基于仿真教学平台的个性化学习引导系统设计

祝 铭，杨颖雁，刘名扬

（北京交通大学 经济管理学院，北京 100044）

0 引言

随着教育4.0 概念的提出，信息技术与教育的联系愈发紧密，“以学习者为中心”的个性化教育和学习已然成为世界教育发展的主流［1］。虚拟仿真技术在个性化教育及学习推荐的过程中拥有明显的优势，它能解决理论与实践教学相分离的问题［2］。在以往的研究中，仿真平台的构建通常是某一学科或体系的知识推送，理论上依旧是共性学习，没有改变传统的“教与学”模式，使得虚拟仿真技术在教育行业变成了教育产业化的机器，无法达到动态个性化学习的目的。基于仿真平台的个性化知识推送系统旨在借助仿真平台独具的优势，结合信息技术实现学习者的个性化学习，充分考虑学习者的个性因素，为每个学习者自身的发展提供最科学的学习方式，实现其他教学环境下无法满足的教学模式。

1 个性化学习引导系统研究现状

近年来，个性化人才成为当前时代需求，《国家中长期教育改革和发展规划纲要（2010—2020 年）》中强调教育者要坚持以人为本，树立多样化的人才观，尊重学生的个性，鼓励教育者创设支持学生个性化发展的环境［3］。依托互联网技术，以在线方式实现学生个性化学习需求，释放教学资源。

纵观各领域个性化推荐服务和学习仿真平台的研究成果，可以发现平台主要集中在对学生特定专业知识的培养上，多以知识为中心和导向，缺乏对学习者个人信息特征及系统内产生的行为记录信息的考虑与研究。而学习需求是一种学习者为实现自身发展和满足需求的主观倾向，包括整个学习过程中多方面与多样化的需求，且存在个体间的差异性［4］。但现有仿真平台对如何满足不同学生的学习需求探讨较少，导致仿真平台的学习不能完全满足时代要求，存在学生学习效果不理想、教育资源利用率低等问题。因此，文章借助画像、知识图谱等方面研究，利用构建的仿真平台为个性化学习引导服务提供发展思路。

2 构建框架

针对现有仿真教学平台在个性化学习方面的不足，笔者设计了系统框架（见图1），以具体解决共性学习环境下的个性化学习引导问题。仿真可以通过实验观察系统模型各变量变化的全过程，更有利于观察学习者的学习状况，因此常被用于教学。但是，差异化教学需要在仿真环境下才具有不同的输入与输出结果，且需要注意学习的持续性问题，因此系统框架构建时考虑将学习者自身数据作为输入结果，由学习者自主选择行为得到输出结果，再由结果反馈作用过程，通过系统的更新迭代实现个性化学习。

使用学习者画像作为输入数据，充分考虑到了学习者的个人学习背景，不同学习者具有不同的学习认知、学习能力等，因此适用不同的学习方式作为学习过程处理，即相同学习环境，不同学习者的不同学习过程；采用场景化知识推送的方式作为学习过程，充分应用了仿真教学的场景化特点，让知识用适当的方式与学习者进行匹配；得到的学习结果用知识图谱进行记录，将碎片化学习到的知识重整为体系，同时反作用于学习过程，让个性化学习得以延续，即相同学习环境，同一学习者的不同学习过程；不仅学习到的知识可以被记录、更新，学习者画像也是一样，通过对学习行为的分析，得到新的个人学习背景，充分考虑动态变化下的学习者，以此实现个性化学习。

3 系统设计过程

3.1 使用学习者画像匹配不同学习需求

欲实现个性化学习，就要以学习者具体的学习需求为导向，通过对学习者个性特征的描述、学习需求的识别，提供教育资源个性化推荐服务。而以学习者为中心是当前大众泛化学习情况下教育资源个性化推荐服务的发展基础［5］，但是不同的学习者学习背景不同，学习认知、学习能力等会有一定差别，其适用的学习方式也会不同。为解决共性化环境下不同学习者的共性问题，可以采用对学习者进行标识的方法，使用学习者画像勾画目标学习者，有效联系学习者需求与学习方法。

建立学习者画像模型，可以根据不同场景下的语义组合剖析学习者应当关注的相关领域和学习需求，产出学习效果评价。其中，由于学习者信息的来源不同，获取信息的方式具有差异性，可将学习者数据拆分为不同类别，以多维度进行描述，从而成为个性化推荐中的核心构成。

在仿真平台上，用户的大量数据可以被记录下来，基于画像用于标识与持续更新的要求，若能将用于构建画像的数据分类为固定属性数据、动态行为数据两大块，有助于解析学习者的学习需求。

用来描述短时间内不会因行为而改变的学习者信息的数据被称为固定属性数据，如姓名、年龄、性别、学号等识别个人身份的数据；科研方向、兴趣爱好等构成能区别他人的个性化数据；还有专业技术能力、创新水平、科研水平等作为事前了解学习者能力方面的数据，这些数据并不会在一次行动中就轻易改变，但是学习者在平台上的基本信息具有一定稳定性。可以在用户注册时获取大部分，也可以通过新手任务这类初始化行动获得。这样可让平台与学习者接触之初就能够有一定判别和大致分类。

另一类能够随着学习者行为而发生动态变化的数据被称为动态行为数据。此类数据的动态更新使画像能够不断更新，可以使个性化推荐保持与学习者的契合，从而符合平台学习需求。可将此类数据分为，如学习者团队定位、决策风格、团队参与度、互动社交风格等有关团队的合作互动类数据和学习时长、学习方法偏好、知识接受方式偏好、知识认知水平等描述个人学习行为的数据，在动态中找准定位，科学预测学习者从团队到个人的知识需求，从而为学习者个性化的引导提供帮助。各类数据具体内容见表1。

表1 学习者画像数据具体内容

学习者画像中固定属性信息与动态行为信息的结合、三加二个维度的组合、不同维度的学习者数据差异构成了学习者的个体特征与标识，学习者画像的形成、学习者的构架与描述得以在具体场景中为个性化学习需求判断提供相应依据。

3.2 个性化学习判断

文章中的个性化学习判断依赖上文所述的学习者用户画像构建。知识推送技术应用于数字图书等领域以来，凭借其独特的个性化需求获取力度及高效的知识传播能力成为数字图书馆信息服务的重要组成部分［6］。知识推送也是完成学习引导功能的重要部分。笔者针对不同学习者的用户画像及个人知识图谱对个人的学习习惯以及知识掌握程度等进行初步判断。

学习者首次接触该学习引导系统时，无法准确得知其个人知识图谱及对各种知识的准确掌握程度。学习者的数据信息具有多维、交叉融合的特征，基于用户画像技术构建教育资源个性化推荐服务模型需要利用聚类耦合分析、深度挖掘等相关数学方法完成针对学习者数据信息的分析、处理过程［7］。通过形成的学习者初步用户画像，结合其具体学习场景进行知识推送，该过程属于场景化知识推送，而个性化的特征无法得到很好的体现。

在学习者后续多次使用该学习引导系统的过程中，通过前期积累的用户行为数据对用户画像进行更新和细化，同时借助生成的个人知识图谱来分析其知识掌握情况，进行更加全面的个性化判断。

3.3 个性化知识推送

在进行个性化学习判断之后，应当依据判断的结果对学习者进行个性化的知识推送。个性化知识推送是个性化学习引导系统中的重要功能部分。以新零售创业仿真模拟平台为例，知识推送可分为以下几个阶段。

第一阶段，场景化知识推送，结合学习者的初步用户画像对其进行知识推送。结合用户实际学习场景及自身决策类型（如稳健、冒进）进行个性化知识推送。在该阶段，为学习者推送的知识大多为攻略型知识，无须深究其背后的理论基础。

第二阶段，个性化知识推送，结合更新后的学习者用户画像及个人知识图谱进行知识推送。结合学习者的个人知识图谱，判断出其知识存在不足或薄弱的环节，在适当的场景下对这些缺乏的知识进行精确化推送。该阶段不仅需要推送攻略型知识，还需要推送其背后的理论知识。

3.4 学习反馈

学习反馈是对学习者学习结果的数据进行收集、处理，并得出反馈结果的部分。该部分对于更新用户画像及形成个人知识图谱具有重要意义。首先，制定该仿真实验中的场景化知识图谱，并通过对各个参与者的行为数据进行分析得出的不同结果，制定每个学习者的个性化知识图谱，与场景化知识图谱进行对比，能够清晰地分析出该学习者当前在哪些方面知识掌握有所不足，以此为依据制定个性化学习需求。其次，需要对学习者行为数据进行收集、处理、分析，绘制出学习者的个人知识图谱。对学习者进行初步的学习类型划分及个性化学习需求的定制，并基于其需求进行个性化学习引导，需要将结构化的行为数据进行非结构化处理，分析出各个学习者在当前时刻具体的学习状态。

3.5 学习者画像更新提升推荐准确性

在经历场景知识推送与学习者学习过程后，如果只论学习时长，学习者自身也一定会发生变化，导致发生了改变的学习者与先前构建的学习者画像就不构成完全匹配，后续对学习者的知识推荐仍然按前者运作，就会产生偏差，也与本研究个性化思想相违背。因此，学习者画像需要随着学习者行为数据的变化而不断更新。这是学习者的“升级”过程，也是系统推荐的更新过程，以学习者为中心，随其信息趋于准确而逐渐完善系统推荐机制［8］。学习者信息不断更新也是维度中数据的变化或数据搭配的改变，而这一改变往往可以视作一个新的学习者接受系统的个性化引导。画像的及时更新能够智能引导个性化学习，让其准确性保持在某一稳定范围内。

在经历场景知识推送与学习者学习过程后，形成动态行为数据，或更新动态行为，以此为依据对比原有动态行为信息达成学习反馈。学习进度、学习专注度、知识认知水平、知识联系水平等可体现学习者迄今为止学习状态与结果的信息可作为单独输出部分，用于客观评价学习效果。将已有数据与本次过程数据结合后展开分析，得到的信息与原有画像进行比对，新老行为信息的对比碰撞则是更新学习者画像，实现精确个性学习引导的过程。

学习者系统行为引起的画像更新集中为动态行为信息的迭代。动态行为信息多不具备稳定性，每个操作、学习过程的进行都会让其中数据产生变化，就动态行为信息中个性属性数据而言，学习者团队定位与决策风格一定程度上不会在每一次过程后有所更新，但团队参与度、互动社交程度等会体现在学习者的每个团队行为数据中，当达到一定量变时就会引起质变，使团队定位、决策风格等方面得到更新，且量的积累无需太大。与此同时，用户的固定属性信息也不可忽略，行为人的一切行为，包括管理决策行为，不仅受外在环境的影响和制约，同时还与管理者个人及团队成员的背景特征有关，在较长时间内属性信息也会发生改变，如学业等级由本科四年级变为研究生一年级，这一改变则会造成行为信息中数据出现较大变化。因此，固定属性信息与动态行为信息的改变都是画像更新的基础。

3.6 个性化知识图谱构建

学习者经过学习过程会形成学习结果，学习结果并不一定作为考核的标准，但是需要记录下学习者的学习结果，而每个人在这个过程中的学习效果并不相同，因此需要构建个性化的知识图谱。用知识图谱来接收学习结果作为输出，一是因为知识图谱可以更好地接收知识体系，让学习者和系统分别明确知识的运用情况；二是因为其容易作为结果反馈场景化学习，使系统具有迭代更新的功能，为学习者提供真正的个性化学习环境。

共性的知识图谱是个性化知识图谱的基础，涉及具体学科，需将共性知识图谱落在构建领域事件知识图谱上，意在识别本体——事件的识别与抽取及事件关系抽取［9］，因此需要将知识碎片化。现有的知识碎片化是将领域中重要概念进行归纳并设置类之间的层级关系，而在仿真学习系统中不仅要将学科知识碎片化，还需考虑学习者在实践中对实践结果有影响的其他因素，即需对知识进行分类，从学习者的实际操作中收集数据来识别学习者具体学会的知识。

基于此，我们将在实践性学习中所需的知识分为资料性知识、策略性知识、经验性知识。资料性知识，顾名思义是静态的、规则性的知识，在实践经营的仿真系统中，学习者必须知晓规则，辅以学科的相关理论知识才能完成基本内容；策略性知识代表依据形势发展而制定行动方针的依据，改善在已经知晓理论知识的情况下仍然不能在实践竞争中胜出的现状；经验性知识表示从多次实践中得到的知识或技能的依据，以及在实践性学习中学习者多次进行实践而积累的知识［10］。按照知识的分类，构建仿真系统的知识图谱（见图2）。

图2 知识图谱构建

个性化知识图谱在共性知识的图谱之上进行构建，学习者通过一轮实践可以得到自己在资料性知识、策略性知识、经验性知识方面的成果，形成自己的个性化知识图谱，从中可以看到学习者的学习结果，即知识的获取结果。得到该结果后，要为学习者的持续性学习收集数据，以便实现动态的个性化学习。

3.7 个性化知识图谱反作用于场景个性化知识推送

学习者在一轮实践中已经获取到的知识，可作为基础数据库反作用于场景化知识推送。关于场景化知识推送，不仅要考虑用户画像的作用，还要将已经收集到的个人知识图谱作用其中，表现为循环迭代的过程，真正实现个性化学习。

用户画像意在挖掘学习者的学习风格等，而个人知识图谱意在收集学习者学会的知识与未学到的知识。从学习者角度讲，在经过一轮实践后可以明确自己的优势与劣势；从教学者角度看，关注学习者未实现学习目标的理论知识点。场景化知识可以从以上两个出发点进行知识推送。

对于系统敏捷迭代开发来讲，对收集系统中已有的个人知识图谱进行聚类，可以得到整体性知识薄弱点或其他新知识误区，增加该知识点的场景化知识推送设置与收集点，采用敏捷开发，解决现有仿真教学中因共性学习环境而被忽略的个性化教学问题。

4 结语

文章借助虚拟仿真平台在教育领域的优势，并结合目前该领域存在缺乏个性化学习引导的缺陷，首先提出了个性化学习引导系统的总体架构；然后以学习者需求为导向，并结合从数据中挖掘出的学习者关键信息及画像维度，进行了学习者用户画像的初步构建；接着凭借学习者用户画像，对其实现个性化知识推送并进行反馈，在学习反馈阶段通过对学习者行为数据的挖掘和处理对用户画像进行更新，并根据其学习结果生成个性化知识图谱反作用于场景化个性推送，最终实现了个性化学习引导系统的构建，以此来解决仿真平台的教育教学中缺乏个性化的问题。随着大数据、人工智能等技术的发展，仿真模拟平台凭借其能够充分结合理论与实践的优势，将越来越多地被应用于教育教学领域，而个性化学习是未来教育避不开的主题。通过虚拟仿真平台实现个性化学习是未来信息技术与教学融合的一个重要创新点与研究点。