基于学习行为模型的学习伙伴推荐方法研究

兰丽娜 石瑞生 勾学荣

LAN Li-na1 SHI Rui-sheng2 GOU Xue-rong1



基于学习行为模型的学习伙伴推荐方法研究

兰丽娜1石瑞生2勾学荣1

（1．北京邮电大学 网络教育学院，北京 100088； 2．北京邮电大学 网络空间安全学院，北京 100876）

如何提供合适的学习伙伴进行协作学习，是解决远程学习者学习孤独、提升学习效果的关键问题。文章通过网络教学平台采集数据，提出并建立了六维的学习者学习行为模型，并利用相似度区分相似型学习行为模型和互补型学习行为模型，进而为学习者推荐相似型学习伙伴和互补型学习伙伴，而学习者也可以自主选择学习伙伴。实验结果验证了学习行为模型和推荐方法的有效性。相比已有的分组方式，基于学习行为模型的学习伙伴推荐方法具有可视化、智能性、个性化等特点，更适合大规模网络学习环境下的学习伙伴推荐。

学习行为；相似度；学习伙伴推荐；协作学习

引言

随着互联网技术、多媒体信息技术以及网络学习技术的迅速发展，各种基于互联网的远程在线教育如MOOC、网络教育、在线培训等发展迅猛。中国互联网络信息中心（China Internet Network Information Center，CNNIC）的相关统计表明，截至2017年12月，我国在线教育用户规模达1.55亿，较2016年底增加1754万人，年增长率为12.7%[1]。但在互联网教育蓬勃发展的同时，研究者也发现了一些问题，如很多网络课程学习者中途退课，学习效果不理想，而其中学习中的孤独感是影响学习效果的一个重要原因。在远程教育中，学习者与学习者、学习者与教师之间处于时空分离的状态，容易产生寂寞、孤独、无助的情绪。若能为学习者提供合适的学习伙伴，通过协作学习则可减轻这种孤独感，并有利于提高学习兴趣、提升学习效果。因此，如何为学习者提供合适的学习伙伴，是网络教育领域的一个重要研究课题。通过文献分析，本研究发现：目前，远程教育领域关于学习伙伴模型和学习共同体的研究较多，分组依据或考虑的因素也多种多样，但并没有一致的、有效的方法，在个性化、智能性的学习伙伴推荐上还存在欠缺。比如，有的采取随机分组或顺序分组的方式，还不能支持个性化学习伙伴推荐；有的采用人工或部分人工参与的分组方式，不具有全自动、智能性的特点，不能支持大规模网络学习环境下的学习伙伴推荐。

本研究针对大规模网络学习环境的学习伙伴推荐问题，提出了学习行为模型和学习伙伴推荐算法，具体包括：①自动采集了远程学习者在网络教学平台上的学习行为数据，保证数据丰富完整、客观真实；②基于对学习行为数据的分析，提出了一种六维的学习者学习行为模型，并基于该模型设计了学习行为相似度算法，从而能为学习者智能地推荐相似型或互补型学习伙伴；③学习者能根据自己的需求，自主选择合适的学习伙伴；④通过实际数据分析，验证了模型和方法的有效性。

一研究现状

基于分组所依据的因素，分组方法主要有4类：①未考虑学习者学习特征的分组，包括随机分组、按加入活动的时间顺序分组、按学习者的熟悉程度分组三类。如瑞典于2002年开发的mCSCL（Mobile Computer Supported Collaborative Learning）学习系统C-Notes中的学习伙伴小组由教师随机组织[2]，芬兰于2002年开发的XTask系统根据学习者加入活动的先后顺序进行分组[3]，瑞士于2005年开发的CatchBob系统中学习伙伴由三个相互熟悉的学习者组成[4]。这类分组方式的主观性、随机性较强，不具有个性化特点，不能为学习者推荐有针对性的个性化的学习伙伴。有的分组方式则过于依赖教师或导学进行人工分组，不适于对大规模网络学习者进行分组。②考虑学习者的学习风格、学习偏好、学习成绩等个性化学习特征分组。如华东师范大学刘菊香[5]于2006年基于学习风格、学习成绩、性别等开发的协作学习学生分组系统，台湾于2011年开发的CALL（Computer Assisted Language Learning）系统支持英语协作学习，按学习者的英语阅读能力进行分组[6]。这类分组方式在学习伙伴推荐上具有一定的针对性，具有个性化特点，但在学习特征的属性和客观度量的准确程度上还存在不足，如学习风格一般采取调查问卷方式获得，难以实现自动数据采集，在度量的真实性、准确度和自动化程度上有所欠缺，难以支持大规模网络学习者分组。③综合学习者个性特征和动态协作特征两方面特征进行分组。如西南大学程向荣[7]于2008年提出的CSCL伙伴模型包括学习者个性特征和动态协作信息两方面特征，2012年浙江工业大学唐杰[8]、李浩君等[9]提出的mCSCL环境下伙伴模型包括个性特征和协作特征两方面特征，并基于KNN算法进行异质学习伙伴推荐。这类分组考虑特征较为全面，引入了协作特征，并实现了一定程度的智能化自动分组，但模型定义仍未实现完全自动数据采集，并且在分组中学习者没有自主选择权。④由学习者自主选择学习伙伴。2016年，张红波[10]在分析构建学习共同体的因素时发现，学习者自主选择学习伙伴时，较少考虑学习成绩因素，而是主要考虑人际交往能力和个人品质。这种学习者完全自主选择学习伙伴的分组方式不一定能达到提高学习成绩的目的。

综上所述，近年来，学习伙伴分组方法从简单的随机分组、顺序分组向综合考虑学习者个性化学习特征和协作特征的分组方向发展，从人工分组向智能性自动分组方向发展。考虑学习者的学习特征，以促进学习为目的，为学习者推荐个性化、有针对性的学习伙伴，同时考虑给予学习者一定的选择自主权，是学习伙伴分组研究的方向。

二学习者学习行为模型定义及评估方法

在远程教育中，学习者一般通过网络教学平台进行学习，学习者的学习行为可通过网络教学平台各功能模块的访问记录数据得到，如登录次数、学习时长、资源下载次数、提问次数、提问方法、完成作业情况、论坛发帖次数、学习进度排名等，这些数据称为学习行为数据。学习行为数据具有客观性、真实性，可以真实地反映学习者的学习状态。以实际学习行为数据为依据建立学习者学习行为模型，可以避免问卷调查方式主观随意的缺点，提高模型的准确性。

图1 学习者学习行为模型

学习者学习行为数据繁多复杂，需要从繁杂的数据中提取关键特征数据，建立学习者学习行为模型。通过分析教学平台的21项数据，本研究根据各项数据的特点及其对学习效果的作用进行归类，定义了评价学习行为的六要素：学习动力、学习态度、学习效率、学习毅力、创造思维、学习方法。同时，参考英国有效终身学习指标（Effective Lifelong Learning Inventory，ELLI）项目探索的一种称为“蜘蛛图”的学力动态评估方法，设计了学习者学习行为模型，如图1所示[11]。

基于对实际学习行为数据的初步统计分析，本研究将学习者学习行为六要素与相关数据项进行了评估，制作了学习行为模型评估表，如表1所示。

表1 学习行为模型评估表

表1定义了学习行为六要素和各个学习行为数据项之间的关系。每个要素由1个或多个相关数据项组成，要素值由相关数据项计算得到。数据项取值分为5级：优、良、中、差、零，分别对应4分～0分。根据教学平台实际数据，将数据分段分别对应到各级，如网络课程学习时间每周超过60分钟为优（4分），每周超过40分钟为良（3分），每周超过20分钟为中（2分），小于20分钟为差（1分），没学习即0分钟为零（0分）。学习进度排名中前20%得4分，前30%得3分，前40%得2分，前50%得1分，后50%得0分。这样可以得到各数据项得分，然后再根据各数据项所占权重进行加权求和，即可得到最终的要素值。如学习动力要素值=0.1×论坛发帖数得分+0.1×论坛回帖数得分+0.3×网络学习时间得分+0.5×学习进度排名得分。如果某学习者4项数据（论坛发帖数、论坛回帖数、网络课程学习时间、学习进度排名）为（3，3，62，5），则该4项得分为（4，4，4，4），其学习动力要素值为：0.1×4+0.1×4+0.3×4+0.5×4=4分。

通过表1的评估方法，可计算得到每个学习者的学习行为中的六要素值。每个学习者的学习行为模型由自己的实际学习行为决定。通过一段时间的学习如在一个学期结束后再次评估，模型可能发生变化。学习者的学习行为模型可以实时动态地反映学习者的实际学习状态。

三相似型学习行为模型和互补型学习行为模型定义

学习者学习行为包含六个要素，可用六维向量表示学习者的学习行为模型。余弦相似度常用于衡量两个向量的相似性。余弦相似度计算两个向量在空间中的夹角大小，值域为[-1,1]，1代表夹角为0°，完全重叠，即完全相似；-1代表夹角为180°，完全相反方向，即毫不相似。皮尔逊（Pearson Correlation Coefficient）相关系数计算方法是余弦相似度公式的改进，经过去中心化处理，可以提高维度值缺失情况下的准确性。因此，本研究采用皮尔逊相关系数表示学习者学习行为模型的相似度。

令=｛X,X,X,……,X｝为六维学习行为模型空间中的一组对象，X，X∈，表示学生对象。个学生的学生行为模型可用以下矩阵表示。

r是X、X之间的相似系数，r计算方法如公式（1）所示。

其中，xik是Xi学生的第k维属性值，k=1,2,3….6。，。m是维度6。rij∈[-1,1]。rij=1时，Xi、Xj完全相同；rij =-1时，Xi、Xj完全相反。定义 rij∈(0,1]为相似区间，此区间内Xi、Xj为相似或相同模型，如图2（a）所示。定义rij∈[-1,0]为相反区间，此区间内Xi、Xj为相反或互补模型，如图2（b）所示。

四实验分析

基于以上学习行为模型及评估算法，本研究在网络教学平台系统中添加了学习伙伴推荐模块和学习分组模块，该系统如图3所示。

网络教学平台系统中的学习模块包括支持学生网络学习的课程空间、资源下载、实时答疑、作业、论坛等，可采集学生学习记录数据，存入学生学习记录数据库。学习伙伴推荐模块包括学习行为模型评估、相似度计算、学习伙伴推荐等功能。学习伙伴推荐过程如下：①利用学生学习记录，对学生学习行为模型进行评估，得到学生学习行为模型矩阵；②利用相似度系数算法计算学生学习行为模型之间的相似度，得到相似度矩阵；③根据相似度值为学生推荐互补型学习伙伴列表和相似型学习伙伴列表，学生可根据推荐列表选择自己的相似型学习伙伴或互补型学习伙伴，组成学习小组。

图3 网络教学平台系统

本研究在网络教学平台系统中收集了4个典型学习者S、S、S、S的学习行为数据，依据表1评估得到学习行为的六要素值，分别得到了相关的学习行为模型评估数据，如表2所示。

表2 学习者S1、S2、S3、S4学习行为模型评估数据

由表2可得，4个学习者的学习行为模型向量分别是：S=（4,3,4,4,4,4），S=（3.1,3,2,3,2,2），S=（2.1,2,3,2,3,3），S=（3.2,3,2.5,3,2,2）。利用公式（1）计算出这4个学习者之间的相似系数值，所得结果如表3所示。

表3 学习者S1、S2、S3、S4的相似系数值

根据表2和表3，可刻画这4个学习者的学习行为模型及相互关系，如图4所示。

图4 4个学习者学习行为模型及相互关系图

图4中，以S为考察对象，可以发现，在S、S、S三个同学中S与S最相似，因为S与S的相似系数值为0.936，是最大值；而S、S和S是相反的，其相似系数分别是负值-0.991和-0.417，所以S、S是S的互补模型，其中S是最互补的。因此，S的互补型学习伙伴可推荐S、S，而S的相似型学习伙伴可推荐S。

五小结

学习伙伴推荐是远程教育学习系统研究中的重要问题。本研究基于网络教学平台实际数据，提出了一种新的学习者学习行为模型的定义、评估方法以及学习伙伴推荐方法。该模型和方法具有可视化、智能性、个性化等特点，解决了大规模网络学习环境下学习伙伴自动推荐的问题，下一步将在协作活动设计和对学习效果的影响评估等方面做进一步深入研究。

[1]CNNIC.第41次中国互联网络发展状况统计报告[OL]. < http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf>

[2]Milrad M, Perez J, Hoppe U. C-Notes: Designing a mobile and wireless application to support collaborative knowledge building[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:117-120.

[3]Ketamo H. xTask-adaptable working environment[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:55-62.

[4]Nova N, Girardin F, Dillenbourg P. ‘Location is not enough!’: An empirical study of location-awareness in mobile collaboration[A]. IEEE technical committee for learning technology. Proceedings of IEEE international workshop on wireless and mobile technogies in education[C]. Piscataway, NJ, United States: IEEE Computer Society, 2005:21-28.

[5]刘菊香.基于模糊理论的网上协作学习学生分组系统的研究与实现[D].上海:华东师范大学,2006:17-20.

[6]Chang C K, Hsu C K. A mobile-assisted synchronously collaborative translation-annotation system for English as a foreign language (EFL) reading comprehension[J]. Computer Assisted Language Learning, 2011,(2):155-180.

[7]程向荣.CSCL的伙伴模型研究[D].重庆:西南大学,2008:22-25.

[8]唐杰,李浩君,邱飞岳.mCSCL环境下协作分组的伙伴模型研究[J].中国远程教育,2012,(2):48-51.

[9]李浩君,项静,华燕燕.基于KNN算法的mCSCL学习伙伴分组策略研究[J].现代教育技术,2014,(3):86-93.

[10]张红波,徐福荫.基于社会网络视角的学习共同体构建与相关因素分析[J].电化教育研究,2016,(10):70-76、103.

[11]任凯,鲁思·迪肯·克瑞克.探索有效终身学习之指标:“学习能量”及其动态测评[J].教育学报,2011,(6):84-90.

编辑：小西

Learning Partner Recommendation Based on Learning Behavior Model

LAN Li-na1SHI Rui-sheng2GOU Xue-rong1

6

Providing appropriate learning partners to support collaborative learning is crucial to mitigate distance learners’ aloneness in learning process and improve the learning effect. This paper proposes a novel six-dimension learning behavior model based on the authentic data collected from the network learning platform. By employing the similarity algorithm, the model can distinguish the similar behavior model or complementary behavior model. As a result, learners can either receive the autonomously recommended learning partners or choose their own preferred partners. Experiment results verified the validity of the proposed learning behavior model and the recommendation algotithms. Compared with traditional grouping models, this model-supported learning partner recommendation is more personalized and intelligent, and is more suitable in large-scale network learning environment.

learning behavior; similarity; learning partner recommendation; collaborative learning

G40-057

A

1009—8097（2018）04—0067—07

10.3969/j.issn.1009-8097.2018.04.010

兰丽娜，副教授，在读博士，研究方向为教育数据分析、协作学习，邮箱为lindalan2002@sina.com。

2017年5月25日