基于个性化推荐技术的网络学习空间一体化研究*

2019-12-26

中小学电教 2019年12期

（吉林警察学院信息工程系，吉林长春 131107）

一、引言

自“十二五”提出“三通两平台建设”至今，国内众多学者一直致力于网络学习空间的理论研究与实践探索，分别从网络学习空间的系统架构、服务应用类型、教学模式应用等不同视角进行了深入分析和探讨。“十三五”期间，由于信息技术与教育的深度融合发展，网络学习空间应用了多种教学模式和教学策略，使教学效果显著提高。另外，网络学习空间融合了教育管理与校园文化建设平台，使得家校互动更为紧密，从而促进了家长辅助学校对学生进行管理。

网络学习空间作为信息技术支撑下的专门教育平台，一直支持线上正式和非正式教学活动的开展。随着数据量的增大，网络学习空间中工具技术性支持存在明显不足。表现为：一是缺乏数据挖掘、学习分析等智能型技术的应用；二是缺少依据用户行为与学习风格的精准化学习服务推荐。另外，在极其需求自主性、创造性人才的今天，具有个性化特征的人才培养是知识经济时代对教育提出的新挑战[1]，只有具备独特的个性化特征才能的学习者才具有创造能力。我国《教育信息化十年发展规划（2011-2020年）》中明确指出，要“培养学生信息化环境下的学习能力”，即通过信息技术的帮助实现学生更好地自我学习和自我发展[2]。因此，如何将网络学习空间转变成培养学生自主性学习、个性化发展的重要学习场所，成为教育信息技术发展的重要课题。本文在对国内外关于网络学习空间文献归纳和整理基础上，把个性化推荐技术融入到网络学习空间一体化建设中，并对个性化推荐技术、空间模型和架构进行了详细阐述，希望通过在网络空间中运用个性化推荐技术工具，产生适合不同学习用户特点的知识推荐和学习路径推荐，提高网络学习空间个性化学习能力。

二、网络学习空间中基于推荐技术的个性化学习

所谓网络学习空间中基于推荐技术的个性化学习，就是在虚拟化的学习场所中应用推荐技术，根据学习用户不同的学习特征推荐相应的学习资源和学习策略，充分尊重不同学习用户学习特征，支持以“学习者为中心”的学习活动的开展，从而实现学习用户的个性化发展。

网络学习空间具有丰富的学习资源和学习工具，学习用户可以利用资源图片、视频和案例进行线上线下自主探究。同时，也可以利用网络学习空间中的交流工具与学习共同体进行合作式学习，并在经验交流中获得知识。许多学习用户在网络空间中留下了属于自己学习风格和学习特征的数据轨迹，推荐技术就是利用学习用户在网络学习空间中留下的轨迹数据建立学习用户模型，并利用推荐算法与学习资源模型进行相似性计算，进而生成与不同学习用户相适合的学习内容和学习路径推荐，从而为学习用户个性化学习提供支持。

（一）网络学习空间中个性化推荐算法

推荐技术是一种大数据时代信息检索技术。当检索词汇处于模糊状态下，推荐技术能够在海量信息中找到用户所需求的数据，现如今推荐技术被广泛应用于商业系统和学习系统等领域。个性化推荐算法是推荐系统的核心，学习系统中常用的个性化推荐算法主要有以下5类：基于内容的推荐、基于知识的推荐、协同过滤推荐、基于上下文感知的推荐和混合推荐。

1.基于内容的推荐

基于内容的推荐算法首先构建目标知识点属性向量，然后通过分析用户历史行为记录，构建用户模型向量，最后计算用户模型向量与目标知识点属性向量的相似度，产生项目评分序列或top-N推荐。基于内容的推荐不需要大量的用户群体或评分数据集，只有一个用户也可以产生推荐列表[3]。

2.基于知识的推荐

基于知识的推荐，需要建立知识网络图谱，计算用户已有的知识和需求知识之间的信息熵，进行权重计算为用户推荐与旧知识最为接近的新知识。基于知识的推荐算法依赖于预先建立的特定领域的知识库，适用于无法根据学习用户历史信息来推荐知识点的预测[4]。

3.协同过滤推荐

协同过滤推荐是通过找到学习用户A的近邻学习用户B，即找到具有相似特征的学习用户，把学习用户B在某领域选择的知识项目推荐给未在该领域选择知识项目的学习用户A。

用户A与用户B的近邻关系主要依据他们的历史记录或评分，采用余弦相似度、Perason相关系数、均方差、Spearman相关系数等方法计算[5]。

4.基于上下文感知推荐

首先采集用户、上下文、时间、地点、项目、用户评分等数据，形成数据集；然后，根据用户历史记录提取用户偏好；再次，计算用户偏好与数据集的相关阈值；最后，根据阈值预测用户与项目之间的潜在偏好，生成上下文感知推荐。

5.混合推荐

在具体应用中，常常将若干种个性化推荐算法通过某种方式进行结合，结合方式采用加权、变换、混合、特征组合和层叠等方法[6]，有效避免各单一的个性化推荐算法的不足，增强推荐效果。

（二）个性化推荐算法在网络学习空间中的应用分析

网络学习空间中的个性化推荐主要目的是使不同学习用户获得个性化、自适应性的学习内容，达到最佳学习效果。目前已有一些学习平台纷纷把各种个性化推荐算法应用于知识领域，都取得了不错的效果。但是网络学习空间作为存储或交换历史数据信息最广泛的学习平台，更适合把几种推荐算法捆绑在一起，顺序应用推荐算法建立学习用户模型和知识模型，从而生成基于内容的推荐、基于学习路径推荐等个性化推荐。数据库系统作为推荐系统的接口，为生成推荐提供数据。如图1所示。

图1 个性化推荐系统

三、基于个性化推荐技术的网络学习空间一体化设计模型

（一）模型要素

网络学习空间的构成要素是网络学习空间模型构成的基础，现有的网络学习空间构成要素大多是以澳大利亚学者David Radcliffe提出的PST框架为理论基础。所谓PST框架是指学习空间由Pedagogy（教学）—Space（空间）—Technology（技术）三者作为有机整体进行设计，强调技术在学习空间体系中的作用，使学习空间由物理空间向虚拟空间获得有效延伸。随着现代网络信息技术的快速发展，特别是大数据技术、云技术的出现，智能型工具技术在网络学习空间中扮演越来越重要的角色。因此，当前许多学者对网络学习空间构成要素重新进行了定义，其中有代表性的，如祝智庭教授从教与学的过程出发，把网络学习空间要素定义为教与学过程参与者的空间——角色空间，学习资源的内容资源空间，帮助用户获取资源的媒体工具空间，以及记录用户活动的过程信息空间[7]。而李振等则提出了个性化网络学习空间的要素模型—PST-SDC模型，即教学法、技术、利益相关者、数据、学科内容五要素[8]。而本文更强调个性化推荐技术在网络学习空间中的学习支持作用，界定模型构成要素为：空间用户、学习工具、个性化推荐技术、学习资源及过程信息五要素。个性化推荐技术把空间用户、学习工具、学习资源和过程信息等要素融合为一体，通过个性化推荐支持“个性化”学习活动的开展，如图2所示。

图2 基于个性化推荐技术的网络学习空间构成要素

（二）模型构成要素内涵

1.空间用户的统一身份认证和数据交换

网络学习空间一体化模型核心思想是实现课内课外、校内校外、线上线下学习活动无缝链接一体化，生生之间、师生之间、教师与家长之间、教师与管理者之间持续互动一体化、各学习应用平台数据模型一体化。因此，网络学习空间用户登录必须实现统一实名身份认证，规范各类学习平台数据模型，使学习用户在各学习平台的学习记录数据及访问数据实现继承和交换，从而打破信息孤岛，有效建立推荐模型。

2.实现多种角色共同参与

访问网络学习空间的主体不仅包括学生还包括教师、家长、学习伙伴、管理者等多个角色。家长通过网络空间可以查看学生的学习成绩，也可以通过空间评价体系和管理工具对学校、教师开展评价，提出良好建议，便于参与学校的管理。学校也可以借助空间及时向家长传递学生的学习情况、推送学校的教育理念和各种优秀的教育方法。不仅使家长全方位了解学生的学习和发展，更能积极明确学校的教育理念和思路，有效地参与学生的管理，帮助学生成长。总之，网络学习空间在信息技术支撑下实现多个角色间的交流、沟通、分享、反思，共同促成知识生成、情感交流和协作。

3.学习资源的高度整合与共享

学习资源是学习用户在网络学习空间开展学习活动的基础。如果仅仅凭借本单位、本院校建设的学习资源，平台的应用受到极大的限制。因此，为了保障网络学习空间一体化中的资源共享，需要全国各高校与主管部门按照网络空间“人人通”技术规范和标准搭建资源数据库和访问接口，统一信息模型和信息交换，使网络学习空间中的学习用户及参与者可以通过搜索工具、外部平台访问入口等方式共享外部资源。

4.学习工具的高度集成

网络学习空间中的学习工具包括虚拟教室、视频点播、电子课本、各种智能应用、答疑、在线咨询等学习应用系统，是帮助学习用户进行学习的工具集合。网络学习空间中的学习工具有效实现了教室、实验室、家庭、图书馆等物理学习场所向虚拟学习场所的集成性转移。在网络学习空间中借助于学习工具，学习用户可以建构自己的个人学习空间，完成在线学习、实现个人成长和个人发展。

5.过程信息空间

过程信息空间记录了学习用户在网络学习空间中一切活动和活动结果数据[9]。这些数据包括学习用户的知识项目进程、考试成绩、访问路径以及各学习工具应用情况等等。个性化推荐技术可以利用过程信息数据，计算用户的学习偏好、学习特征从而建立学习用户模型，为个性化推荐实现提供必要数据。