时，模型参数、输入（见图3 a）和规则列表被传回浏览器，所有必不可少的步骤和运算均使用纯Javascript方式在瀏览器进行。

检索模型配置界面：这也是一种GET方法，把模型的管理主控台应用程序传回教师或辅导教师浏览器（见图5）。当学习管理系统（工具使用者）启动提供者工具时，iLIME后台根据交换的参数区分教师与普通用户（即学生）。教师和辅导教师能够在这个主控台设置模型基本变量，增加、删除或修改输入并设计应用规则。

读写某一站点的模型信息：如上所述，iLIME利用Settings API标准，允许第三方应用程序把相关数据读写在学习管理系统数据库。如果没有设置参数，这种HTTP方法（POST）把整个模型的状态传回某一课程的Web浏览器。如果是回应请求（模型设置），则数据往相反方向传送：从教师Web客户端传到能够安全保存数据的学习管理系统。

监控结果请求：LIME模型的监控过程需要学生实际表现的输入。这一监控过程以几种形式发生（详见下文）。这种向iLIME后台的查询也是一个POST请求。

我们想再次强调iLIME的一大优点：绝大多数规则应用和过滤操作发生于客户端，对服务器、大规模公开在线课程（MOOC）站点或学习管理系统的影响极小。这对于招生规模庞大、经常有为数众多的用户同时登录的在线校园而言尤为重要，因为这样一来我们可以把大规模在线课程的各种处理过程下放到数以万计的学习者个人浏览器上进行。

（四）学习管理系统为iLIME挖掘数据的方式

如上所述，我们必须向LIME模型提供学生行为、活动、分数和学习路径等方面监控信息。大多数e-learning推荐系统在某个阶段都必须面对这个问题。我们在目前第一次实现iLIME过程正在检测以下三种方法（见图7）。

HTTP服务：第一步也是最直接的方法就是使用独立于学习管理系统的Web服务和API调用。现代学习管理系统（Gonzalez et al.， 2009）通常提供能够深入底部检索所需数据的简单、巧妙、符合行业标准而又高效的方法（基本上是SOAP、RPC和REST）。这种方法有两个不足。首先，并非每一项所需的服务都是默认执行和（或）启动。这个问题不难解决。只要我们获得授权在学习管理系统上添加这些缺失的套接字或启动默认禁用的套接字即可。但是，这在很多情况下难以做到（比如在受到专利保护的云端校园环境）。

采集：Web采集包括两方面：一是执行自动的HTTP（S）请求，检索用户人工运行一个Web浏览器时浏览过的那些页面和HTML文件（Malik & Rizvi， 2011）；二是这些请求得到成功响应后，对数据进行提取、检查并编写脚本或应用于某种分析技术。大多数HTTP命令行（CLI）客户端程序/库允许认证和表单提交，这点通常能够满足我们的需要。虽然Web采集似乎是最具兼容性的机械化数据挖掘，但是我们仍然面临一个小问题，即学习管理系统和大规模公开在线课程大量利用Javascript获取资源和构建资源获取路径。在这种情况下，CLI Web客户端不能满足要求，应该以没有网页界面的浏览器（headless web browser）取而代之。这些浏览器可程式化，在无须任何用户界面的情况下运行，最重要的是，它们理解Javascript。

Experience API（xAPI）：最后一种方法是利用目前广受e-learning和学习分析技术界关注的xAPI（Kelly & Thorn， 2013）。简而言之，xAPI是自动记录学习系统上学生活动的一套标准工具和规则。这些记录统一被转移到通常在相同学习管理系统服务器上运行的学习记录仓储（Learning Record Store，简称LRS）上。毫无疑问，xAPI代表着一种捕获事件的强有力和标准化方式，将用户行动集中存放在一个地方。一些e-learning系统正在尝试融合这种功能，但这方面工作仍有待完善。目前阶段xAPI还未被用于真实的监控，但它似乎很有可能成为未来版本的iLIME的一种独立于学习管理系统的监控策略。 xAPI目前已成功用于大规模公开在线课程引擎（MOOC engines）（比如Google Course Builder），越来越多的云技术公司专注于SaaS（软件即服务）LRS技术（见图8）。

（五）规则：谓词编辑和采集过滤

iLIME的规则是采用谓词编辑器（predicate editor）设计的（见图9）。Apple推广这种工具，Cappuccino Javascript框架对其进行修改，它基本上是由一套建立在数据采集基础上的条件所组成，以此决定哪些对象通过甄别，即满足预设条件（Bosch et al.， 2009）。

这是一种直截了当编写和应用LIME规则的方法，其结果要么是空集（?）要么是非空集。如果是非空集，预设的推荐会在学生登录学习管理系统或人工启动iLIME LTI 工具提供者时发送给他/她。需要特别强调的是，谓词过滤和推荐完全发生于浏览器端。

规则应该配有推荐文字和视觉标志（见图10）说明进步情况。此外，也可以提供背景文字，解释推荐建议的性质（一般建议、学习进步建议、参加论坛讨论建议、协作程度建议等等）。

案例：在一个学习管理系统上实现iLIME

本节将介绍在Apereo Sakai CLE 2.10-svn学习管理系统上实现iLIME的情况（见图11）。

（一）Apereo Sakai CLE学习管理系统

Apereo Sakai CLE目前位居最常用学习管理系统前十名（Aberdour， 2007）。此外，Sakai还得到一个非常健康和开放的开发者社区的支持。这意味着他们经常有新产品和补丁发布，整个工程充满活力。另外，一些著名e-learning专家和负责教育领域其他相关工程的Apereo 基金会也支持Sakai。该基金会和Sakai社区内部对于这个学习管理系统是否适合大规模公开在线课程（MOOC）有热烈辩论。但是，毫无疑问，Sakai能够满足用户规模庞大的课程站点要求（Epelboin， 2013）。我们部署该款软件即将发布的SVN版本（2.10），因为它能很好地执行IMS LTI v1.1，这一点对iLIME至关重要。

（二）監控正式和非正式输入

如上所述，LIME模型需要来自监控学生过程的输入。正式和非正式行为对于学生获取推荐建议至关重要。LIME收集用户表现、用户交互和教师指导方面的证据。这些证据或输入来自于正式教学相关的活动，比如考核或评定成绩，也来自非正式背景，比如社交网络的交互。至于在Sakai上的非正式表现，如上所述可以通过三种途径收集：Web服务、LRS （xAPI）和采集。虽然Web服务API是开放和可扩展的，Sakai内置的默认服务种类不够多，无法传回大多数常见的学习者的非正式数据。另一方面，虽然Sakai已经实现xAPI客户端界面，然而目前能够在LRS储存记录的工具为数极少。

但是，Sakai本身具有作为一种非常好的站点统计和报告工具的特点，结合了发生在学习管理系统上的大量交互事件。发生非正式事件时，所有录入的活动储存在数据库字段上（比如“工具名称”“学生ID”和“日期”）。换言之，Sakai已经能够对很多种社交活动进行监控、记录和制成表格（见图12）。

通过内置Web服务无法得到这些报告，但可以通过简单而又快速的HTTP采集技术轻而易举地获得。我们在试验中利用Ruby编程语言和Gem（语言插件）Mechanize（基于Nokogiri XML解析器）（Hunter， 2013）。Mechanize作为这种语言的C-扩展（Muhammad & Ierusalimschy， 2007），这样便能快速分析XML树。这种挖掘的结果是一个带有非正式行为痕迹的JSON对象，该对象随后被封装传回浏览器。我们的脚本必须编写挖掘的目标站点ID参数和检索非正式事件的目标用户ID参数：

虽然我们把这些输入列为“非正式”类，但是这些在LIME模型上的分类由辅导教师决定。

至于正式输入，通常只给学生作业评定成绩（见图13）。基于这个假设，我们设计了简单脚本，用于采集作业列表和每一个学生的成绩等数据。此时，必须使用无界面浏览器（多亏Selenium功能测试Web服务器）（Grigalis & Cenys， 2014； Holmes & Kellogg， 2006），因为一些链接是基于Ecmascript的，普通HTTP 调用功能不够强大，无法检索相关信息（在Sakai环境下）。如前所述，这种脚本包含站点ID和用户ID参数，把包含某一个学生的作业和成绩的JSON对象传回：

（三）LTI实现情况

如前所述，Sakai CLE通过内置实现IMS Basic LTI。由于有LTI，iLIME：

在Sakai同一个窗口运行，犹如一种有机工具。学生和教师都不用把iLIME跟Sakai其他工具区分开来；

iLIME根据用户角色恰当启动和展示相应屏幕和用户界面。这是通过认证和学习管理系统与iLIME之间初始信息交换过程得以实现的；

我们的推荐系统没有在自己的数据库运行，而是利用LTI Settings API，把模型配置、规则和输入储存起来。

最后这一点，每一个课程站点都有自己的配置，与其他课程站点不同。这些基于课程的配置储存在独立数据库和可供查询的地方，只要获得读写许可，iLIME在必要的时候可以自由获取这些信息。虽然这些数据字段是VARCHAR/TEXT SQL格式化的域，我们决定把iLIME配置编写成Base64编码的JSON字符串，以便处理非ASCII 字符，这似乎是LTI基础指南（1.1版本）的局限。即将发布的LTI 2.0版本将全面支持工具提供者处理复杂和大型的Unicode JSON字符串，允许储存信息丰富的对象。另一个局限是4千字节的门槛。工具提供者被允许通过LTI Settings API（同样LTI 2.0版本将解除原有限制并增强这个门槛）保持他们的数据。JSON和Base64编码的字符串压缩算法已经被用来压缩这种数据缓存。所有这些任务都是在客户端空间执行（见图14）。

结论和今后工作

教育需要一場革命，一场充分利用市场上现成的、用户已经在使用的产品的革命。转基因方法能使教育系统及其用户有更好的表现，获得更多机会和进一步提高自身能力。

本文提出一种基于规则的e-learning推荐模型LIME。该模型把学生在在线校园或大规模公开在线课程（MOOC）环境下的活动分成四类：学习（L）、交互（I）、指导（M）和评价（E），尤其重视在课程站点或小组活动中正式和非正式学习活动的权重设置。根据教师或辅导教师的教学经验和教学判断，每一类活动和每一个设置都被赋予一个权重。

LIME的规则以对学生在e-learning平台上的（正式和社交性）活动和动作进行监控的结果为输入。辅导教师根据LIME模型对每一项输入进行分类并赋予一个载荷。启动规则的时候，模型的基本参数会给输入分配权重，然后对输入进行过滤，最后把推荐意见发送给学生。换言之，这个模型根据用户在其上的活动和使用情况向用户提供个性化指导，这是伴随学习进展的一个动态过程，使得学生在整个学习过程都能够获得稳定的教学辅导支持。

为了验证LIME模型，我们设计了iLIME框架，用以证明这个概念在作为与IMS LTI兼容的提供者工具在Sakai CLE学习管理系统上实现的有效性。iLIME旨在应用于真正终端用户和学习管理系统上，进一步优化LIME模型，提高学生的总体学习表现。本文讨论了我们面临的各种技术问题以及为了在Sakai CLE学习管理系统上实现iLIME所做出的选择和让步，同时，我们也着眼于为下阶段独立于学习管理系统的实际部署（包括大规模公开在线课程引擎）铺路。

iLIME主要是作为一种客户端Javascript应用进行设计的，因此非常适合同时服务数以万计学习者的学习环境（比如大规模公开在线课程[MOOC]）。

我们计划下阶段把iLIME部署在其他通用学习管理系统（比如Moodle和Canvas等）和x型大规模公开在线课程（xMOOC）平台上，使用自然语言处理（Natural Language Processing）（Bing， 2010）实现推荐标志自动化（积极、负面、一般等），对iLIME进行改造以适应LTI 2.0，并为Sakai学习管理系统开发一些xAPI界面。

鸣谢

本研究得到拉里奥哈国际大学研究和技术部（UNIR Research）（http：//research.unir.net）以及教育创新和技术研究院（Research Institute for Innovation & Technology in Education，简称iTED， http：//research.unir.net/ited）的部分资助。

[参考文献]

Aberdour， M. （2007）. Open Source Learning Management Systems： Emerging open source LMS markets. Epic White Paper， 2007.

Apolinario， R. M. （2015）. Genetically Modified Organisms. Scholarly & Creative Works Conference. Poster presentation. Dominican University of California. Retrieved from http：//scholar.dominican.edu/scw/scw 2015/Guz306/16/

Bing， L. （2010）. Sentiment Analysis and Subjectivity. In N. Indurkhya & F. J. Damerau （Eds.）， Handbook of Natural Language Processing （Second Edition） （pp. 627-666）. Boca： Taylor and Francis Group.

Bosch， H， Heinrich， J.， Muller， C.， Hoferlin， B.， Reina， G.， Hoferlin， M.， Worner， M.， & Koch S. （2009）. Innovative filtering techniques and customized analytics tools. In Proc. IEEE Symp. Visual Analytics Science and Technology （pp. 269–270）. VAST09.

Bry， F.， Ebner， M.， Pohl， A.， Pardo， A.， & Taraghi， B. （2014）. Interaction in Massive Courses. Journal of Universal Computer Science， 20 （1）， 1-5.

Burgos， D. （2013）. L.I.M.E. A recommendation model for informal and formal learning， engaged. International Journal of Artificial Intelligence and Interactive Multimedia， 2 （2）， 79-86.

Burgos， D.， Tattersall， C.， & Koper， R. （2007）. How to represent adaptation in eLearning with IMS Learning Design. Interactive Learning Environments， 15 （2）， 161-170.

Burton， M.， Rigby， D.， Young， T.， & James， S. （2001）. Consumer attitudes to genetically modified organisms in food in the UK. European Review of Agricultural Economics， 28（4）， 479-498.

Chen， S. Y.， & Magoulas， G. D. （2005）. Adaptable and Adaptive Hypermedia Systems. Hershey， PA： IRM Press.

Cheney， J.， Lindley， S.， & Wadler， P. （2013）. A practical theory of language-integrated query. In Proceedings of the 18th ACM SIGPLAN International Conference on Functional Programming （ICFP '2013） （pp.403-416）. ACM， New York， NY， USA.

Collins， A.， & Halverson， R. （2010）. The second educational revolution： Rethinking education in the age of technology. Journal of computer assisted learning， 26（1）， 18-27.

Dabbagh， N.， & Kitsantas， A. （2012）. Personal Learning Environments， social media， and self-regulated learning： A natural formula for connecting formal and informal learning. The Internet and higher education， 15（1）， 3-8.

De-la-Fuente-Valentín， L.， Carrasco， A.， Konya， K.， & Burgos， D. （2013）. Emerging technologies landscape on education： A review. IJIMAI， 2（3）， 55-70.

Epelboin， Y. （2013）. MOOC in Europe. Internal report. UPMC-Sorbonne Université， 2013.

Forment， M.， Casany-Guerrero， M.， J.， Conde， M.， García， F. J.， & Severance， C. （2010）. Interoperability for LMS： the missing piece to become the common place for e-learning innovation. International Journal of Knowledge and Learning， 6 （2/3）， 130-141.

Forment， M.， Casany-Guerrero， M.J.， Mayol， E.， Piguillem， J.， Galanis， N.， García， F. J.， & Conde， M. A. （2012）. Docs4Learning： Getting Google Docs to work within the LMS with IMS BLTI. Journal of Universal Computer Science， 18 （11）， 1483-1500.

García， F. J.， Conde， M. A.， Marc， M.， & Casany-Guerrero， M. J. （2011）. Opening Learning Management Systems to Personal Learning Environments. Journal of Universal Computer Science， 17 （9）， 1222-1240.

Ghauth， K. I.， & Abdullah， N. A. （2010）. Learning materials recommendation using good learners ratings and content-based filtering. Education Technology Research and Development， 58 （6）， 711-727.

Gonzalez， M. A. C.， Penalvo， F. J. G.， Guerrero， M. J. C.， & Forment， M. A. （2009）. Adapting LMS Architecture to the SOA： An Architectural Approach. Internet and Web Applications and Services， 2009. ICIW '09 （pp. 322-327）.

Grigalis， T.， & Cenys， A. （2014）. Unsupervised Structured Data Extraction from Template-generated Web Pages. Journal of Universal Computer Science， 20 （2）， 169-192.

Günter， S.， & Cleenewerk， T. （2010）. Design principles for internal domain-specific languages： a pattern catalog illustrated by Ruby. Proceedings of the 17th Conference on Pattern Languages of Programs， article 3.

Holmes， A.， & Kellogg， M. （2006）. Automating functional tests using Selenium. Agile Conference， 2006.

Hunter， P. （2013）. Instant Nokogiri. Packt Publishing Ltd.

Kelly， D.， & Thorn， K. （2013）. Should Instructional Designers care about the Tin Can API？. eLearning Magazine， 3. Retrieved from http：//dl.acm.org/citation.cfm？id=2446579

Kerkiri， T.， Manitsaris， A.， & Mavridou， A. （2007）. Reputation metadata for recommending personalized e-learning resources. IEEE Computer Society， 2007.

Lenoy， D.， Parada， H.， Mu?oz-Merino， P.， Pardo， A.， & Delgado， C. （2013）. A Generic Architecture for Emotion-based Recommender Systems in Cloud Learning Environments. Journal of Universal Computer Science， 19 （14）， 2075-2092.

Linden， G.， Smith， B.， & York， J.， （2003）. Amazon.com recommendations： Item-to-item collaborative filtering. Internet Computing IEEE， 7 （1）， 76-80.

Malik， S. K.， & Rizvi， S. A. M. （2011）. Information Extraction Using Web Usage Mining， Web Scrapping and Semantic Annotation. Computational Intelligence and Communication Networks （CICN）， 2011 International Conference （pp. 465-469）.

Marc， M.， Mayol E.， Casany-Guerrero， M. J.， Piguillem， J.， Merriman， J.， Conde， M. A.， García， F. J.， Tebben， W.， & Severance， C. （2012）. Clustering Projects for eLearning Interoperability. Journal of Universal Computer Science， 18 （1）， 106-122.

Marlin， B. （2003）. Modeling user rating profiles for collaborative filtering. In S. Thrun， L. K. Saul， & B. Sch?lkopf （Eds.）， Advances in neural information processing systems （pp. 627-634）. Cambridge， MA： MIT Press.

Maximilien， E.， Wilkinso， H.， Desai， N.， & Tai， S. （2007）. A Domain-Specific Language for Web APIs and Services Mashups. Service-Oriented Computing-ICSOC， 4749， 13-26.

McGreal， R.， Kinuthia， W.， Marshall， S.， & McNamara， T. （2013）. Open educational resources： Innovation， research and practice. Commonwealth of Learning， Vancouver.

Millis， N. （2006）. Genetically modified organisms. Australian State of the Environment Committee， Department of the Environment and Heritage， Canberra， Australia. Retrieved from http：//www.deh.gov.au/soe/2006/emerging/gmo/index.html

Muhammad， H.， & Ierusalimschy， R. （2007）. C APIs in Extension and Extensible Languages. Journal of Universal Computer Science， 13 （6）， 839-852.

New Media Consortium & EDUCAUSE Learning Initiative. （2015）. The NMC Horizon Report： 2015 Higher Education Edition. Austin， TX： The New Media Consortium.

Pardede， J.， & Rahayu， W. （2009）. SQL/XML Hierarchical Query Performance Analysis in an XML-Enabled Database System. Journal of Universal Computer Science， 15 （10）， 2058-2077.

Paulo， J.， & Queirós， R. （2011）. Using the Learning Tools Interoperability Framework for LMS Integration in Service Oriented Architectures. Conference Proceedings in Technology Enhanced Learning， TECH-EDUCATION 11. Springer Verlag， 2011.

Rocchio， J. J. （1971）. Relevance feedback in information retrieval， in the SMART Retrieval System. Experiments in Automatic Document Processing. Englewood Cliffs， NJ： Prentice Hall， Inc.， 1971.

Romero， C.， Ventura， S.， De Bra， P. D.， & Castro， C. D. （2003）. Discovering prediction rules in AHA！ courses. 9th International User Modeling Conference.

Saigaonkar， S.， & Rao， M. （2010）. XML filtering system based on ontology. A2CWiC 2010： Proc. of the 1st Amrita ACM-W Celebration on Women in Computing in India.

Sielis， G.， Mettouris， C.， Papadopoulos， G.， Tzanavari， A.， Dols， R.， & Siebers， Q. （2011）. A Context Aware Recommender System for Creativity Support Tools. Journal of Universal Computer Science， 17 （12）， 1743-1763.

Wrigley， T. （2009）. Rethinking education in the era of globalization. In D. Hill （Ed，）， Contesting Neoliberal Education： Public Resistance and Collective Advance （pp. 61-82）. New York & Abingdon： Routledge.

收稿日期：2017-03-23

定稿日期：2017-03-31

作者简介：丹尼尔·布尔戈斯（Daniel Burgos）博士，西班牙拉里奥哈国际大学（Universidad Internacional de La Rioja）副校长（知识、转移和技术）、教授、教育创新和技术研究院院长；联合国教科文组织e-learning教席，国际远程开放教育理事会开放教育资源教席；曾任拉里奥哈国际大学工程学院院长，源讯研究与创新部教育处总监和用户体验实验室主任，荷兰开放大学副教授；参与四十多个欧盟资助课题，发表120多篇論文；拥有四个博士学位，分别是传播学博士、计算机科学博士、教育博士和人类学博士。

阿尔贝托·考比（Alberto Corbí），西班牙拉里奥哈国际大学教育创新和技术研究院高级研究员；主要研究领域：推荐系统、e-learning标准和系统互操作性。

译者简介：肖俊洪，汕头广播电视大学教授，Distance Education （Taylor & Francis）期刊副主编，System： An International Journal of Educational Technology and Applied Linguistics （Elsevier）编委（515041）。

责任编辑 郝 丹

编 校 韩世梅