基于深度学习的个性化智能导学平台的研究

2018-05-11肖立英李中旗

网络安全技术与应用 2018年5期

关键词：导学个性化深度

◆肖立英李中旗文灿

基于深度学习的个性化智能导学平台的研究

◆肖立英李中旗文灿

（中南大学信息与网络中心湖南 410075）

首先对背景和现状进行了分析，然后研究和构建了一个个性化的智能导学平台。通过智慧校园大数据分析获得用户个性化模型，对网络教育资源进行整合建设导学知识库，设计个性化导学策略，最终实现基于深度学习的个性化智能推送服务。

智慧校园；大数据分析；个性化导学；深度学习；智能推送

1 背景与研究现状

2010年，在信息化“十二五”规划中，提出“智慧校园”的概念，就是建设以物联网为基础的智慧化的校园工作、学习和生活一体化环境。这个一体化环境以各种应用服务系统为载体，将教学、科研、管理和校园生活进行充分融合。通过智慧校园实现无处不在的网络学习、融合创新的网络科研、透明高效的校务治理、丰富多彩的校园文化、方便周到的校园生活。在此背景下，人们提出了建设一种“能优化教学内容呈现、便利学习资源获取、促进教学课堂交互开展，具有情境感知和环境管理功能的新型教室”，这种教室被被称为智慧教室。2012年3月，发布《教育信息化十年发展规划(2011-2020)》，提出“推动信息技术与教育深度融合”;2012、2015年，先后召开2次全国教育信息化工作电视电话会议，将教育信息化作为国家信息化的战略重点优先部署，切实加快教育信息化进程。

人才培养是一个多序列、多层次、多因素的动态过程，传统的教育教学方式受到传统理念和教学环境的制约，不能充分发挥学生学习的主动性，学生缺乏对学习内容和目标应有的思考，不利于高素质人才的培养。

现阶段对个性化学习的理论探索还处在研究阶段。建构主义、人本主义和多元智能理论为个性化学习提供了丰富的理论指导。深度学习理念促使个性化学习过程的信息加工更加个性化、有意义和向深层次学习发展。有学者认为，所谓的移动终端的个性化学习、个人学习空间等模式，只是为学习者提供了系统可支持的多样的交互模式和相对自由、自主的学习环境，学生的课程学习、知识点推送、活动参与等还是由授课教师完全控制，无法彰显学生个体差异。

导学也还处于研究和实验阶段，并没实际应用到大的教学场景中。目前的网络个性化学习平台、导学平台提供了许多便利，但在以学习者为中心的服务理念上还存在不足。同时，还应在支持学习的理念上追求深度学习、个性化学习和终身学习的设计。因此，需要一种全方位体现以学习者为中心，提高在线学习效率，提升支持服务质量，促进学习有效性的个性化导学设计，在设计中还需要考虑提升辅导教师的网络及导学能力，探索各方面的协同创新，帮助学生克服网络学习中的困难，促进深度学习等。

网络教育资源数量巨大、种类繁多，因此，个性化导学系统需要根据用户偏好和用户需求，采取智能化信息技术策略，即通过构建导学知识库和个性化的教育资源推送方法，将相关用户所需的资源推送给用户，以促进学生高效学习。

纵观现有的研究，现阶段比较成熟的个性化的资源推送方法有基于协同过滤的推送、基于内容的推送、基于知识的推送、基于数据挖掘的推送和组合推送等。基于知识的推送不能自我学习，难以获得足够的知识构建模型；基于内容的推送需要资源本身的关键信息，很多资源上传者在描述资源时，只是简单的描述视频信息，没有全面、详细地描述视频资源介绍的相关知识；基于数据挖掘的推送存在着关联规则抽取难、耗时、个性化程度低等问题。因此，基于协同过滤和基于内容的推送是目前最基本、最常用的两种推送方法。基于协同过滤的推送适合用户发现新兴趣，推送效果随着用户的数量增加而提高，自适应好，推送的个性化、自动化程度高；基于内容的推送结果直观易懂，没有冷开始和稀疏问题。但是基于协同过滤的推送存在严重的数据稀疏、新用户和新对象的引入以及推送质量依赖于历史数据的问题；基于内容的推送存在对资源对象的属性描述限制(如不易对音乐和视频信息提取)、新用户问题、分类训练需要大量的数据支撑等问题。虽然上述推送方法在很多方面已得到广泛应用，但是其各自固有的缺点表明不能直接将其应用在智能导学系统的教育资源推送上。

目前在我校已经建成了包括智慧教室、一卡通、网络信息化等智慧校园体系，迫切需要通过以整合、建设和引入等手段建立一个资源丰富、贴合需求的网络教学资源库的基础上，研究如何利用现有智慧教室的网络环境和软件平台，实现面向不同学习需求的学生的个性化学习资源推送，引导和激发学生主动学习、主动思考，把教学过程由老师主导变成师生互促，把按部就班的考生变成孜孜以求的学生，建立一个基于深度学习的个性化智能导学平台。此研究与实践密切结合学校的工作实际，具有强烈的现实意义和重大的应用价值。同时，也是推进现代教育技术不断发展的有益尝试和探索。

2 个性化的智能导学平台

2.1用户个性化模型

图1 用户个性化模型的构建

现有的智慧校园环境，拥有海量的数据资源：校园一卡通的普及能获取学生的学习行为数据和生活行为数据，包括课堂考勤、图书借阅、自习室打卡、宿舍门禁、食堂、学校店面消费、热水及水电费信息等；通过学生注册系统可以获得学生的基本信息，包括个人情况、家庭背景、兴趣爱好等；教务系统包含学生的作业、学分、成绩等学习信息，还有获奖、证书、处分等奖惩数据，以及社团、比赛、实习等学生的社会和教学实践情况。而网上教学资源库的访问日志，可以捕获学生访问的内容、时长以及对教学资源的评价反馈。这些海量数据资源组成了智慧校园大数据中心，再通过分布式存储计算、数据采集清洗、数据标准化、智能检索、智能分析、数据可视化等技术，构建出用户个性化模型（图1），而用户个性化模型是个性化智能导学平台的重要组成部分。

2.2导学知识库

通过现有网络教育资源的整合与优化、国内外MOOC课程的引入、自助式慕课课程建设体系构建，实现海量网络教育资源平台的建设，并在此基础上，创建导学知识库。

将我校现有网络教学平台和资源进行整合，包括Blackboard网络教学平台、在线课程平台、精品课程网、网络教育学院“学习资源开放服务”网站等网络教学平台等，充分利用大量高品质的精品课程、视频公开课、网络课程等资源，实现教学资源的统一调配和推送，通过对推送情况的统计与分析，不断优化和强化优秀教学资源。

网络教育资源呈井喷式增长，尤其是2013年以来，MOOC（massive online open courses）课程、微课得到了迅速发展。在全国乃至世界范围内选择最优质的教育资源，进一步突破传统教学活动的时空限制，促使教育发生深刻变革。通过引入优质国内外MOOC课程，不断丰富和扩充网络教学资源，实现国内外优质教学资源的及时推送。

自助式慕课课程建设体系构建包括硬件环境建设和软件平台搭建。建设2-3个自助式慕课（微课）视频资料录制机位，面向全体老师开放。老师可通过网上预约，确定视频录制时间和机位，在管理员的简单培训之后便可使用傻瓜式的集成录制设备进行自助式录制。在约定的时间内，使用者可自由选择录制内容，或对已录制视频不满意部分、更新部分等进行重新录制。

建设慕课课程运行平台，结合个人空间建设，和智慧教室电脑桌面虚拟化建设，为老师提供信息互通、资源共享的私有云空间；老师可在个人云空间上传音视频资料、学习课件，给学生进行网上答疑、布置作业、分组讨论等；对学生的学习行为（观看视频音像、阅看课件资料、参与讨论、作业完成等）进行统计和分析，引导学生加强学习和思考。

2.3个性化导学策略

在校学生和非在校学生，采用不同的个性化导学策略及实现方式。

在线学生通过采集学生网络学习、课程学习、图书馆学习等学习行为数据和考试成绩、获奖情况等学习效果数据，进行大数据分析，建立个性化导学策略，实现极具针对性的个性化导学推送。

（1）普通学生的优化导学，根据学生学习考试情况和专业知识结构要求，推送相关学习资源，指导学生不断完善知识结构、提高学术水平。

（2）特长学生的强化导学，根据学生兴趣爱好和个人学习特长，推送相应的深层次、高水平的学习资源，引导学生在其特长领域不断强化、提高。

（3）后进学生的补足导学，根据学生学习考试情况和学习行为数据分析，推送其急需补足的学习和思想内容，鼓励学生端正学习态度、提高学习效率，指导学生查漏补缺，全面发展。

非在校学生通过引进和自建等方式构建优质网络教学资源库，在突破大学培养过程中普通课程时间与空间的限制的基础上，还可实现大学培养过程进行前移和后延。

（1）向基地中学的中学生推送英语类、数理类、文史类等慕课学习资源，完成慕课课程的中学生在考入大学后承认该课程的学分，实现大学培养过程的前移。

（2）向尚未完成学分的“大四后”学生推送相关慕课课程资源，毕业生可以边工作边学习，实现“低成本”毕业，实现大学培养过程的后移。

（3）通过比对学生所学专业的知识结构和现从事工作的知识要求，推送给毕业生适合的网络学习资源，不断强化学生的知识结构和专业技能。

2.4个性化智能推送

个性化智能推送服务(如图2)是个性化的智能导学平台的核心及关键所在。如何利用大数据分析得到的用户个性化模型、海量教学资料所组成的导学知识库以及个性化的导学策略，来实现对用户有效的推送服务，这是我们需要研究突破的重点问题。

图2 基于深度学习的个性化智能推送服务

国内外的深度学习研究成果表明，个性化的人才培养需要注重学生能力的培养，包括知识构建、知识迁移、批判思维、整合分析、运用决策等。而人工智能领域的深度学习，是机器学习研究中的一个新领域，也是近年来研究和发展的热点。其动机是模仿人脑的机制来解释数据，采用含多隐层的多层感知器建立深度神经网络，通过组合低层特征形成更加抽象的高层表示属性类别或特征，来发现数据的分布式特征表示。将这两个深度学习的概念相结合，能有效解决现有个性化导学研究和实践的不足。前者帮助我们思考如何针对学习者选择更有益的推荐内容，而后者所提供的深度学习神经网络技术，使系统可以更精准地实现个性化智能推送服务。

推送服务包含基于Android、IOS APP的推送和基于网页和电脑客户端的推送，同时要收集用户反馈对推送结果进行评价和分析，从而不断优化。