智慧学习资源进化框架、模型研究

赵玲朗 范佳荣 唐烨伟 庞敬文 钟绍春

[摘   要] 在智慧教育逐渐普及的背景下，学习资源应具备共享性、进化性、个性化和智能化等特点，然而当前面向智慧学习的学习资源进化无法自适应学习者动态调整的学习需求。基于此，文章提出从多目标优化视角综合考虑学习者个性化和智慧化学习过程中对资源的多种需求，建立了一种面向实际智慧学习场景的学习资源进化框架和学习者—资源多目标优化模型，依据学习者的认知水平、媒介类型偏好、学习内容偏好、学习时间预期等需求，进行最优化求解;利用智能优化算法实现学习资源进化过程中的动态调整。

[关键词] 资源进化; 智慧学习; 进化模型; 多目标优化

[中图分类号] G434            [文献标志码] A

[作者简介] 赵玲朗（1990—），女，吉林长春人。博士研究生，主要从事智慧学习环境研究。E-mail：1391127299@qq.com。

一、引   言

新技术的迅猛发展，深刻改变了教育形态，智慧教育成为教育信息化发展的新趋势。智慧教育侧重学习者个性化的学习方式，关注学习者的主动发展和智慧成长。学习资源作为智慧学习生态系统的核心要素[1]，我国教育信息化整体规划性指导文件对其的建设、开发和共享都做了强调。特别是《教育信息化“十三五”规划》强调“激发教育智慧，不断生成和共享优质资源”[2]，《教育信息化2.0行动计划》要求“形成覆盖基础教育阶段所有学段、学科的生成性资源体系”[3]。可见，学科学习资源体系共享已成为我国教育战略层面的工作。但是，静态的、预设的学习资源形式较难满足学生的智慧发展，因此，智能时代对学习资源提出了新的要求，即强调学习资源的有机共享与有效协调。因此，本文基于多目标优化方法，从学习者和学习资源两个维度出发，综合考虑学习需求，基于智能优化算法实现海量资源在智慧学习环境中的高效进化。

二、概念解析

（一）智慧学习资源

智慧教育是通过教师智慧教学引导学习者智慧学习，发展师生智慧的过程。在国际学界，大量学者关注基于人工智能技术的智慧学习环境的建设和开发，但理论层面的论述相对较少[4]。国内关于智慧学习的典型论述主要有：（1）将智慧学习描述为技术赋能教育的全新样态。从学习者、教师和管理者三个方面阐述，学习者能够基于优秀教师的教学智慧和典型学习者的学习经验开展学习活动，全面培养系统思维和创新能力。教师能够动态掌握和调控教学过程，依据学习者总体情况调整教学安排。管理者能够全面了解学校办学情况，根据需要调整办学方案[5]。（2）从学习者的角度出发，关注学习者的智慧培养，即讨论如何培养学习者的哪些能力，强调通过在情境中体验和创造以及个性化学习等方式，培养学生合理运用知识的能力和智慧，促进各方面综合发展[6]。

智慧的培养需要为学习者提供开放和按需供给的学习资源。杨现民认为，智慧学习资源是在智慧课堂中，教师围绕教学内容展开教学环节或活动时所依赖的一种数字化学习资源，但是它需要两个条件，一是为开展高效的智慧教与学活动服务;二是以学习者需求为核心[7]。余胜泉认为，智慧学习资源应是一种资源体系，在这种体系中，学习者与学习者之间、学习者与专家之间建立联系，通过交流与共享，学习者能够持续地获得所学知识以及知识的发展变化[8]。前者强调了学习资源与学习情境、学习活动的關联性;后者更加关注学习资源与人的联通性，反映了知识的生长变化是群体智慧的结晶。从有关智慧学习资源概念的论述中可以看出其泛在性、联通与交互性、开放与共享性、进化性、个性化和智能化的特点[9]。学习者的学习活动过程是由若干个独立知识点或知识片段的学习组成的。而每个知识点或知识片段的学习由不同的学习方式来完成[10]。为了实现学习者的个性化学习，每个知识点或知识片段都应匹配若干的支撑学习资源，供学习者选择。因此，智慧学习资源是以知识组块之间的内在联系为客观依据，与学习层次、方式和兴趣爱好相适应的驱动任务、微视频、学习工具等构成的资源体系。

（二）学习资源进化

“进化”有事物生长、变化和发展之意，最终达到适应环境的目的。学习资源进化是指为了不断适应信息技术的发展、学习环境的变化，满足学习者知识结构和认知能力的动态需求，而对自身内容的调整和完善以及资源内外结构的优化[11]，体现了“发展、变化、适应”的核心思想，即发展性、变化性和适应性的特征。从定义中可以看出，资源进化的主体是现代智慧学习环境中的学习资源，是泛在的、联通的和交互的。进化目的是为了满足学习者的需要，促进学习者知识建构、能力发展、智慧学习，从而适应学习环境的变化。此外，学习资源需要从自身内容和内外结构两个方面完成进化，内容的组织与进化需要体现群体智慧，通过交互生成知识成果，协同编辑，促进学习内容的快速更新。结构的组织通过自然语言处理技术进行实体命名，通过知识融合调整资源间的关联关系。

基于多目标优化的视角进行学习资源进化是在分析传统视域下学习资源进化方法和特性的基础上，综合考虑学习者个性化和智慧化学习过程中对资源的多种需求，将多目标问题转化为单目标问题，建立了一种面向实际智慧学习场景的学习者—资源多目标优化模型，通过学习资源群体内个体之间的相互合作与竞争产生的群体智能来指导资源进化，保留满足学习者智慧学习需求等多目标的资源，淘汰劣质资源，促使资源动态进化。

三、传统视域下学习资源进化方法概述

传统视域下学习资源的进化方式，如图1所示。网络的普及使学习者可选择的学习资源非常丰富，在巨大的学习资源库中实时获取学习内容和使用相关的知识，并在网络中实现知识创造与共享。通过在课堂中的自评、互评、人机交互、编辑资源内容、发表评论等学习活动，将个性思想融入群体智慧、学习交互、内容协同编辑以促进资源的进化。

学习资源的进化体现在内容进化和结构进化两个方面。内容进化是学习者在学习过程中生成阶段性成果，依托于智慧学习环境对外发布，允许学习同伴和教师协同编辑资源内容。学习者在参与学习的过程中，通过对资源的使用，已经形成了一个微型网络。同时，学习者还可以将优质的课程资源与其他同伴共享，方便学习者获取大量适合自己的课程内容，那些不被学习者使用的学习资源逐渐被淘汰，优质的学习资源得到实时更新，这个过程是学习者对繁杂多样的资源信息进行深度加工并反馈分析，形成所需资源的过程。

学习资源外部结构的进化体现在资源间进行聚合以建立相似关系、上下位关系、前驱关系、包含关系、等价关系等语义关系，形成资源间的逻辑关系网，使所有的资源都成为资源网的一个结点[12]。通过语义建模等技术，挖掘学习资源中最核心的内容和任务语义关系。然后，相似资源进行关联自动形成主题资源群，相同知识点、相同类型的学习资源根据内容进化的标准进行竞争，淘汰不符合要求的主题资源群，满足要求的资源继续参与群体智慧的生成和进化，达到成熟的状态，并再次按照知识的内在逻辑组成结构化的课程资源群。该类方法不能在资源进化过程中综合学习者的认知能力、预期学习时间、资源偏好等实际因素。

四、基于多目标优化视角的智慧学习资源进化框架

在资源进化过程中，学习者需要学习的多个资源需求申请会同时发送到云端服务平台，平台在接收到这些学习资源需求申请后，将其分解为若干个资源进化的子任务，综合考虑多个学习资源需求的子任务因素。每个学习资源都是以学科知识点或特定的知识组块为核心，包含了大量的问题或任务，每类资源的进化都需要根据学习者解决问题或完成任务的认知能力和对应知识点的媒介偏好、内容偏好、学习时间来确定，基于资源进化的多个明确目标对自身内容和结构进行调整和完善，资源需求体现在资源进化的全过程中，以满足学习者对学习资源的动态需求，促进学习者的可持续发展，为学习资源的精准推荐奠定基础。从多目标优化视角出发，结合学习资源进化的内涵和特征构建智慧学习资源设计与进化模型的基本框架， 如图2所示。

为帮助学习者达到智慧学习的目的，教师应当设计具体的学习任务或活动，使学习者经历对问题分析以及方案构想、抉择、评价、归纳的过程和序列学习活动。在传统的网络课程中，学习者通过所设定的点及连接来检索资料，学习活动序列是学习资源的组织。因此，知识点间与学习资源间的连接构成了学习路径。当其在智慧学习平台中参与学习，将学习者的个体特征和学习数据作为学习资源进化的切入点，平台通过云计算、物联网以及大数据等新兴技术感知学习者的学习需求，即被学习者应用的学习资源知识点的难度要适合学习者的认知能力，学习资源所包含的知识点范围应是学习者要掌握的知识点，学习资源的媒介类型符合学习者的资源偏好，推荐学习资源的总学习时间符合学习者预计学习时间。这是一个多目标的最优化过程，本质是需要满足认知能力目标、学习内容需求目标、媒介类型偏好目标、预期时间投入目标的最优资源进化过程。

进化的过程是以多目标为进化视角，基于多目标差分进化算法，通过群体内个体之间得相互合作与竞争产生的群体智能来指导资源进化，计算每个个体与最优个体适应度值的相互关系，进行变异、交叉和竞争操作，满足学习者需求等多目标的资源向学习者个性化资源群聚合，组成资源间涵盖核心内容和任务并建立相似上下位、前驱后继、包含、等价等语义关系的资源群。对于不满足当前学习者需求的资源，则回到原始云平台中的资源储存的位置，为匹配下一个学习者的学习需求，以进行资源进化做准备，或将劣质资源淘汰。这个过程以满足学习者的个性化学习需求为根本点，与其认识水平、学习方式、学习偏好、学习投入相匹配，体现了学习资源的智慧性。

五、基于多目标优化的智慧学习资源进化模型

智慧学习资源有机共享模式包含三部分：资源需求方、资源提供者和云平台。资源需求方以学习者为主体;资源提供者包括学校教师、企业以及学生，对学习资源进行设计、生成和组织;云平台响应资源需求方的需求申请，利用各种信息技术进行资源共享和进化，满足不同学习者的学习需求。学习者是教育教学的主体，其不同程度的投入、认知水平的高低以及媒介、内容的偏好都会影响组织学习资源进行智慧学习的效率[13]。基于多目标优化的智慧学习资源进化模型主要从学习者函数模型、学习资源函数模型出发，构建最优进化策略的目标函数，利用一种自适应调整变异率和交叉率的差分进化算法实现智慧学习资源的进化。

（一）学习者模型

学习内容是资源设计目标确立的依据，根据学习内容设计的学习任务和活动是对学习资源进行组织，然后获得满足学习者智慧学习的过程，学习者的学习活动过程是由若干个独立知识点或知识片段的学习组成的，也就是由若干个学习资源辅助完成的。为了提高资源进化精确度和服务效率，必须考虑学习者的认知水平、学习偏好、投入度等核心特征要素。因此，本研究从认知能力、媒介类型偏好、学习内容偏好、学习时间预期四个要素建立学习者模型。

用Si表示第i位学习者。教育的目的是通过学科知识的学习，培养学科核心能力。学习者的能力需要通过问题解决或任务完成进行刻画，需要学科全局性的知识结构和问题体系进行支撑，因此，定义第i位学习者的认知能力为Si-C={C1，C2，C3，…，Cm}，表示m个知识点对应的学习者认知能力集合，集合Cm={Cm1，Cm2，Cm3，…，Cmn}表示学习者对第m个知识点的n个资源的认知能力;用Si-MP表示第i位学习者对承载特定知识点的学习资源类型的偏好，Si-MP={MP1，MP2，…，MPm}即学习者对第m个学习资源的偏好程度。由于一个知识点可能对应多种类型的学习资源，因此，集合MPm={MPm1，MPm2，…，MPmn}，MPmn为学习者对第m个知识点的第n个学习资源类型的偏好值，n为学习资源包含的类型个数;定义Si-CP为第i位学习者所学知识点内容的类型，Si-CP={CP1，CP2，…，CPm}，一个学习资源包含多个知识点，即涵盖了不同知识点内容的类型，因此，CPm={CPm1，CPm2，…，CPmn}， CPmn為学习者对第m个知识点的第n个内容类型的偏好，值用数学概率表示;Tj表示学习者Si预计学习某门课程在线资源时所投入时间。集合Tl_m={Tl1，Tl2，…，Tl_m}表示第i个学习知识点所需的最短学习时间，Tu_m={Tu1，Tu2，…，Tu_m}表示第i学习者学习第m个知识点所需要的最长时间。

（二）学习资源模型

假设某一门课程具有m个学习知识点，每个知识点有n种学习资源。用C_Si表示第i个学习资源。学习资源的难度是客观存在的，应符合学习者的认知能力，因此，定义Si_D为第i个学习资源C_Si的难度，集合Si_D={D1，D2，…，Dm}为第m个知识点的难度，每个知识点会有多个学习资源与其对应，Dm={Dm1，Dm2，…，Dmn}为第m个知识点对应的第n个学习资源的难度。将特定知识点对应的学习资源的媒介类型用Si_MT表示，集合MT={MT1，MT2，…，MTm}表示m个知识点对应的学习资源类型。将资源类型={文本文档、图片、演示文稿、仿真工具、微课、题库}离散化为{1，2，3，4，5}，Tm={MTm1，MTm2，…，MTmn}表示第 m个知识点对应的第n个学习资源的媒介类型。将知识点内容类型={知识类、理解类、应用类、分析类、综合类、评价类}离散为{1，2，3，4，5，6}。用Si_K表示某个学习资源所涵盖的学习知识点，Si_K={K1，K2，…，Kn}，如果K_n=0，第n个学习资源不覆盖知识点K，否则为1，涵盖知识点K，第m个知识点对应的第n个学习资源的内容类型的集合为KTm={KTm1，KTm2，…，KTmn}。定义Si_T为学习资源的预计学习时间，第m个知识点的第n个学习资源需要的时间集合为Tm={Tm1，Tm2，…，Tmn}，值都用实数来表示。

（三）最优进化策略的目标函数

智慧学习资源进化的核心在于：学习资源所包含的知识点范围一定是学习者要掌握的知识点，学习资源知识点的难度要适合学习者的认知能力;学习资源的媒介类型和知识内容要符合学习者的偏好;学习资源的总学习时间符合学习者预计学习时间。学习资源进化方法的本质在于需要满足以上基本条件的最优化策略选取，即是一个多目标的最优化问题[14]。设变量Xmn，如果学习资源C_Si被选中进行进化，则Xmn=1;否则为0。

学习资源的难易度要尽量符合学习者的学习能力，根据约束条件，构造目标函数F1，见式（1）。其中，N表示一门课在线学习资源的数目，M表示课程所具有的知识点数目。Cmn表示学习者对第m个知识点的n个资源的认知能力，Dmn表示第m个知识点对应的第n个学习资源的难度，用F1函数计算学习者对资源的学习理解力与其难度之间的平均特征差异，表征该学习资源的难度是否满足学习者具有的认知能力。

（四）基于多目标差分进化的学习资源进化

1. 相关参数的确定

在学习过程中，学习者会学习各种不同的学习资源，从而产生大量的学习者与学习资源的交互关系，一个学习者会选择多种学习资源进行学习。因此，学习者与学习资源是一对多的关系。智慧学习环境下的学习资源进化需要满足学习者的学习需求，帮助学习者建立完整的知识体系和知识结构。一门课程有M个知识点，具体分布在每个章节中，且相互之间存在前驱后继、父子兄弟等关系，因此，M个知识点是一个逻辑网络。而各资源间通过知识间的逻辑网络也可以建立联系，能够反映资源与知识以及知识本身的结构和逻辑关系。

在一个课程的知识逻辑网络中，以核心知识点或知识组块为资源关联的结点，一个核心知识点或知识组块存放各种格式的学习资源，包括PPT、Word文本格式、视频格式、动画Flash格式、虚拟仿真实验工具等，根据知识点逻辑组织结构图，这样就可以基于知识点的逻辑顺序遍历学习资源的存储结构。当学习者在知识点逻辑组织结构图中点选学习内容，智慧学习平台将自动记录下点选的所有学习资源和对应知识点，以及每个编号的学习资源的难度Si_D、媒介类型Si_MT、知识点类型Si_K和预计学习时间Si_T;学习者的认知能力、资源偏好、知识点偏好应当基于平台数据并通过大数据和学习分析技术获得，预计投入的学习时间由学习者自主定位以完成数据的确定。

2. 基于多目标差分进化的学习资源的最优进化

根据式（5），学习资源的最优进化问题可以转化为基于约束条件的最优化求解问题[16]。差分进化算法主要包括初始化、交叉、变异和选择等步骤。通过群体内个体之间的相互合作与竞争产生的群体智能来指导资源进化，从随机产生的初始种群开始，根据每个个体与最优个体适应度值的相互关系，自动调节变异算子值，在变异、交叉和竞争之后，保留满足学习者需求的多目标的资源，淘汰劣质资源，不断向最优资源进化。

对第α个个体Xmn随机生成的0或1进行赋值，初始化参数，生成初始种群X（0），将最终的目标函数F作为适应度函数，计算每个个体的适应度值。迭代次数，对种群中个体α由1开始编号，以1号资源个体为研究对象。在资源进化开始阶段，较大的变异率F可有效阻止进化过程陷入局部最优解。后期较小的变异率能提高寻优速度[17]。用FnE+1表示子代资源个体变异率，FnE表示父代资源个体变异率，μH、μL表示自适应的上下限，θn表示父代个体的目标函数值，自适应调整函数和自适应变异率如下：

通过上述方式，根据学习者的学习需求可实现学习资源的动态进化，缩小资源进化的范围，节省运算时间。基于此，结合个性化学习者模型、资源关联分析模型等，采用情境感知算法，识别学习者当前的学习情境，定位当前学习内容，在资源完成进化后，将符合情境和自身学习需求的学习资源以恰当的方式和时机推荐给学习者。

六、结   语

为帮助学习者进行个性化和自适应学习，本文提出基于多目标优化视角的学习资源进化框架和模型，通过学习者模型和资源模型，構建认知能力、媒介类型偏好、学习内容偏好、学习时间预期需求四个目标函数，将多目标转化为单目标寻优的问题，试图从多目标优化的视角探索新型的资源支持智慧学习的服务模式。目前，模型的研究尚处于初始探索阶段，下一步的工作是对模型进行完善，并应用到实践中以检验其有效性。

[参考文献]

[1] 杨现民，余胜泉.泛在学习环境下的学习资源进化模型构建[J].中国电化教育，2011（9）：80-86.

[2] 中华人民共和国教育部.教育部关于印发《教育信息化“十三五”规划》的通知[EB/OL].[2016-06-07].http：//www.moe.gov.cn/srcsite/A16/s3342/201606/t20160622_269367.html.

[3] 中华人民共和国教育部.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].[2018-04-18].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[4] 张茂聪，鲁婷.国内外智慧教育研究现状及其发展趋势——基于近10年文献计量分析[J].中国教育信息化，2020（1）：15-22.

[5] 钟绍春.人工智能支持智慧学习的方向与途径[J].中国电化教育，2019（7）：8-13.

[6] 刘晓琳，黄荣怀.从知识走向智慧：真实学习视域中的智慧教育[J].中国电化教育，2016（3）：14-20.

[7] 郑旭东，杨现民，岳婷燕.智慧环境下的学习资源建设研究[J].现代教育技术，2015（4）：27-32.

[8] 余胜泉.学习资源建设发展大趋势（下）[J].中国教育信息化，2014（3）：3-6，32.

[9] 徐刘杰，余胜泉，郭瑞.泛在学习资源进化的动力模型构建[J].电化教育研究，2018，39（4）：52-58.

[10] 何文涛.智慧学习环境下基于知识建模图的在线教育资源众筹及其应用研究[J].电化教育研究，2019，40（4）：59-67.

[11] 成亚玲.智慧课堂生成性学习资源设计研究[J].中国教育信息化，2020（1）：32-37.

[12] 杨现民，赵鑫硕.“互联网+”时代学习资源再认识及其发展趋势[J].电化教育研究，2016，37（10）：88-96.

[13] 张喜艳，赫玲玲，解月光，杨彬.网络学习空间生态化模型构建与生态化提升策略研究[J].中国电化教育，2018（11）：133-138.

[14] 王文举，窦曙光，王鸾熠，姜中敏.基于二进制微分进化算法的学习资源推荐方法[J].中南民族大学学报（自然科学版），2018，37（1）：125-131.

[15] 張广.基于混合差分进化算法的个性化学习资源推荐研究[D].杭州：浙江工业大学，2018.

[16] VSTOM R，PRICE K.Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces[J].Journal of global optimization，1997，11（4）：341-359.

[17] 郑春梅，朱海元.自适应差分进化改进云资源调度[J].机械设计与制造，2020（2）：296-299，303.