謝洵

摘 要：隨著網絡學習資源的空前繁榮及未來學習資源的進一步開放共享，海量資源的過濾和選取將成為學習者的一大困擾?？焖侔l(fā)現(xiàn)有用信息的工具主要有搜索引擎和推薦系統(tǒng)兩種。前者需要學習者主動提供準確的關鍵詞來尋找信息；后者則通過對學習者的背景、偏好、認知狀態(tài)以及交互狀況信息的采集、分析，主動為學習者推薦信息。自適應推送將綜合利用這兩種工具，對學習者的行為和需求進行分析和預測，實現(xiàn)資源對于學習者的自適應，從而為學習者構建起個性化的學習環(huán)境。

關鍵詞：自適應；推送；推薦；個性化

中圖分類號：TP393 文獻標志碼：A 文章編號：1673-8454（2016）22-0090-04

一、引言

《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》中提到我國教育的戰(zhàn)略目標是“到2020年，基本實現(xiàn)教育現(xiàn)代化，基本形成學習型社會，進入人力資源強國行列”，為了實現(xiàn)這個目標，要求“繼續(xù)教育的參與率大幅提升，從業(yè)人員繼續(xù)教育年參與率達到50%”，即從業(yè)人員繼續(xù)教育將從2009年的“1.66億”增長至2020年的“3.5億”。這樣大規(guī)模的繼續(xù)教育將依托各類網絡教育來實現(xiàn)。如何為這些能力水平、年齡結構、學習風格等特征各異的學習對象提供適合的學習內容和服務，靈活適應他們多樣化的學習需求，確保學習熱情的保持和學習的發(fā)生就顯得非常重要。當前，網絡課程資源極大豐富，僅僅是在線高等教育，大規(guī)模在線開放課程、國家精品課程、大學視頻公開課等就足以讓任何一個學習者眼花繚亂，無所適從。自適應能夠較好地解決資源和學習者特征的匹配問題，提升學習者獲取資源的效率，成為了在線教育的理想狀態(tài)和發(fā)展趨勢。

二、自適應推送

1.概念

自適應推送是指系統(tǒng)捕捉、判斷學習者的特征、行為及其變化，自動為學習者匹配相應的資源，并以學習者能夠感知、理解和選擇的方式進行呈現(xiàn)。

2.特征

（1）以學習者為中心。尊重學習者的知識基礎、學習風格和學習習慣，幫助、引導學習者形成自己個性化的學習路徑和學習資源，保護學習興趣，提高學習效率。

（2）自適應。系統(tǒng)內規(guī)劃相應的規(guī)則和算法，依據學習者的學習特征和行為及其他學習者的特征和行為，自動為學習者匹配和推送學習資源和學習路徑。

（3）路徑優(yōu)化。教師規(guī)劃的初始路徑作為參考路徑，后續(xù)學習路徑由學習者和系統(tǒng)依據學習者的基礎和學習進程相互作用形成，更符合學習者需求。

三、相關研究領域

1.智能教學系統(tǒng)

智能教學系統(tǒng)是一種借助人工智能技術，讓計算機扮演教師的角色實施個別化教學，向不同需求、不同特征的學習者傳授知識、提供指導的適應性學習支持系統(tǒng)[1]。適應性學習支持系統(tǒng)是智能教學系統(tǒng)與適應性超媒體系統(tǒng)在網絡環(huán)境下發(fā)展的融合。其目的就是要實時地把握學習者的經驗基礎、認知結構、認知風格、興趣愛好等方面的信息，據此提供學習者在當前狀態(tài)下學習新信息時最適合的學習內容、學習策略、學習支持以及最佳的知識基礎等[2]。可以說，自適應推送是智能教學系統(tǒng)的一個發(fā)展方向。

2.教育數據挖掘

教育數據挖掘主要關注開發(fā)探索教育情境中產生的那些獨特類型的數據的方法，并且使用這些方法來更好地理解學習者和他們學習的情境。主要的挖掘方法可分為五類：統(tǒng)計分析與可視化、聚類（聚類、離群點）、預測（決策樹、回歸分析、時序分析）、關系挖掘（關聯(lián)規(guī)則挖掘、序列模式挖掘、社會網絡分析）、文本挖掘[3]。教育數據挖掘強調將學習簡化為能夠被分析、且隨后能夠被軟件所影響從而適配學習者的成分[4]，是自適應推送系統(tǒng)的重要基礎之一。

3.推薦系統(tǒng)

推薦系統(tǒng)就是自動聯(lián)系用戶和物品的一種工具，它能夠在信息過載的環(huán)境中幫助用戶發(fā)現(xiàn)令他們感興趣的信息，也能將信息推送給對它們感興趣的用戶。推薦算法的本質是通過一定的方式將用戶和物品聯(lián)系起來。個性化推薦的成功應用需要兩個條件，第一是存在信息過載，第二是用戶沒有明確的需求。[5]當前個性化推薦系統(tǒng)的研究相對集中在商業(yè)領域，自適應推送強調基于教育領域對推薦技術的應用，其指導思想、應用環(huán)境、評測指標、推薦解釋等與商業(yè)領域均不盡相同。

4.學習分析

學習分析是以理解和優(yōu)化學習及其發(fā)生的環(huán)境為目的，對學習者及其所處情境的數據進行測量、收集、分析和報告。[6]新媒體聯(lián)盟認為，學習分析是以評估學業(yè)成就、預測未來表現(xiàn)、發(fā)現(xiàn)潛在問題為目的，對學習者產生和收集的大量數據進行闡釋的過程，旨在應用數據分析為教育系統(tǒng)的各級決策提供參考。[7]學習分析與自適應推送的側重點不同，除了共同關注的產生適應性學習內容外，學習分析還重點關注危機學習者干預和決策支持等，相對關注的范圍更廣，指導決策的層級也更加豐富。

四、相關研究現(xiàn)狀

國外的一些自適應學習系統(tǒng)主要依據學習者的學習風格、知識背景和興趣，以及學習者的學習信息和行為構建學習者模型，通過個性化推薦或自適應導航提供個性化的內容呈現(xiàn)、教學活動、學習環(huán)境、學習者評價等，并以某種方式進行展示或標注。[8]

美國教育部發(fā)布的《通過教育數據挖掘和學習分析促進教與學》報告認為，自適應學習系統(tǒng)和個性化學習屬于教育數據挖掘和學習分析的高級應用，是教育大數據相關研究的終極目標。[9]典型的自適應學習系統(tǒng)包括六個組成部分：①內容管理，提供個性化的學科內容和評價。②學習者學習數據庫，存儲基于時間標記的學習者行為。③預測模型，聯(lián)合人口統(tǒng)計數據和學習者行為數據來進行追蹤和預測。④報告服務，為各類使用者提供可視化反饋。⑤適應性引擎，根據學習者的表現(xiàn)水平和興趣發(fā)送材料，確保后續(xù)學習的提高。⑥干預引擎，允許干預或改寫自動化系統(tǒng)以更好地服務學習者。

國內的研究從理論、模型、原型到系統(tǒng)相比于國外并沒有大的突破。余勝泉提出適應性學習模式的關鍵環(huán)節(jié)是：學習診斷（學習能力、認知能力）、學習內容的動態(tài)組織（根據學習歷史、認知風格）、學習策略（傳授式、探索式和協(xié)作式）。[10]謝曉林等提出適應性學習系統(tǒng)包括運行層（含適應引擎）和存儲層（如圖1）。姜強認為研發(fā)自適應學習系統(tǒng)的關鍵在于用戶模型和領域模型。依據學習風格和知識水平進行了用戶建模，利用解釋結構模型法和本體技術進行了知識建模。[11]

上海交通大學檀曉紅等認為“個性化導學系統(tǒng)”應包含：初始知識域建構模塊、個性化的知識域生成模塊、個性化的學習路徑生成模塊、歷史學習記錄模塊、知識結構水平評估模塊和個性化學習資源推薦模塊。[12]系統(tǒng)的設計以知識點為核心，根據對學習者學習行為數據的分析和學習效果的測試，判斷其知識結構和水平，從而進行相應的學習資源和同學推薦。

總的來說，對于自適應系統(tǒng)，研究者關注了學習內容、學習內容的存儲、學習內容呈現(xiàn)的對象、學習內容呈現(xiàn)的依據、學習內容呈現(xiàn)的規(guī)則和學習內容呈現(xiàn)的方法。[13]這些研究具有很好的啟迪和指導作用，然而，還有一些問題需要進一步深入研究，比如：①由于用戶行為的復雜性和其所處環(huán)境的噪音等，用戶模型的構建通常不存在通用的建模方法，如何提取用戶最核心的要素加以描述和表示？②不是什么樣的資源都能直接進行匹配，資源的構建、存儲和提取都是值得深入研究的問題，這也是制約自適應系統(tǒng)研究大多處于理論層面的重要原因。

五、推薦系統(tǒng)的研究現(xiàn)狀

推薦系統(tǒng)當前主要用于電子商務、音樂、視頻網站，社交網絡、個性化閱讀等領域。利用用戶行為數據、用戶標簽數據、上下文信息（時間信息、地點信息）、社交網絡數據等對用戶的興趣、行為進行預測，從而進行物品或好友的推薦。目前主流的推薦系統(tǒng)有表1中的三類。

每種基本方法都各有利弊，有的存在數據稀疏性和冷啟動能力問題，有的存在放大效應問題，同時，沒有一種方法能夠充分利用所有的信息。構建一種混合的系統(tǒng)，結合不同算法和模型的優(yōu)點，克服相應的缺陷和問題，不失為實踐中的解決辦法。[14]

六、網絡教育系統(tǒng)的特征

網絡教育系統(tǒng)與商業(yè)系統(tǒng)相比，用戶特征集中，數據來源明確，其所應用的教務管理系統(tǒng)和教學管理系統(tǒng)為學習者特征數據的采集提供了很大的便利，能夠做很多相關的設計。比如楊曼等就曾應用學習者的學習時間和進度數據，平臺、課程的登錄頻率及時間，提交作業(yè)的百分率，發(fā)帖情況等來構建學習者的學習能力評價模型，判斷學習者的學習時間管理能力、學習態(tài)度、學習效率等[15]。而且，網絡教育系統(tǒng)學習者相對比較穩(wěn)定，服從性和參與度較好，通過一些教學、教務管理功能的設計，可以誘發(fā)更多的學習（行為）數據。并且可以通過測試、問卷等方式獲取和印證更多的特征。

網絡教育系統(tǒng)的資源匹配能力與所采用的教學系統(tǒng)及課程組織形式緊密相關。例如，賀媛婧依托Moodle平臺中的學習者學習記錄，通過個性化的推薦技術預測學習者對學習資源的興趣度，然后按照興趣度從大到小進行資源推薦。[16]事實上，平臺推送的資源可以有三個層次：方案級、課程級和內容級。從某種意義上講，推送課程級資源相對比較容易。然而，推送內容級資源可能是學習者在學習過程中最需要也是最難的。需要課程本身的設計是模塊化的，并且知識點相互關聯(lián)。只有在資源設計中埋下了行為選擇的可能，依托平臺的支撐才能夠實現(xiàn)內容級資源的推送。余勝泉等基于學習元平臺的生成性課程設計與實施就是在這個方向上的實踐。[17]在平臺功能的支撐下，通過學習活動的設計，學習者個性化的學習行為才能得以顯現(xiàn)。

七、自適應推送系統(tǒng)的設計

基于網絡教育領域的特征，其自適應推送系統(tǒng)的設計可以從以下三方面著手：學習者特征、資源特征以及推送算法。建立算法的前提是由平臺系統(tǒng)和資源端配合提煉出學習者個性化的學習行為。

從網絡教育的教學教務管理平臺中可以獲取學習者的統(tǒng)計特征、偏好特征、知識特征和目標特征，學習系統(tǒng)可以讀取、測量和記錄學習者的行為特征，綜合起來，可以形成學習者特征模型。因為網絡教育教學一般按照地域、年級和專業(yè)來組織，學習者具有一定的共性特征，可以采用基于用戶的算法（比如協(xié)同過濾算法），通過借鑒相似偏好的其他學習者的選擇來為當前學習者進行課程和內容的推薦；考慮到網絡教育的學習者具有可交互性（比如為學習者提供搜索功能、提供多路徑供選擇或做問卷調查等），也可以采用基于知識的推薦來為學習者選擇推送的課程、內容或學習路徑。

對一門課程的內容或學習路徑做推薦，需要將課程資源模塊化處理。一方面對資源的特征、屬性進行標注（基于人工或借助語義技術）；另一方面對資源的呈現(xiàn)做設計，依托平臺功能為學生提供展現(xiàn)行為偏好的機會。以北京郵電大學《互聯(lián)網技術》課程為例，課程設計了三條彼此相通又各自獨立的學習路徑，在課程學習的任何環(huán)節(jié)，都可以快速切換，靈活選用?！把驖u進”路徑按照知識的內在邏輯順序和學習者認知能力發(fā)展來呈現(xiàn)學習內容，適合初學者；“個性選擇”路徑按照知識的脈絡提供，強化了知識的關聯(lián)關系；“學以致用”路徑按照主題、任務組織知識，增加了學習者問題解決的體驗。

1. “循序漸進”路徑

在循序漸進路徑中，保證知識點的覆蓋度，標示重難點，記錄學習者的學習進度（見圖2）。

2. “個性選擇”路徑

在個性選擇路徑中，采用圖形化的無序樹形導航（見圖3）。導航可進行展開、收縮交互操作，同時，支持知識點的名稱檢索，充分展現(xiàn)學習者個性化特征。

（1） 學習者可以按照感興趣的內容逐層進入。了解每一個知識點在知識體系中所處的位置和關聯(lián)關系。

（2） 也可以通過關鍵詞檢索，從檢索結果中找到自己感興趣的內容，直接進入學習。

3. “學以致用”路徑

在學以致用路徑（見圖4）中，以“實戰(zhàn)、實效、實用”為目的。比如局域網的組建，示范按照局域網的生命周期進行設計，對步驟、流程進行講解，對操作細節(jié)進行演示后，提供實際企業(yè)案例，設計組網任務。

通過記錄學習者在不同路徑上的學習行為，可以較好地識別學習者的個性特征，成為了下一步自適應推送的有效鋪墊。比如，個性選擇路徑，可以得到學習者相應知識點的學習狀態(tài)，為他推送相關知識點。對于選擇學以致用路徑的學習者，可以為其推送其他相關知識領域實操為主的課程等等。

在網絡教育領域，自適應推送系統(tǒng)的應用符合以學習者為中心，服務學生個性化需求的目標和趨勢。但自適應推動系統(tǒng)的成熟需要學習者、資源和算法三個方面研究的共同進步。對于網絡教育來說，資源的設計和處理難度最大，一方面有賴于技術（比如語義技術）的進一步發(fā)展完善，另一方面，還要賴于人的投入和創(chuàng)造。

參考文獻：

[1]智勇.分布式學習環(huán)境中的智能授導系統(tǒng)研究[D]. 南京：南京師范大學， 2004.

[2]陳仕品，張劍平.智能教學系統(tǒng)的研究熱點與發(fā)展趨勢[J].中國遠程教育，2007（10）.

[3]葛道凱，張少剛，魏順平.教育數據挖掘方法與應用[M].北京：教育科學出版社，2012.

[4]Siemens， G.， and R. S. J. d. Baker. 2012. “Learning Analytics and Educational Data Mining： Towards Communication and Collaboration.” NY： Association for Computing Machinery， 252-254.

[5]項亮.推薦系統(tǒng)實踐[M].北京：人民郵電出版社，2012：6.

[6]Siemens，G.Knewton-the future of education？[EB/OL].http：//www.learninganalytics.net/？p=126.

[7]The New Media Consortium.Horizon Report：2013 Higher Education Edition.

[8]姜強.自適應學習系統(tǒng)支持模型與實現(xiàn)機制研究[D].長春：東北師范大學，2012.

[9]U.S. Department of Education，Office of Educational Technology. Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics [DB/OL].http：//www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.

[10]余勝泉.適應性學習——遠程教育發(fā)展的趨勢[J].開放教育研究，2000（3）.

[11]謝曉林，余勝泉，程罡，黃燁敏.網絡教學平臺的新發(fā)展[J].開放教育研究，2007（10）.

[12]檀曉紅，申瑞民等.網絡教學中基于非零起點的個性化導學系統(tǒng)（專利）[D].上海：上海交通大學，2007.

[13]陳品德. 基于Web的適應性學習支持系統(tǒng)研究[D]. 上海：華東師范大學，2003.

[14]Dietmar Jannach Markus Zanker， Alexander Felferning Gerhard Friedrich（著），蔣凡（譯）.Recommender Systems： An Introduction[M].北京：人民郵電出版社，2013.

[15]楊曼，勾學榮，李建偉.基于網絡在線學習的學習能力評價模型研究[J].北京郵電大學學報（社會科學版），2011（1）： 13-19.

[16]賀媛婧.個性化推薦技術在Moodle學習平臺的應用研究[J].中國教育信息化，2015（4）： 86-88.

[17]余勝泉，萬海鵬，崔京菁.基于學習元平臺的生成性課程設計與實施[J].中國電化教育，2015（6）.

（編輯：魯利瑞）