APP下载

基于人工智能的个性化学习模型的设计与实现

2023-09-25程格平谷琼宁彬熊启军魏希三

电脑知识与技术 2023年22期
关键词:画像图谱个性化

程格平,谷琼,宁彬,熊启军,魏希三

(湖北文理学院 计算机工程学院,湖北 襄阳 441053)

0 引言

随着 “互联网+教育”的深入发展,在线学习的大规模应用丰富了课程教育资源,拓展了传统教学模式,提升了课堂教育质量。然而,大部分网络在线教育没有考虑学习者的个性化特点,不能激发学习者的学习潜能。为了加快信息化时代的教育变革,《教育信息化十年发展规划(2011-2020年)》明确指出:“要为每一名学习者提供个性化学习的信息化环境和服务”[1]。中共中央、国务院在《中国教育现代化2035》中提出,利用现代技术加快推动人才培养模式改革,实现规模化教育与个性化培养的有机结合[2]。国务院发布了《新一代人工智能发展规划》,提出利用智能技术加快推动人才培养模式、教学方法改革,构建包含智能学习、交互式学习的新型教育体系,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[3]。

近年来,人工智能、大数据和学习分析技术在教育领域的应用不断深化,取得了许多创新性成果,为探索和解决个性化学习问题提供了新的思路。在人工智能快速发展的背景下,如何利用人工智能技术引领教育信息化的创新应用,推动人工智能与个性化教育的融合发展,成为当前教育研究的重要发展方向。

1 人工智能教育与个性化学习现状分析

目前,国内外许多学者开展了人工智能在教育领域的应用研究,主要集中在智能导师系统、教育机器人、智慧学习和个性化辅导等方面,重点研究如何利用人工智能技术提升教学效果,促进学习者的学习和发展[4]。基于认知特征、学习本质和教育规律,Koedinger等人研究发现,智能导师系统对提高学生的学习成绩有显著成效,但在问题解决式学习、学习者问题分析和问题解决能力等方面,智能导师系统还存在很多需要解决的问题[5]。Santos开发了智能教育助手, 在与情境感知环境的交互作用下, 为远程教育学生提供个性化帮助[6]。钟绍春等人分析了信息技术与教学融合过程中存在的问题,利用人工智能技术构建符合学生个人能力和兴趣爱好的智慧学习系统, 为学习者提供个性化学习支撑服务[7]。为了解决传统教学缺乏针对性的教育难题,周海波设计了以学习者学习特征模型、个性化学习资源推送和个性化学习路径推荐为核心模块的个性化学习体系,有效推动了信息技术的教学应用[8]。

由此可见,工业化模式的教育已不能满足社会对人才培养的需求,个性化教育成为当前教育界共同关注的主题。人工智能在教育领域的深入发展和应用,为解决差异化个性教育难题提供了新契机、新挑战和新动力。因此,基于当前社会的人才培养需求变化,积极开展个性化人才培养生态方面的研究,充分发挥个性化学习在智慧教育中的支撑与引领作用,深入推动人工智能与教育发展的融合创新,是“人工智能+教育”的重要研究课题。

2 基于人工智能的个性化学习模型设计

基于学习系统的结构化、半结构化以及非结构化学习数据,以学习用户的基本属性特征和学习行为特征为分析维度,用户学习环境、学习大数据、学习用户画像、学习结果评价和学习推荐系统为构成要素,利用人工智能技术构建基于人工智能的个性化学习模型。模型的各个组成要素依次衔接,形成个性化学习活动闭环,如图1所示。

图1 基于人工智能的个性化学习模型

2.1 用户学习环境

用户学习环境是模型的重要基础支撑,能够为学习者的个性化学习提供支持和保障,包括学习资源、人工智能技术和教育知识图谱。学习资源可分为文本类资源、图片类资源、音频类资源和视频类资源等类型,主要来源于在线学习平台的电子教材、学习辅助资源、作业考试系统和学习交流活动。人工智能技术主要包括知识图谱、数据挖掘、自然语言处理、学习分析以及专家系统等,是实现个性化学习模型的基本工具。利用人工智能技术分析学习者产生的学习行为数据,能够判别用户的个人学习状态,为学习者推荐符合个性化需求的学习资源和学习路径。知识图谱是一种揭示实体之间关系的语义网络,用于从类型不同的知识数据中抽取实体、实体间的关系以及实体的属性,然后进行可视化描述[9]。教育知识图谱主要由知识元和与之相关联的系列学习资源组成,能够将知识元与学习者的学习内容和学习任务进行拟合,从而为学习者提供精准的个性化学习服务。

2.2 学习大数据

在模型中,用户学习环境主要提供与学习活动相关的交互式电子教材、微课程学习资源、作业练习与考试测评等互动学习交流平台。基于用户学习环境,学习者利用教育知识图谱和智能学习工具,开展各种个性化学习活动。在学习过程中,学习系统动态采集学习者的个人属性信息和学习行为信息,生成大量结构化、非结构化和半结构化的学习数据。其中,结构化数据主要来源于学习注册系统、作业考试系统、互动学习交流、在线学习日志等文本类学习数据,非结构化和半结构数据则来源于交互式电子教材、微课程和教学音视频等多媒体学习资源。基于个性化学习平台,学习系统能够对捕获的异构学习数据进行数据清理、数据集成、数据转换和归一化处理,获取学习者的个人属性数据和学习行为数据,为学习用户画像提供数据支持。

2.3 学习用户画像

学习用户画像主要利用人工智能技术描述学习者的属性特征,刻画学习者的学习状态和过程,是实现个性化学习的关键条件。构建精准的用户画像,能够准确分析和识别学习者的认知水平、学习风格、学习动机和学习能力,从而为个性化学习推荐提供有效的依据。学习者属性特征包括学习者的基本属性特征和学习行为特征,基本属性特征可细分为性别、年龄、学习风格、学习偏好等方面,能够从学习注册系统和调查问卷数据中抽取,而学习行为特征则主要来源于各类学习活动,主要包括教材阅读、资源浏览、视频点播、交流互动和考试测评结果等学习活动数据,反映了学习者的学习过程和学习行为。

2.4 学习结果评价

学习结果评价是衡量个性化学习质量的重要依据,主要根据学习者的学习特征对学习活动数据进行分析和评估,实时反馈学习者的学习状态和完成情况,为学习者提供个性化的学习指导方案,从而保障个性化学习的效果。本模型的学习结果评价采用诊断性评价、形成性评价和总结性评价相结合的方式[10],能够分析学习者的学习内容、过程和结果数据,对学习者的学习活动进行动态跟踪和量化计算,评估反馈学习者的学习效果和知识掌握程度,引导并调节学习者的学习活动,帮助学习者及时调整自己的学习策略,优化个性化学习服务,以促进个性化学习。

2.5 学习推荐系统

学习推荐的主要目标是依据学习者的个性特征找到最合适的学习资源或路径,以提升学习用户的学习效率,推动个性化学习的技术创新,是人工智能支持教育改革的重要应用领域。根据学习用户画像和学习知识地图,学习推荐系统能够从学习者的学习兴趣和学习能力出发,建立学习者属性特征和学习活动之间的联系,自适应地组织相关学习内容、学习资源和学习任务,为用户推送符合其个性特征的学习活动序列,帮助用户进行自主学习和个性化学习,满足学习者的个性化学习需求。

3 基于人工智能的个性化学习模型实现方法

基于人工智能的个性化学习模型以用户学习环境为基础,采用数据挖掘技术从学习系统中采集和预处理数据,形成多结构的学习大数据。在学习数据集的基础上,该模型借助学习分析工具提取学习者的个性学习特征,对学习用户进行画像。根据用户画像和教育知识图谱,学习系统利用知识图谱技术抽取知识元和学习资源,生成适用于不同用户的个性化学习方案库。利用机器学习算法,学习评价系统分析学习者的学习状态,评估其知识水平和学习能力。依据学习者的学习评价结果,推荐系统为学习用户推送与学习特征相匹配的个人知识图谱。在个人知识图谱的学习引导和协同支持下,学习者能够优化学习决策和活动序列,最终实现学习者的个性化学习。本文重点从用户学习环境建构、学习用户画像建构和个性化学习推荐三个方面,阐述个性化学习模型的关键实现方法。

3.1 用户学习环境构建

用户学习环境主要包括硬件环境和软件环境。在软件环境方面,以学生的知识基础、认知能力、学习兴趣为导向,利用人工智能和互联网技术,融合在线学习系统中的微课、MOOC、SPOC等数字学习资源,建立以知识为中心,能够满足不同层次学习需要的动态学习资源库。利用知识图谱技术,从教育知识库中提取出知识实体,形成学习知识元系列,每个知识元由知识内容和相关学习资源、学习活动和学习内容等属性组成。以知识元为核心要素,采用机器学习算法对学习资源库进行知识抽取、属性抽取和关系抽取,构建知识元与知识元、知识元与属性之间的关联关系,形成教育知识图谱。

在硬件环境方面,系统整合学习空间、自带设备和移动终端等新型学习工具,建立个性化、适配化、交互化和泛在化的集成学习平台,实现各种学习平台和终端的无缝连接,能够为学生提供正式学习与非正式学习、个人学习与群体学习以及线上学习与线下学习的个性化学习体验。

3.2 学习用户画像构建

基于学习者的学习数据,本模型利用人工智能和大数据技术,从个人属性特征和学习行为特征两个维度对学习用户进行描述和标签化处理,构建学习用户画像,具体实现流程如图2所示。

图2 基于人工智能的用户画像

首先,在学习者使用学习平台的过程中,学习系统将会产生大量的学习活动数据,主要包括学习内容数据、学习资源数据、考试测评数据、交流互动数据,分别来源于不同的子系统。利用数据挖掘技术,学习系统对这些具有异构特性的学习数据进行预处理,形成学习过程数据和学习结果数据。其次,学习系统动态采集学习者的学习数据,利用知识图谱、聚类分析、关联挖掘和机器学习算法,分析和量化学习者的学习活动,对学习者的学习水平和学习效果进行刻画和描述,建立学习用户的个性化学习特征集。最后,该模型根据个性化学习特征集设计学习用户的特征标签,得到包含个人属性标签、行为标签、兴趣标签和能力标签的学习标签集,从而对学习者进行学习画像。

3.3 个性化学习推荐

根据学习用户画像,本模型借助人工智能技术和工具,建立适用于不同学习者的学习推荐系统。具体实现方法:第一,基于用户的学习画像和学习数据集,利用聚类分析算法对学习用户进行分类,建立具有不同学习特征的学习用户簇。第二,针对不同的学习用户,使用知识图谱技术将学习者的个性特征与教育知识库中的知识元序列进行关联,构建个性化学习方案库。第三,依据学习者的特征类型,学习系统使用知识地图自组织生成与知识元序列相适应的学习目标、学习内容、学习方式、学习资源和学习策略等学习活动序列,建立学习用户的个人知识图谱。第四,根据个人知识图谱的内在逻辑结构,从各类学习数据源中提取相应的知识元及其语义关系,利用自然语言处理和机器学习技术构建具有学习导航功能的知识图谱。第五,根据学习者个性化特征与个人知识图谱之间的相似度,利用专家系统的推荐算法为学习者推送与个性化参数相匹配的知识元和学习活动序列,实现学习资源的个性化配置,为学习者提供个性、精准和高质的学习指导。

4 结束语

个性化学习是教育信息化发展的重要目标,人工智能的发展为个性化学习与服务模式变革提供了必要的技术条件和基本保障。以学习目标、学习过程和学习评价为导向,结合目前个性化学习的发展现状,本文重点讨论了个性化学习的基本特征和框架,构建了基于人工智能的个性化学习模型,旨在激发学习者的学习兴趣和动机,实现自我导向、符合个性化需求的有意义学习,发挥个性化学习的优势和潜能,从而提高个性化学习的效率。

后续的研究将进一步探索人工智能与个性化学习的具体实施路径,细粒度分析学习者的学习特征,完善个性化学习模型的技术范式,为学习者提供更加精准的个性化学习推荐,进而改善个性化学习体验,推动个性化学习模式的创新发展。

猜你喜欢

画像图谱个性化
威猛的画像
绘一张成长图谱
“00后”画像
画像
新闻的个性化写作
补肾强身片UPLC指纹图谱
上汽大通:C2B个性化定制未来
满足群众的个性化需求
潜行与画像
杂草图谱