智能化学习环境下资源推荐的影响因素及权重的探索

马秀麟 梁静 李小文 苏幼园

摘要：个性化学习及资源推荐是智能化学习环境中解决学习者知识迷航的重要措施，智慧学习和人工智能均对学习资源的个性化推荐提出了更高的要求。该文以知识结构及智能化学习支持环境为目标，基于实证性教学环境和文献分析，梳理出了面向学校教育的个性化资源推荐的关键要素，并通过对一线教师和学生的访谈，确定了影响资源推荐的核心要素（知识结构）和5个关键因子（学习目标、易错率、个人错误率、教师推荐、学习投入时长）。最后以问卷调查确定了各个推荐因子的权重，形成了资源的个性化智能推荐模型，并在教学实践中验证了该模型的有效性。

关键词：智能化学习环境;个性化推荐;学习资源;智能推荐

中图分类号：G434 文献标识码：A

一、研究背景

随着网络技术的进步与教育信息化的推进，学习资源得到了迅速发展，网络中浩如烟海的学习资源使学习者眼花缭乱。为了使学习者能够在纷杂的资源海洋中快速获得自己所需要的资源，个性化资源推荐成为很多学者关注的问题，这为智能化学习环境中减少知识迷航提供了新思路。然而，调研现有的大型学习支持平台，笔者却发现对学习资源的个性化推荐尚处于“理论研究多，实践应用少”“宏观阐述多，微观实证少”的尴尬境地。

（一）“互联网+”下的智慧教育呼唤智能化的学习支持

1.线上学习日益重要，然而其成效并不尽如人意

随着教育信息化的普及，基于信息化环境的e-Learning已经成为人才培养的重要形式，并全方位地改变着人们的教育思想和观念，形成了众多以线上学习为基础的新型教学模式和教学策略。在肯定线上学习重要性的同时，却发现线上学习的成效并不尽如人意。前几年热炒的MOOC学习已经因其完课率低、最终学习成效差而广受质疑，分析导致这一现象的根源，不外乎“个性化支持不足”“缺乏个性化指导”“学习动机无法持续维持”等原因。为了应对这些問题，出现了一些新的学习形式：比如，强调私人订制课程的SPOC（小型私人订制在线课程）、强调协作与社会性建构的DOCC（分布式协作开放课程）等新形式。

2.智慧教育和人工智能均提出了加强个性化支持的要求

教育信息化发展中出现的问题，促使人们重新思考技术在教育中的作用和应用模式，智慧教育的概念应运而生。研究者已经提出了诸多以智慧教育为核心的教育理念：智慧学习资源、智慧学习活动、智慧课堂、智慧教室、智慧校园等，目前智慧教育正在向泛在化、智能化、个性化方向发展。

教育人工智能的目标有两个：一是人工智能工具在教育中的应用，以建构个性化的自适应学习环境、实现高效、灵活及个性化的学习支持为目的;二是借助大数据和人工智能的新技术，对社会科学中宏观和模糊的知识进行分解、量化，力图以客观数据、精确的计算和清晰的形式表示教育学、心理学和社会学中含糊不清的知识。教育人工智能是智慧教育时代重点发展的核心技术，其关键技术主要体现在知识表示方法、智能推荐、智能导师系统等方面。也就是说，教育人工智能是利用技术理解学习是如何发生的，利用技术探索外界哪些因素能影响学习的效果，并为学习活动提供自适应的支持。根据教育人工智能的观点，应该借助技术手段促进学生个性化学习的发生。

3.个性化指导及资源推荐在智慧教育中具有重要作用

数字时代学习资源的增多为学习者提供了自主选择的机会，丰富了学习者的学习体验，也加大了学习者选择资源的难度，学习者很容易产生知识迷航的现象。随着国家级精品课、学科资源库以及各类教学平台的涌现，因海量资源而导致的知识迷航现象会越来越严重，个性化推荐在指导学习者自主学习方面的作用将日益凸显。

个性化推荐提供了一种解决学习者知识迷航问题的方法。个性化推荐策略可借助教育人工智能技术，结合学习者的学习行为记录与行为特点，帮助学习者了解当前知识点的前因与后果，明确学习路径，并为学习者提供合适的学习资源。这一策略必须尊重学习者的学情，并基于教学目标的要求而开展。因此，个性化推荐应基于学习者的学习情况及特点，自动地帮助他们选择适合的学习资源。个性化推荐和个性化学习指导是教育信息化发展到一定阶段的必然要求，是智慧教育环境建设的核心内容。

（二）学习资源个性化推荐模型的常见局限性

在20世纪90年代，个性化推荐作为一个独立的概念被提出来，最初在商业领域应用较多。近年来，随着教育信息化的普及与Web2.0技术的发展，个性化推荐逐渐被应用于学习资源的推荐。现有的个性化学习资源推荐大致可以分为四种：基于学习者特点进行推荐、基于学习者学习行为进行推荐、基于学习情境进行推荐、基于学习元信息模型进行推荐。学习资源个性化推荐在其发展过程中不断出现新的切入点，逐渐得到丰富。然而，笔者在研究中发现，虽然已有的学习资源个性化推荐模型或系统能在某种程度上满足学生的学习需要，但是很多模型缺少对学习资源或学习内容本体结构的关注。由于对于知识本身的逻辑性关注度不够，影响了其使用价值。分析学习资源个性化推荐中存在的不足，主要发现以下3方面的问题。

1.因资源推荐算法过度关注兴趣点而导致学习目标偏离

部分个性化推荐算法是参考了销售系统中的商品推荐系统而形成的，这种算法完全基于学习者的学习兴趣或学习偏好进行推荐，与商业大数据研究中的商品推荐系统类似。它主要依据学习平台中记录的学习行为信息和知识点偏好而推荐相应的资源。这种推荐算法的最大特点是一直向学习者推荐同类相关联的知识，最大的优势是能够促使学习者聚焦于某个特定领域“深挖猛学”。这一模式比较适应于面向成人的非正式学习，促进成人在某一领域得到充分发展，但不适合当前的学校教育或基础教育。因为它容易导致学习者的知识面变得狭窄，不利于面向课程内容的学习，对学习者完整知识体系的形成也不太适合，不利于学习者对学科内容的整体性建构。在这种模式下，学习者常常不能很好地完成完整的学习目标，甚至与学习目标相偏离。

2.因资源推荐算法对知识的结构逻辑性关注不够而导致知识碎片

部分资源推荐算法以知识点为基本单位，较少考虑知识点之间的关联性和学习内容的内部结构，导致学习者对所学知识的整体性结构考虑较少，他们所获得的知识通常是由多个孤立的知识点罗列而组成的，缺乏对知识点之间关联关系的阐述，或者说基于这种方式推荐的学习资源对帮助学习者建构全局性的知识结构作用不大，导致学习者的知识碎片化较严重，难以及时地形成有效的知识结构。事实上，与知识点相关的各种学习资源之间存在着复杂的关联性。当系统向学习者推荐学习资源时，若没有考虑学习资源之间的关联性关系，如包含、属于、上下位概念、因果关系等，将不利于联想、同化和顿悟等高品质学习行为的发生。这种情况是与建构主义的学习观和知识观相背离的。教育技术的相关研究已经证实：当学习者学习某一资源时，个性化资源推荐系统不仅要推荐其上位概念，还应包括其下位概念及相关概念、等价概念等，这对于学习者充分地理解和吸收资源的内涵是十分必要和有益的。

3.因资源推荐算法忽视了再造性知识的应用而没能发挥其应有价值

多数个性化推荐系统忽视了对学习过程中生成的再造性知识的应用，没能发挥出再造性知识的重要作用。尽管多数资源推荐算法能够为学习者推荐符合其兴趣与需求的学习资源，并能在一定程度上与学习者进行交互，然而由于忽视了对学习过程中产生的再造性知识（如批注、提问、评价、笔记等）的应用，没能及时地对这一部分的知识进行交流与反馈，导致这部分知识的散失，也会对学习者知识结构的形成造成一定影响。

（三）学习资源个性化推荐的研究现状

1.学习资源个性化推荐的主要思路

（1）基于学习者的特点进行推荐

为了能够实现资源推荐的个性化，多数研究者主张根据学习者的特点有针对性地推荐资源，该资源应以符合学习者的兴趣偏好为原则。孙歆等人提出了基于协同过滤技术的在线学习资源个性化推荐系统。该系统通过收集用户学習行为，建立行为模型，然后根据用户的主观评价数据收集用户对资源的兴趣度，预测用户可能感兴趣的资源，以达到个性化推荐的目标，帮助用户节省了在线获取资源的成本和时间。这种推荐模型以用户兴趣为核心，适合兴趣类零散型知识的学习，能够使学习者快速获得他们感兴趣的学习资源，但并不适合逻辑结构较强的知识的学习。

（2）基于学习者的学习行为进行推荐

学习者的学习行为是指学习者在使用学习系统时，系统自动记录的学习者的点击频率、视频观看时长、选看的资源类型等行为。丁旭在e-Learning平台的基础上，设计了一种以学习者为中心的学习行为分析模型，用来分析学习者的学习需要、学习兴趣和学习行为习惯。基于数据分析，该模型能发现学习者的学习行为习惯，并由此向学习者提供个性化的学习资源和学习路径，以便学习者合理地使用学习资源，从而满足学习者的学习需求。武法提等人以学习者为分析对象，建立了基于电子书包的学习者模型。该模型以学习者的个性化信息为分析维度，在个性化推荐系统技术的支持下，形成了基于学习者模型的个性化学习资源推荐框架。这两种个性化推荐系统均充分地考虑了学习者的学情及学习行为，抓住了学习者的薄弱环节，有利于学习者对投入较少的内容查缺补漏。但这些模型普遍缺少对学习目标整体性的考虑，较少考虑学习内容的本体性结构及逻辑性，属于聚焦于特定“点”的学习。它影响了完整知识体系的建构，不利于符合思维发展的知识网络的生成。

（3）基于学习情境进行推荐

学习情境是指学习者学习的具体环境，比如泛在学习情景、移动学习、智慧学习空间等。基于学习情景的个性化推荐能够在最大程度上满足学习者在当前学习环境中的学习需求。杨丽娜等人分析了泛在学习情境的形式化表征、情境化的资源推荐模型以及推荐策略，为情境化的泛在学习资源推荐提供了新思路。陈淼等人设计了移动学习环境下的个性化资源推荐模型，提出了基于社会化标签思想的个性化资源推荐模型。虽然基于学习情境的学习资源推荐能够根据不同的情境特点推送个性化的资源信息，促进推送个性化，但是这种推荐忽略了资源知识内部的逻辑性及学习者的学习目标，对于学习者形成良好的知识体系具有很大的挑战。

（4）基于学习元信息模型进行推荐

学习资源不仅是学习内容的信息呈现，还是促进学生深度思考与交互的重要教具，但仅有学习资源的学习是不完整的。北京师范大学余胜泉教授认为在教学设计中，教师应该把所有的学习内容及其扩展信息（包含学习活动、学习情境，但又不局限于活动和情境）作为一个整体聚合在信息模型中，统一进行设计与管理。为此，他提出了一种泛在学习环境下的新型学习资源信息模型——学习元。学习元是“具有可重用特性且支持学习过程信息采集和学习认知网络共享，可实现自我进化发展的微型化、智能化的数字化学习资源”。这种学习模型可以从学习内容、生成性信息、KNS（Knowledge Network Service）网络、格式信息、语义描述、学习活动六个方面为学生提供个性化学习支持。学习元模型较全面地考虑了知识点的特征、属性及其关联性结构，但其对学习者所产生的影响还有待进一步研究。

2.具有代表性的学习资源个性化推荐模型及关键因子

经文献分析并结合对学习支持平台的调研，笔者梳理了较有影响和代表性的个性化推荐系统或模型，并列出了其推荐内容和参考因子，如表1所示。

（四）研究中的关键问题

1.探索智能推荐的影响因素及其权重

为达到智能化学习支持的目标，本研究将从知识的本体性结构及学生的学习状态两个视角出发，探索个性化推荐系统向学习者推荐资源时应该参考的推荐因子及其权重，并借助知识地图解决学习者在学习过程中经常发生的知识迷航问题。

2.建立个性化智能推荐模型并在教学实践中检验

尊重知识的本体性结构，结合学习者的学习特点、学习目标和学习情境，建立个性化智能推荐模型是本研究关注的核心任务。本研究探索有效的个性化智能推荐模型，并在教学实践中检验推荐模型的有效性，从而帮助学习者建立起个性化的学习路径，能够更准确、更迅速地达到学习目标，充分发挥出其个人能力，让他们学得更轻松。

二、研究设计

（一）关键概念及理论基础

1.资源个性化推荐的含义

与根据学习者兴趣进行推荐不同，笔者提出的个性化推荐是指为了促进学习目标的完成，为学生推荐适应其当前学习水平的资源而设计的。因此，本研究的个性化推荐关注学习内容的知识体系和知识结构，应以学生是否达到学习目标为主要参考依据，通过使用知识地图标注学生所学知识点的位置，减少或避免学习者知识迷航现象的发生，帮助学习者更轻松地掌握学习目标。

2.主导-主体相结合的学习理论

主导-主体相结合的教育理论认为，学习者的学习过程需要教师和学生的共同参与，教师在整个教学过程中起主导作用，学生为主体地位，二者之间密不可分。在已有的资源个性化推荐系统中，几乎没有考虑教师在整个推荐过程中的作用。事实上，教师作为最了解学科知识及学生学习情况的人，在个性化推荐中的主导作用绝不可以忽视。本研究将以主导一主体学习理论为基础，在个性化推荐中充分考虑教师主导作用的重要性。

3.联通主义学习观

联通主义创始人乔治·西蒙斯认为学习即连接的建立和网络的形成，也就是把信息作为一个新的节点纳入到知识网络中，从而进行编码的过程。联通主义的学习观更像是从一种传统知识获取的角度出发认识学习，并将其确定为一种过程，认为学习的生态与环境会直接影响到学习者学习成效。学习者只有按照联通主义的方法，能够充分地利用情境并及时地将学习到的知识点纳入到已有的知识网络中，才能实现高效地学习。根据联通主义学习观，学习即学习者的内在知识元建立连接和知识网络形成的过程。在知识和社会媒体的更新日益加剧的背景下，联通主义的学习观显得日益重要。在智能化学习环境中，学习者获取知识并学会的过程，实质上就是新知识结点融入到学习者头脑中已有知识网络中的过程。在学习支持系统中，恰当地使用知识地图会使这种建立网络连接的过程更加快速准确，使学习变得更加容易。

（二）研究目标及定位

在智能化学习环境中，资源个性化推荐的作用不容小觑。现有的资源个性化推荐系统主要服务于学生的自主学习，并且大多是通过收集学习者的行为数据，从而推荐学习资源的。其关注的信息主要包括：观看视频的时长、点击频率、所选择的资源类型、自测题的完成程度、错误率等，最终形成用户画像，以便基于画像推荐资源。这种推荐方法充分地考虑到了学习者的学习特点及其主观感受，同时满足了学习者在当时情境下的学习需求。但对学生建立完整的知识体系和知识结构帮助不大。本研究从知识结构、学习者的基础能力和学习目标出发，力图构建智能化学习环境下的资源个性化推荐系统，并通过知识地图，建立个性化的学习路径，解决学习者知识迷航的问题，帮助学习者学得更轻松、更容易。

1.学习内容推荐，搭建学习脚手架

学习是学习者以其内在知识体系不断同化、顺应新知识并实现知识建构的过程。随着学习的深入，学习者会对新知识、新内容产生渴望。个性化学习资源推荐可以向学习者推荐前驱知识，搭建学习脚手架，使学习者学的更轻松，学的更深入。为了促进学习者的个性发展，個性化推荐系统不仅要满足学习者当前的学习欲望，还应该帮助学习者挖掘更多的学习兴趣点。本文所研究的资源个性化推荐系统应能根据学习者所学知识，结合知识地图，挖掘学习者可以接受的学习内容，引导他们形成个性化学习路径，进而发展其延伸能力。

2.教师及专家推荐，明确学习目标

在知识爆炸的时代，学习者不仅要学习当下要掌握的知识，还要学会如何学习，将新学习的知识与已有的知识建立连接，形成知识网络，而在建立连接的过程中要注意到教师在其中发挥的作用。教师作为对学科知识理解最深入的人，应当对学生的学习过程起到指导作用。如果仅依靠个性化推荐系统为学习者推荐学习内容，可能会导致学生偏离学习目标，或者不能完全掌握学科知识点，所以应当允许教师的人为干预。教师可向学习者推荐被漏掉的知识点，或者为学习者感到较为吃力的知识点补充资源，甚至为其前期预习准备好资源。

3.使用知识地图，确定学习路径

知识地图以图示化的方式展现网络化的知识关系，能够以显式的、网络化的方式呈现出知识点之间的内在逻辑，具有知识管理、学习导航和学习评估等功能。在学习过程中，学习者依据知识地图展开学习，能够迅速找到知识点所在位置，搜索到所需要的学习资源，避免知识迷航，解决信息过量的问题。不仅如此，学习者还可以利用知识地图建立起从一个知识点到下一个知识点之间的连接，促进其对知识结构的理解，促进概念的形成及解决问题能力的发展。与传统文本形式的资源结构相比，知识地图能够帮助学习者获得关于信息处理、问题解决以及学习策略方面的更多内容。

4.综合考虑多种因素实现智能推荐，提升学习动机

智能推荐是系统根据学习者的特点、学习目标、易错题、学习进度等因素，向学习者智能化地推荐应该学习的内容。智能推荐的学习内容是学习者学习的主要内容。在海量的信息资源中，智能推荐应根据学习者的学习水平，考虑到学习者实际的个性化需求，精选学习内容。通过智能推荐，学习者可以减少信息搜索的时间，满足其个性化的学习需求，增强学习动机，促进个人发展。

（三）调查维度

在已有研究的基础上，本研究试图改进已有的个性化推荐系统。经过文献梳理，总结出的资源个性化推荐的参考因素及内容如表2所示，其具体参考因素及权重则通过对教师和学生的访谈及对学生的调查问卷确定。本轮调查主要解决以下2个方面的问题：（1）通过对教师和学生的访谈，确定个性化推荐系统中智能推荐的内容与参考因子;（2）通过对学生进行问卷调查，确定智能推荐中各因子的权重。

（四）研究流程设计

一是基于文献分析，梳理智能推荐的相关理论，确立研究内容，并形成关于智能推荐的理念及其目标定位;二是根据文献分析和平台调研，梳理流行的个性化推荐系统中智能推荐的参考因子;三是根据梳理出的参考因子及已确立的推荐理念，对教师和学生进行深入访谈，确定智能推荐的参考因子;四是根据参考因子项的设置，设计面向学生的调查问卷，对最终用户展开调查，收集并分析数据;五是根据数据分析的结论，确定智能推荐中各参考因子的权重;六是根据分析结论及智能推荐参考因子，形成智能化学习环境下的资源推荐参考模型，并开展教学实践活动，检验参考模型的有效性。最终研究流程图如图1所示。

三、研究实施过程及结论

（一）调研对象

本研究基于文献分析、师生访谈、学生调查及实证数据分析与归纳等方法开展。笔者选择的访谈对象和调查对象覆盖了高校教育技术研究者、不同层次的信息技术教师和学生群体，覆盖面较广，具有很好的代表性。本研究选取了教育技术学专业的两位副教授开展访谈，两位专家均具有多年的一线教学经验，而且具有深厚的教育技术学背景，能够保证访谈的科学性和代表性;选择了2名高中信息技术教师作为调研对象，其中一名教师已经具有两年教学经验，另一名则为新手教师。这两名教师都是教育技术学专业的硕士毕业生。学生访谈和问卷调查的对象则是2017级学习《多媒体技术》课程的学生，这些学生都有使用学习支持系统自主学习的经验，并接触過若干个性化推荐系统。与此同时，这些调查对象均具有较强的学习能力，对信息技术促进教学的手段、策略有较为深刻的理解。上述调研对象具有较好的代表性和专业性，因此能够保证调查数据的信度和质量。

（二）影响资源个性化推荐的关键因素

1.以多层次访谈确立资源推荐的需求

（1）面向专家的访谈

访谈的对象是两位教育技术学专业的副教授和两名一线教师，访谈后的聚焦内容如表3所示。面向专家的访谈提纲主要包括：对于当前基于学习兴趣进行个性化学习资源推荐，教师有哪些看法？当前个性化推荐应该基于哪几个维度进行？对于当前的学习资源推荐算法，教师有哪些意见或改进建议？

（2）面向学生的访谈

学生访谈的对象有3人，访谈后的聚焦内容如表4所示。面向学生的访谈主要包括：在正式学习过程中，您希望学习资源个性化推荐系统向您推荐什么样的学习内容？您认为在资源推荐的过程中主要应参考什么因素？（比如学习兴趣、学习时长、知识目标、学习风格、教师推荐、易错题和错误率等）。

2.资源推荐的关键影响因子

如表5所示，综合考虑教师和学生的访谈记录，总结出以下几点要素：（1）基于兴趣的推荐并不适合正式的学校教育，在学校教育中应该更关注课程的培养目标;（2）关于学习时长，即学习者的投入时长。专家A认为应将学习时长视为一个参考因素，专家C则认为不用关注。经过查阅文献和访谈其他教师，本研究决定将学习时长视为一个参考因素;（3）推荐内容应重点关注学生不易掌握的内容、需要复习的内容等;（4）练习题错误率及学生的易错题应作为推荐的参考因子;（5）在资源推荐时应全面考虑资源所对应知识点的属性信息，统筹考虑该知识点的前驱知识点、后继知识点、相关知识点，应该评估与当前资源相关的知识点对当前资源的影响力。

（三）推荐因子的权重

1.设计面向学生的调查问卷并采集数据

在个性化推荐的关键因子已经确立的情况下，本研究决定利用调查问卷验证前述访谈内容的可靠性并进而确定智能推荐中各因子的权重。调查问卷关注了推荐内容和推荐因子两个维度，具有较好的覆盖性。调查问题则从学生对单项推荐因子的认可度和单项因子的重要性两个视角设计，借助被调查对象对单项因子重要性排序的均值确立其权重。

为保证自设调查问卷的科学性和严谨性，在正式发放调查问卷前，笔者请行业专家对问卷进行了评审。在评审过程中，行业专家认为知识目标和知识结构信息应该由教师掌控，否定了学生问卷中关于“知识目标”和“知识信息”类的问题。因此针对学生的调查问卷仅面向“教师推荐”“学习时长”“易错题”和“错误率”四个维度。通过专家评审，保证了调查问卷的专家结构效度;同时，笔者以克隆巴赫系数和主成分分析技术验证了调查问卷的信度和有效性。本轮调查问卷共发放问卷102份，回收问卷101份，其中有效问卷96份，无效问卷5份，问卷的总有效率为95%。在剔除5份无效问卷后，以96份有效样本展开数据分析。

2.确定各推荐因子的权重

（1）对调查数据的总体统计

在数据规范化处理阶段，为了显著区分推荐因子的权重，对于单项因子的认可度，将“非常同意”赋值为5、“同意”为3、“一般”为1、“不同意”为0、“非常不同意”项则设为-1。从调查数据看，学生们普遍对预设的5个推荐因子非常认可，在单项认可度方面，勾选“非常同意”和“同意”的总人数比例全部在70%以上。另外，在单项因子重要性排序类的问题中，学生们普遍较看重易错题和出错率，把这两个指标放在了“非常重要”的位置。对于调查所获得的数据，以SPSS进行频数统计和简单分析，获得如表6所示的统计结论。从表6可以看出，推荐因子的单项认可度与其重要性顺序是一致的。

（2）推荐因子的权重计算

根据专家建议，将基本知识目标的权重预置为0.20，那么其他因素的权重之和为0.8。以表6中的“总体均值”为依据，计算出每个推荐因子在总权重0.8中所占的比重。计算过程及结果如表7所示。其中，教师推荐的权重为0.18，易错点为0.21，错误率为0.24，学习时长则为0.17。

3.设置每个知识点的顺序系数和关联知识点

为体现出学习内容中各知识点之间的顺次关系，体现出知识点之间的逻辑关系，本研究专门设计了一个计算公式，用于计算每个知识点的顺序系数。首先，教师根据课程内容及学习目标要求对知识点排序，并记下每个知识点在顺序序列中的序号i。其次，按照公式计算出知识点x的顺序系数Ax。在此公式中n为本章节知识点总个数，i为知识点x在知识点顺序序列中的序号。最后，明确每个知识点的直接前驱和直接后继，并把其前驱知识点序号、后继知识点序号作为当前知识点的基本属性保存到知识点变量中。

（四）构建资源个性化推荐模型并开展教学实践

1.形成资源个性化推荐模型

（1）推荐模型的基本结构

基于上述分析，初步形成了学习资源的个性化推荐模型。因该模型主要基于北京师范大学计算机基础课学习支持平台形成且服务于北师大全体本科生的计算机基础课学习，因此该模型被命名为CenModel，其逻辑结构如图2所示。

在图2所示的推荐模型中，当前知识点的得分X反映了本知识点在知识体系中的重要性（知识目标）、当前学习者在此知识点上的投入情况，以及此知识点的难度水平、易错程度。而顺序系数A则反应了此知识点在学习过程中的位次，以便了解本知识点有哪些前驱知识点，以免当前资源超越了学习者的最近发展区，导致推荐资源超进度的现象发生。另外，集成于知识结点变量内部的直接前驱知识点和直接后继知识点信息，清晰地表达了知识点之间的内在关联性，有利于引导学习者实现知识之间的迁移、联想和顿悟，会在资源推荐过程中优先考虑。

（2）推荐模型的工作过程

对于登录到学习平台中的每一个学习者，在选定了学习模块之后，系统将依次完成以下操作。首先，提取当前学习者在选定模块内各个知识点上的学习状态，并依据表7所示的计算公式求出他在每個知识点的得分X;然后，以X*A的值作为推荐权重存储到当前学习者的“单个知识点推荐列表”中;最后，使用Top（n）选出若干个得分最高的知识点，以形成最终的智能推荐资源列表，构成面向当前学习者的导航列表。

2.基于CenModel个性化推荐模型的教学实践

基于表7所示的推荐因子与权重、图3所示的个性化推荐模型，笔者在cen.bnu教学平台上构建了此原型并进行了技术实现。其呈现效果如图3所示。

在图3所示的界面中，在左侧的“应学资源”列表中给出了近期应学的知识点及其对应的学习资源，是系统根据个性化推荐算法计算的结果;而“过期应学资源列表”中则列出了学习者应该学习但尚未投入学习时间的过期资源。在以资源推荐算法支持学习的过程中，若某个资源在被列入“应学资源”之后的1周时间里都没被当前学习者关注过，此资源将会被移到“过期应学资源”列表之中。另外，若当前“应学资源”列表中的某个知识点有直接前驱知识点尚未被掌握，则该前驱知识点的相关资源将直接被赋予权重1，纳入到级别最高的“应学资源”列表之中。在教学实践中，笔者还把智能推荐与知识地图有机地结合起来，把被推荐的资源在知识地图中显著地标注出来，使学习者可以依据知识地图的引导展开学习。另外，知识地图可以全面地展现学习者的学习路径，对于学习者完成学习目标具有指导作用。借助知识地图，可以向学生全面地展示知识点的分布情况、知识点之间的逻辑关系、知识点上资源的挂接情况，减少学习者按照知识点搜索的时间。

3.对CenModel个性化推荐模型有效性的检验

在完成了CenModel个性化推荐模型的开发之后，笔者在自己的《多媒体技术》课程教学班进行了小范围测试，有110余名学生体验了“应学资源”列表的推荐功能。从学生们使用这一功能的效果看，绝大多数学生肯定了这一模型的作用，并高度赞扬了基于学习进程推荐资源的设计思想。基于cen.bnu上的教学实践活动，笔者又邀请了3名同行专家对CenModel模型本身、资源推荐的影响因素和权重设计的合理性进行了评价，同时邀请了10名北京师范大学在读硕士和本科生讨论了cen.bnu上教学实践活动的有效性。从访谈结果和讨论情况看，教师及学生们对cen.bnu平台所采用的资源推荐策略、影响因素选择及权重设置均非常赞同，并提出了一些修正意见和建议。

四、总结与思考

本文从智能化学习支持的视角出发，以知识地图为基础，探究了以完成学习目标、形成良好的知识结构为目的的个性化推荐模型，并总结出以知识结构为基础的5个智能推荐的参考因子及其权重，这将为现有的个性化推荐系统提供有效的解决方案。

（一）CenModel个性化推荐模型的应用价值

在海量的信息资源中，依据知识体系和学习行为数据向学习者智能推荐学习资源是必要的，它能节约学习者信息搜索时间，满足学习者个性化学习的需求。本研究从已有的个性化推荐系统中梳理出了智能化学习支持中需要的参考因子，并根据教师及学生访谈确定了以知识结构为基础的5个参考因子：知识目标、教师推荐、知识点易错点、个人错误率、个人学习时长，进而并基于问卷和学习行为数据确定了各参考因子的权重。在此基础上，笔者综合考虑了知识体系、知识结构与学习行为之间的关系，把知识点的顺序系数A与各参考因子的权重值有机地结合起来，既保证了推荐模型对完整知识体系的依赖性，又充分考虑到了学习行为、知识点自身特征对推荐模型的重要影响。

笔者提出的CenModel模型适合学校教育中的正式学习：（l）CenModel模型的最大优势在于能帮助学习者建立良好的知识体系，形成知识网络;（2）为了促进学习者的个性发展，智能化推荐的内容不仅要满足学习者当前的学习状态，还要预测学习者的学习进程，帮助学习者个性化发展及能力的延伸。因此，CenModel模型分别从应复习的内容、未掌握的内容、未学习的内容、教师推荐4个层次分别考虑了学习者对学习资源的需求;（3）CenModel模型采用知识地图为学习者规划学习路径，不仅可以充分考虑到知识之间的关系及知识与资源之间的联系，还能向学习者推荐与某一知识点相关联的资源，使学习者在学习知识时更有针对性，从而促进学习者更好地完成学习目标，形成完整的学科能力。

（二）CenModel个性化推荐模型的局限性及展望

不可否认，资源个性化推荐在解决学习者学习迷航的问题上有重要作用，然而，任何一种个性化推荐模型或推荐策略都有其局限性，它能否真正地符合学习者的需求、能否真正地促进学习者能力的个性化发展都有待于进一步检验。CenModel智能推荐模型提出的参考因子及其权重设置，是根据文献分析、教师访谈、专家评审以及学生问卷的调查数据而得到的，虽具备了一定的实用价值，但其应用效果仍有待进一步地检验。在后续研究中，笔者将借助北京师范大学计算机公共课学习支持平台，大规模应用该模型并实时采集教学实践数据，验证推荐效果，以求能进一步改进智能推荐的推荐因子及其权重，扩大模型的普适性和影响力。

作者简介：

马秀麟：副教授，博士，硕士生导师，研究方向为信息技术促进教育、教育信息化、线上学习行为分析（maxl@bnu.edu.cn）。

梁静：硕士，研究方向为信息技术教学、网络课程开发（201721010187@mail.bnu.edu.cn）。

李小文：高级工程师，博士，研究方向为移动学习支撑平台共性技术、远程教学交互解决方案（13901018618@139.com）。

苏幼园：硕士，研究方向为信息技术教学、教育软件应用（583745194@qq.com）。