基于智能算法的个性化学习平台构建

王彧欣

天津商务职业学院，天津300350

个性化学习是当前时代背景下教育改革的重要方向之一。2010 年5 月5 日《国家中长期教育改革和发展规划纲要 （2010-2020 年）》中明确指出要“树立多样化人才观念，尊重个人选择，鼓励个性发展，不拘一格培养人才”，这是以“以人为本”教育理念为切入口的教育改革要求。 经过近十年的教学改革与实践， 高职教育在教学方法和教学内容方面的改革取得了一定的成效。 随着互联网行业的蓬勃发展及 “互联网+”概念的提出，高职院校应当顺应时代发展要求，充分利用信息技术资源，将整合优质教育教学资源作为实现学生与知识之间快速联通的基础， 再结合2019 年国家印发的《国家职业教育改革实施方案》中所明确提出的“实现学习成果的认定、积累和转换”指导思想，从大力推进学生个性化学习的角度，构建一个能够实现资源共享、智能化教学过程监督与考核、资源推送、就业指导为一体化的个性化教学平台。

一、个性化学习平台搭建

传统的教学是以教师为中心，以课堂教授为主要方式。 然而随着教育改革地不断深化， 教学理念地不断创新。 特别是2000年， 由美国学者提出的翻转课堂理念的普及与推广， 各个国家和地区的教育工作者在实践教学中加以验证，到如今，教育应当以学生为中心的教育理念已深入人心。 个性化平台建设正是基于这种教育理念应运而生的一种新的教学模式。

个性化平台的建立旨在推动信息技术与职业教育的深度融合， 通过以学生为中心个性化自主学习， 促进职业教育质量的提高。 个性化学习平台主要应用于学校的第二课堂，根据学习者的学习动机和需求，采用智能优化算法对学习者的个人优势、学习习惯、学习特点、学习成效等进行数据挖掘， 从而推送更适合学习者的个性化信息，真正达到因材施教的目的。

（一）个性化学习平台业务框架

个性化学习平台以职业指导为教学方向，将学生的知识水平、职业能力和独立人格作为三大教学目标。 首先根据岗位群的学习目标， 针对学习者制定不同的学习策略，并在学习过程中进行个性化指导；既要向学习者提供一个资源汇集型的自主学习空间， 又要根据学习者个人的具体特性推荐切合其偏好的个性化学习资源， 促进学习者与内容以及学习者之间的有意义互动。 个性化学习平台主要包括学习资源模块、课程考核模块、学生个性分析模块和岗位追踪模块（如图1 所示）。

（二）个性化学习平台运行机制

1．学习资源模块

在学习资源模块中， 分为内部资源模块、外部资源模块和资源共享模块。 其中内部资源来源于对学校教学资源的整合，目的在于深化并延伸教学计划范围内各学科知识点。 外部资源模块的资源主要来自于网络爬虫抓取来的最新技术以及管理员和教师的主动管理， 该模块围绕的是专业知识拓展学习及综合实践内容。 资源共享模块用于学生之间资源共享及交流使用，给与学生自主学习及相互交流的空间。 在学生的学习过程中， 系统会记录学生的学习喜好，如资源类型偏好、学科偏好、资源来源偏好、学习时间偏好等，将这些信息提供至个性分析模块和岗位追踪模块， 提供数据分析基础。

图1 个性化学习平台业务框架

其中网络数据的爬取首先依靠教师筛选适合学生浏览的最近资讯网页， 平台维护工程师根据教师所提出的需求， 写出基于目标网页特征的爬虫代码， 每天定时获取网页最新内容并将其存入数据库， 实现推送内容的实时更新， 具体实现如图2 所示。 页面的爬取主要采用python 语言编写，在代码中导入urllib2 包，使用Request 方法构造服务器请求对象并通过urlopen 方法向目标服务器发送请求， 以获取返回的类文件对象。 之后再通过调用re 包下的compile 方法完成页面内容的抓取， 并适时整理格式存入数据库中。

2．课程考核模块

高职教育要求重视对学生的职业技能培养， 在考核过程中要确保对学生的职业技能和文化素养考核全覆盖， 故在个性化学习平台的课程考核模块中， 将课程考核分为理论测验和实践测验两部分， 教师可以根据课程具体性质及需要自由调整理论与实践之间比例。 学生完成课程学习后，必须首先要通过理论测验， 才能进入相应的实践测验， 且只有当前阶段所有课程的理论和实践测验全部合格才能够开展下一阶段的课程。 同时学生的测验成绩也被推送至个性分析模块和岗位追踪模块， 用于对学生的课程推荐分析及岗位适应性分析。学生的测验成绩是本平台大数据分析的重要数据来源之一， 在本平台的智能优化算法分析中，当学生通过测验后，将同时将学生的答卷时间、 测验成绩和测验次数三项数据推送到个性分析模块， 根据算法平台的对数据拟合结果，分配以不同的权重，以对学生的推送结果进行一次次不断的纠正。

3．个性分析模块

个性分析模块是个性化学习平台的核心模块， 由性格测试模块和行为分析模块构成， 其中性格测试模块是由学生主动完成的心理测验， 根据性格类型分析学生所适合的岗位、课程及学习方式等，行为分析模块是利用系统记录的学生在学习平台上的学习轨迹、课程考核成绩等数据，从侧面分析学生学习效果。 在该模块中应用智能优化算法， 综合分析处理多方面收集的各项数据，并将分析结果分类整合，推送给学生、教师和企业。

个性分析模块首先需要大量的训练数据为数据支撑， 此部分的数据必须为获取的已毕业学生数据， 通过大数据分析得出毕业学生的性格特征和学习轨迹对其工作状态的影响。

建立：

图2 网络爬虫实现图

求取目标函数：

Fmax=maxFi

其中w 为权重系数，a 为特征因子，要求各项系数之和为1。 通过求取目标函数maxFi获得学生最适应的职业路线， 用于推送适合学生的资讯及课程。

4．岗位追踪模块

高职院校所肩负的主要职责是为行业企业培养投身于实际生产、服务和管理过程的高素质技能型专门人才，个性化学习的岗位追踪模块就是为企业方、校方和学生三者之间搭建的以就业为导向的服务模块，主要包括岗位需求模块、就业推荐模块和就业追踪模块。 岗位需求模块面对企业用户，企业用户在该模块中根据自身企业需求，维护岗位需求，协助高职院校有目的、有计划地培养人才、考核人才；就业推荐模块是通过大数据分析结果，将学生和岗位对接，一方面为学生提供适合的岗位，另一方面为企业提供适合的人才，并将实际录用结果反馈回数据库提供数据分析依据；就业追踪模块是对就业情况的持续追踪，主要反映学生对岗位的真实适应性，为课程推荐和学生就业推荐提供数据依据。

二、个性化学习平台数据分析原理

个性化学习平台是一个整合了学习资源、课程考核、学习推送、就业推荐的智能化综合平台， 其核心思想是通过平台记录学生的学习行为习惯、个性特征等数据，通过大数据智能优化算法挖掘出学生的潜在优势，将其与企业提供的岗位信息相匹配，用科学的方法分析出适应于每个学生个体的学习路径和就业方向， 在达到智能化因材施教的目的同时， 为企业输送高质量人才。 个性化学习平台的数据流图如图3 所示。

图3 个性化学习平台数据流图

（一）数据来源

个性化学习平台采集的数据主要用于辅助数据、数据训练、结果预测三部分。

辅助数据来自于岗位需求模块中企业填写的岗位需求单， 是由企业直接提供的最新行业需求， 用于岗位与学生素质要求之间的匹配。

训练数据来自于岗位追踪模块和课程考核模块。 首先整理由岗位追踪模块中获取的学生就业反馈训练数据和学生毕业后的多年就业追踪训练数据， 将数据转化为结构化的综合就业结果数据， 再将综合就业结果数据拟合到学生的个性分析数据中， 通过大数据智能优化算法挖掘出学生的个性信息与工作岗位之间的潜在联系。同时系统不断采集课程考核模块中的数据， 将学生各个课程考核结果反馈回算法挖掘结果中， 用以验证学生个性信息与工作岗位之间联系的正确性， 并自动优化挖掘结果。

结果预测部分是将训练结果应用到在校学生的个性分析数据中， 挖掘出学生适合的岗位方向、 课程资源、 学习方式等信息， 按照角色需要和学习阶段把相应的信息分别推送至学生、教师和企业。 其中学生个性化信息来自于课程考核模块、 学习资源模块和个性分析模块， 课程考核模块中采集的是学生的考核成绩及考核次数数据， 学习资源模块中需要采集的是学生的学习行为习惯数据， 包括学生的资源浏览和分享偏好、 课程种类偏好和学习时间偏好等能够从侧面真实反应学生学习习惯和性格特征的数据， 在该系统中将这部分数据称为学习轨迹数据。 个性分析模块的来源分为行为分析数据和性格特征数据两部分， 行为分析模块是通过梳洗考核成绩数据和学习轨迹数据， 将其整理成为行为分析方面的有效数据， 性格测试模块将采集的学生在线心理测试结果， 按照心理测验规则转化为性格特征数据。

（二）智能优化算法的应用讨论

智能优化算法的原理是通过模拟或解释自然现象中发展过程的一种迭代算法，对待解决问题的数学描述不要求凸性或可微性等条件，具有通用性、高效性、鲁棒性等优点。 其过程是先将问题进行编码，目的是将实际问题映射成可进行启发式操作的数据结构， 再选取一组解作为迭代的初始状态， 根据停止判断准则和目标优化函数进行迭代寻找最优解。 目前在解决实际问题中， 应用比较广泛的智能优化算法有遗传算法、粒子群优化算法、蚁群算法、模拟退火算法等。

1．遗传算法

遗传算法的核心思想是通过模拟基因的自然选择、交叉和变异过程，以优胜劣汰的方式使具有“优良基因”的解在迭代过程中更大可能性地被选取、被遗传下来，同时又能通过变异机制有效地跳出局部解，达到寻求全局最优解的目的。 该算法的适用性很强，在全局搜索能力出众，能够找到最优解的区域，适用于机器学习、模式识别、神经网络、控制系统优化、社会科学、进化现象和学习现象等领域。

2．粒子群优化算法

粒子群优化算法的核心思想是通过模拟自然界群体动物的觅食或迁徙等群集行为， 群体中的个体是不断学习自身及其他群体成员地经验来更改搜索方向及速度的。 粒子群优化算法属于群智能算法，其优势在于操作简单， 但需要保证种群的多样性，以防陷入局部最优解，该算法适用于函数优化、神经网络训练、模式分类、模糊控制等领域。

3．蚁群算法

蚁群算法是模拟蚂蚁在觅食过程中通过信息素将路径信息留给其他蚂蚁， 使更多的蚂蚁能够找到最短路径的过程。 蚁群算法是一种体现了正反馈机制的算法，具有局部最优解搜索能力， 该算法旅行商问题、分配问题、车间作业调度等领域。

4．模拟退火算法

模拟退火算法是一种基于概率的算法，模拟固体加温后， 通过逐渐冷却的过程来寻找最低能量状态。 模拟退火算法本质上是一种贪心算法， 由于该算法中会以一定概率接受较差解，故可以跳出局部最优解，求得全局最优解，该算法适用于生产调度、控制工程、机器学习、神经网络、模式识别、图像处理等领域。

5．算法应用分析

从个性化学习平台自身特点来说，由于该平台的主要目的是在于通过多样化数据来挖掘学生的潜在优势， 并将适合的信息实时推送给企业、教师以及学生，决定了该平台的数据及信息具有维度高、 更新快的特点，那么在算法的选取上，应优先考虑易实现并行化的算法以提高平台时效性，而模拟退火算法为了保证最优解的准确性，其过程往往采取慢降温、多抽样、低终止温度等方式，导致算法运行时间比较长，不符合该平台的需求。 同时所选取的算法还应尽量避免陷入局部最优解的问题， 而粒子群优化算法、 蚁群算法都存在易陷入局部最优解的问题，由此不能满足平台的要求。遗传算法除具备易实现并行化， 不易陷入局部最优解的优点外， 由于该算法的个体生存概率取决于对环境的适应度，“基因”在进化过程中亦是利用所获得的信息自行进行组织搜索， 通过交叉变异机制获得更适应环境的基因结构， 故遗传算法还具备自适应、自组织和自学习性的优势。 通过以上综合分析， 本平台拟采用遗传算法作为核心大数据分析算法。

6．遗传算法应用分析

本平台采用遗传算法进行个性化分析模块的数据训练， 通过遗传算法的数学规划模型（式3），求取式1 中的各项特征因子的权重w。

其中maxf（X）即为式2 中的目标函数，X∈R、R⊂U 为求取目标函数约束条件，U为该算法的基本空间，R 是U 的子集。 X 是满足约束条件的可行解， 集合R 表示所有满足约束条件的解所组成的可行解集合。具体算法应用过程如下：

（1）初始化：设置计数器t=1，最大进化代数为T，随机样本个数为M，对每个样本的wij进行随机赋值，生成具有M 个随机样本的初始群体P（0）。

（2） 评价：根据式1 和式2，计算M 个随机样本在群体P（t）中的适应度情况，根据适应度排序。

（3） 选择运算：在群体P（t）中，选择适应度排序为前N 的最优个体， 将这些个体通过直接遗传或交叉， 产生新的群体P’（t）。

（4） 变异运算： 将变异算子作用在P’（t）群体中，对P（t’）体中某些样本进行变异运算，得到新一代群体P（t+1）。

（5） 终止判断：当t=T 时，将搜索在进化过程中各代群体P（t）中具有最大适应度个体f（X）作为最优解输出，终止计算。

三、个性化学习平台应用实践

1． 个性化学习平台应用实践群体

为探求个性化学习平台的应用实践效果， 本项目以天津商务职业学院信息技术学院社团学生为首批实践应用群体， 该群体的主要特点为学习主动性强， 热爱所学专业，动手能力强，能够按照老师要求完成相应任务，执行能力较高。

2．个性化学习平台应用实践策略

社团教师在原有社团活动计划基础上，加入个性化学习平台要素， 每次活动都留出一定时间在社团中组织学生共同浏览个性化学习平台、 分享个性化平台的使用心得、交流个性化平台的学习经验。 教师在指导过程中， 可以综合个性化学习平台给出的学习建议和同学自身的学习需求进行方向性更加明确的指导。

同时，个性化平台的投入使用，也是为了让学生能够慢慢体验个性化学习、 逐步掌握个性化学习的方法，真正体会到、享受到个性化学习带来的乐趣。

3．个性化学习平台应用实践效果及反思

以天津商务职业学院信息技术学院社团学生为例的个性化学习平台应用实践中，得到了社团教师及学生的一致认可， 经过总结有以下几点可以应用于辅助日常教学过程。

（1）知识拓展。教育教学讲究因材施教，课堂教学既要保证正常的教学秩序， 符合教学大纲要求， 又要尽量满足每一位学生的需求，那么对于学有余力的学生，就可以将难度较大的相关内容推送给此类学生，达到个性化学习的目的。

（2）课程拓展。 面对日益严重的就业竞争压力， 邻近专业的学生希望能够学习其他专业的相近课程以增加自己的就业优势，为满足学生跨专业学习课程的需求，当学生满足前导课程要求后， 由学院教师批复即可进行拓展课程学习。

（3）学业指导。 个性化平台的投入使用可以辅助教师对学生进行学业指导， 平台根据学生的使用习惯、 行为记录以及课程成绩等相关参数， 判断学生适合的岗位类别， 同时会将相关数据推送给学生和其导师。 导师可以综合平台数据和平时学生表现以及学生所表达出的真实感受， 进行有针对性的指导。

四、结束语

在学习者使用个性化平台学习时，该平台可以自动将最新知识推送给学习者，并可以找到适合学习者的学习资源， 从而保证了能够提高学习者的学习效率以及学习效果，对其纵向专业成长帮助较大。 但如果学习者过分依赖平台， 就容易起到束缚自身的反作用，造成知识面涉猎过窄的局面。所以教师在安排学习者进行学习时， 应当结合线上线下以及学习者实际情况， 最大化发挥平台的辅助作用， 达到切实提高学习者综合素质的目的。

总之，个性化学习平台的研究是以学习者为中心， 致力于建立一个能够满足学习者个性需求并能帮助学习者挖掘自身潜能的智能平台， 将为教育课程改革提供新思路，带来积极影响。 但与此同时本个性化平台还有待于在移动端、 微信小程序方面的进一步充实， 使学习者能够不受时间、地点、设备的限制，随时随地充分利用平台提高自身。