个性化移动学习系统分析与设计

摘要：为实现更高效的移动学习，提出了一种个性化移动学习系统的设计，系统以微服务的形式实现自适应学习单元，使得学习单元之间可根据需要动态调整，并通过采集到的各种使用数据，使用混合式推荐系统得到对于不同学习者的学习路径、学习活动和学习资源的实时推荐，还可根据评价和反馈进行调整，从而组织更灵活的学习过程及学习活动，实现个性化学习资源推荐，提高移动学习效率。

关键词：推荐系统；工作流；移动开发；自适应

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2019）05-0189-02

1 概述

移动互联网时代，移动互联网主导地位进一步强化。据2017年8月第40次《中国互联网络发展状况统计报告》的统计结果，截至2017年6月，我国网民规模达7.51亿，其中手机网民达7.24亿，占比达96.3%。移动学习是学习者在自己需要学习的任何时间、任何地点通过移动设备和无线通信网络获取学习资源，与他人进行交流和协作，实现个人与社会知识建构的过程，同时移动学习也是传统课堂、非正式学习、终身学习的补充和延伸，是翻转课堂、微课、MOOC、SPOOC 等多种教学模式移动学习环境下的重要载体[1，2]。由于移动设备的广泛应用，移动学习已成为碎片化知识获取的重要途径。

目前，基于移动智能终端的APP 开发模式主要有原生应用（Native APP）、网页式应用（Web APP）、混合式应用（Hybrid APP）、类原生应用（React Native APP）等[3]，而目前流行的基于HTML5 开发的APP，可实现“一次开发，多平台使用”，现在大热的“微信小程序”，就是这种模式的典型代表。这种开发模式可以无缝连接桌面端和移动端，不受客户端系统限制，更好地实现数据和资源的共享，成为目前移动APP开发的一个热门选择。

用户在使用移动终端设备学习时产生大量数据，结合大数据分析及挖掘，有助于个性化学习平台的构建。结合了学习分析技术的个性化学习平台，能根据基于大数据分析及挖掘构建的学习者画像，对每个学习者规划适当的学习计划、学习路径和学习资源，还能在学习过程中根据学习的情况提供学习建议及调整相应的规划[4]。

目前关于个性化学习系统的实现，多集中在个性化学习资源的推送方面，而对于个性化学习计划、学习路径方面的研究不多。本文将考虑全面的个性化移动学习系统的分析与设计，包括个性化学习计划、学习路径和学习资源的定制等。

2 个性化学习系统构建原理与方法

2.1 柔性工作流技术及自适应单元

工作流是流程的完全或部分自动化运行，而工作流的柔性指的是根据实际运行情况进行动态调整的能力。工作流的柔性包括灵活性、动态性和自适应性[5]。移动学习系统中，学习任务驱动的学习过程，可基于柔性工作流技术构建，而自适应学习单元[6]是实现这种柔性的重要方式。自适应学习单元旨在帮助学习者更好地进行个性化的自主学习，在构建时可充分考虑学习者的不同需求，设计多样化的学习路径及个性化学习内容，再通过教学活动的设计与实施，使自适应学习单元可以根据学习者的情况动态地调整学习路径[6]。自适应学习单元的实现可通过微服务技术解决。微服务指在单个应用系统中一组被集中管理的、规模较小的服务，每个服务只完成内聚性很强的一组功能，并通过网络彼此协作，每个服务可单独部署维护[1]。把自适应学习单元映射为微服务的方式，可使自适应学习单元达到最大的灵活性，从而实现学习计划、学习路径、学习方式的动态调整。

2.2 个性化推荐系统

根据不同的推荐算法，个性化推荐系统主要分为：基于协同过滤的推荐系统、基于内容的推荐系统以及混合式的推荐系统[7]。

1）基于协同过滤的推荐系统主要是根据用户属性的相似性，包括用户信息、对项目的评价等信息的相关性，由用户群的行为信息计算项目间关联度，得到推荐结果。基于协同过滤的推荐又可以分为：基于用户的协同过滤推荐、基于项目的协同过滤推荐、基于模型的协同过滤推荐三类。协同过滤实现的要点是在记录中找到相似的用户和项目，从而计算推荐列表项目。推荐列表的建立主要有基于用户和基于项目两种方法。

2）基于内容的推薦系统则主要根据项目本身的特征及属性，在项目库中进行搜索，计算哪些项目更能满足用户需求，从而得到推荐结果。基于内容的推荐系统最大的优势是没有冷启动的问题，只需抽取项目本身的一些特征属性，利用用户以往关于项目的喜好特征数据来学习，即可得到用户的一组推荐列表。

3）混合式的推荐系统，则综合以上两种方式，结合用户相似性、项目关联性及特征，通过分析某一款产品的所有记录，来推测用户感兴趣的项目，更从用户需求、商品标签以及相似用户的使用度等方面来增加推荐结果的可信度。本文所设计的系统将采用混合式的方案。

3 个性化移动学习系统设计

3.1 系统架构设计

个性化移动学习系统的框架如图1所示。学习者通过登录学习系统的移动客户端完成学习，而学习者在使用系统的过程中产生的数据（如操作序列、浏览记录、学习历史等），将自动采集、记录在系统日志中并上传。系统将根据采集到的日志记录，与用户属性等数据共同构建用户画像，并根据教学计划、教学要求、教学设计等得到针对不同学习者的个性化学习计划。根据个性化学习计划设计个性化学习路径，即可组织针对用户的个性化学习资源。个性化学习资源以微服务的形式提供，并根据教学要求和教学设计组成为若干模块。过程监控模块将随时监控、分析学习过程并对当前学习计划提供反馈，以对学习计划提供阶段性的调整的依据，并根据学习计划调整学习路径和学习资源的推送。

3.2 模块设计

3.2.1教学设计

教学设计模块主要由教师根据教学计划、教学要求、课程体系、知识点分布等设计。为实现个性化学习，教学设计以自适应单元为基本单位，以便于以微服务技术实现。根据课程的要求和特点，可依次设计主要学习路径、备选路径集合以及每个环节相匹配的候选资源集。初始路径可以是默认学习路径及其默认资源，在学生学习的过程中，可以根据数据采集及分析结果，实现个性化学习。

3.2.2 数据采集与过程监控

学生在学习过程中所产生的各种数据，包括操作序列、浏览记录、学习进度、在线时间信息等，都将自动采集并上传到数据库。教师或班主任等教学管理人员可通过所记录的数据，实时了解每个学生的学习情况。系统也可以通过对采集到的这些数据的分析，对学生实现学习路径的调整及个性化资源推荐。

3.2.3 个性化推荐系统

通过混合式推荐系统，可组织个性化学习，推送个性化学习资源。推荐系统可用于学习计划、学习活动的计划和调整，也可用对对应学习资源的推荐。基于内容的推荐主要根据项目本身的特征及属性进行推荐，可用于在教学设计环节给出一些资源推荐及教学组织的建议，还可在冷启动及稀疏记录的条件下得到推荐结果。而协同推荐则可结合用户特征和项目特性，提高算法的效率。

3.2.4 客户端呈现

由于目前移动学习的普及，学习系统必须支持各种移动终端，并根据所采集的数据及个性化推荐结果，在客户端上呈现不同的推荐列表。还可以针对不同的客户端，设计不同的学习资源，并结合学生常用客户端数据的反馈来实现个性化的推荐。

3.2.5 反馈及评价

学生在使用系统时对所推荐的路径和资源产生的反馈、评价等，是学习过程及推荐结果改进的重要依据。评价的指标主要有以下几项：

1）平均误差MAE（Mean Absolute Error）。平均绝对误差通过计算预测评价与真实评价数据上的差别，来衡量推荐结果的准确性。MAE的值越小，推荐准确性越高。若预测的用户评分集合表示为{p1， p2， … ， pn}，而实际用户评分集合为{q1， q2， … ， qn}，则MAE计算公式如下式所示：

[MAE=i=1Npi-qiN]

2）准确率与召回率（Precision & Recall）。准确率和召回率用来评价结果的质量。其中准确率是检索出相关项目数与检索出的项目总数的比率，衡量的是系统的查准率；召回率是指检索出的相关项目数和所有的相关项目数的比率，衡量的是系统的查全率。简单地说，准确率就是所推荐的项目有多少是被用户接受的（即“是对的”），而召回率就是所有用户可以接受的项目有多少被检索出来了。这两个取值越接近1，算法的效率就越好。

3）综合评价指标（F-Measure）。准确率与召回率的指标有时候会出现的矛盾的情况，这时就可能要综合考虑，最常见的方法就是F-Measure，又称为F-Score。F-Measure是准确率和召回率的加权调和平均，一般计算如下式所示（其中P位准确率，R为召回率）：

[F=（α2+1）P?Rα2（P+R）]

4 总结

本文考虑了一种个性化移动学习系统的分析与设计，采用了混合式推荐系统，以微服务的形式组织学习过程和学习资源，可针对不同的学习者，實现不同的学习过程、活动组织和学习资源推荐。这种新型的个性化移动学习系统，将可以实现更灵活的学习过程和形式，提高学习效率。

参考文献：

[1] 王书玲，王小军. 基于微服务的移动学习平台构建研究[J]. 中国成人教育，2017（23）：18-22.

[2] 罗洁. 信息技术带动学习变革——从课堂学习到虚拟学习、移动学习再到泛在学习[J]. 中国电化教育，2014（1）：15-21，34.

[3] 赵梅，杨文正，孙梦琴， 等. 教育APP开发模式演进及发展趋势分析[J]. 电化教育研究，2018，39（6）：90-97.

[4] 曹晓明，朱勇. 学习分析视角下的个性化学习平台研究[J]. 开放教育研究，2014，20（5）：67-74.

[5] 郑婷婷. 时态工作流的时间异常处理算法[D].广州：中山大学，2009.

[6] 梁存良， 张修阳， 邓敏杰. 在线课程中自适应学习单元的构建与设计[J]. 教学与管理， 2018（9）.

[7] 刘静，熊才平，丁继红，等. 教育信息资源个性化推荐服务模式研究[J]. 中国远程教育，2016（2）：5-9，79.

【通联编辑：谢媛媛】