馬秀麟 梁靜 李小文 蘇幼園

摘要：個性化學(xué)習(xí)及資源推薦是智能化學(xué)習(xí)環(huán)境中解決學(xué)習(xí)者知識迷航的重要措施，智慧學(xué)習(xí)和人工智能均對學(xué)習(xí)資源的個性化推薦提出了更高的要求。該文以知識結(jié)構(gòu)及智能化學(xué)習(xí)支持環(huán)境為目標(biāo)，基于實證性教學(xué)環(huán)境和文獻(xiàn)分析，梳理出了面向?qū)W校教育的個性化資源推薦的關(guān)鍵要素，并通過對一線教師和學(xué)生的訪談，確定了影響資源推薦的核心要素（知識結(jié)構(gòu)）和5個關(guān)鍵因子（學(xué)習(xí)目標(biāo)、易錯率、個人錯誤率、教師推薦、學(xué)習(xí)投入時長）。最后以問卷調(diào)查確定了各個推薦因子的權(quán)重，形成了資源的個性化智能推薦模型，并在教學(xué)實踐中驗證了該模型的有效性。

關(guān)鍵詞：智能化學(xué)習(xí)環(huán)境;個性化推薦;學(xué)習(xí)資源;智能推薦

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A

一、研究背景

隨著網(wǎng)絡(luò)技術(shù)的進(jìn)步與教育信息化的推進(jìn)，學(xué)習(xí)資源得到了迅速發(fā)展，網(wǎng)絡(luò)中浩如煙海的學(xué)習(xí)資源使學(xué)習(xí)者眼花繚亂。為了使學(xué)習(xí)者能夠在紛雜的資源海洋中快速獲得自己所需要的資源，個性化資源推薦成為很多學(xué)者關(guān)注的問題，這為智能化學(xué)習(xí)環(huán)境中減少知識迷航提供了新思路。然而，調(diào)研現(xiàn)有的大型學(xué)習(xí)支持平臺，筆者卻發(fā)現(xiàn)對學(xué)習(xí)資源的個性化推薦尚處于“理論研究多，實踐應(yīng)用少”“宏觀闡述多，微觀實證少”的尷尬境地。

（一）“互聯(lián)網(wǎng)+”下的智慧教育呼喚智能化的學(xué)習(xí)支持

1.線上學(xué)習(xí)日益重要，然而其成效并不盡如人意

隨著教育信息化的普及，基于信息化環(huán)境的e-Learning已經(jīng)成為人才培養(yǎng)的重要形式，并全方位地改變著人們的教育思想和觀念，形成了眾多以線上學(xué)習(xí)為基礎(chǔ)的新型教學(xué)模式和教學(xué)策略。在肯定線上學(xué)習(xí)重要性的同時，卻發(fā)現(xiàn)線上學(xué)習(xí)的成效并不盡如人意。前幾年熱炒的MOOC學(xué)習(xí)已經(jīng)因其完課率低、最終學(xué)習(xí)成效差而廣受質(zhì)疑，分析導(dǎo)致這一現(xiàn)象的根源，不外乎“個性化支持不足”“缺乏個性化指導(dǎo)”“學(xué)習(xí)動機(jī)無法持續(xù)維持”等原因。為了應(yīng)對這些問題，出現(xiàn)了一些新的學(xué)習(xí)形式：比如，強(qiáng)調(diào)私人訂制課程的SPOC（小型私人訂制在線課程）、強(qiáng)調(diào)協(xié)作與社會性建構(gòu)的DOCC（分布式協(xié)作開放課程）等新形式。

2.智慧教育和人工智能均提出了加強(qiáng)個性化支持的要求

教育信息化發(fā)展中出現(xiàn)的問題，促使人們重新思考技術(shù)在教育中的作用和應(yīng)用模式，智慧教育的概念應(yīng)運而生。研究者已經(jīng)提出了諸多以智慧教育為核心的教育理念：智慧學(xué)習(xí)資源、智慧學(xué)習(xí)活動、智慧課堂、智慧教室、智慧校園等，目前智慧教育正在向泛在化、智能化、個性化方向發(fā)展。

教育人工智能的目標(biāo)有兩個：一是人工智能工具在教育中的應(yīng)用，以建構(gòu)個性化的自適應(yīng)學(xué)習(xí)環(huán)境、實現(xiàn)高效、靈活及個性化的學(xué)習(xí)支持為目的;二是借助大數(shù)據(jù)和人工智能的新技術(shù)，對社會科學(xué)中宏觀和模糊的知識進(jìn)行分解、量化，力圖以客觀數(shù)據(jù)、精確的計算和清晰的形式表示教育學(xué)、心理學(xué)和社會學(xué)中含糊不清的知識。教育人工智能是智慧教育時代重點發(fā)展的核心技術(shù)，其關(guān)鍵技術(shù)主要體現(xiàn)在知識表示方法、智能推薦、智能導(dǎo)師系統(tǒng)等方面。也就是說，教育人工智能是利用技術(shù)理解學(xué)習(xí)是如何發(fā)生的，利用技術(shù)探索外界哪些因素能影響學(xué)習(xí)的效果，并為學(xué)習(xí)活動提供自適應(yīng)的支持。根據(jù)教育人工智能的觀點，應(yīng)該借助技術(shù)手段促進(jìn)學(xué)生個性化學(xué)習(xí)的發(fā)生。

3.個性化指導(dǎo)及資源推薦在智慧教育中具有重要作用

數(shù)字時代學(xué)習(xí)資源的增多為學(xué)習(xí)者提供了自主選擇的機(jī)會，豐富了學(xué)習(xí)者的學(xué)習(xí)體驗，也加大了學(xué)習(xí)者選擇資源的難度，學(xué)習(xí)者很容易產(chǎn)生知識迷航的現(xiàn)象。隨著國家級精品課、學(xué)科資源庫以及各類教學(xué)平臺的涌現(xiàn)，因海量資源而導(dǎo)致的知識迷航現(xiàn)象會越來越嚴(yán)重，個性化推薦在指導(dǎo)學(xué)習(xí)者自主學(xué)習(xí)方面的作用將日益凸顯。

個性化推薦提供了一種解決學(xué)習(xí)者知識迷航問題的方法。個性化推薦策略可借助教育人工智能技術(shù)，結(jié)合學(xué)習(xí)者的學(xué)習(xí)行為記錄與行為特點，幫助學(xué)習(xí)者了解當(dāng)前知識點的前因與后果，明確學(xué)習(xí)路徑，并為學(xué)習(xí)者提供合適的學(xué)習(xí)資源。這一策略必須尊重學(xué)習(xí)者的學(xué)情，并基于教學(xué)目標(biāo)的要求而開展。因此，個性化推薦應(yīng)基于學(xué)習(xí)者的學(xué)習(xí)情況及特點，自動地幫助他們選擇適合的學(xué)習(xí)資源。個性化推薦和個性化學(xué)習(xí)指導(dǎo)是教育信息化發(fā)展到一定階段的必然要求，是智慧教育環(huán)境建設(shè)的核心內(nèi)容。

（二）學(xué)習(xí)資源個性化推薦模型的常見局限性

在20世紀(jì)90年代，個性化推薦作為一個獨立的概念被提出來，最初在商業(yè)領(lǐng)域應(yīng)用較多。近年來，隨著教育信息化的普及與Web2.0技術(shù)的發(fā)展，個性化推薦逐漸被應(yīng)用于學(xué)習(xí)資源的推薦?，F(xiàn)有的個性化學(xué)習(xí)資源推薦大致可以分為四種：基于學(xué)習(xí)者特點進(jìn)行推薦、基于學(xué)習(xí)者學(xué)習(xí)行為進(jìn)行推薦、基于學(xué)習(xí)情境進(jìn)行推薦、基于學(xué)習(xí)元信息模型進(jìn)行推薦。學(xué)習(xí)資源個性化推薦在其發(fā)展過程中不斷出現(xiàn)新的切入點，逐漸得到豐富。然而，筆者在研究中發(fā)現(xiàn)，雖然已有的學(xué)習(xí)資源個性化推薦模型或系統(tǒng)能在某種程度上滿足學(xué)生的學(xué)習(xí)需要，但是很多模型缺少對學(xué)習(xí)資源或?qū)W習(xí)內(nèi)容本體結(jié)構(gòu)的關(guān)注。由于對于知識本身的邏輯性關(guān)注度不夠，影響了其使用價值。分析學(xué)習(xí)資源個性化推薦中存在的不足，主要發(fā)現(xiàn)以下3方面的問題。

1.因資源推薦算法過度關(guān)注興趣點而導(dǎo)致學(xué)習(xí)目標(biāo)偏離

部分個性化推薦算法是參考了銷售系統(tǒng)中的商品推薦系統(tǒng)而形成的，這種算法完全基于學(xué)習(xí)者的學(xué)習(xí)興趣或?qū)W習(xí)偏好進(jìn)行推薦，與商業(yè)大數(shù)據(jù)研究中的商品推薦系統(tǒng)類似。它主要依據(jù)學(xué)習(xí)平臺中記錄的學(xué)習(xí)行為信息和知識點偏好而推薦相應(yīng)的資源。這種推薦算法的最大特點是一直向?qū)W習(xí)者推薦同類相關(guān)聯(lián)的知識，最大的優(yōu)勢是能夠促使學(xué)習(xí)者聚焦于某個特定領(lǐng)域“深挖猛學(xué)”。這一模式比較適應(yīng)于面向成人的非正式學(xué)習(xí)，促進(jìn)成人在某一領(lǐng)域得到充分發(fā)展，但不適合當(dāng)前的學(xué)校教育或基礎(chǔ)教育。因為它容易導(dǎo)致學(xué)習(xí)者的知識面變得狹窄，不利于面向課程內(nèi)容的學(xué)習(xí)，對學(xué)習(xí)者完整知識體系的形成也不太適合，不利于學(xué)習(xí)者對學(xué)科內(nèi)容的整體性建構(gòu)。在這種模式下，學(xué)習(xí)者常常不能很好地完成完整的學(xué)習(xí)目標(biāo)，甚至與學(xué)習(xí)目標(biāo)相偏離。

2.因資源推薦算法對知識的結(jié)構(gòu)邏輯性關(guān)注不夠而導(dǎo)致知識碎片

部分資源推薦算法以知識點為基本單位，較少考慮知識點之間的關(guān)聯(lián)性和學(xué)習(xí)內(nèi)容的內(nèi)部結(jié)構(gòu)，導(dǎo)致學(xué)習(xí)者對所學(xué)知識的整體性結(jié)構(gòu)考慮較少，他們所獲得的知識通常是由多個孤立的知識點羅列而組成的，缺乏對知識點之間關(guān)聯(lián)關(guān)系的闡述，或者說基于這種方式推薦的學(xué)習(xí)資源對幫助學(xué)習(xí)者建構(gòu)全局性的知識結(jié)構(gòu)作用不大，導(dǎo)致學(xué)習(xí)者的知識碎片化較嚴(yán)重，難以及時地形成有效的知識結(jié)構(gòu)。事實上，與知識點相關(guān)的各種學(xué)習(xí)資源之間存在著復(fù)雜的關(guān)聯(lián)性。當(dāng)系統(tǒng)向?qū)W習(xí)者推薦學(xué)習(xí)資源時，若沒有考慮學(xué)習(xí)資源之間的關(guān)聯(lián)性關(guān)系，如包含、屬于、上下位概念、因果關(guān)系等，將不利于聯(lián)想、同化和頓悟等高品質(zhì)學(xué)習(xí)行為的發(fā)生。這種情況是與建構(gòu)主義的學(xué)習(xí)觀和知識觀相背離的。教育技術(shù)的相關(guān)研究已經(jīng)證實：當(dāng)學(xué)習(xí)者學(xué)習(xí)某一資源時，個性化資源推薦系統(tǒng)不僅要推薦其上位概念，還應(yīng)包括其下位概念及相關(guān)概念、等價概念等，這對于學(xué)習(xí)者充分地理解和吸收資源的內(nèi)涵是十分必要和有益的。

3.因資源推薦算法忽視了再造性知識的應(yīng)用而沒能發(fā)揮其應(yīng)有價值

多數(shù)個性化推薦系統(tǒng)忽視了對學(xué)習(xí)過程中生成的再造性知識的應(yīng)用，沒能發(fā)揮出再造性知識的重要作用。盡管多數(shù)資源推薦算法能夠為學(xué)習(xí)者推薦符合其興趣與需求的學(xué)習(xí)資源，并能在一定程度上與學(xué)習(xí)者進(jìn)行交互，然而由于忽視了對學(xué)習(xí)過程中產(chǎn)生的再造性知識（如批注、提問、評價、筆記等）的應(yīng)用，沒能及時地對這一部分的知識進(jìn)行交流與反饋，導(dǎo)致這部分知識的散失，也會對學(xué)習(xí)者知識結(jié)構(gòu)的形成造成一定影響。

（三）學(xué)習(xí)資源個性化推薦的研究現(xiàn)狀

1.學(xué)習(xí)資源個性化推薦的主要思路

（1）基于學(xué)習(xí)者的特點進(jìn)行推薦

為了能夠?qū)崿F(xiàn)資源推薦的個性化，多數(shù)研究者主張根據(jù)學(xué)習(xí)者的特點有針對性地推薦資源，該資源應(yīng)以符合學(xué)習(xí)者的興趣偏好為原則。孫歆等人提出了基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個性化推薦系統(tǒng)。該系統(tǒng)通過收集用戶學(xué)習(xí)行為，建立行為模型，然后根據(jù)用戶的主觀評價數(shù)據(jù)收集用戶對資源的興趣度，預(yù)測用戶可能感興趣的資源，以達(dá)到個性化推薦的目標(biāo)，幫助用戶節(jié)省了在線獲取資源的成本和時間。這種推薦模型以用戶興趣為核心，適合興趣類零散型知識的學(xué)習(xí)，能夠使學(xué)習(xí)者快速獲得他們感興趣的學(xué)習(xí)資源，但并不適合邏輯結(jié)構(gòu)較強(qiáng)的知識的學(xué)習(xí)。

（2）基于學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行推薦

學(xué)習(xí)者的學(xué)習(xí)行為是指學(xué)習(xí)者在使用學(xué)習(xí)系統(tǒng)時，系統(tǒng)自動記錄的學(xué)習(xí)者的點擊頻率、視頻觀看時長、選看的資源類型等行為。丁旭在e-Learning平臺的基礎(chǔ)上，設(shè)計了一種以學(xué)習(xí)者為中心的學(xué)習(xí)行為分析模型，用來分析學(xué)習(xí)者的學(xué)習(xí)需要、學(xué)習(xí)興趣和學(xué)習(xí)行為習(xí)慣?；跀?shù)據(jù)分析，該模型能發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)行為習(xí)慣，并由此向?qū)W習(xí)者提供個性化的學(xué)習(xí)資源和學(xué)習(xí)路徑，以便學(xué)習(xí)者合理地使用學(xué)習(xí)資源，從而滿足學(xué)習(xí)者的學(xué)習(xí)需求。武法提等人以學(xué)習(xí)者為分析對象，建立了基于電子書包的學(xué)習(xí)者模型。該模型以學(xué)習(xí)者的個性化信息為分析維度，在個性化推薦系統(tǒng)技術(shù)的支持下，形成了基于學(xué)習(xí)者模型的個性化學(xué)習(xí)資源推薦框架。這兩種個性化推薦系統(tǒng)均充分地考慮了學(xué)習(xí)者的學(xué)情及學(xué)習(xí)行為，抓住了學(xué)習(xí)者的薄弱環(huán)節(jié)，有利于學(xué)習(xí)者對投入較少的內(nèi)容查缺補(bǔ)漏。但這些模型普遍缺少對學(xué)習(xí)目標(biāo)整體性的考慮，較少考慮學(xué)習(xí)內(nèi)容的本體性結(jié)構(gòu)及邏輯性，屬于聚焦于特定“點”的學(xué)習(xí)。它影響了完整知識體系的建構(gòu)，不利于符合思維發(fā)展的知識網(wǎng)絡(luò)的生成。

（3）基于學(xué)習(xí)情境進(jìn)行推薦

學(xué)習(xí)情境是指學(xué)習(xí)者學(xué)習(xí)的具體環(huán)境，比如泛在學(xué)習(xí)情景、移動學(xué)習(xí)、智慧學(xué)習(xí)空間等?；趯W(xué)習(xí)情景的個性化推薦能夠在最大程度上滿足學(xué)習(xí)者在當(dāng)前學(xué)習(xí)環(huán)境中的學(xué)習(xí)需求。楊麗娜等人分析了泛在學(xué)習(xí)情境的形式化表征、情境化的資源推薦模型以及推薦策略，為情境化的泛在學(xué)習(xí)資源推薦提供了新思路。陳淼等人設(shè)計了移動學(xué)習(xí)環(huán)境下的個性化資源推薦模型，提出了基于社會化標(biāo)簽思想的個性化資源推薦模型。雖然基于學(xué)習(xí)情境的學(xué)習(xí)資源推薦能夠根據(jù)不同的情境特點推送個性化的資源信息，促進(jìn)推送個性化，但是這種推薦忽略了資源知識內(nèi)部的邏輯性及學(xué)習(xí)者的學(xué)習(xí)目標(biāo)，對于學(xué)習(xí)者形成良好的知識體系具有很大的挑戰(zhàn)。

（4）基于學(xué)習(xí)元信息模型進(jìn)行推薦

學(xué)習(xí)資源不僅是學(xué)習(xí)內(nèi)容的信息呈現(xiàn)，還是促進(jìn)學(xué)生深度思考與交互的重要教具，但僅有學(xué)習(xí)資源的學(xué)習(xí)是不完整的。北京師范大學(xué)余勝泉教授認(rèn)為在教學(xué)設(shè)計中，教師應(yīng)該把所有的學(xué)習(xí)內(nèi)容及其擴(kuò)展信息（包含學(xué)習(xí)活動、學(xué)習(xí)情境，但又不局限于活動和情境）作為一個整體聚合在信息模型中，統(tǒng)一進(jìn)行設(shè)計與管理。為此，他提出了一種泛在學(xué)習(xí)環(huán)境下的新型學(xué)習(xí)資源信息模型——學(xué)習(xí)元。學(xué)習(xí)元是“具有可重用特性且支持學(xué)習(xí)過程信息采集和學(xué)習(xí)認(rèn)知網(wǎng)絡(luò)共享，可實現(xiàn)自我進(jìn)化發(fā)展的微型化、智能化的數(shù)字化學(xué)習(xí)資源”。這種學(xué)習(xí)模型可以從學(xué)習(xí)內(nèi)容、生成性信息、KNS（Knowledge Network Service）網(wǎng)絡(luò)、格式信息、語義描述、學(xué)習(xí)活動六個方面為學(xué)生提供個性化學(xué)習(xí)支持。學(xué)習(xí)元模型較全面地考慮了知識點的特征、屬性及其關(guān)聯(lián)性結(jié)構(gòu)，但其對學(xué)習(xí)者所產(chǎn)生的影響還有待進(jìn)一步研究。

2.具有代表性的學(xué)習(xí)資源個性化推薦模型及關(guān)鍵因子

經(jīng)文獻(xiàn)分析并結(jié)合對學(xué)習(xí)支持平臺的調(diào)研，筆者梳理了較有影響和代表性的個性化推薦系統(tǒng)或模型，并列出了其推薦內(nèi)容和參考因子，如表1所示。

（四）研究中的關(guān)鍵問題

1.探索智能推薦的影響因素及其權(quán)重

為達(dá)到智能化學(xué)習(xí)支持的目標(biāo)，本研究將從知識的本體性結(jié)構(gòu)及學(xué)生的學(xué)習(xí)狀態(tài)兩個視角出發(fā)，探索個性化推薦系統(tǒng)向?qū)W習(xí)者推薦資源時應(yīng)該參考的推薦因子及其權(quán)重，并借助知識地圖解決學(xué)習(xí)者在學(xué)習(xí)過程中經(jīng)常發(fā)生的知識迷航問題。

2.建立個性化智能推薦模型并在教學(xué)實踐中檢驗

尊重知識的本體性結(jié)構(gòu)，結(jié)合學(xué)習(xí)者的學(xué)習(xí)特點、學(xué)習(xí)目標(biāo)和學(xué)習(xí)情境，建立個性化智能推薦模型是本研究關(guān)注的核心任務(wù)。本研究探索有效的個性化智能推薦模型，并在教學(xué)實踐中檢驗推薦模型的有效性，從而幫助學(xué)習(xí)者建立起個性化的學(xué)習(xí)路徑，能夠更準(zhǔn)確、更迅速地達(dá)到學(xué)習(xí)目標(biāo)，充分發(fā)揮出其個人能力，讓他們學(xué)得更輕松。

二、研究設(shè)計

（一）關(guān)鍵概念及理論基礎(chǔ)

1.資源個性化推薦的含義

與根據(jù)學(xué)習(xí)者興趣進(jìn)行推薦不同，筆者提出的個性化推薦是指為了促進(jìn)學(xué)習(xí)目標(biāo)的完成，為學(xué)生推薦適應(yīng)其當(dāng)前學(xué)習(xí)水平的資源而設(shè)計的。因此，本研究的個性化推薦關(guān)注學(xué)習(xí)內(nèi)容的知識體系和知識結(jié)構(gòu)，應(yīng)以學(xué)生是否達(dá)到學(xué)習(xí)目標(biāo)為主要參考依據(jù)，通過使用知識地圖標(biāo)注學(xué)生所學(xué)知識點的位置，減少或避免學(xué)習(xí)者知識迷航現(xiàn)象的發(fā)生，幫助學(xué)習(xí)者更輕松地掌握學(xué)習(xí)目標(biāo)。

2.主導(dǎo)-主體相結(jié)合的學(xué)習(xí)理論

主導(dǎo)-主體相結(jié)合的教育理論認(rèn)為，學(xué)習(xí)者的學(xué)習(xí)過程需要教師和學(xué)生的共同參與，教師在整個教學(xué)過程中起主導(dǎo)作用，學(xué)生為主體地位，二者之間密不可分。在已有的資源個性化推薦系統(tǒng)中，幾乎沒有考慮教師在整個推薦過程中的作用。事實上，教師作為最了解學(xué)科知識及學(xué)生學(xué)習(xí)情況的人，在個性化推薦中的主導(dǎo)作用絕不可以忽視。本研究將以主導(dǎo)一主體學(xué)習(xí)理論為基礎(chǔ)，在個性化推薦中充分考慮教師主導(dǎo)作用的重要性。

3.聯(lián)通主義學(xué)習(xí)觀

聯(lián)通主義創(chuàng)始人喬治·西蒙斯認(rèn)為學(xué)習(xí)即連接的建立和網(wǎng)絡(luò)的形成，也就是把信息作為一個新的節(jié)點納入到知識網(wǎng)絡(luò)中，從而進(jìn)行編碼的過程。聯(lián)通主義的學(xué)習(xí)觀更像是從一種傳統(tǒng)知識獲取的角度出發(fā)認(rèn)識學(xué)習(xí)，并將其確定為一種過程，認(rèn)為學(xué)習(xí)的生態(tài)與環(huán)境會直接影響到學(xué)習(xí)者學(xué)習(xí)成效。學(xué)習(xí)者只有按照聯(lián)通主義的方法，能夠充分地利用情境并及時地將學(xué)習(xí)到的知識點納入到已有的知識網(wǎng)絡(luò)中，才能實現(xiàn)高效地學(xué)習(xí)。根據(jù)聯(lián)通主義學(xué)習(xí)觀，學(xué)習(xí)即學(xué)習(xí)者的內(nèi)在知識元建立連接和知識網(wǎng)絡(luò)形成的過程。在知識和社會媒體的更新日益加劇的背景下，聯(lián)通主義的學(xué)習(xí)觀顯得日益重要。在智能化學(xué)習(xí)環(huán)境中，學(xué)習(xí)者獲取知識并學(xué)會的過程，實質(zhì)上就是新知識結(jié)點融入到學(xué)習(xí)者頭腦中已有知識網(wǎng)絡(luò)中的過程。在學(xué)習(xí)支持系統(tǒng)中，恰當(dāng)?shù)厥褂弥R地圖會使這種建立網(wǎng)絡(luò)連接的過程更加快速準(zhǔn)確，使學(xué)習(xí)變得更加容易。

（二）研究目標(biāo)及定位

在智能化學(xué)習(xí)環(huán)境中，資源個性化推薦的作用不容小覷。現(xiàn)有的資源個性化推薦系統(tǒng)主要服務(wù)于學(xué)生的自主學(xué)習(xí)，并且大多是通過收集學(xué)習(xí)者的行為數(shù)據(jù)，從而推薦學(xué)習(xí)資源的。其關(guān)注的信息主要包括：觀看視頻的時長、點擊頻率、所選擇的資源類型、自測題的完成程度、錯誤率等，最終形成用戶畫像，以便基于畫像推薦資源。這種推薦方法充分地考慮到了學(xué)習(xí)者的學(xué)習(xí)特點及其主觀感受，同時滿足了學(xué)習(xí)者在當(dāng)時情境下的學(xué)習(xí)需求。但對學(xué)生建立完整的知識體系和知識結(jié)構(gòu)幫助不大。本研究從知識結(jié)構(gòu)、學(xué)習(xí)者的基礎(chǔ)能力和學(xué)習(xí)目標(biāo)出發(fā)，力圖構(gòu)建智能化學(xué)習(xí)環(huán)境下的資源個性化推薦系統(tǒng)，并通過知識地圖，建立個性化的學(xué)習(xí)路徑，解決學(xué)習(xí)者知識迷航的問題，幫助學(xué)習(xí)者學(xué)得更輕松、更容易。

1.學(xué)習(xí)內(nèi)容推薦，搭建學(xué)習(xí)腳手架

學(xué)習(xí)是學(xué)習(xí)者以其內(nèi)在知識體系不斷同化、順應(yīng)新知識并實現(xiàn)知識建構(gòu)的過程。隨著學(xué)習(xí)的深入，學(xué)習(xí)者會對新知識、新內(nèi)容產(chǎn)生渴望。個性化學(xué)習(xí)資源推薦可以向?qū)W習(xí)者推薦前驅(qū)知識，搭建學(xué)習(xí)腳手架，使學(xué)習(xí)者學(xué)的更輕松，學(xué)的更深入。為了促進(jìn)學(xué)習(xí)者的個性發(fā)展，個性化推薦系統(tǒng)不僅要滿足學(xué)習(xí)者當(dāng)前的學(xué)習(xí)欲望，還應(yīng)該幫助學(xué)習(xí)者挖掘更多的學(xué)習(xí)興趣點。本文所研究的資源個性化推薦系統(tǒng)應(yīng)能根據(jù)學(xué)習(xí)者所學(xué)知識，結(jié)合知識地圖，挖掘?qū)W習(xí)者可以接受的學(xué)習(xí)內(nèi)容，引導(dǎo)他們形成個性化學(xué)習(xí)路徑，進(jìn)而發(fā)展其延伸能力。

2.教師及專家推薦，明確學(xué)習(xí)目標(biāo)

在知識爆炸的時代，學(xué)習(xí)者不僅要學(xué)習(xí)當(dāng)下要掌握的知識，還要學(xué)會如何學(xué)習(xí)，將新學(xué)習(xí)的知識與已有的知識建立連接，形成知識網(wǎng)絡(luò)，而在建立連接的過程中要注意到教師在其中發(fā)揮的作用。教師作為對學(xué)科知識理解最深入的人，應(yīng)當(dāng)對學(xué)生的學(xué)習(xí)過程起到指導(dǎo)作用。如果僅依靠個性化推薦系統(tǒng)為學(xué)習(xí)者推薦學(xué)習(xí)內(nèi)容，可能會導(dǎo)致學(xué)生偏離學(xué)習(xí)目標(biāo)，或者不能完全掌握學(xué)科知識點，所以應(yīng)當(dāng)允許教師的人為干預(yù)。教師可向?qū)W習(xí)者推薦被漏掉的知識點，或者為學(xué)習(xí)者感到較為吃力的知識點補(bǔ)充資源，甚至為其前期預(yù)習(xí)準(zhǔn)備好資源。

3.使用知識地圖，確定學(xué)習(xí)路徑

知識地圖以圖示化的方式展現(xiàn)網(wǎng)絡(luò)化的知識關(guān)系，能夠以顯式的、網(wǎng)絡(luò)化的方式呈現(xiàn)出知識點之間的內(nèi)在邏輯，具有知識管理、學(xué)習(xí)導(dǎo)航和學(xué)習(xí)評估等功能。在學(xué)習(xí)過程中，學(xué)習(xí)者依據(jù)知識地圖展開學(xué)習(xí)，能夠迅速找到知識點所在位置，搜索到所需要的學(xué)習(xí)資源，避免知識迷航，解決信息過量的問題。不僅如此，學(xué)習(xí)者還可以利用知識地圖建立起從一個知識點到下一個知識點之間的連接，促進(jìn)其對知識結(jié)構(gòu)的理解，促進(jìn)概念的形成及解決問題能力的發(fā)展。與傳統(tǒng)文本形式的資源結(jié)構(gòu)相比，知識地圖能夠幫助學(xué)習(xí)者獲得關(guān)于信息處理、問題解決以及學(xué)習(xí)策略方面的更多內(nèi)容。

4.綜合考慮多種因素實現(xiàn)智能推薦，提升學(xué)習(xí)動機(jī)

智能推薦是系統(tǒng)根據(jù)學(xué)習(xí)者的特點、學(xué)習(xí)目標(biāo)、易錯題、學(xué)習(xí)進(jìn)度等因素，向?qū)W習(xí)者智能化地推薦應(yīng)該學(xué)習(xí)的內(nèi)容。智能推薦的學(xué)習(xí)內(nèi)容是學(xué)習(xí)者學(xué)習(xí)的主要內(nèi)容。在海量的信息資源中，智能推薦應(yīng)根據(jù)學(xué)習(xí)者的學(xué)習(xí)水平，考慮到學(xué)習(xí)者實際的個性化需求，精選學(xué)習(xí)內(nèi)容。通過智能推薦，學(xué)習(xí)者可以減少信息搜索的時間，滿足其個性化的學(xué)習(xí)需求，增強(qiáng)學(xué)習(xí)動機(jī)，促進(jìn)個人發(fā)展。

（三）調(diào)查維度

在已有研究的基礎(chǔ)上，本研究試圖改進(jìn)已有的個性化推薦系統(tǒng)。經(jīng)過文獻(xiàn)梳理，總結(jié)出的資源個性化推薦的參考因素及內(nèi)容如表2所示，其具體參考因素及權(quán)重則通過對教師和學(xué)生的訪談及對學(xué)生的調(diào)查問卷確定。本輪調(diào)查主要解決以下2個方面的問題：（1）通過對教師和學(xué)生的訪談，確定個性化推薦系統(tǒng)中智能推薦的內(nèi)容與參考因子;（2）通過對學(xué)生進(jìn)行問卷調(diào)查，確定智能推薦中各因子的權(quán)重。

（四）研究流程設(shè)計

一是基于文獻(xiàn)分析，梳理智能推薦的相關(guān)理論，確立研究內(nèi)容，并形成關(guān)于智能推薦的理念及其目標(biāo)定位;二是根據(jù)文獻(xiàn)分析和平臺調(diào)研，梳理流行的個性化推薦系統(tǒng)中智能推薦的參考因子;三是根據(jù)梳理出的參考因子及已確立的推薦理念，對教師和學(xué)生進(jìn)行深入訪談，確定智能推薦的參考因子;四是根據(jù)參考因子項的設(shè)置，設(shè)計面向?qū)W生的調(diào)查問卷，對最終用戶展開調(diào)查，收集并分析數(shù)據(jù);五是根據(jù)數(shù)據(jù)分析的結(jié)論，確定智能推薦中各參考因子的權(quán)重;六是根據(jù)分析結(jié)論及智能推薦參考因子，形成智能化學(xué)習(xí)環(huán)境下的資源推薦參考模型，并開展教學(xué)實踐活動，檢驗參考模型的有效性。最終研究流程圖如圖1所示。

三、研究實施過程及結(jié)論

（一）調(diào)研對象

本研究基于文獻(xiàn)分析、師生訪談、學(xué)生調(diào)查及實證數(shù)據(jù)分析與歸納等方法開展。筆者選擇的訪談對象和調(diào)查對象覆蓋了高校教育技術(shù)研究者、不同層次的信息技術(shù)教師和學(xué)生群體，覆蓋面較廣，具有很好的代表性。本研究選取了教育技術(shù)學(xué)專業(yè)的兩位副教授開展訪談，兩位專家均具有多年的一線教學(xué)經(jīng)驗，而且具有深厚的教育技術(shù)學(xué)背景，能夠保證訪談的科學(xué)性和代表性;選擇了2名高中信息技術(shù)教師作為調(diào)研對象，其中一名教師已經(jīng)具有兩年教學(xué)經(jīng)驗，另一名則為新手教師。這兩名教師都是教育技術(shù)學(xué)專業(yè)的碩士畢業(yè)生。學(xué)生訪談和問卷調(diào)查的對象則是2017級學(xué)習(xí)《多媒體技術(shù)》課程的學(xué)生，這些學(xué)生都有使用學(xué)習(xí)支持系統(tǒng)自主學(xué)習(xí)的經(jīng)驗，并接觸過若干個性化推薦系統(tǒng)。與此同時，這些調(diào)查對象均具有較強(qiáng)的學(xué)習(xí)能力，對信息技術(shù)促進(jìn)教學(xué)的手段、策略有較為深刻的理解。上述調(diào)研對象具有較好的代表性和專業(yè)性，因此能夠保證調(diào)查數(shù)據(jù)的信度和質(zhì)量。

（二）影響資源個性化推薦的關(guān)鍵因素

1.以多層次訪談確立資源推薦的需求

（1）面向?qū)＜业脑L談

訪談的對象是兩位教育技術(shù)學(xué)專業(yè)的副教授和兩名一線教師，訪談后的聚焦內(nèi)容如表3所示。面向?qū)＜业脑L談提綱主要包括：對于當(dāng)前基于學(xué)習(xí)興趣進(jìn)行個性化學(xué)習(xí)資源推薦，教師有哪些看法？當(dāng)前個性化推薦應(yīng)該基于哪幾個維度進(jìn)行？對于當(dāng)前的學(xué)習(xí)資源推薦算法，教師有哪些意見或改進(jìn)建議？

（2）面向?qū)W生的訪談

學(xué)生訪談的對象有3人，訪談后的聚焦內(nèi)容如表4所示。面向?qū)W生的訪談主要包括：在正式學(xué)習(xí)過程中，您希望學(xué)習(xí)資源個性化推薦系統(tǒng)向您推薦什么樣的學(xué)習(xí)內(nèi)容？您認(rèn)為在資源推薦的過程中主要應(yīng)參考什么因素？（比如學(xué)習(xí)興趣、學(xué)習(xí)時長、知識目標(biāo)、學(xué)習(xí)風(fēng)格、教師推薦、易錯題和錯誤率等）。

2.資源推薦的關(guān)鍵影響因子

如表5所示，綜合考慮教師和學(xué)生的訪談記錄，總結(jié)出以下幾點要素：（1）基于興趣的推薦并不適合正式的學(xué)校教育，在學(xué)校教育中應(yīng)該更關(guān)注課程的培養(yǎng)目標(biāo);（2）關(guān)于學(xué)習(xí)時長，即學(xué)習(xí)者的投入時長。專家A認(rèn)為應(yīng)將學(xué)習(xí)時長視為一個參考因素，專家C則認(rèn)為不用關(guān)注。經(jīng)過查閱文獻(xiàn)和訪談其他教師，本研究決定將學(xué)習(xí)時長視為一個參考因素;（3）推薦內(nèi)容應(yīng)重點關(guān)注學(xué)生不易掌握的內(nèi)容、需要復(fù)習(xí)的內(nèi)容等;（4）練習(xí)題錯誤率及學(xué)生的易錯題應(yīng)作為推薦的參考因子;（5）在資源推薦時應(yīng)全面考慮資源所對應(yīng)知識點的屬性信息，統(tǒng)籌考慮該知識點的前驅(qū)知識點、后繼知識點、相關(guān)知識點，應(yīng)該評估與當(dāng)前資源相關(guān)的知識點對當(dāng)前資源的影響力。

（三）推薦因子的權(quán)重

1.設(shè)計面向?qū)W生的調(diào)查問卷并采集數(shù)據(jù)

在個性化推薦的關(guān)鍵因子已經(jīng)確立的情況下，本研究決定利用調(diào)查問卷驗證前述訪談內(nèi)容的可靠性并進(jìn)而確定智能推薦中各因子的權(quán)重。調(diào)查問卷關(guān)注了推薦內(nèi)容和推薦因子兩個維度，具有較好的覆蓋性。調(diào)查問題則從學(xué)生對單項推薦因子的認(rèn)可度和單項因子的重要性兩個視角設(shè)計，借助被調(diào)查對象對單項因子重要性排序的均值確立其權(quán)重。

為保證自設(shè)調(diào)查問卷的科學(xué)性和嚴(yán)謹(jǐn)性，在正式發(fā)放調(diào)查問卷前，筆者請行業(yè)專家對問卷進(jìn)行了評審。在評審過程中，行業(yè)專家認(rèn)為知識目標(biāo)和知識結(jié)構(gòu)信息應(yīng)該由教師掌控，否定了學(xué)生問卷中關(guān)于“知識目標(biāo)”和“知識信息”類的問題。因此針對學(xué)生的調(diào)查問卷僅面向“教師推薦”“學(xué)習(xí)時長”“易錯題”和“錯誤率”四個維度。通過專家評審，保證了調(diào)查問卷的專家結(jié)構(gòu)效度;同時，筆者以克隆巴赫系數(shù)和主成分分析技術(shù)驗證了調(diào)查問卷的信度和有效性。本輪調(diào)查問卷共發(fā)放問卷102份，回收問卷101份，其中有效問卷96份，無效問卷5份，問卷的總有效率為95%。在剔除5份無效問卷后，以96份有效樣本展開數(shù)據(jù)分析。

2.確定各推薦因子的權(quán)重

（1）對調(diào)查數(shù)據(jù)的總體統(tǒng)計

在數(shù)據(jù)規(guī)范化處理階段，為了顯著區(qū)分推薦因子的權(quán)重，對于單項因子的認(rèn)可度，將“非常同意”賦值為5、“同意”為3、“一般”為1、“不同意”為0、“非常不同意”項則設(shè)為-1。從調(diào)查數(shù)據(jù)看，學(xué)生們普遍對預(yù)設(shè)的5個推薦因子非常認(rèn)可，在單項認(rèn)可度方面，勾選“非常同意”和“同意”的總?cè)藬?shù)比例全部在70%以上。另外，在單項因子重要性排序類的問題中，學(xué)生們普遍較看重易錯題和出錯率，把這兩個指標(biāo)放在了“非常重要”的位置。對于調(diào)查所獲得的數(shù)據(jù)，以SPSS進(jìn)行頻數(shù)統(tǒng)計和簡單分析，獲得如表6所示的統(tǒng)計結(jié)論。從表6可以看出，推薦因子的單項認(rèn)可度與其重要性順序是一致的。

（2）推薦因子的權(quán)重計算

根據(jù)專家建議，將基本知識目標(biāo)的權(quán)重預(yù)置為0.20，那么其他因素的權(quán)重之和為0.8。以表6中的“總體均值”為依據(jù)，計算出每個推薦因子在總權(quán)重0.8中所占的比重。計算過程及結(jié)果如表7所示。其中，教師推薦的權(quán)重為0.18，易錯點為0.21，錯誤率為0.24，學(xué)習(xí)時長則為0.17。

3.設(shè)置每個知識點的順序系數(shù)和關(guān)聯(lián)知識點

為體現(xiàn)出學(xué)習(xí)內(nèi)容中各知識點之間的順次關(guān)系，體現(xiàn)出知識點之間的邏輯關(guān)系，本研究專門設(shè)計了一個計算公式，用于計算每個知識點的順序系數(shù)。首先，教師根據(jù)課程內(nèi)容及學(xué)習(xí)目標(biāo)要求對知識點排序，并記下每個知識點在順序序列中的序號i。其次，按照公式計算出知識點x的順序系數(shù)Ax。在此公式中n為本章節(jié)知識點總個數(shù)，i為知識點x在知識點順序序列中的序號。最后，明確每個知識點的直接前驅(qū)和直接后繼，并把其前驅(qū)知識點序號、后繼知識點序號作為當(dāng)前知識點的基本屬性保存到知識點變量中。

（四）構(gòu)建資源個性化推薦模型并開展教學(xué)實踐

1.形成資源個性化推薦模型

（1）推薦模型的基本結(jié)構(gòu)

基于上述分析，初步形成了學(xué)習(xí)資源的個性化推薦模型。因該模型主要基于北京師范大學(xué)計算機(jī)基礎(chǔ)課學(xué)習(xí)支持平臺形成且服務(wù)于北師大全體本科生的計算機(jī)基礎(chǔ)課學(xué)習(xí)，因此該模型被命名為CenModel，其邏輯結(jié)構(gòu)如圖2所示。

在圖2所示的推薦模型中，當(dāng)前知識點的得分X反映了本知識點在知識體系中的重要性（知識目標(biāo)）、當(dāng)前學(xué)習(xí)者在此知識點上的投入情況，以及此知識點的難度水平、易錯程度。而順序系數(shù)A則反應(yīng)了此知識點在學(xué)習(xí)過程中的位次，以便了解本知識點有哪些前驅(qū)知識點，以免當(dāng)前資源超越了學(xué)習(xí)者的最近發(fā)展區(qū)，導(dǎo)致推薦資源超進(jìn)度的現(xiàn)象發(fā)生。另外，集成于知識結(jié)點變量內(nèi)部的直接前驅(qū)知識點和直接后繼知識點信息，清晰地表達(dá)了知識點之間的內(nèi)在關(guān)聯(lián)性，有利于引導(dǎo)學(xué)習(xí)者實現(xiàn)知識之間的遷移、聯(lián)想和頓悟，會在資源推薦過程中優(yōu)先考慮。

（2）推薦模型的工作過程

對于登錄到學(xué)習(xí)平臺中的每一個學(xué)習(xí)者，在選定了學(xué)習(xí)模塊之后，系統(tǒng)將依次完成以下操作。首先，提取當(dāng)前學(xué)習(xí)者在選定模塊內(nèi)各個知識點上的學(xué)習(xí)狀態(tài)，并依據(jù)表7所示的計算公式求出他在每個知識點的得分X;然后，以X*A的值作為推薦權(quán)重存儲到當(dāng)前學(xué)習(xí)者的“單個知識點推薦列表”中;最后，使用Top（n）選出若干個得分最高的知識點，以形成最終的智能推薦資源列表，構(gòu)成面向當(dāng)前學(xué)習(xí)者的導(dǎo)航列表。

2.基于CenModel個性化推薦模型的教學(xué)實踐

基于表7所示的推薦因子與權(quán)重、圖3所示的個性化推薦模型，筆者在cen.bnu教學(xué)平臺上構(gòu)建了此原型并進(jìn)行了技術(shù)實現(xiàn)。其呈現(xiàn)效果如圖3所示。

在圖3所示的界面中，在左側(cè)的“應(yīng)學(xué)資源”列表中給出了近期應(yīng)學(xué)的知識點及其對應(yīng)的學(xué)習(xí)資源，是系統(tǒng)根據(jù)個性化推薦算法計算的結(jié)果;而“過期應(yīng)學(xué)資源列表”中則列出了學(xué)習(xí)者應(yīng)該學(xué)習(xí)但尚未投入學(xué)習(xí)時間的過期資源。在以資源推薦算法支持學(xué)習(xí)的過程中，若某個資源在被列入“應(yīng)學(xué)資源”之后的1周時間里都沒被當(dāng)前學(xué)習(xí)者關(guān)注過，此資源將會被移到“過期應(yīng)學(xué)資源”列表之中。另外，若當(dāng)前“應(yīng)學(xué)資源”列表中的某個知識點有直接前驅(qū)知識點尚未被掌握，則該前驅(qū)知識點的相關(guān)資源將直接被賦予權(quán)重1，納入到級別最高的“應(yīng)學(xué)資源”列表之中。在教學(xué)實踐中，筆者還把智能推薦與知識地圖有機(jī)地結(jié)合起來，把被推薦的資源在知識地圖中顯著地標(biāo)注出來，使學(xué)習(xí)者可以依據(jù)知識地圖的引導(dǎo)展開學(xué)習(xí)。另外，知識地圖可以全面地展現(xiàn)學(xué)習(xí)者的學(xué)習(xí)路徑，對于學(xué)習(xí)者完成學(xué)習(xí)目標(biāo)具有指導(dǎo)作用。借助知識地圖，可以向?qū)W生全面地展示知識點的分布情況、知識點之間的邏輯關(guān)系、知識點上資源的掛接情況，減少學(xué)習(xí)者按照知識點搜索的時間。

3.對CenModel個性化推薦模型有效性的檢驗

在完成了CenModel個性化推薦模型的開發(fā)之后，筆者在自己的《多媒體技術(shù)》課程教學(xué)班進(jìn)行了小范圍測試，有110余名學(xué)生體驗了“應(yīng)學(xué)資源”列表的推薦功能。從學(xué)生們使用這一功能的效果看，絕大多數(shù)學(xué)生肯定了這一模型的作用，并高度贊揚了基于學(xué)習(xí)進(jìn)程推薦資源的設(shè)計思想。基于cen.bnu上的教學(xué)實踐活動，筆者又邀請了3名同行專家對CenModel模型本身、資源推薦的影響因素和權(quán)重設(shè)計的合理性進(jìn)行了評價，同時邀請了10名北京師范大學(xué)在讀碩士和本科生討論了cen.bnu上教學(xué)實踐活動的有效性。從訪談結(jié)果和討論情況看，教師及學(xué)生們對cen.bnu平臺所采用的資源推薦策略、影響因素選擇及權(quán)重設(shè)置均非常贊同，并提出了一些修正意見和建議。

四、總結(jié)與思考

本文從智能化學(xué)習(xí)支持的視角出發(fā)，以知識地圖為基礎(chǔ)，探究了以完成學(xué)習(xí)目標(biāo)、形成良好的知識結(jié)構(gòu)為目的的個性化推薦模型，并總結(jié)出以知識結(jié)構(gòu)為基礎(chǔ)的5個智能推薦的參考因子及其權(quán)重，這將為現(xiàn)有的個性化推薦系統(tǒng)提供有效的解決方案。

（一）CenModel個性化推薦模型的應(yīng)用價值

在海量的信息資源中，依據(jù)知識體系和學(xué)習(xí)行為數(shù)據(jù)向?qū)W習(xí)者智能推薦學(xué)習(xí)資源是必要的，它能節(jié)約學(xué)習(xí)者信息搜索時間，滿足學(xué)習(xí)者個性化學(xué)習(xí)的需求。本研究從已有的個性化推薦系統(tǒng)中梳理出了智能化學(xué)習(xí)支持中需要的參考因子，并根據(jù)教師及學(xué)生訪談確定了以知識結(jié)構(gòu)為基礎(chǔ)的5個參考因子：知識目標(biāo)、教師推薦、知識點易錯點、個人錯誤率、個人學(xué)習(xí)時長，進(jìn)而并基于問卷和學(xué)習(xí)行為數(shù)據(jù)確定了各參考因子的權(quán)重。在此基礎(chǔ)上，筆者綜合考慮了知識體系、知識結(jié)構(gòu)與學(xué)習(xí)行為之間的關(guān)系，把知識點的順序系數(shù)A與各參考因子的權(quán)重值有機(jī)地結(jié)合起來，既保證了推薦模型對完整知識體系的依賴性，又充分考慮到了學(xué)習(xí)行為、知識點自身特征對推薦模型的重要影響。

筆者提出的CenModel模型適合學(xué)校教育中的正式學(xué)習(xí)：（l）CenModel模型的最大優(yōu)勢在于能幫助學(xué)習(xí)者建立良好的知識體系，形成知識網(wǎng)絡(luò);（2）為了促進(jìn)學(xué)習(xí)者的個性發(fā)展，智能化推薦的內(nèi)容不僅要滿足學(xué)習(xí)者當(dāng)前的學(xué)習(xí)狀態(tài)，還要預(yù)測學(xué)習(xí)者的學(xué)習(xí)進(jìn)程，幫助學(xué)習(xí)者個性化發(fā)展及能力的延伸。因此，CenModel模型分別從應(yīng)復(fù)習(xí)的內(nèi)容、未掌握的內(nèi)容、未學(xué)習(xí)的內(nèi)容、教師推薦4個層次分別考慮了學(xué)習(xí)者對學(xué)習(xí)資源的需求;（3）CenModel模型采用知識地圖為學(xué)習(xí)者規(guī)劃學(xué)習(xí)路徑，不僅可以充分考慮到知識之間的關(guān)系及知識與資源之間的聯(lián)系，還能向?qū)W習(xí)者推薦與某一知識點相關(guān)聯(lián)的資源，使學(xué)習(xí)者在學(xué)習(xí)知識時更有針對性，從而促進(jìn)學(xué)習(xí)者更好地完成學(xué)習(xí)目標(biāo)，形成完整的學(xué)科能力。

（二）CenModel個性化推薦模型的局限性及展望

不可否認(rèn)，資源個性化推薦在解決學(xué)習(xí)者學(xué)習(xí)迷航的問題上有重要作用，然而，任何一種個性化推薦模型或推薦策略都有其局限性，它能否真正地符合學(xué)習(xí)者的需求、能否真正地促進(jìn)學(xué)習(xí)者能力的個性化發(fā)展都有待于進(jìn)一步檢驗。CenModel智能推薦模型提出的參考因子及其權(quán)重設(shè)置，是根據(jù)文獻(xiàn)分析、教師訪談、專家評審以及學(xué)生問卷的調(diào)查數(shù)據(jù)而得到的，雖具備了一定的實用價值，但其應(yīng)用效果仍有待進(jìn)一步地檢驗。在后續(xù)研究中，筆者將借助北京師范大學(xué)計算機(jī)公共課學(xué)習(xí)支持平臺，大規(guī)模應(yīng)用該模型并實時采集教學(xué)實踐數(shù)據(jù)，驗證推薦效果，以求能進(jìn)一步改進(jìn)智能推薦的推薦因子及其權(quán)重，擴(kuò)大模型的普適性和影響力。

作者簡介：

馬秀麟：副教授，博士，碩士生導(dǎo)師，研究方向為信息技術(shù)促進(jìn)教育、教育信息化、線上學(xué)習(xí)行為分析（maxl@bnu.edu.cn）。

梁靜：碩士，研究方向為信息技術(shù)教學(xué)、網(wǎng)絡(luò)課程開發(fā)（201721010187@mail.bnu.edu.cn）。

李小文：高級工程師，博士，研究方向為移動學(xué)習(xí)支撐平臺共性技術(shù)、遠(yuǎn)程教學(xué)交互解決方案（13901018618@139.com）。

蘇幼園：碩士，研究方向為信息技術(shù)教學(xué)、教育軟件應(yīng)用（583745194@qq.com）。