徐焱

（武漢市廣播電視大學 信息中心，湖北 武漢430033）

一、引言

隨著信息技術和互聯(lián)網(wǎng)技術的快速發(fā)展，人們越來越多的行為發(fā)生在網(wǎng)絡中，網(wǎng)絡中的數(shù)據(jù)呈現(xiàn)爆炸式增長，人們已經(jīng)被網(wǎng)絡信息淹沒，但卻時常感嘆缺少有用信息，于是，數(shù)據(jù)挖掘技術應運而生。通過數(shù)據(jù)挖掘技術，我們可以收集、處理規(guī)模龐大而復雜的數(shù)據(jù)，從而獲得知識和洞見。在教育領域，一直未能真正解決“因材施教”的問題，學生的學習能力、學習習慣、行為偏好、知識水平、興趣愛好等方面都存在個性差異，教師一般按照自己的認知授課，很少關注學生真正的個性需求，不能實時跟蹤學生的知識掌握情況，也就無法及時對學生的學習策略作出調(diào)整。隨著在線學習的蓬勃發(fā)展，越來越多的學校、教師、學生認可并積極參與在線學習，通過在線學習系統(tǒng)，學習者可以獲得優(yōu)質(zhì)的學習資源，但是，目前大多數(shù)主流的在線學習系統(tǒng)仍然是照搬傳統(tǒng)的教學模式，以課程為中心而非以學生為中心，沒有真正收集、挖掘、利用學生的學習過程數(shù)據(jù)，因此造成了在線學習完成率低下。隨著“大數(shù)據(jù)時代”的到來，數(shù)據(jù)挖掘技術的快速發(fā)展，為在線學習平臺實現(xiàn)個性化自適應學習提供了可能。

本研究設計的個性化自適應學習系統(tǒng)可以全面實時記錄學習者的學習過程，通過教育數(shù)據(jù)挖掘?qū)W生的學習數(shù)據(jù)進行加工、處理、利用，及時給予學生反饋信息，預測學生的學習趨勢，動態(tài)呈現(xiàn)個性化自適應學習內(nèi)容，規(guī)劃學習路徑，推薦個性化學習資源，最終實現(xiàn)學生的個性化自適應學習。

二、教育數(shù)據(jù)挖掘概述

大數(shù)據(jù)是指無法在一定時間內(nèi)用傳統(tǒng)數(shù)據(jù)庫軟件工具進行獲取、管理和處理的數(shù)據(jù)集合。[1]大數(shù)據(jù)需要使用數(shù)據(jù)挖掘技術才能從中挖掘出價值，獲取知識和洞見。與傳統(tǒng)數(shù)據(jù)相比，大數(shù)據(jù)具有4V特征：數(shù)據(jù)量大（Volume）、種類多樣（Variety）、時效性強（Velocity）、價值巨大（Value）。

教育數(shù)據(jù)挖掘是指應用統(tǒng)計理論、數(shù)據(jù)挖掘和機器學習方法對教育大數(shù)據(jù)進行獲取、處理以及利用，發(fā)現(xiàn)存在于教育大數(shù)據(jù)背后的潛在模式，挖掘教育大數(shù)據(jù)背后的潛藏價值。[2]通過構建數(shù)據(jù)模型，發(fā)現(xiàn)學習者學習結(jié)果與學習時長、學習內(nèi)容、答題正確率等一系列特征的相關關系，來預測學習者將來的學習趨勢，從而對學習者進行指導和干預；挖掘隱藏在教學評價、學生成績等數(shù)據(jù)中有用的知識和規(guī)律，為教師優(yōu)化教學提供支持和決策。

1.教育數(shù)據(jù)挖掘的研究目標

教育數(shù)據(jù)挖掘主要有四個研究目標：

①通過整合學習者的知識水平、學習風格、學習背景、學習需求等詳細信息構建學習者模型。

②通過探索教學內(nèi)容、教學順序與學習者學習結(jié)果的相關關系，構建最佳教學內(nèi)容、教學順序的領域知識模型。

③通過研究學習者遠程協(xié)同學習交流等信息，構建學習者社交網(wǎng)絡模型。

④通過融合學習者模型、領域知識模型和學習者社交網(wǎng)絡模型，構建數(shù)據(jù)計算模型，實現(xiàn)學習者個性化自適應學習，促進有效學習的發(fā)生。

2.教育數(shù)據(jù)挖掘的關鍵技術

為了實現(xiàn)以上四個研究目標，需要采用以下五種教育數(shù)據(jù)挖掘技術：

①聚類。根據(jù)數(shù)據(jù)本身特征將它們合成若干簇，在聚類過程中要求簇內(nèi)數(shù)據(jù)相似度盡可能大而簇間數(shù)據(jù)相似度盡可能小。聚類主要用于對學生進行分組，以便開展個性化教學。

②預測。通過整合多個變量來預測某一變量的值或值區(qū)間。例如：根據(jù)學生的網(wǎng)上學習時間、單元測試情況、發(fā)帖數(shù)等預測學生課程成績或該課程學習是否會失敗。

③關聯(lián)規(guī)則。通過置信度和支持度探索變量之間的關聯(lián)關系。例如：研究者通過關聯(lián)規(guī)則挖掘?qū)W習者學習行為與學習成績的相關關系，結(jié)果反饋作用于指導和干預學習者的學習行為。

④可視化?？梢暬怯靡环N人們易于理解的方式描述數(shù)據(jù)，以便人們可以快速區(qū)分和辨別數(shù)據(jù)特征。例如：姜強等研究者采用統(tǒng)計和可視化的方法用不同顏色、進度條、圖、表等工具顯示學生的學習進度、學習時間、學習次數(shù)以及學習者社交網(wǎng)絡等信息，以激勵學習者學習。[3]

⑤社交網(wǎng)絡分析。社交網(wǎng)絡分析是對在線社交關系進行分析的方法，通過發(fā)現(xiàn)學習者之間的關系，來實現(xiàn)資源推薦。研究者采用社交網(wǎng)絡分析計算遠程協(xié)同學習中學習偏好相似度，來實現(xiàn)個性化資源推薦。[4]

三、基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)

每個學習者有不同的生物遺傳基礎，來自不同的社會文化環(huán)境，在智力和非智力因素方面有突出的個體差異，表現(xiàn)在認知、情感、注意力、態(tài)度、學習能力、學習動機和需求等方面，即使同一個學習者在不同的學習時段學習需求也不同。[5]而傳統(tǒng)的統(tǒng)一教學內(nèi)容和方式不能滿足學習者的個性化學習需求，不利于學習者學習和成長。解決這一問題的方法之一就是個性化自適應學習。教育數(shù)據(jù)挖掘的發(fā)展為個性化自適應學習提供了可能，通過對學習系統(tǒng)中大量詳細的學習者信息和相關行為數(shù)據(jù)，如學習路徑、學習日志、學習成果、學習管理數(shù)據(jù)、課程數(shù)據(jù)等的采集、存儲和挖掘，根據(jù)學習者個性特征差異為學習者提供個性化學習內(nèi)容，以可視化方式呈現(xiàn)數(shù)據(jù)結(jié)果，促進學習者自適應學習；幫助教師優(yōu)化教學內(nèi)容，提升教學水平；發(fā)現(xiàn)學習者潛在的學習問題并預測未來表現(xiàn)，教學管理者根據(jù)預測結(jié)果進行指導和干預，促進有效學習的發(fā)生。

1.在個性化自適應學習系統(tǒng)中應用教育數(shù)據(jù)挖掘

在個性化自適應學習系統(tǒng)中應用教育數(shù)據(jù)挖掘主要包括：[6]構建學習者模型、構建領域知識模型、構建社交網(wǎng)絡模型、模型融合，通過模型構建、融合和應用促進學習者有效學習的發(fā)生。

（1）構建學習者模型

構建學習者模型包括學習者建檔、構建學習者知識模型、經(jīng)歷模型、行為模型等四個方面。

①學習者建檔：采集學習者學習相關數(shù)據(jù)和個人信息數(shù)據(jù)，通過聚類分析學習者的學習特征，對學習者進行分簇，建立學習者檔案，為不同簇的學習者提供個性化學習內(nèi)容和學習路徑，促進有效學習的發(fā)生。本研究通過對學習者學習新知識前進行前驅(qū)知識測試，為學習者建立學習檔案，根據(jù)學習者的不同特征，為學習者呈現(xiàn)個性化和適應性的學習內(nèi)容。

②構建學習者知識模型：學習者的在線遠程學習數(shù)據(jù)，包括回答正確率、請求幫助的次數(shù)、每次回答的時間、重復答錯的數(shù)據(jù)，這些數(shù)據(jù)可以是課程層次的、也可以是單元層次的或者是知識點層次的。通過挖掘分析，構建學習者知識模型?？捎糜诳梢暬@示學習者的知識掌握情況，也可用于系統(tǒng)自動反饋學習內(nèi)容給學習者。本研究通過收集個性化自適應系統(tǒng)中學習者學習每一個學習單元的詳細數(shù)據(jù)，為學習者構建學習者知識模型，一方面用于可視化顯示學習者的真實學習情況，另一方面用于自動判斷學習者是否已掌握本單元學習內(nèi)容，如果未掌握，則根據(jù)學習者知識模型給學習者自動反饋個性化自適應學習內(nèi)容。

③構建學習者經(jīng)歷模型：通過采集學習者在后續(xù)單元或課程學習中的選擇、表現(xiàn)、行為和學習效果以及學習者學習滿意度問卷調(diào)查等數(shù)據(jù)，構建學習者經(jīng)歷模型，使用該模型可以對在線遠程學習中的課程再設計，提高教學效率和學生學習成績。

本研究通過收集學習者在課程學習中單元學習順序的選擇、行為、學習結(jié)果和學習者滿意度問卷調(diào)查等數(shù)據(jù)，構建學習者經(jīng)歷模型，一方面通過預測方法預知學習者下一步的學習需求，為學習者提供個性化的自適應學習內(nèi)容，另一方面通過關聯(lián)規(guī)則挖掘?qū)W習順序、行為和結(jié)果之間的相關關系，優(yōu)化課程學習順序，為優(yōu)化領域知識模型提供支持。

④構建學習者行為模型：通過采集學習者在線遠程學習中的學習時長、完成課程的學習情況、學習行為的變化情況、考試成績等數(shù)據(jù)，挖掘?qū)W習者學習行為和學習成績的相關關系，構建學習者行為模型。本研究通過收集學習者在在線遠程學習中的學習時長、學習次數(shù)、測試完成情況、發(fā)帖數(shù)、任務完成度和學習成績等數(shù)據(jù)，以關聯(lián)規(guī)則挖掘構建學習者行為模型，預測學習者課程學習失敗的可能性，把預測信息反饋給教師和管理者，及時對學習者進行指導和干預。

（2）構建領域知識模型

構建領域知識模型：領域知識模型包括領域知識的組成元素和元素之間的關系。通過采集知識點、課程單元和課程內(nèi)容組織方式與學習結(jié)果之間的相關關系，對現(xiàn)有領域知識模型進行優(yōu)化。根據(jù)優(yōu)化的領域知識模型，可以為學習者推薦最佳學習路徑。本研究依據(jù)聯(lián)通主義理論，將課程知識點以有向圖的方式形成知識地圖，一方面構建領域知識模型，另一方面以可視化方式呈現(xiàn)給學習者。此外通過對學習者經(jīng)歷模型的構建優(yōu)化現(xiàn)有領域知識模型。

（3）構建社交網(wǎng)絡模型

構建社交網(wǎng)絡模型：通過采集在線遠程學習中的協(xié)作與交流數(shù)據(jù)，形成鏈接學習者的社交網(wǎng)絡，構建學習者的社交網(wǎng)絡模型。

根據(jù)學習者的關系網(wǎng)絡模型進行偏好預測，預測結(jié)果推薦給學習者；也可以根據(jù)社交網(wǎng)絡模型，計算協(xié)作者之間的內(nèi)聚力，對協(xié)作進行評價和干預。構建社交網(wǎng)絡模型，一方面進行偏好預測，推薦個性化資源給學習者，另一方面可視化顯示學習者的社交網(wǎng)絡，學習者可以查看同伴的學習進度等信息，激勵學習者自主學習。

（4）模型融合

模型融合包含兩方面的含義：一方面構建學習者模型和領域知識模型完成后，這兩個模型任意一個單獨使用都無法為學習者提供幫助，兩個模型必須融合才能給學習者提供服務。例如，對學習者建檔完成后，已經(jīng)了解學習者的前驅(qū)知識掌握情況，這時必須結(jié)合領域知識模型，才能給學習者提供個性化適應性學習內(nèi)容。又例如，根據(jù)答題時間和重復答錯的數(shù)據(jù)構建學習者知識模型完成后，再結(jié)合領域知識模型，為學習者呈現(xiàn)個性化自適應學習內(nèi)容。另一方面，模型融合還體現(xiàn)在通過構建學習者經(jīng)歷模型，來優(yōu)化領域知識模型。

2.基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)模型及流程

本研究提出了基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)模型，如圖1所示，下面詳細分析本模型的運行流程。

圖1 基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)模型

①在本系統(tǒng)中，學習者根據(jù)學習需求選擇學習單元，在開始學習之前，系統(tǒng)為了解學習者的單元前驅(qū)知識掌握情況（包括概念、過程性知識、技能和高級思維技能），為學習者提供學前測試。

②根據(jù)學習者的學前測試，采集答題正確、答題錯誤、每題用時等數(shù)據(jù)，采用聚類方法對學習者進行建檔，個性化自適應學習引擎根據(jù)建檔結(jié)果和領域知識模型，為學習者呈現(xiàn)個性化自適應學習內(nèi)容。

③學習者學習過程中的全部行為數(shù)據(jù)會自動采集到學習者數(shù)據(jù)庫中，包括學習需求數(shù)據(jù)、學前測試數(shù)據(jù)、學習過程數(shù)據(jù)、單元測試數(shù)據(jù)等，此外該數(shù)據(jù)庫還包含學習者的個人信息詳細數(shù)據(jù)。

④學習完成后，系統(tǒng)會給出一個單元測試，根據(jù)學習單元測試數(shù)據(jù)，構建學習者知識模型，一方面可視化顯示這些詳細數(shù)據(jù)給學習者，讓學習者全面了解單元學習結(jié)果；另一方面，對于測試未通過的學習者，個性化自適應學習引擎根據(jù)學習者知識模型和領域知識模型，給學習者提供新的個性化自適應學習內(nèi)容。

⑤系統(tǒng)會自動采集學習者數(shù)據(jù)庫中的學習者行為和測試數(shù)據(jù)，通過關聯(lián)規(guī)則挖掘?qū)W習者行為和測試成績的相關性，構建學習者行為模型，個性化自適應學習引擎再根據(jù)學習者最近一周的學習行為數(shù)據(jù)，實時預測學習者課程學習失敗的可能性，把預測信息反饋給預警管理模塊，教師和管理者及時對學習者進行指導和干預。這種實時預警可以及早發(fā)現(xiàn)學習者當前的異常情況，盡可能地避免學習者學習失敗。

⑥系統(tǒng)自動采集學習者數(shù)據(jù)庫中的學習經(jīng)歷等數(shù)據(jù)，通過關聯(lián)規(guī)則挖掘單元學習順序與成績之間的相關性，構建學習者經(jīng)歷模型，個性化自適應學習引擎再根據(jù)當前學習內(nèi)容，預測學習者下一個學習需求，為學習者呈現(xiàn)個性化自適應的學習內(nèi)容。另一方面根據(jù)學習者經(jīng)歷模型，對領域知識模型進行優(yōu)化。

⑦將知識點以有向圖的方式形成知識地圖，地圖中的知識點分為前驅(qū)知識點和后繼知識點以表示知識點之間的相關關系。本系統(tǒng)以此為基礎構建領域知識模型，并根據(jù)學習者經(jīng)歷模型對領域知識模型進行優(yōu)化完善。個性化自適應學習引擎根據(jù)領域知識模型，一方面系統(tǒng)可以為學習者推薦最佳學習路徑，另一方面系統(tǒng)還可以根據(jù)學習者當前學習路徑和設置閾值判斷學習者是否偏離最佳學習路徑，如果偏離，則對學習者進行引導，實現(xiàn)學習者個性化自適應學習。

⑧系統(tǒng)自動采集學習者數(shù)據(jù)庫中的協(xié)作交流數(shù)據(jù)，構建社交網(wǎng)絡模型，個性化自適應學習引擎采用協(xié)同過濾技術，計算學習者間偏好的相似度，進行偏好預測，找出學習者可能感興趣的內(nèi)容或活動，給學習者推薦個性化資源，另一方面可視化顯示學習者的社交網(wǎng)絡，學習者可以允許或不允許同伴查看自己學習進度等信息，激勵學習者自主學習。

在本系統(tǒng)中，學習者學習數(shù)據(jù)循環(huán)使用并且實時更新，圖2中每一個模塊的內(nèi)容隨著數(shù)據(jù)的實時更新而更新。首先學習者學習產(chǎn)生的數(shù)據(jù)進入學習者數(shù)據(jù)庫，系統(tǒng)根據(jù)學習者數(shù)據(jù)庫的數(shù)據(jù)構建學習者模型、領域知識模型和社交網(wǎng)絡模型，個性化自適應學習引擎根據(jù)這些模型和學習者實時的行為數(shù)據(jù)，進行預測和推薦，給學習者呈現(xiàn)動態(tài)的、個性化的、適應的學習內(nèi)容，找到最佳學習路徑并推薦個性化資源。學習者對新內(nèi)容的學習過程產(chǎn)生新的數(shù)據(jù)，再次進入學習者數(shù)據(jù)庫，系統(tǒng)根據(jù)新的學習過程數(shù)據(jù)不斷對學習者模型、領域知識模型和社交網(wǎng)絡模型進行優(yōu)化，再結(jié)合學習者當前學習數(shù)據(jù)進行預測和推薦，將動態(tài)結(jié)果呈現(xiàn)給學習者，此過程循環(huán)往復，系統(tǒng)能夠不斷進化，自我改善和提升，使推薦和預測的內(nèi)容更適應學習者。

圖2 數(shù)據(jù)循環(huán)使用

四、建立機制

在本系統(tǒng)中，學習者模型、領域知識模型、社交網(wǎng)路模型和個性化自適應學習引擎是核心部分，下面介紹這四部分的機理和機制。

1.學習者模型

學習者模型（學習者建檔、行為模型、知識模型、經(jīng)歷模型）。其中學習者建檔包括學前測試中的答題正確、答題錯誤、部分正確、重復錯誤、每題作答時間等信息。行為模型包括登錄時間、訪問頁面、學習時長、學習次數(shù)、測試完成情況、作業(yè)完成情況、發(fā)帖數(shù)、任務完成度和測試成績等信息。知識模型包括單元測試中答題正確率、每題用時、重復答錯，已學課程、掌握的知識點等信息。經(jīng)歷模型包括知識點學習順序的選擇、行為、評價和成績。

2.領域知識模型

領域知識模型包含兩方面的內(nèi)容，[7]一方面是知識點本身的描述信息、學習內(nèi)容（視頻、文本、圖片、語音）、練習活動、學習活動、知識網(wǎng)絡信息；另一方面是知識點之間的相關關系。本研究采用有向圖的形式來構建領域知識模型。如圖3所示，每一個節(jié)點代表一個知識點，每個知識點又包含多項內(nèi)容。箭頭指向的方向為后繼知識點，箭頭的起始端為前繼知識點。如知識點3的前繼知識點為知識點1和2，后繼知識點為知識點4。

圖3 知識地圖

每一個知識本身都是一個獨立的學習內(nèi)容，學習者可以在任何時候獲取需要的知識，自主選擇知識點內(nèi)的資源、學習順序等。起始的領域知識模型可以按照教材或者教師的經(jīng)驗來構建，后期可以通過對學習者學習經(jīng)歷模型的挖掘，發(fā)現(xiàn)知識點之間的相關關系，不斷優(yōu)化和完善領域知識模型。

3.社交網(wǎng)絡模型

社交網(wǎng)絡是指社會行為者及其關系的集合。社交網(wǎng)絡圖包含節(jié)點和點之間的連線。節(jié)點表示信息的接收者和發(fā)出者，連線的粗細，表示信息傳遞的頻率或信息量的大小。[8]本研究根據(jù)學習者之間的交流協(xié)作次數(shù)來構建社交網(wǎng)絡模型。例如在圖4中，學習者11與學習者2、3、4、12和10有過協(xié)作交流，而且與學習者10的交流最為頻繁。

4.個性化自適應學習引擎

（1）基于聚類的個性化自適應學習內(nèi)容呈現(xiàn)

個性化自適應學習內(nèi)容的呈現(xiàn)主要體現(xiàn)在兩方面，一方面是針對學習內(nèi)容的初次學習，根據(jù)學前測試情況對學習者聚類建檔，為不同類型的學習者提供個性化適應性學習內(nèi)容；另一方面是針對學習完成后單元測試情況，根據(jù)作答數(shù)據(jù)，構建或更新學習者知識模型，如果測試通過，則本次單元學習完成，如果測試未通過，則根據(jù)詳細作答數(shù)據(jù)自動反饋適合學習者的學習內(nèi)容。

圖4 社交網(wǎng)絡模型圖

聚類就是把一組對象按照相似性歸成若干簇，使簇中對象的相似度很高，而不同簇中的對象相似度很低。通過采集學前測試的數(shù)據(jù)，根據(jù)聚類方法對學習者聚類分組，給學習者建檔。本研究采用K-means均值算法，根據(jù)學習者的答題數(shù)據(jù)對學習者聚類。算法的核心思想是首先從聚類N個對象中選擇K個對象作為聚類中心，然后計算剩余對象到聚類中心的距離，并將它分配給最相似的聚類，然后重新計算新聚類的聚類中心，重復這一過程，直到?jīng)]有點能改變聚類結(jié)果。本研究根據(jù)學前測試即前驅(qū)知識測試作答情況，進行二次聚類。第一次聚類將學習者分為兩簇：A和B，簇A的對象表示通過學前測試，可以進行新知識的學習；簇B表示未通過學前測試，需要補習前驅(qū)知識的學習。第二次聚類，簇A中的對象根據(jù)不同的知識掌握情況、答題速度等分為不同的層次，系統(tǒng)提供不同層次的學習內(nèi)容；簇B中的對象根據(jù)前驅(qū)知識的欠缺情況再細化分簇，為不同簇提供適應個性化知識的學習內(nèi)容。

（2）基于序列挖掘和關聯(lián)規(guī)則的最佳學習路徑推薦

學習路徑包含兩個層次的內(nèi)容：一個是知識點內(nèi)資源組織路徑，因為每個知識點可能包含多種不同的資源；另一個是知識點之間的學習路徑，學習者可以自由選擇知識點的學習順序，不一定是按照課本的順序，有可能是按照同伴的學習路徑。

序列挖掘算法是給定一個序列集合，每個序列都由若干元素按順序有序排列，設定用戶給出的最小支持度閾值。序列挖掘模式是找出所有的頻繁子集，即在序列集合中出現(xiàn)的頻率不小于最小支持度閾值的子序列。[9]本研究通過采集用戶訪問頁面的順序，建立學習者行為模型，通過序列挖掘方法，找出相關頁面，盡可能縮短相關內(nèi)容頁面分布的距離，在用戶學習一些內(nèi)容的時候，能夠預測用戶下一步的學習需求，為用戶提供便捷的路徑指引。

關聯(lián)規(guī)則能夠找出數(shù)據(jù)集中不同項目之間的相關性，關聯(lián)規(guī)則有兩個重要指標：支持度和置信度。假設I={i1，i2，i3，…im，}是 m 個項的集合，數(shù)據(jù)庫 D 是數(shù)據(jù)庫事務的集合，每個事務T是I的非空子集。X、Y是I中項的集合，如果X?T，則稱事務T包含X。支持度（support）是數(shù)據(jù)庫D中的事務，同時包含X、Y的百分比；置信度（confidence）是數(shù)據(jù)庫D中的事務，在已經(jīng)包含X的情況下，包含Y的百分比。如果同時滿足最小支持度閾值和最小置信度閾值，則認為關聯(lián)規(guī)則是有趣的，[10]這些閾值是根據(jù)挖掘需要人為設定的。本研究通過采集學習者知識點學習順序和成績等數(shù)據(jù)，建立學習者經(jīng)歷模型，通過關聯(lián)規(guī)則分析學習順序與成績之間的相關性，從而得出最佳學習路徑，用于優(yōu)化知識模型和推薦學習路徑。

（3）基于協(xié)同過濾和社交網(wǎng)絡的個性化資源推薦

協(xié)同過濾是目前推薦效果最好的算法之一，它的核心思想是計算用戶之間的偏好相似度，并進行推薦。本研究通過構建學習者之間交流協(xié)作的社交網(wǎng)絡，來計算學習者之間的興趣偏好相似度，進而進行推薦。在圖4中，學習者11與學習者2、3、4、12和10有過協(xié)作交流，而且與學習者10的交流最為頻繁。這說明學習者11與學習者 2、3、4、12、10 可能存在相似的學習需求，或者對相同的資源感興趣，我們可以認為他們有相似的學習偏好，而且學習者11與學習者10的偏好相似度最高，我們可以把學習者10學過的資源或者感興趣的資源優(yōu)先推薦給學習者11。這種推薦最顯著的優(yōu)點是不需要研究資源本身的內(nèi)容，就可以進行效果較好的推薦，畢竟很難對資源本身的內(nèi)容進行分析研究。

五、結(jié)束語

隨著大數(shù)據(jù)技術的發(fā)展，越來越多的學習者和教師認可在線遠程教育并參與其中，越來越多的行為可以被跟蹤和記錄，為實現(xiàn)學習者個性化自適應學習提供了可能。本文在個性化自適應學習系統(tǒng)中，應用教育數(shù)據(jù)挖掘技術，提出了基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)的架構和流程，研究了構建學習者模型、領域知識模型、社交網(wǎng)絡模型和自適應引擎的機制，通過模型構建、融合和應用，為學習者提供了動態(tài)的個性化自適應學習內(nèi)容、最佳學習路徑并推薦了個性化學習資源，促進了學習者有效學習的發(fā)生。在后期研究中，我們將進一步研究基于教育數(shù)據(jù)挖掘的個性化自適應學習系統(tǒng)的改進方法和具體應用效果。