一种融合眼动信息的个性化学习资源推送应用

胡文婷

（江苏开放大学商学院，江苏 南京210036）

0 引言

随着“互联网+”教育模式深入应用与推动，人工智能技术也将为在线学习领域发展带来一系列的革新，社会正在进入一个“智能+”的新时代。我国国务院在2017年7月8日正式颁布《新一代人工智能发展规划的通知》[1]。通知明确提出智能教育的概念并指出：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，实现日常教育和终身教育定制化。教育部科学技术司在2019年3月19日组织召开“智能教育战略研究”项目，旨在落实国务院《新一代人工智能发展规划》和教育部《高等学校人工智能创新行动计划》，重点探讨智能教育基本科学问题、关键核心技术、重要应用示范等，提出智能教育发展建议，加快推进智能教育发展，鼓励发展以学习者为中心的智能化学习平台，提供丰富的个性化学习资源[2]。

在智能化学习领域，学习资源是核心要素，学习资源是否丰富是开展在线教育的重要基础。随着互联网、物联网、信息技术的发展，有效推动了在线学习资源的开发与应用，但是为学习者提供越多的在线学习资源，也就越难选择与自己学习目标和能力最匹配的学习资源，这个问题一直困扰着学术界。在线学习资源多源、分布、碎片化特点引发的认知过载现象也越来越严重，尤其是在线学习资源数量的急剧增加与学习者自主获取有效学习资源能力缺乏之间矛盾在不断加剧，导致在线学习效率低下[3]。为了让学习者在海量学习资源中高效地找到自己所需的学习资源，学习资源推送服务被认为是解决学习资源过载问题的一种有效手段。

1 研究现状

信息推送服务通过主动收集和分析用户的历史反馈信息，结合构建用户需求模型来进行信息推送，并在建立用户需求模型的基础上进行信息推送，工作过程比搜索引擎更加主动，更加智能，展示给用户的结果也更加具有针对性。在学习资源推送方面：李浩君等人通过采用两种模型用于衡量学习者对学习资源关注程度，结合学习者的个性化需求偏好，进而为学习者推荐有效的学习资源。Ghauth等人提出了根据学习资源评价信息来向学习者推送学习资源。但这种模式下在线学习资源序列化方式内容往往是学习者已经了解的相似内容，缺乏知识特性。

传统的相关反馈信息（如点击流量、滚动次数和退出行为等）在很大程度上提高了学习资源匹配的性能，但是这类需要不断进行操作的人机交互增加了用户的认知负担，而且这种人机交互反馈信息无法完整地描述用户的搜索兴趣和意图，使得预测用户意图需求的准确率并不高，很难满足用户在匹配时的个性化需求。因此，需要一种新颖的人机交互反馈信息来补充或者完善现有反馈信息的不足。

人类80%～90%的信息是通过眼睛获取的，因此眼睛是人类获取外界信息的重要渠道，而且人类对于信息加工和处理在很大程度上也依赖于视觉，因此学术界一直致力于研究“人在看什么，怎么看”的过程。一方面，早期研究采用观察个体的眼动规律，揭示个体认知加工的心理机制有效地推进了阅读、视觉搜索、记忆与认知、注意力、面部感知、可用性评估等领域的研究进展。另一方面，随着摄像技术、图像技术等迅速发展，促进了眼动跟踪技术的革新，这也为眼动作为一种新颖的交互手段打下了坚实的技术基础。

当前，学者们根据眼动描述人类“看到了什么”或“想看什么”的现象，探究视觉信息加工中的选择性注意现象，发现这对在线学习资源搜索中起着非常重要的作用。与传统推送服务根据用户的短期和长期偏好信息进行推送不同，实时获取的眼动能够体现用户的即时偏好，能够描述用户这一时刻的内在偏好需求，基于即时、短期、长期三种偏好信息搭建用户眼动行为和意图需求之间的映射关系，能够更有效地描述消费者兴趣选择意图的语义信息，这为提高用户对在线学习资源搜索的满意度，提供了有效的研究方法和思路。

2 眼动的概念和技术介绍

2.1 眼动的概念

眼动是指人眼球的运动。眼动包括注视、眼跳和平滑尾随跟踪这三种基本形式。注视是为了个体能够看清楚一个物体，必须让两只眼睛保持在一定的方向上，才能使得物体在视网膜上有效成像。为了能够让个体看清物体且保持这个状态，眼睛还要必须具备眼跳和平滑尾随跟踪的形式。因此，注视、眼跳和平滑尾随跟踪相互的配合、补充和交错，其功能主要是能够进行信息的选择，并在中央窝将眼球要注意的刺激进行成像，加工处理后得到更为清晰的像。

2.2 眼动指标

眼动研究中有一个重要内容就是根据不同研究问题，选择合适的眼动指标作为眼动数据研究基础，并结合所需研究对象对指标进行分析。

（1）总注视次数。总注视次数是由注视点的总数量所决定的。注视点又由注视决定。其中一个注视点表示为一次注视，注视点总体个数表示总注视次数。

（2）注视持续时间。从信息的提取是简单还是困难的角度来看，可以通过注视持续时间来反映。注视持续时间越长通常越能够说明受测者从相关区域获取所需信息越困难。

（3）眼动轨迹图。对于眼动轨迹图是需要受测者进行对比或选择的场景，受测者的眼动往往能够在场景图像上形成一定数量的注视点和眼动的移动轨迹。

（4）瞳孔大小与眨眼。眼动指标包含瞳孔大小与眨眼，其与观察场景进行叠加之后，所得到的眼动数据可以解释在不同条件下，眼球的注意广度以及知觉广度，同时可以反映在不同的外界刺激条件下眼球注意状态的改变。

2.3 眼动跟踪技术方法

早前学术界是用肉眼或简单仪器对个体眼球运动进行观察的，主要包括直接观察法、胶片记录法、机械记录法，其中机械记录法包括气动方法、头部支点杠杆法、角膜吸附环状物法这三方面。然而这些方法随着科技的进步、时代的发展已经日渐被淘汰。现在眼动跟踪方法主要包括瞳孔角膜反射向量法、眼电图法、角膜反射法、双普金野象法、虹膜巩膜边缘法。随着软硬件的不断发展，使得眼动跟踪技术越来越精准化，眼动信息的获取与处理越来越高效化，对受试者心理及行为的分析也更加准确、有效。

3 融合眼动信息的个性化学习资源推送服务

为了解决学生在海量的在线教学资源中无法迅速找到所需学习资源的问题，学习资源推送被认为是解决学习资源搜索迷航现象的一种高效方法。融合眼动信息的个性化资源推送利用眼动跟踪技术收集学习者在线学习过程中的眼动信息，分析学习者的眼动行为，计算学习者关注主题的兴趣程度，进而推送精准的个性化服务。因此，通过眼动信息不断地完善学生画像，可以更加精准地描述学生的学习兴趣、习惯、意图需求等，为实现资源推送的精准化推送提供参考借鉴与发展思路。