APP下载

网络学习资源个性化推荐的研究

2018-06-18代红崔文华魏东赵辉欧阳鑫玉

好日子(下旬) 2018年4期
关键词:个性化推荐学习行为网络学习

代红 崔文华 魏东 赵辉 欧阳鑫玉

摘 要:网络学习资源个性化推荐是一种在学习者没有明确需求情况下帮助学习者快速获取知识的一种途径。本文介绍了移动微课程特点和学习者行为分析,阐述了学习资源推荐的评测指标,并以《计算机网络》移动微课程为例进行说明,目的是为学习者可以利用碎片时间对个性化推荐的学习资源进行学习,同时研究目的在于提高学习资源推荐的准确性和高效性。

关键词:网络学习;个性化推荐;学习行为;微课程

1 引言

随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载(informationoverload)的时代,且智能手机的广泛应用,大量信息涌入学习者生活。从大量信息中找到自己感兴趣信息是十分困难的。如何提取有用信息并进行适时推送,对于学生有效获取知识并给学生适当干预和指导具有重要意义。而这一功能可以通过个性化推荐系统得以实现。推荐系统的任务就是联系学习者和信息,一方面帮助学习者发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的学习者面前,从而实现信息消费者和信息生产者的双赢。推荐系统不需要学习者提供明确的需求,而是通过分析学习者的历史行为给学习者的兴趣建模,从而主动给学习者推荐能够满足他们兴趣和需求的知识信息。因此,从某种意义上说,推荐系统和搜索引擎对于学习者来说是两个互补的工具。

个性化推荐技术可以共享学习者间的经验,为目标学习者推荐其相似学习者群偏好的信息资源[1]。目前个性化推荐已经应用于电子商务网站,电影和视频网站,个性化音乐网络电台,社交网络,个性化阅读,基于位置的服务,个性化邮件,个性化广告等领域中。本文通过分析移动微课程的学习者学习行为,提出一种基于学习者协同过滤技术的个性化学习资源推荐方法并应用于移动微课程中,从而达到改变学习者主要从课堂上被动接受知识的学习习惯的目的,使学习者随时随地可以利用移动终端和碎片时间进行自主学习,增加了学习兴趣,降低了学习难度。

2 相关研究

2.1 移动微课程特点和学习者行为分析

微课程是指按照新课程标准及教学实践要求,以教学视频为核心,包含与教学相配套的“微教案”、“微练习”、“微课件”、“微点评”、“微反思”支持下的扩展型资源,从而形成一个半结构化、网页化、开放性、情景化的资源动态生成与交互教学应用环境。微课程短小精悍的特点决定了它非常适合作为移动学习资源,同时利用微课程的时效性、交互性和实用性,学习者可以实时分享学习资源,同时可以通过互动交流,实现学习资源的共建共享。同时学习者利用碎片时间可以进行随时随地学习,为学习者提供更加灵活、自由的学习途径。如果在移动微课程中通过分析学习者学习行为,并利用移动通信技术及传感技术,我们就可以探测到学习者的交互对象、学习语境、学习环境等学习要素,检测和分析收集到的数据,为学习者进行适时学习资源的个性化推送服务,使学习者能够获取有意义的学习资源,提高学习者的学习能力,同时也可以提供有效的指导性活动。

学习者行为在个性化推荐系统中一般分两种——显性反馈行为(explicit feedback)和隐性反馈行为(implicit feedback)。显性反馈行为包括学习者明确表示对学习资源喜好的行为,如对推荐学习资源的评分。隐性反馈行为指的是那些不能明确反应学习者喜好的行为,如能够反映学习行为的日志。最具代表性的隐性反馈行为就是页面浏览行为。

2.2 学习资源推荐的评测指标

推荐算法的评测指标主要包括准确率、召回率和覆盖率。其中准确率描述最终的学习资源推荐列表中有多少比例是发生过的学习者——学习资源评分记录。召回率描述有多少比例的学习者——学习资源评分记录包含在最终的学习资源推荐列表中。召回率也可以作为评测学习资源推荐算法的精度。覆盖率(coverage)描述一个推荐系统对学习资源长尾的发掘能力。一个好的学习推荐系统不仅需要有比较高的学习者满意度,也要有较高的覆盖率。该覆盖率表示最终学习资源推荐列表中包含多大比例的学习资源。如果所有的学习资源都被推荐给至少一个学习者,那么覆盖率就是100%。

这三个指标中覆盖率通过离线、在线或者问卷调查计算均可以得到,预测准确率和召回率一般通过离线计算或问卷调查计算得到。这三个指标能帮助全面地了解学习资源推荐算法的性能。

2.3 《计算机网络》微课程学习资源推荐

在进行学习资源推荐前,先是找到与目标学习者兴趣相似的学习者集合,然后找到集合中学习者喜欢且目标学习者没有浏览过的学习资源推荐给目标学习者。找到与目标学习者兴趣相似的学习者集合的关键就是计算两个学习者的兴趣相似度。

这里以《计算机网络》微课程移动学习为例,学习者对此门课程的学习行为记录为:

学习者E:物理层,数据链路层,传输层

学习者F:物理层,网络层

学习者G:数据链路层,应用层

学习者H:网络层,传输层,应用层

这里采用基于学习者的协同过滤算法,利用余弦相似度公式计算学习者之间的学习章节相似度值如下:

WEF=,WEG=,WEH=1/3

WFG= 0,WFH=,WGH=

从上面例子学习者F、G之间兴趣相似度值WFG=0可以得出学习者F和学习者G对学习资源没有产生过相同章节学习的行为。为此可以首先建立学习资源到学习者的倒排表,对于每个学习资源都保存对该学习资源产生过行为的学习者列表。同时也可以得到学习章节资源到不同学习者之间的倒排表如下:

物理层:学习者E、学习者F

数据链路层:学习者E、学习者G

网络层:学习者F,学习者H

传输层:学习者E、学习者H

应用层:学习者G、学习者H

如果使用余弦相似度,并應用UserCF 算法得出学习者对学习资源的感兴趣程度。学习者E对学习资源“网络层”、“应用层”没有过学习行为,因此可以把这两个学习资源推荐给学习者E。

3 结论

个性化推荐的成功应用需要两个条件,第一是存在信息过载,第二是学习者大部分时候没有特别明确的需求。在这两种条件下,本文尝试着将基于学习者的协同过滤技术引入到移动微课程学习环境设计中,使学习者能够获取有意义的学习资源。个性化推荐技术可以共享学习者间的经验,为目标学习者推荐其相似学习者群偏好的信息资源。

基金项目:辽宁省教育科学“十三五”规划高教类立项课题成果“微课程移动学习行为预测与干预研究”(JG18DB279);辽宁省普通高等学校本科教学改革研究项目“网络学习视域下的本科教学创新模式研究与实践”;辽宁科技大学教学改革研究项目“大数据环境下微课程移动学习的研究”(XJGYB201705);

参考文献

[1]裴艳.基于学习分析的学习资源个性化推荐研究[D].陕西师范大学,2015年.

[2]黄睿航,齐礼良.关系嵌入:网络学习者的学习行为实证研究[J].远程教育杂志,2015(6):54-61.

[3]李小娟,梁中锋,赵楠.在线学习行为对混合学习绩效的影响研究[J].现代教育技术,2017(2):79-85.

[4]姜玉莲.微课程研究与发展趋势系统化分析[J].中国远程教育,2013(12):64-73.84.

[5]牟智佳,武法提.电子书包中基于学习者模型的个性化学习资源推荐研究[J].2015(1):69-76.

[6]王永固,邱飞岳,赵建龙.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志,2011(3):66-71.

[7]张健.基于数据挖掘的网络学习行为分析与研究[D].西安电子科技大学,2017年.

猜你喜欢

个性化推荐学习行为网络学习
大数据思维下教学过程数据分析及应用研究
基于链式存储结构的协同过滤推荐算法设计与实现
个性化推荐系统关键算法探讨
基于协同过滤算法的个性化图书推荐系统研究
基于学习行为数据的在线学习时间规律探析
MOOC时代大学生网络学习行为研究
网络远程教育学习行为及效果的分析研究
网络学习行为背景下的慕课教学策略研究
高职院校开展基于云平台网络教学的探索与思考
培养初中学生英语自主学习能力的尝试