“人工智能+教育”环境下教学资源库的研究

2020-11-23倪居李勇

就业与保障 2020年1期

文/倪居李勇

教学资源库建设是学校“人工智能+教育”应用的核心，是信息技术与课程整合的关键，因此，必须加快资源库建设，让学生能在开放的网络教学环境中获取更多的网络教学资源，提高教学效果，从而为今后的就业创业奠定坚实的基础。

一、当前教学资源库存在的问题

当前我国教育信息化程度不断增强，参与教学资源库建设的学校和机构越来越多，教学资源库中包含了丰富的教育教学资源，但是这些资源并不是完全开放共享的，有些资源仅供校内师生使用，有些资源仅供会员免费使用，还有些资源需要付费才能使用，教学资源库存在着不能有效利用和难以统筹管理的问题，阻碍了资源库的进一步发展。

（一）不同的技术平台导致资源共享困难

支撑资源库的平台种类繁多，这些平台采用不同的技术标准进行建设，但是，资源格式和存储方式的不统一，会导致不同资源库之间难以共享。

（二）资源缺乏及时维护导致不能及时更新

资源库建设周期长，难度大，需投入大量的人力成本，并且建成以后缺乏及时有效的维护，使资源难以随着教学知识的发展及时更新，导致教学资源缺乏动态性和可移植性。

（三）技术平台的智慧化程度不高导致资源无法有效利用

现有的平台只能满足简单的检索，用户无法从大量的资源中快速检索到对自己切实有用的资源，因此，网络学习者容易被大量的资源迷惑。资源库信息的过载常常导致访问者陷于信息迷航[1]，另外平台不能主动地分析学习者的学习行为和学习需求，不能满足学习者对学习资源多样化和个性化的需求。

（四）资源共享理念不够开放

多平台之间相互封闭，教学资源重复开发，难以实现共享和开放。如果能够以开放和共享的观念建设和使用资源，必定能够推动在线教育的快速发展。

二、基于个性化推荐技术的教学资源自适应推送

个性化推荐系统适用的业务范围非常广泛，如电子商务网站、搜索引擎、线上服务、线上交易等，可以说只要存在信息过载的问题，个性化推荐技术都可以进行解决[2]。因此，在学习者使用教学资源库时，如果能根据学习者的个性特征精准推送其所需要的教学资源，就可以解决学习者在面对海量资源所产生的信息迷航问题，提高学习者的学习效率。

教学资源库要解决的核心问题是为学习者提供个性化的教与学服务。满足师、生、校、家的需求，实现高效互动。《新一代人工智能发展规划》中提出要建立以学习者为中心的教育环境，提供精准推送的教育服务。所以教学资源库的建设应该能实现个性化推荐和自适应学习的功能。

（一）学习者模型构建

学习者模型的构建基于学习者特征和教学资源库两条主线，收集学习者的基本信息，学习历史记录，对比学习者之间需求的差异[3]。采用K-Means聚类算法将学习者进行分类，将有相同或相似需求的用户进行聚合，从而构建学习者聚类模型。

（二）资源模型构建

资源模型的构建基于资源基本特征、标签和用户对资源的有效评价三个方面，采用杰卡德相似系数计算资源与资源之间的相似度，采用Apriori算法挖掘频繁项集。将特征相近，相似度高，用户评价好的资源组成候选资源链，构建资源关联规则模型。

（三）按照学习者需求匹配资源

要想实现较好的个性化推荐效果，可以利用人工智能技术，感知学习情境，对学习者进行精确定位，按照学习者特征构建用户画像。根据用户画像选择合适的推荐算法主动给用户推荐能够满足他们兴趣和需求的资源，形成高效的推荐机制。

（四）个性化推荐

为了节省用户时间并帮助用户快速找到感兴趣的资源，利用教学资源库中海量的用户访问数据，研究用户的兴趣偏好，分析用户的需求和行为，引导用户发现需求信息，将相关资源准确地推荐给所需用户，帮助用户发现他们感兴趣但很难发现的资源，增强用户体验效果，增加用户黏度，从而使用户与资源库之间建立稳定的交互关系，实现链式反应增值。

在资源库使用过程中，根据学习者聚类模型和资源关联规则模型建立不同的指标评价模型的优劣。K-Means聚类模型的优劣取决于初始聚类中心的选择，在使用中为了得到较好的结果，可以选择不同的初始聚类中心多次运行K-Means算法。Apriori算法评价指标为置信度、支持度和提升度。在资源库的使用过程中进行多次计算，发现最小支持度、最小置信度下Apriori算法求取的关联规则数目适中，能够得出优良结果，能够不断优化资源关联规则模型。

学习者聚类模型和资源库关联规则模型均根据历史数据进行建模，随着时间的变化，学习者信息和资源库信息也在发生变化，因此，建议每个月运行一次模型，确认模型的稳定性，如果模型稳定性不佳，则需要重新训练模型。根据以往经验建议每隔半年训练一次模型。通过不断改进算法、优化模型、完善个性化推荐机制，促使资源整合，使教学资源库主动服务于学习者，从而构建性能优良的自适应学习系统。