蘭麗娜 石瑞生 勾學(xué)榮

LAN Li-na1 SHI Rui-sheng2 GOU Xue-rong1

?

基于學(xué)習(xí)行為模型的學(xué)習(xí)伙伴推薦方法研究

蘭麗娜1石瑞生2勾學(xué)榮1

（1．北京郵電大學(xué) 網(wǎng)絡(luò)教育學(xué)院，北京 100088； 2．北京郵電大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，北京 100876）

如何提供合適的學(xué)習(xí)伙伴進(jìn)行協(xié)作學(xué)習(xí)，是解決遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)孤獨(dú)、提升學(xué)習(xí)效果的關(guān)鍵問題。文章通過網(wǎng)絡(luò)教學(xué)平臺(tái)采集數(shù)據(jù)，提出并建立了六維的學(xué)習(xí)者學(xué)習(xí)行為模型，并利用相似度區(qū)分相似型學(xué)習(xí)行為模型和互補(bǔ)型學(xué)習(xí)行為模型，進(jìn)而為學(xué)習(xí)者推薦相似型學(xué)習(xí)伙伴和互補(bǔ)型學(xué)習(xí)伙伴，而學(xué)習(xí)者也可以自主選擇學(xué)習(xí)伙伴。實(shí)驗(yàn)結(jié)果驗(yàn)證了學(xué)習(xí)行為模型和推薦方法的有效性。相比已有的分組方式，基于學(xué)習(xí)行為模型的學(xué)習(xí)伙伴推薦方法具有可視化、智能性、個(gè)性化等特點(diǎn)，更適合大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下的學(xué)習(xí)伙伴推薦。

學(xué)習(xí)行為；相似度；學(xué)習(xí)伙伴推薦；協(xié)作學(xué)習(xí)

引言

隨著互聯(lián)網(wǎng)技術(shù)、多媒體信息技術(shù)以及網(wǎng)絡(luò)學(xué)習(xí)技術(shù)的迅速發(fā)展，各種基于互聯(lián)網(wǎng)的遠(yuǎn)程在線教育如MOOC、網(wǎng)絡(luò)教育、在線培訓(xùn)等發(fā)展迅猛。中國互聯(lián)網(wǎng)絡(luò)信息中心（China Internet Network Information Center，CNNIC）的相關(guān)統(tǒng)計(jì)表明，截至2017年12月，我國在線教育用戶規(guī)模達(dá)1.55億，較2016年底增加1754萬人，年增長率為12.7%[1]。但在互聯(lián)網(wǎng)教育蓬勃發(fā)展的同時(shí)，研究者也發(fā)現(xiàn)了一些問題，如很多網(wǎng)絡(luò)課程學(xué)習(xí)者中途退課，學(xué)習(xí)效果不理想，而其中學(xué)習(xí)中的孤獨(dú)感是影響學(xué)習(xí)效果的一個(gè)重要原因。在遠(yuǎn)程教育中，學(xué)習(xí)者與學(xué)習(xí)者、學(xué)習(xí)者與教師之間處于時(shí)空分離的狀態(tài)，容易產(chǎn)生寂寞、孤獨(dú)、無助的情緒。若能為學(xué)習(xí)者提供合適的學(xué)習(xí)伙伴，通過協(xié)作學(xué)習(xí)則可減輕這種孤獨(dú)感，并有利于提高學(xué)習(xí)興趣、提升學(xué)習(xí)效果。因此，如何為學(xué)習(xí)者提供合適的學(xué)習(xí)伙伴，是網(wǎng)絡(luò)教育領(lǐng)域的一個(gè)重要研究課題。通過文獻(xiàn)分析，本研究發(fā)現(xiàn)：目前，遠(yuǎn)程教育領(lǐng)域關(guān)于學(xué)習(xí)伙伴模型和學(xué)習(xí)共同體的研究較多，分組依據(jù)或考慮的因素也多種多樣，但并沒有一致的、有效的方法，在個(gè)性化、智能性的學(xué)習(xí)伙伴推薦上還存在欠缺。比如，有的采取隨機(jī)分組或順序分組的方式，還不能支持個(gè)性化學(xué)習(xí)伙伴推薦；有的采用人工或部分人工參與的分組方式，不具有全自動(dòng)、智能性的特點(diǎn)，不能支持大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下的學(xué)習(xí)伙伴推薦。

本研究針對(duì)大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)環(huán)境的學(xué)習(xí)伙伴推薦問題，提出了學(xué)習(xí)行為模型和學(xué)習(xí)伙伴推薦算法，具體包括：①自動(dòng)采集了遠(yuǎn)程學(xué)習(xí)者在網(wǎng)絡(luò)教學(xué)平臺(tái)上的學(xué)習(xí)行為數(shù)據(jù)，保證數(shù)據(jù)豐富完整、客觀真實(shí)；②基于對(duì)學(xué)習(xí)行為數(shù)據(jù)的分析，提出了一種六維的學(xué)習(xí)者學(xué)習(xí)行為模型，并基于該模型設(shè)計(jì)了學(xué)習(xí)行為相似度算法，從而能為學(xué)習(xí)者智能地推薦相似型或互補(bǔ)型學(xué)習(xí)伙伴；③學(xué)習(xí)者能根據(jù)自己的需求，自主選擇合適的學(xué)習(xí)伙伴；④通過實(shí)際數(shù)據(jù)分析，驗(yàn)證了模型和方法的有效性。

一研究現(xiàn)狀

基于分組所依據(jù)的因素，分組方法主要有4類：①未考慮學(xué)習(xí)者學(xué)習(xí)特征的分組，包括隨機(jī)分組、按加入活動(dòng)的時(shí)間順序分組、按學(xué)習(xí)者的熟悉程度分組三類。如瑞典于2002年開發(fā)的mCSCL（Mobile Computer Supported Collaborative Learning）學(xué)習(xí)系統(tǒng)C-Notes中的學(xué)習(xí)伙伴小組由教師隨機(jī)組織[2]，芬蘭于2002年開發(fā)的XTask系統(tǒng)根據(jù)學(xué)習(xí)者加入活動(dòng)的先后順序進(jìn)行分組[3]，瑞士于2005年開發(fā)的CatchBob系統(tǒng)中學(xué)習(xí)伙伴由三個(gè)相互熟悉的學(xué)習(xí)者組成[4]。這類分組方式的主觀性、隨機(jī)性較強(qiáng)，不具有個(gè)性化特點(diǎn)，不能為學(xué)習(xí)者推薦有針對(duì)性的個(gè)性化的學(xué)習(xí)伙伴。有的分組方式則過于依賴教師或?qū)W(xué)進(jìn)行人工分組，不適于對(duì)大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)者進(jìn)行分組。②考慮學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好、學(xué)習(xí)成績等個(gè)性化學(xué)習(xí)特征分組。如華東師范大學(xué)劉菊香[5]于2006年基于學(xué)習(xí)風(fēng)格、學(xué)習(xí)成績、性別等開發(fā)的協(xié)作學(xué)習(xí)學(xué)生分組系統(tǒng)，臺(tái)灣于2011年開發(fā)的CALL（Computer Assisted Language Learning）系統(tǒng)支持英語協(xié)作學(xué)習(xí)，按學(xué)習(xí)者的英語閱讀能力進(jìn)行分組[6]。這類分組方式在學(xué)習(xí)伙伴推薦上具有一定的針對(duì)性，具有個(gè)性化特點(diǎn)，但在學(xué)習(xí)特征的屬性和客觀度量的準(zhǔn)確程度上還存在不足，如學(xué)習(xí)風(fēng)格一般采取調(diào)查問卷方式獲得，難以實(shí)現(xiàn)自動(dòng)數(shù)據(jù)采集，在度量的真實(shí)性、準(zhǔn)確度和自動(dòng)化程度上有所欠缺，難以支持大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)者分組。③綜合學(xué)習(xí)者個(gè)性特征和動(dòng)態(tài)協(xié)作特征兩方面特征進(jìn)行分組。如西南大學(xué)程向榮[7]于2008年提出的CSCL伙伴模型包括學(xué)習(xí)者個(gè)性特征和動(dòng)態(tài)協(xié)作信息兩方面特征，2012年浙江工業(yè)大學(xué)唐杰[8]、李浩君等[9]提出的mCSCL環(huán)境下伙伴模型包括個(gè)性特征和協(xié)作特征兩方面特征，并基于KNN算法進(jìn)行異質(zhì)學(xué)習(xí)伙伴推薦。這類分組考慮特征較為全面，引入了協(xié)作特征，并實(shí)現(xiàn)了一定程度的智能化自動(dòng)分組，但模型定義仍未實(shí)現(xiàn)完全自動(dòng)數(shù)據(jù)采集，并且在分組中學(xué)習(xí)者沒有自主選擇權(quán)。④由學(xué)習(xí)者自主選擇學(xué)習(xí)伙伴。2016年，張紅波[10]在分析構(gòu)建學(xué)習(xí)共同體的因素時(shí)發(fā)現(xiàn)，學(xué)習(xí)者自主選擇學(xué)習(xí)伙伴時(shí)，較少考慮學(xué)習(xí)成績因素，而是主要考慮人際交往能力和個(gè)人品質(zhì)。這種學(xué)習(xí)者完全自主選擇學(xué)習(xí)伙伴的分組方式不一定能達(dá)到提高學(xué)習(xí)成績的目的。

綜上所述，近年來，學(xué)習(xí)伙伴分組方法從簡單的隨機(jī)分組、順序分組向綜合考慮學(xué)習(xí)者個(gè)性化學(xué)習(xí)特征和協(xié)作特征的分組方向發(fā)展，從人工分組向智能性自動(dòng)分組方向發(fā)展?？紤]學(xué)習(xí)者的學(xué)習(xí)特征，以促進(jìn)學(xué)習(xí)為目的，為學(xué)習(xí)者推薦個(gè)性化、有針對(duì)性的學(xué)習(xí)伙伴，同時(shí)考慮給予學(xué)習(xí)者一定的選擇自主權(quán)，是學(xué)習(xí)伙伴分組研究的方向。

二學(xué)習(xí)者學(xué)習(xí)行為模型定義及評(píng)估方法

在遠(yuǎn)程教育中，學(xué)習(xí)者一般通過網(wǎng)絡(luò)教學(xué)平臺(tái)進(jìn)行學(xué)習(xí)，學(xué)習(xí)者的學(xué)習(xí)行為可通過網(wǎng)絡(luò)教學(xué)平臺(tái)各功能模塊的訪問記錄數(shù)據(jù)得到，如登錄次數(shù)、學(xué)習(xí)時(shí)長、資源下載次數(shù)、提問次數(shù)、提問方法、完成作業(yè)情況、論壇發(fā)帖次數(shù)、學(xué)習(xí)進(jìn)度排名等，這些數(shù)據(jù)稱為學(xué)習(xí)行為數(shù)據(jù)。學(xué)習(xí)行為數(shù)據(jù)具有客觀性、真實(shí)性，可以真實(shí)地反映學(xué)習(xí)者的學(xué)習(xí)狀態(tài)。以實(shí)際學(xué)習(xí)行為數(shù)據(jù)為依據(jù)建立學(xué)習(xí)者學(xué)習(xí)行為模型，可以避免問卷調(diào)查方式主觀隨意的缺點(diǎn)，提高模型的準(zhǔn)確性。

圖1 學(xué)習(xí)者學(xué)習(xí)行為模型

學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)繁多復(fù)雜，需要從繁雜的數(shù)據(jù)中提取關(guān)鍵特征數(shù)據(jù)，建立學(xué)習(xí)者學(xué)習(xí)行為模型。通過分析教學(xué)平臺(tái)的21項(xiàng)數(shù)據(jù)，本研究根據(jù)各項(xiàng)數(shù)據(jù)的特點(diǎn)及其對(duì)學(xué)習(xí)效果的作用進(jìn)行歸類，定義了評(píng)價(jià)學(xué)習(xí)行為的六要素：學(xué)習(xí)動(dòng)力、學(xué)習(xí)態(tài)度、學(xué)習(xí)效率、學(xué)習(xí)毅力、創(chuàng)造思維、學(xué)習(xí)方法。同時(shí)，參考英國有效終身學(xué)習(xí)指標(biāo)（Effective Lifelong Learning Inventory，ELLI）項(xiàng)目探索的一種稱為“蜘蛛圖”的學(xué)力動(dòng)態(tài)評(píng)估方法，設(shè)計(jì)了學(xué)習(xí)者學(xué)習(xí)行為模型，如圖1所示[11]。

基于對(duì)實(shí)際學(xué)習(xí)行為數(shù)據(jù)的初步統(tǒng)計(jì)分析，本研究將學(xué)習(xí)者學(xué)習(xí)行為六要素與相關(guān)數(shù)據(jù)項(xiàng)進(jìn)行了評(píng)估，制作了學(xué)習(xí)行為模型評(píng)估表，如表1所示。

表1 學(xué)習(xí)行為模型評(píng)估表

表1定義了學(xué)習(xí)行為六要素和各個(gè)學(xué)習(xí)行為數(shù)據(jù)項(xiàng)之間的關(guān)系。每個(gè)要素由1個(gè)或多個(gè)相關(guān)數(shù)據(jù)項(xiàng)組成，要素值由相關(guān)數(shù)據(jù)項(xiàng)計(jì)算得到。數(shù)據(jù)項(xiàng)取值分為5級(jí)：優(yōu)、良、中、差、零，分別對(duì)應(yīng)4分～0分。根據(jù)教學(xué)平臺(tái)實(shí)際數(shù)據(jù)，將數(shù)據(jù)分段分別對(duì)應(yīng)到各級(jí)，如網(wǎng)絡(luò)課程學(xué)習(xí)時(shí)間每周超過60分鐘為優(yōu)（4分），每周超過40分鐘為良（3分），每周超過20分鐘為中（2分），小于20分鐘為差（1分），沒學(xué)習(xí)即0分鐘為零（0分）。學(xué)習(xí)進(jìn)度排名中前20%得4分，前30%得3分，前40%得2分，前50%得1分，后50%得0分。這樣可以得到各數(shù)據(jù)項(xiàng)得分，然后再根據(jù)各數(shù)據(jù)項(xiàng)所占權(quán)重進(jìn)行加權(quán)求和，即可得到最終的要素值。如學(xué)習(xí)動(dòng)力要素值=0.1×論壇發(fā)帖數(shù)得分+0.1×論壇回帖數(shù)得分+0.3×網(wǎng)絡(luò)學(xué)習(xí)時(shí)間得分+0.5×學(xué)習(xí)進(jìn)度排名得分。如果某學(xué)習(xí)者4項(xiàng)數(shù)據(jù)（論壇發(fā)帖數(shù)、論壇回帖數(shù)、網(wǎng)絡(luò)課程學(xué)習(xí)時(shí)間、學(xué)習(xí)進(jìn)度排名）為（3，3，62，5），則該4項(xiàng)得分為（4，4，4，4），其學(xué)習(xí)動(dòng)力要素值為：0.1×4+0.1×4+0.3×4+0.5×4=4分。

通過表1的評(píng)估方法，可計(jì)算得到每個(gè)學(xué)習(xí)者的學(xué)習(xí)行為中的六要素值。每個(gè)學(xué)習(xí)者的學(xué)習(xí)行為模型由自己的實(shí)際學(xué)習(xí)行為決定。通過一段時(shí)間的學(xué)習(xí)如在一個(gè)學(xué)期結(jié)束后再次評(píng)估，模型可能發(fā)生變化。學(xué)習(xí)者的學(xué)習(xí)行為模型可以實(shí)時(shí)動(dòng)態(tài)地反映學(xué)習(xí)者的實(shí)際學(xué)習(xí)狀態(tài)。

三相似型學(xué)習(xí)行為模型和互補(bǔ)型學(xué)習(xí)行為模型定義

學(xué)習(xí)者學(xué)習(xí)行為包含六個(gè)要素，可用六維向量表示學(xué)習(xí)者的學(xué)習(xí)行為模型。余弦相似度常用于衡量兩個(gè)向量的相似性。余弦相似度計(jì)算兩個(gè)向量在空間中的夾角大小，值域?yàn)閇-1,1]，1代表夾角為0°，完全重疊，即完全相似；-1代表夾角為180°，完全相反方向，即毫不相似。皮爾遜（Pearson Correlation Coefficient）相關(guān)系數(shù)計(jì)算方法是余弦相似度公式的改進(jìn)，經(jīng)過去中心化處理，可以提高維度值缺失情況下的準(zhǔn)確性。因此，本研究采用皮爾遜相關(guān)系數(shù)表示學(xué)習(xí)者學(xué)習(xí)行為模型的相似度。

令=｛X,X,X,……,X｝為六維學(xué)習(xí)行為模型空間中的一組對(duì)象，X，X∈，表示學(xué)生對(duì)象。個(gè)學(xué)生的學(xué)生行為模型可用以下矩陣表示。

r是X、X之間的相似系數(shù)，r計(jì)算方法如公式（1）所示。

其中，xik是Xi學(xué)生的第k維屬性值，k=1,2,3….6。，。m是維度6。rij∈[-1,1]。rij=1時(shí)，Xi、Xj完全相同；rij =-1時(shí)，Xi、Xj完全相反。定義 rij∈(0,1]為相似區(qū)間，此區(qū)間內(nèi)Xi、Xj為相似或相同模型，如圖2（a）所示。定義rij∈[-1,0]為相反區(qū)間，此區(qū)間內(nèi)Xi、Xj為相反或互補(bǔ)模型，如圖2（b）所示。

四實(shí)驗(yàn)分析

基于以上學(xué)習(xí)行為模型及評(píng)估算法，本研究在網(wǎng)絡(luò)教學(xué)平臺(tái)系統(tǒng)中添加了學(xué)習(xí)伙伴推薦模塊和學(xué)習(xí)分組模塊，該系統(tǒng)如圖3所示。

網(wǎng)絡(luò)教學(xué)平臺(tái)系統(tǒng)中的學(xué)習(xí)模塊包括支持學(xué)生網(wǎng)絡(luò)學(xué)習(xí)的課程空間、資源下載、實(shí)時(shí)答疑、作業(yè)、論壇等，可采集學(xué)生學(xué)習(xí)記錄數(shù)據(jù)，存入學(xué)生學(xué)習(xí)記錄數(shù)據(jù)庫。學(xué)習(xí)伙伴推薦模塊包括學(xué)習(xí)行為模型評(píng)估、相似度計(jì)算、學(xué)習(xí)伙伴推薦等功能。學(xué)習(xí)伙伴推薦過程如下：①利用學(xué)生學(xué)習(xí)記錄，對(duì)學(xué)生學(xué)習(xí)行為模型進(jìn)行評(píng)估，得到學(xué)生學(xué)習(xí)行為模型矩陣；②利用相似度系數(shù)算法計(jì)算學(xué)生學(xué)習(xí)行為模型之間的相似度，得到相似度矩陣；③根據(jù)相似度值為學(xué)生推薦互補(bǔ)型學(xué)習(xí)伙伴列表和相似型學(xué)習(xí)伙伴列表，學(xué)生可根據(jù)推薦列表選擇自己的相似型學(xué)習(xí)伙伴或互補(bǔ)型學(xué)習(xí)伙伴，組成學(xué)習(xí)小組。

圖3 網(wǎng)絡(luò)教學(xué)平臺(tái)系統(tǒng)

本研究在網(wǎng)絡(luò)教學(xué)平臺(tái)系統(tǒng)中收集了4個(gè)典型學(xué)習(xí)者S、S、S、S的學(xué)習(xí)行為數(shù)據(jù)，依據(jù)表1評(píng)估得到學(xué)習(xí)行為的六要素值，分別得到了相關(guān)的學(xué)習(xí)行為模型評(píng)估數(shù)據(jù)，如表2所示。

表2 學(xué)習(xí)者S1、S2、S3、S4學(xué)習(xí)行為模型評(píng)估數(shù)據(jù)

由表2可得，4個(gè)學(xué)習(xí)者的學(xué)習(xí)行為模型向量分別是：S=（4,3,4,4,4,4），S=（3.1,3,2,3,2,2），S=（2.1,2,3,2,3,3），S=（3.2,3,2.5,3,2,2）。利用公式（1）計(jì)算出這4個(gè)學(xué)習(xí)者之間的相似系數(shù)值，所得結(jié)果如表3所示。

表3 學(xué)習(xí)者S1、S2、S3、S4的相似系數(shù)值

根據(jù)表2和表3，可刻畫這4個(gè)學(xué)習(xí)者的學(xué)習(xí)行為模型及相互關(guān)系，如圖4所示。

圖4 4個(gè)學(xué)習(xí)者學(xué)習(xí)行為模型及相互關(guān)系圖

圖4中，以S為考察對(duì)象，可以發(fā)現(xiàn)，在S、S、S三個(gè)同學(xué)中S與S最相似，因?yàn)?i>S與S的相似系數(shù)值為0.936，是最大值；而S、S和S是相反的，其相似系數(shù)分別是負(fù)值-0.991和-0.417，所以S、S是S的互補(bǔ)模型，其中S是最互補(bǔ)的。因此，S的互補(bǔ)型學(xué)習(xí)伙伴可推薦S、S，而S的相似型學(xué)習(xí)伙伴可推薦S。

五小結(jié)

學(xué)習(xí)伙伴推薦是遠(yuǎn)程教育學(xué)習(xí)系統(tǒng)研究中的重要問題。本研究基于網(wǎng)絡(luò)教學(xué)平臺(tái)實(shí)際數(shù)據(jù)，提出了一種新的學(xué)習(xí)者學(xué)習(xí)行為模型的定義、評(píng)估方法以及學(xué)習(xí)伙伴推薦方法。該模型和方法具有可視化、智能性、個(gè)性化等特點(diǎn)，解決了大規(guī)模網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下學(xué)習(xí)伙伴自動(dòng)推薦的問題，下一步將在協(xié)作活動(dòng)設(shè)計(jì)和對(duì)學(xué)習(xí)效果的影響評(píng)估等方面做進(jìn)一步深入研究。

[1]CNNIC.第41次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[OL]. < http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf>

[2]Milrad M, Perez J, Hoppe U. C-Notes: Designing a mobile and wireless application to support collaborative knowledge building[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:117-120.

[3]Ketamo H. xTask-adaptable working environment[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:55-62.

[4]Nova N, Girardin F, Dillenbourg P. ‘Location is not enough!’: An empirical study of location-awareness in mobile collaboration[A]. IEEE technical committee for learning technology. Proceedings of IEEE international workshop on wireless and mobile technogies in education[C]. Piscataway, NJ, United States: IEEE Computer Society, 2005:21-28.

[5]劉菊香.基于模糊理論的網(wǎng)上協(xié)作學(xué)習(xí)學(xué)生分組系統(tǒng)的研究與實(shí)現(xiàn)[D].上海:華東師范大學(xué),2006:17-20.

[6]Chang C K, Hsu C K. A mobile-assisted synchronously collaborative translation-annotation system for English as a foreign language (EFL) reading comprehension[J]. Computer Assisted Language Learning, 2011,(2):155-180.

[7]程向榮.CSCL的伙伴模型研究[D].重慶:西南大學(xué),2008:22-25.

[8]唐杰,李浩君,邱飛岳.mCSCL環(huán)境下協(xié)作分組的伙伴模型研究[J].中國遠(yuǎn)程教育,2012,(2):48-51.

[9]李浩君,項(xiàng)靜,華燕燕.基于KNN算法的mCSCL學(xué)習(xí)伙伴分組策略研究[J].現(xiàn)代教育技術(shù),2014,(3):86-93.

[10]張紅波,徐福蔭.基于社會(huì)網(wǎng)絡(luò)視角的學(xué)習(xí)共同體構(gòu)建與相關(guān)因素分析[J].電化教育研究,2016,(10):70-76、103.

[11]任凱,魯思·迪肯·克瑞克.探索有效終身學(xué)習(xí)之指標(biāo):“學(xué)習(xí)能量”及其動(dòng)態(tài)測評(píng)[J].教育學(xué)報(bào),2011,(6):84-90.

編輯：小西

Learning Partner Recommendation Based on Learning Behavior Model

LAN Li-na1SHI Rui-sheng2GOU Xue-rong1

6

Providing appropriate learning partners to support collaborative learning is crucial to mitigate distance learners’ aloneness in learning process and improve the learning effect. This paper proposes a novel six-dimension learning behavior model based on the authentic data collected from the network learning platform. By employing the similarity algorithm, the model can distinguish the similar behavior model or complementary behavior model. As a result, learners can either receive the autonomously recommended learning partners or choose their own preferred partners. Experiment results verified the validity of the proposed learning behavior model and the recommendation algotithms. Compared with traditional grouping models, this model-supported learning partner recommendation is more personalized and intelligent, and is more suitable in large-scale network learning environment.

learning behavior; similarity; learning partner recommendation; collaborative learning

G40-057

A

1009—8097（2018）04—0067—07

10.3969/j.issn.1009-8097.2018.04.010

蘭麗娜，副教授，在讀博士，研究方向?yàn)榻逃龜?shù)據(jù)分析、協(xié)作學(xué)習(xí)，郵箱為lindalan2002@sina.com。

2017年5月25日