趙學(xué)孔 龍世榮

[摘 要]網(wǎng)絡(luò)環(huán)境下基于Web的個(gè)性化學(xué)習(xí)是現(xiàn)代遠(yuǎn)程教育與智慧教育領(lǐng)域研究的熱點(diǎn)，也是數(shù)字化學(xué)習(xí)E-learning未來發(fā)展的趨勢(shì)。Web個(gè)性化學(xué)習(xí)環(huán)境構(gòu)建主旨是針對(duì)學(xué)習(xí)者特征差異性“分析”與“判斷”其個(gè)性化需求，并以此精準(zhǔn)推薦適當(dāng)?shù)膶W(xué)習(xí)資源，其實(shí)現(xiàn)的關(guān)鍵在于用戶特征模型構(gòu)建與分析、結(jié)構(gòu)化領(lǐng)域知識(shí)構(gòu)建以及知識(shí)個(gè)性化推薦與呈現(xiàn)。其中，用戶靜態(tài)特征與動(dòng)態(tài)行為特征是個(gè)性化學(xué)習(xí)需求的邏輯起點(diǎn)，結(jié)構(gòu)化領(lǐng)域知識(shí)模型是個(gè)性化推薦的數(shù)據(jù)源基礎(chǔ)，知識(shí)個(gè)性化推薦與呈現(xiàn)是E-learning的宗旨。

[關(guān)鍵詞]E-learning；個(gè)性化學(xué)習(xí)；用戶特征；領(lǐng)域知識(shí)；推薦技術(shù)

[中圖分類號(hào)] G64 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 2095-3437（2018）03-0067-04

自古“因材施教”教學(xué)思想提出至今，個(gè)性化教育備受人們推崇。個(gè)性化教育主張尊重學(xué)生的個(gè)體差異而實(shí)施個(gè)性化教學(xué)與指導(dǎo)，成為現(xiàn)代教學(xué)的理論基礎(chǔ)。個(gè)性化學(xué)習(xí)作為個(gè)性化教育的分支，體現(xiàn)了“學(xué)習(xí)者為中心”的教學(xué)理念。當(dāng)前，數(shù)字化學(xué)習(xí)E-learning作為一種重要的學(xué)習(xí)方式，其跨時(shí)空、高時(shí)效等優(yōu)勢(shì)為開展創(chuàng)新學(xué)習(xí)方式提供了新機(jī)遇。受大數(shù)據(jù)、知識(shí)可視化、學(xué)習(xí)分析等網(wǎng)絡(luò)新技術(shù)思潮影響，眾多研究者將焦點(diǎn)轉(zhuǎn)向網(wǎng)絡(luò)技術(shù)支持下的E-learning個(gè)性化學(xué)習(xí)領(lǐng)域。業(yè)界知名的美國(guó)新媒體聯(lián)盟（NMC）在《2016版地平線報(bào)告》中預(yù)言基于自適應(yīng)學(xué)習(xí)技術(shù)的個(gè)性化學(xué)習(xí)成為E-learning未來發(fā)展態(tài)勢(shì)[1]。由此，關(guān)于網(wǎng)絡(luò)環(huán)境下基于Web的個(gè)性化學(xué)習(xí)環(huán)境（即個(gè)性化E-learning）研究意義深遠(yuǎn)。

一、領(lǐng)域相關(guān)研究現(xiàn)狀

為了構(gòu)建具有“個(gè)性化”機(jī)能的Web學(xué)習(xí)環(huán)境，國(guó)內(nèi)外眾多研究者在該領(lǐng)域開展了大量的理論與實(shí)踐研究，并從不同的視角提出了解決方案。Brusilovsky等人[2]首次從“適應(yīng)性”角度提出了個(gè)性化E-learning系統(tǒng)的觀點(diǎn)，認(rèn)為適應(yīng)性的導(dǎo)航設(shè)計(jì)可以幫助學(xué)習(xí)者更好的學(xué)習(xí)，提高他們的學(xué)習(xí)效率；DeBra教授[3]認(rèn)為學(xué)習(xí)者模型是個(gè)性化學(xué)習(xí)系統(tǒng)實(shí)現(xiàn)的關(guān)鍵，可以從認(rèn)知水平和訪問狀態(tài)兩個(gè)維度構(gòu)建；Markellou等人[4]在語(yǔ)義框架的基礎(chǔ)上通過關(guān)聯(lián)規(guī)則挖掘技術(shù)獲取當(dāng)前學(xué)習(xí)者和學(xué)習(xí)資源潛在的語(yǔ)義關(guān)系，為基于語(yǔ)義的個(gè)性化E-learning系統(tǒng)研究奠定了基礎(chǔ)；Thorat等人[5]利用協(xié)同推薦技術(shù)獲取學(xué)習(xí)者對(duì)學(xué)習(xí)資源的反饋信息，進(jìn)而提出個(gè)性化學(xué)習(xí)系統(tǒng)推薦機(jī)制。相較于國(guó)外，國(guó)內(nèi)該領(lǐng)域研究起步稍晚，但仍有眾多值得借鑒的研究成果，典型代表有：北京師范大學(xué)余勝泉教授研究團(tuán)隊(duì)提出了“學(xué)習(xí)元”技術(shù)，并以此開發(fā)了具有一定適應(yīng)性的學(xué)習(xí)元平臺(tái)[6]；中國(guó)臺(tái)灣淡江大學(xué)計(jì)算機(jī)學(xué)院對(duì)分布式Agent技術(shù)進(jìn)行了研究，然后開發(fā)了智能學(xué)習(xí)系統(tǒng)MMU[7]；楊麗娜等[8]嘗試?yán)枚嘟巧獳gent合作框架解決E-learning環(huán)境下個(gè)性化學(xué)習(xí)資源推薦問題；王永固等人[9]提出了Web環(huán)境下利用學(xué)習(xí)進(jìn)度確定鄰近學(xué)習(xí)者的方法。

縱觀上述研究，研究者主要從適應(yīng)性導(dǎo)航、推薦技術(shù)、系統(tǒng)建模、語(yǔ)義挖掘、Agent等視角切入，提出了系統(tǒng)個(gè)性化推薦機(jī)制的解決方案，這些研究成果為后續(xù)相關(guān)研究提供了寶貴的參考借鑒。但也不難發(fā)現(xiàn)，目前關(guān)于個(gè)性化E-learning系統(tǒng)領(lǐng)域研究仍處于探索階段，尚有許多不完善領(lǐng)域值得進(jìn)一步深入研究。因此，本研究擬在文獻(xiàn)研究基礎(chǔ)上，結(jié)合筆者多年實(shí)踐研究經(jīng)驗(yàn)，嘗試從用戶特征、領(lǐng)域知識(shí)以及知識(shí)個(gè)性化推薦三個(gè)維度分析Web個(gè)性化學(xué)習(xí)環(huán)境建設(shè)方案，以期為本領(lǐng)域相關(guān)研究者和實(shí)踐開發(fā)者提供參考借鑒。

二、用戶特征模型構(gòu)建與分析

個(gè)性化E-learning系統(tǒng)的設(shè)計(jì)宗旨是以學(xué)習(xí)者為中心推薦其所需要的學(xué)習(xí)資源。顯然，“分析”與“判斷”當(dāng)前學(xué)習(xí)者用戶的個(gè)性需求是個(gè)性化E-learning首要解決的問題。然而，計(jì)算機(jī)世界對(duì)用戶需求的理解都以數(shù)據(jù)模型為基礎(chǔ)，因此可以說，用戶特征模型的構(gòu)建及其需求分析是E-learning實(shí)現(xiàn)個(gè)性化的邏輯起點(diǎn)。在此，用戶特征模型是對(duì)用戶特征信息最好的描述方式，其通過結(jié)構(gòu)化的表征方式可清晰地表達(dá)用戶屬性特征，為系統(tǒng)判斷個(gè)性需求提供依據(jù)。

（一）用戶特征模型構(gòu)建

在E-learning環(huán)境中，在線學(xué)習(xí)用戶的特征一般包括個(gè)人基本信息、學(xué)習(xí)風(fēng)格類型、認(rèn)知水平、學(xué)習(xí)偏好等。以上這些特征信息可以通過多種途徑獲取，例如用戶的基本信息可以通過注冊(cè)方式獲取，學(xué)習(xí)風(fēng)格可以通過問卷與行為日志記錄方式獲得，認(rèn)知水平可以通過測(cè)試成績(jī)獲得，學(xué)習(xí)偏好可以通過行為日志記錄獲得。用戶模型構(gòu)建過程一般包括用戶基礎(chǔ)信息收集、用戶特征模型表征、用戶特征模型更新和用戶特征模型使用四個(gè)環(huán)節(jié)，如圖1所示。

顯然，由圖1可知，用戶特征模型是動(dòng)態(tài)變化的，其在用戶學(xué)習(xí)過程中會(huì)實(shí)時(shí)動(dòng)態(tài)自我更新。根據(jù)IMS LIP（Learner Information Package）建模標(biāo)準(zhǔn)，學(xué)習(xí)者特征模型一般可以從基本信息、興趣偏好、認(rèn)知水平和學(xué)習(xí)風(fēng)格四個(gè)維度構(gòu)建?？紤]到用戶的特征屬性可分為靜態(tài)信息和動(dòng)態(tài)信息，本文構(gòu)建的用戶特征模型采用多元組形式表征，具體表征方法如下。

1.用戶基本特征模型

用于表征學(xué)習(xí)者用戶的總體特征模型，具體表示方法如下：

UserModel=（BasicInformation，LearningPreference，CognitiveLevel，LearningStyle）

其中，BasicInformation表示用戶的基本的靜態(tài)資料信息，包括用戶姓名、年齡、專業(yè)背景等；LearningPreference表示用戶的學(xué)習(xí)偏好屬性，其以用戶對(duì)學(xué)習(xí)資源的興趣度值表示；CognitiveLevel表示用戶當(dāng)前的認(rèn)知水平；LearningStyle表示用戶的學(xué)習(xí)風(fēng)格信息。LearningPreference、CognitiveLevel和LearningStyle存儲(chǔ)了用戶的動(dòng)態(tài)信息，其值隨著網(wǎng)絡(luò)學(xué)習(xí)狀態(tài)改變而實(shí)時(shí)動(dòng)態(tài)更新。

2.用戶學(xué)習(xí)偏好模型

用戶學(xué)習(xí)偏好反映了用戶對(duì)某學(xué)習(xí)資源的興趣傾向，一般可根據(jù)用戶對(duì)某資源的關(guān)注程度來計(jì)算，其具體表示方法為：

LearningPreference（n）={，，…，}

其中，Ri表示學(xué)習(xí)網(wǎng)頁(yè)或?qū)W習(xí)資源集，Ai表示用戶對(duì)Ri的關(guān)注程度，p是學(xué)習(xí)資源集合數(shù)量，i=1，2，3，…p。

3.用戶認(rèn)知水平模型

用戶認(rèn)知水平反映了用戶當(dāng)前對(duì)學(xué)習(xí)內(nèi)容的掌握情況，可通過學(xué)習(xí)者測(cè)試成績(jī)、測(cè)試時(shí)長(zhǎng)、學(xué)習(xí)時(shí)長(zhǎng)等多個(gè)維度綜合評(píng)估獲得。用戶認(rèn)知水平模型表征方法如下：

CognitiveLevel（U）=（U，Cli）

其中，U表示學(xué)習(xí)者用戶；Cli表示用戶的認(rèn)知水平，其值域?yàn)镃li={1，2，3}，分別對(duì)應(yīng)認(rèn)知水平為{較差，中等，較好}，成績(jī)段為{0-59，60-79，80-100}。當(dāng)然，這些閥值可由教師在系統(tǒng)管理后臺(tái)動(dòng)態(tài)更改，以調(diào)整系統(tǒng)推薦資源的精準(zhǔn)度。

4.用戶學(xué)習(xí)風(fēng)格模型

學(xué)習(xí)風(fēng)格是學(xué)習(xí)者個(gè)體在不同的學(xué)習(xí)情境及學(xué)習(xí)過程中所表現(xiàn)出來的具有個(gè)性化特征的認(rèn)知方式，其表征方法如下：

LearningStyle（U）={，，，}

其中，（i∈[1，4]）表示學(xué)習(xí)者在Felder學(xué)習(xí)風(fēng)格中某個(gè)維度的取值；Di表示風(fēng)格取值類型（Di∈{“感知型-直覺型”，“視覺型-言語(yǔ)型”，“主動(dòng)型-反思型”，“全局型-序列型”}）；Lsi為模糊取值（Lsi∈[0，1]），其代表在學(xué)習(xí)風(fēng)格Di維度的取值。

（二）用戶行為特征分析

在E-learning環(huán)境中，用戶的學(xué)習(xí)過程實(shí)質(zhì)上是用戶行為發(fā)生的過程，而這些行為特征信息中往往隱含了學(xué)習(xí)風(fēng)格特征、學(xué)習(xí)偏好等各種信息。例如，某用戶頻繁瀏覽或下載某類資源表示該用戶偏好于該類型資源；某用戶訪問某知識(shí)點(diǎn)的次數(shù)增加預(yù)示著該用戶對(duì)該知識(shí)點(diǎn)的關(guān)注度或需求度增高?？梢?，用戶的行為特征作為用戶關(guān)鍵特征之一，深入挖掘用戶行為特征信息對(duì)準(zhǔn)確構(gòu)建用戶模型至關(guān)重要。

一般而言，用戶行為特征值可通過兩種途徑計(jì)算獲得，即Web頁(yè)面操作行為分析法和日志記錄序列分析法。Web頁(yè)面操作行為分析法主要是通過系統(tǒng)學(xué)習(xí)頁(yè)面腳本實(shí)時(shí)抓取用戶的各種學(xué)習(xí)行為，例如頁(yè)面或資源的訪問次數(shù)、訪問時(shí)長(zhǎng)、資源下載次數(shù)、單擊/滾動(dòng)鼠標(biāo)次數(shù)、添加書簽動(dòng)作等；日志記錄序列分析法主要是采用數(shù)據(jù)挖掘、關(guān)聯(lián)規(guī)則等技術(shù)從數(shù)據(jù)庫(kù)日志記錄中提取用戶詳細(xì)的學(xué)習(xí)經(jīng)歷與學(xué)習(xí)路徑，然后預(yù)估用戶個(gè)性化學(xué)習(xí)需求。

從上文的分析可知，用戶特征模型是用戶基本靜態(tài)信息與動(dòng)態(tài)信息的綜合體，其隨著學(xué)習(xí)者學(xué)習(xí)過程以及學(xué)習(xí)行為的變化而實(shí)時(shí)改變，所以在對(duì)用戶特征模型建模評(píng)估中，我們需要將用戶評(píng)測(cè)分值（如測(cè)試成績(jī)、風(fēng)格量表測(cè)試值等）與其行為反饋特征值綜合權(quán)衡，而這也是該領(lǐng)域研究的難點(diǎn)。

三、結(jié)構(gòu)化領(lǐng)域知識(shí)模型構(gòu)建

領(lǐng)域知識(shí)是個(gè)性化E-learning系統(tǒng)推薦以及學(xué)習(xí)者獲取知識(shí)內(nèi)容的重要數(shù)據(jù)來源，其內(nèi)容載體可以是圖片、文本、視頻、音頻等任何媒體格式。領(lǐng)域知識(shí)模型是領(lǐng)域知識(shí)的結(jié)構(gòu)化表征，其建模方式直接影響個(gè)性化E-learning系統(tǒng)的推薦效果。根據(jù)教學(xué)目標(biāo)與計(jì)劃，系統(tǒng)中的領(lǐng)域知識(shí)之間應(yīng)存在一種隱性的關(guān)系結(jié)構(gòu)，這種關(guān)系結(jié)構(gòu)能充分應(yīng)用于學(xué)習(xí)策略或?qū)W習(xí)方式的匹配過程中。因此，領(lǐng)域知識(shí)建模時(shí)需要充分考慮其結(jié)構(gòu)化、粒度化等標(biāo)準(zhǔn)范式，通過多維的屬性描述建立知識(shí)對(duì)象模型，以提高系統(tǒng)個(gè)性化推薦的精準(zhǔn)度。一般情況下，領(lǐng)域知識(shí)模型可以表征為某門課程、課程中的某個(gè)知識(shí)單元或某個(gè)知識(shí)點(diǎn)三種粒度，而每個(gè)知識(shí)對(duì)象不僅包含難度級(jí)別、風(fēng)格類型（或媒體類型）等基本屬性，同時(shí)知識(shí)對(duì)象之間存在前驅(qū)后繼、并列或相關(guān)等關(guān)系[10]。在參考IMS資源建設(shè)標(biāo)準(zhǔn)基礎(chǔ)上，本研究構(gòu)建的領(lǐng)域知識(shí)模型多元組結(jié)構(gòu)表達(dá)式如下所示：

KnowledgeObject={Kid，Kname，Kcontent，KOR}

其中，Kid表示知識(shí)對(duì)象的唯一標(biāo)識(shí)，Kname表示知識(shí)對(duì)象名稱，Kcontent表示知識(shí)對(duì)象內(nèi)容信息，KOR表示知識(shí)對(duì)象所屬關(guān)系集合。通常情況下，知識(shí)對(duì)象之間的關(guān)系可分為三種，即前驅(qū)后繼關(guān)系、并列關(guān)系以及相關(guān)關(guān)系?；诖耍狙芯恐兄R(shí)對(duì)象間的關(guān)系模型KOR可表示為：

K（a，b）={，Ktype，Kweight}

其中，Ktype表示關(guān)系類型（Ktype∈{“前驅(qū)”，“后繼”，“并列”，“相關(guān)”}）；Kweight表示關(guān)系的權(quán)重值（Kweight∈[0，1]，該值越高代表知識(shí)點(diǎn)間的相關(guān)性越大）。例如，知識(shí)對(duì)象a與知識(shí)對(duì)象b的關(guān)系記為K（a，b）={，“相關(guān)”，0.8}，表示知識(shí)對(duì)象a、b之間是相關(guān)關(guān)系，其關(guān)系權(quán)重為0.8。

此外，我們也可以采用許多國(guó)際性組織所提出的元數(shù)據(jù)描述方式來對(duì)領(lǐng)域知識(shí)進(jìn)行模型結(jié)構(gòu)化表征。該方法從學(xué)習(xí)對(duì)象的描述出發(fā)采用了與元數(shù)據(jù)規(guī)范統(tǒng)一的結(jié)構(gòu)化XML以及內(nèi)容包裝方式，為個(gè)性化E-learning系統(tǒng)的建設(shè)提供了基礎(chǔ)。結(jié)構(gòu)化領(lǐng)域知識(shí)XML層次表示方法如圖2所示[11]。

四、個(gè)性化推薦與知識(shí)呈現(xiàn)

為了能讓個(gè)性化E-learning系統(tǒng)在“分析”和“判斷”當(dāng)前學(xué)習(xí)者個(gè)性化學(xué)習(xí)需求的基礎(chǔ)上適當(dāng)推送與呈現(xiàn)知識(shí)內(nèi)容及學(xué)習(xí)資源，各種推薦技術(shù)被廣泛應(yīng)用于E-learning系統(tǒng)中。目前常用到的推薦技術(shù)有協(xié)同過濾推薦、基于內(nèi)容推薦、關(guān)聯(lián)規(guī)則推薦以及混合推薦。

（一）協(xié)同過濾推薦技術(shù)

協(xié)同過濾推薦技術(shù)是根據(jù)相似用戶來推薦資源內(nèi)容，其關(guān)鍵在于計(jì)算用戶之間的相似度值，并根據(jù)相似度值對(duì)用戶進(jìn)行聚類，尋找當(dāng)前用戶的鄰居用戶（群）。協(xié)同過濾推薦的優(yōu)點(diǎn)是當(dāng)系統(tǒng)用戶量或資源量增多使推薦效果會(huì)提高，且對(duì)于非良好結(jié)構(gòu)性的資源仍具有較好的推薦效果；缺點(diǎn)在于當(dāng)吸引用戶量或資源量較少時(shí)存在冷啟動(dòng)和稀疏問題。

（二）基于內(nèi)容的推薦技術(shù)

基于內(nèi)容的推薦技術(shù)是協(xié)同過濾技術(shù)的延續(xù)和發(fā)展，其主要通過計(jì)算與比較系統(tǒng)中用戶與資源的匹配值以及資源之間的相似度值來向目標(biāo)用戶推薦資源。該推薦技術(shù)優(yōu)點(diǎn)是推薦簡(jiǎn)單、高效，對(duì)于具有良好結(jié)構(gòu)性的資源（如文本類）推薦效果較好，且不存在協(xié)同過濾中的冷啟動(dòng)與稀疏問題；缺點(diǎn)表現(xiàn)在當(dāng)系統(tǒng)資源量較大且資源屬性復(fù)雜，或者對(duì)于非良好結(jié)構(gòu)屬性的資源（如視頻、圖片）推薦效果不理想。

（三）關(guān)聯(lián)規(guī)則推薦技術(shù)

關(guān)聯(lián)規(guī)則推薦技術(shù)主要原理是通過分析系統(tǒng)用戶與資源對(duì)象之間的日志行為數(shù)據(jù)來獲取頻繁項(xiàng)集和項(xiàng)序列，以此挖掘用戶與資源潛在的規(guī)則并產(chǎn)生推薦。典型代表如Apriori、AprioriAll等。其優(yōu)點(diǎn)在于能從用戶行為日志記錄中挖掘潛在價(jià)值的信息；缺點(diǎn)在于算法需要頻繁遍歷掃描數(shù)據(jù)庫(kù)，對(duì)系統(tǒng)開銷較大。

（四）混合推薦技術(shù)

混合推薦技術(shù)是將多種推薦技術(shù)進(jìn)行整合而提出的一種推薦方式，其體現(xiàn)了“揚(yáng)長(zhǎng)避短”思想，即整合各種推薦技術(shù)優(yōu)勢(shì)，彌補(bǔ)各種推薦技術(shù)的不足。該類推薦技術(shù)優(yōu)點(diǎn)是算法靈活，可根據(jù)推薦需要整合多種推薦算法，且在時(shí)間、空間復(fù)雜度上對(duì)算法優(yōu)化，進(jìn)而提高推薦效率與質(zhì)量。

五、結(jié)語(yǔ)

網(wǎng)絡(luò)環(huán)境下基于Web的個(gè)性化學(xué)習(xí)是新時(shí)代學(xué)習(xí)方式的創(chuàng)新之舉，其基礎(chǔ)保障在于構(gòu)建個(gè)性化E-learning學(xué)習(xí)環(huán)境。基于Web的個(gè)性化E-learning學(xué)習(xí)環(huán)境構(gòu)建主旨是針對(duì)學(xué)習(xí)者特征差異性“分析”與“判斷”其個(gè)性化需求，并以此精準(zhǔn)推薦適當(dāng)?shù)膶W(xué)習(xí)資源。文章對(duì)在文獻(xiàn)研究基礎(chǔ)上從用戶特征模型、結(jié)構(gòu)化領(lǐng)域知識(shí)構(gòu)建以及個(gè)性化推薦技術(shù)三個(gè)維度對(duì)個(gè)性化E-learning學(xué)習(xí)環(huán)境技術(shù)解決方案進(jìn)行了分析，以期為本領(lǐng)域研究者和實(shí)踐開發(fā)者提供參考借鑒。

當(dāng)然，目前我們的研究仍處于探索階段，尚有不足之處。下一步，我們將在理論模型研究基礎(chǔ)上通過實(shí)踐研究進(jìn)一步探索個(gè)性化E-learning學(xué)習(xí)環(huán)境構(gòu)建方案。

[ 參 考 文 獻(xiàn) ]

[1] L·約翰遜，劉德建，黃榮懷，等.2016新媒體聯(lián)盟中國(guó)基礎(chǔ)教育技術(shù)展望：地平線項(xiàng)目區(qū)域報(bào)告[R].德克薩斯：新媒體聯(lián)盟，2016：1-36.

[2] Brusilovsky P. Adaptive hypermedia，User Modeling and User Adapted Interaction， Ten Year Anniversary Issue [Z]Aifred Kobsa， ed.， 2001（1）：87-110.

[3] DeBra P.， Aerts A.， Berden B.， et al. AHA！ The Adaptive Hypermedia Architecture[Z]. Proc. of the fourteenth ACM conference on Hypertext and Hypermedia， 2003：81-84.

[4] Markellou P.， Mousouroul I.， Spiros S.， & Tsakalidis A. Using semantic web mining technologies for personalized e-learning experiences[J]. In Proceedings of the web-based education， 2005：461-826.

[5] Thorat P.， Goudar R.， & Barve S. Survey on Collaborative Filtering， Content-based Filtering and Hybrid Recommendation System[J]. International Journal of Computer Applications， 2015（4）：31-36.

[6] 余勝泉，陳敏.泛在學(xué)習(xí)資源建設(shè)的特征與趨勢(shì)——以學(xué)習(xí)元資源模型為例[J].現(xiàn)代遠(yuǎn)程教育研究，2011（6）：14-22.

[7] 陳天云，張劍平.智能教學(xué)系統(tǒng)（ITS）的研究現(xiàn)狀及其在中國(guó)的發(fā)展[J].中國(guó)電化教育，2007（2）：95-99.

[8] 楊麗娜，劉科成，顏志軍.案例推理Agent合作框架下的個(gè)性化學(xué)習(xí)資源推薦研究[J].中國(guó)電化教育，2009（12）：105-109.

[9] 王永固，邱飛岳，趙建龍，等.基于協(xié)同過濾技術(shù)的學(xué)習(xí)資源個(gè)性化推薦研究[J].遠(yuǎn)程教育雜志，2011（3）：66-71.

[10] 趙學(xué)孔，徐曉東，龍世榮.協(xié)同推薦：一種個(gè)性化學(xué)習(xí)路徑生成的新視角[J].中國(guó)遠(yuǎn)程教育，2017（5）：24-34.

[11] Belkadi F.， Dremont N. A meta-modelling framework for knowledge consistency in collaborative design[J]. Annual Reviews in Control， 2012（2）：346-358.

[責(zé)任編輯：鐘 嵐]