移动学习资源建设方案研究

徐媛媛

摘要：

移动学习研究的重点是学习资源建设与内容推荐。介绍了移动学习特点及移动学习资源、学习主体等要素，在此基础上，以高校为研究对象，采用调研方式获取大学生用户需求信息，完善相应的移动学习平台；阐述了用户行为感知、协同过滤算法等相关技术，研究了如何对移动学习资源内容进行个性化推荐。对过滤后的学习资源进行个性化推荐，有利于调动学习积极性，发挥移动学习优势，与课堂教学形成互补，对推进移动学习实践有一定的参考价值。

关键词：

移动学习；学习资源；行为感知；内容推荐

DOIDOI：10.11907/rjdk.172472

中图分类号：G436

文献标识码：A文章编号文章编号：16727800（2018）003022403

英文摘要Abstract：The construction of mobile learning resources and the recommendation of content are the key points of mobile learning. Based on the introduction of mobile learning resources， learning characteristics and main factors of mobile learning， put forward to the university as the main research object， through the investigation of the way to get students' needs of users to improve the mobile learning platform in the corresponding research； user behavior perception and association with filter algorithm based on the technology of how to study learning resources the mobile content personalization recommendation. Through the design of learning resources and then filtered personalized recommendation， is conducive to mobilize the enthusiasm of learning， play the advantages of mobile learning， complementary with classroom teaching， the mobile learning resources construction plan for promoting the practice of mobile learning has a certain reference value for the future research work will be mobile learning and flipping the classroom to carry out the teaching practice is stage of value.

英文關键词Key Words：mobile learning； learning resources； behavior perception； content recommendation

0引言

移动学习是通过移动设备随时随地进行学习的一种方式。移动学习具有移动性、微型性及多学科交叉的综合性等特点，能够与传统课堂教学相结合，是教育技术发展的重要研究方向。移动学习作为新型的学习方式成为开放式教育的重要手段，并作为非正式学习的主要代表，是实现终身学习的途径之一。

移动学习形式多样，有以内容为主的，以功能为主的，还有以工具为主的，万变不离其宗的是以资源为核心。目前市面上有许多移动学习方法，按照技术层面划分有手机应用、移动学习网站以及轻应用形式等。王萍等[1]从教学实践出发，对微信支持下的移动学习展开了较全面的分析与研究。田嵩[2]在研究云计算与大数据的基础上，提出了轻应用基础上的移动学习内容呈现模式，提高了移动学习的用户体验。本文从移动学习资源建设和推荐角度出发，在资源建设方面提出以调研的方式开展研究，基于用户行为感知，利用科学推荐机制提高资源的个性化利用。

1研究现状及趋势

目前移动学习相关研究多集中在各大高校，以我国高校翻转课堂教学改革为例，2007年至今在中国知网上检索到的与移动学习和“翻转课堂”相关研究文献274篇，其中2015年以后占206篇，比较成功的案例是以微信开展的教学实例。以上数据说明将移动学习与翻转课堂融合已逐渐开始实践，且关注度持续上升。移动学习与MOOC、翻转课堂等具有理论上的契合和实践上的互补，但是不同水平、阶段、习惯的学生，对知识的兴趣及接受能力不同，直接影响了知识的吸纳。因此，移动学习的热点将转向个性化的移动资源推荐。此外，移动学习资源具有信息量大、碎片化、不成系统的特点，合理组织移动资源、提高资源质量是完善个性化移动学习的关键。

2研究内容

移动学习要素分为学习者、教师、内容、环境和评估 [3]。学习者是研究的主体，教师是资源建设者，内容是移动学习资源，环境是学习的介质，可以是移动学习平台，评估是教师对学习效果的评估以及学生对学习体验的评估等。

2.1移动学习研究主体

移动学习的研究对象涉及各行各业人员，其中高校是研究移动学习的重要阵地，因为：①与其它研究移动学习的机构不同，高校教学改革起到了重要的牵引作用；②在校大学生具有较强的接受能力，对于信息技术的感知也比较强，是具有代表性的实践对象；③移动学习应用层出不穷，市场发展快、辐射面广、新旧更替频繁，具有强大的发展潜力，行业人士希望能找到合理的发展模式，这便与高校教学改革形成了一致需求。

移动学习研究的目的是如何更好地利用移动学习提升教育教学质量，充分提高学生的学习积极性及参与度。结合移动学习的构成要素，从移动资源及组织方式出发，在充分研究学习特点前提下，以移动学习资源特点为依据进行资源组织关键技术研究，以更好地组织移动学习资源为教学改革服务。

2.2移动学习资源

学习资源是指能够帮助学习者进行有效学习和操作的知识集合。移动学习资源可以理解为运行在移动终端的可帮助学习者进行有效学习的资源形态[4]。移动学习资源是移动学习的核心构成要素，从早期的静态学习资源到现在的多媒体混合学习资源，移动资源的发展与通讯技术之间的关系密不可分。早期的静态学习资源受限于手机单一的通讯功能及较小的显示屏，主要的资源形式是图文或音频，多以片段化、微型化为主。随着智能手机、平板等手持式移动设备的普及，学习者可接触的资源形式越来越多样化，其中便有以微课为代表的资源形式。4G和无线网络技术为资源的高速传播及交互提供了条件，宽大清晰的显示屏能够提高学习者学习兴趣及效率。

移动学习资源是提高学习效率拓展知识面的重要方式。学生作为学习的主体，主要功能是利用资源并形成反馈。移动学习平台主要功能是分析用户行为，辅助资源推荐并形成数据反馈给资源管理者，如此形成移动学习平台支持下的学习资源生命周期，如图1所示。

3移动学习建设方案

采用问卷方式，从资源使用情况、个性化推荐网站、推荐喜好和工具等多个维度出发研究学生需求，得出在有限精力下，个性化推荐有利于提高资源的利用率和学习效率的结论[5]。张晓滨等[6]提出的转移模式推荐算法 MPRC适用于移动学习资源建设。将该算法思想用到推荐机制中，就是将实时的用户情景感知作为主要挖掘对象，充分保障推荐结果与用户的行为匹配度。移动学习建设方案主要从资源建设及资源推荐技术两方面展开研究，资源建设主要针对资源载体，即相关的移动应用或系统等进行功能性研究。例如，微信作为一款APP，为何能够获得用户青睐，在功能、性能方面有什么突出点？资源推荐技术则是针对资源类的应用如何进行个性化推荐。例如面对大量学习视频、图文，如何能够让用户较准确地获取所需的资源，或者挖掘用户的潜在需求，引导其开展学习。

3.1资源建设方案

结合用户使用特点对资源建设进行研究，以陈美玲等学者在文献[7]中提出的用户持续使用模型为思路进行资源建设具有一定的可行性。针对大学生的学习性质及习惯，以教师教学设计为主导，通过融入移動学习来推行该学习方法。易用性、可用性及持续性等，通过人性化的界面设计及移动资源的个性化推荐来实现。

为提高研究的针对性，本文结合翻转课堂教学实践，对移动学习进行了需求调研。

（1）调研目的在于了解教学实践需求，为进一步借助信息技术深入推进翻转课堂改革提供依据。为实现以上目标，需从以下3点切入：①通过网络问卷方式，探究学生在翻转课堂学习中对移动学习的期望和需求，为移动学习的应用与开发提供可借鉴依据；②通过访谈方式，分析教师在不同翻转课堂教学实践中面临的问题，挖掘其对移动学习方式的需求；③通过课程案例的方式，分析学生在使用移动学习前后的差异，探究教师在使用移动学习辅助教学过程中面临的挑战，以及有关移动学习的建设性意见。

（2）调研对象：①参与翻转课堂学习的不同年级、专业及课程学生；②开设过不同类型翻转课的教师，开设过同类型翻转课的不同教师，其他开设过翻转课的教师；③同时参与普通翻转课堂和利用移动学习辅助下的翻转课堂教学的师生。

（3）调研方式：问卷调研、访谈调研、课程案例研究。

（4）调研实施：通过调查问卷网站“问卷星”发放问卷。问卷回收后对问卷质量进行审核，选取样本问卷，利用SPSS等统计类软件进行交叉分析，获得数据和图表信息。

3.2资源推荐方案

移动学习平台在移动学习中起着重要作用，移动学习不只是简单的资源推送，而是能够识别使用特点、提供情景化的资源推荐。作为移动资源推荐的主要途径，资源推荐机制通过用户行为感知实现对不同用户的移动资源推荐。推荐系统相关知识介绍如下：

（1）用户行为感知技术。现今许多公共场所都提供无线网络，用户可以随时接入无障碍地畅游网络，用户的使用习惯与浏览习惯都记录下来，成为海量数据的组成部分，从众多的数据中充分挖掘用户偏好是推荐的关键。用户的行为偏好并不是一成不变，会随着时间、地点、职业的变化而变化。因此，用户行为分析的主要工作就是将用户的行为偏好模型化，用相关属性即时计算当前偏好，从而更好地满足用户需求[8]。

（2）数据采集。数据采集的方法很多，可以由用户主动提交个人信息，或者获取服务器记录的用户行为数据、浏览器记录的用户浏览记录等等。以移动应用为例，用户在使用时会产生大量的数据，除内容外，还包括访问IP、访问时间、GPS信息等，通过对这些信息收集、分类、分析，可以大致判断出用户的职业、性别、专业等，可将相应属性与用户浏览内容相关联。

（3）算法及建模。学习者的资源来源于教师推荐，多数是自行搜索或系统推荐，在不同情形下可能会选择不同的学习方式，因此需要建立不同于传统的数据挖掘模式。考虑移动环境下时间、地点等情景属性，分两个步骤进行信息推荐：

第一步，根据用户需求偏好，筛选符合要求的资源集合。这个过程主要通过相似度模型实现，核心思想是将资源与多数用户的浏览历史进行相似度匹配，若用户同时喜欢i，j两个资源，则它们具有一定的相似度，若同时喜欢i，j两个资源的人数较多，便说明他们具有较高的相似度。资源相似度模型如式（1）所示：

wij=|N（i）∩N（j）||N（i）||N（j）|（1）

式（1）中，wij表示资源i与资源j的相似度； N（i）表示偏好资源i的人数； |N（i）∩N（j）|表示同时偏好资源i和j的人数。根据上述模型，通过矩阵运算可获得资源与资源共现频率的矩阵，如表1所示。

根据表（1）可知，资源i与资源j的相似度最高，其次是m与j。

第二步，结合当前的情境进行资源信息的合理推荐。在获得资源相似度后，通过情境分析对需要展示的资源进行处理。大多数情景属性是实时变化的，如用户的上网时间偏好、移动学习地点偏好等，在当前情境下进行合理的资源推荐。

3.3情境化资源推荐步骤

（1）先确立假设条件：假设用户角色是大学生，默认使用学习资源是英语学习。约束条件一是时间，并假设时间分为凌晨、上午、中午、下午、夜间；约束条件二是地点，假设大致分为教室、室外、图书馆、寝室、家里、公司、其它公共场合；约束条件三是当前网络条件，假设有3G、4G和WiFi；除此之外引入正负偏差变量。

（2）确定约束条件的优先级，假设第一目标是场地，第二目标是时间，其次是网络条件。

（3）进行分阶段的资源推荐，获取当前时间后，选取用户曾在该时间段内阅读的资源进行相似度匹配，获取集合R1；在R1的基础上以同样的方法对当前地点进行相似度分析，获取集合R2，同理获得集合R3。倘若集合为空，则在全部资源的基础上进行分析。

4结语

本文将移动学习与课堂教学改革深度融合，主张通过调研挖掘移动学习用户需求，完善移动学习工具的功能及性能，提高用户的使用兴趣。通过用户行为感知分析技术，结合协同过滤算法，对移动学习内容进行推荐处理，最大程度地满足用户的个性化学习需求，在日常生活的各个时间与地点都能学习，最大程度地补充课堂教学的不足，为正式学习与非正式学习的深度融合创造条件。下一阶段需要着重研究如何更好地配合翻转课堂的教学实践，分析翻转课堂的移动学习需求，在翻转课堂实践和移动学习之间寻找一个平衡点，促进翻转课堂教学质量的提升。

参考文献参考文献：

[1]张继东.移动社交网络环境下基于情景化偏好的用户行为感知研究[J].情报理论与实践，2017，40（1）：110114.

[2]仝宇光，张丽芳，张玉.国内外移动学习的研究进展及评价[J].教育与职业，2017（2）：101106.

[3]张晓滨，李园园.情景感知的移动用户行为转移模式推荐算法[J].计算机工程与应用，2016，52（20）：163166.

[4]马玉慧，赵乐，李南南，等.新型移动学习资源——教育APP发展模式探究[J].中国电化教育，2016（4）：6470.

[5]田嵩.基于轻应用的移动学习内容呈現模式研究——以“瀑布流”式布局体验为例[J].电化教育研究，2016，37（2）：3137.

[6]陈美玲，白兴瑞，林艳.移动学习用户持续使用行为影响因素实证研究[J].中国远程教育，2014（12）：4196.

[7]张琪.大学生个性化数字学习资源需求调研[J].软件导刊：教育技术，2014，13（9）：5456.

[8]王萍.微信移动学习的支持功能与设计原则分析[J].远程教育杂志，2013，31（6）：3441.

[9]BALTRUNAS L，LUDWIG B，PEER S，et al.Context relevance assessment and exploitation in mobile recommender systems[J].Personal & Ubiquitous Computing，2012，16（5）：120.

[10]LIU LIWEI，MEHANDJIEV N，XU D L.Context similarity metric for multidimensional service recommendation[J]. International Journal of Electronic Commerce，2013，18（1）：73104.

[11]ARNABOLDI V，CONTI M. CAMEO： a novel contextaware middleware for opportunistic mobile social networks [J].Ipervasive and Mobile Computing，2014（11）：148167.

责任编辑（责任编辑：杜能钢）