馬華　李京澤

摘? 要： 由于在線學習學習者的認知能力的不確定性、學習興趣的變化性、用戶偏好的多樣性等，在線學習資源的個性化智能推薦面臨新挑戰(zhàn)。文章根據(jù)學習者認知能力的模糊綜合診斷和學習者多重特征信息融合等，對在線學習資源的個性化智能推薦進行了研究，以期為相關(guān)研究者提供參考和啟發(fā)。

關(guān)鍵詞： 個性化學習; 學習資源; 個性化推薦; 認知診斷

中圖分類號：G642? ? ? ? ? 文獻標識碼：A? ? ? ? ? 文章編號：1006-8228（2022）02-111-05

Research on personalized intelligent recommendation of online learning resources

Ma Hua， Li Jingze

（College of Information Science and Engineering， Hunan Normal University， Changsha， Hunan 410081， China）

Abstract： Due to the uncertainty of online learners' cognitive abilities， the variability of learning interests and the diversity of personalized preferences， the personalized intelligent recommendation of online learning resources is facing new challenges. According to the fuzzy comprehensive diagnosis of learners' cognitive ability and the information fusion of learners' multiple characteristics， this paper researches the personalized intelligent recommendation of online learning resources， in order to provide relevant researchers with reference and inspiration.

Key words： personalized learning; learning resources; personalized recommendation; cognitive diagnosis

0 引言

基于互聯(lián)網(wǎng)的在線學習作為教育信息化的主要表現(xiàn)形式，是未來人們學習的一種主要趨勢[1]。目前，國內(nèi)外主流的公共在線學習平臺，例如edX、中國大學MOOC、智學網(wǎng)、EduCoder等，已積累了包括慕課、開放式課程（OCW）、習題、試題、實驗等在內(nèi)的龐大學習資源，并且，參與在線學習的學習者人數(shù)和學習時間也日益增長?！?020年騰訊課堂大數(shù)據(jù)報告》顯示，2019年騰訊課堂在線課程超17.8萬門，累計報名3430萬余門課程，總學習時長累計達7531年。

智能化教育環(huán)境中，獲得通用的學習資源已不再是學習者的核心需求。學習者希望從海量學習資源中快速地挑選出適合自己的個性化資源來有效完善自己的知識結(jié)構(gòu)[2]。而智能化推薦系統(tǒng)可以為在線學習者提供與其認知狀態(tài)和學習能力相匹配的個性化學習資源推薦，這也是當前智能化教育發(fā)展的迫切需要[3]。

面對已生成的教育大數(shù)據(jù)和豐富的學習資源，在學習者的認知能力的不確定性、學習興趣的變化性、個性化偏好的多樣性等因素影響下，當前學習資源的個性化智能推薦研究面臨諸多挑戰(zhàn)。

⑴ 為診斷學習者的認知狀態(tài)和定量考察學生的個體差異、知識認知水平，通常采取的方法是對學習者的在線測試（或練習）的結(jié)果進行建模分析，然而，由于可能存在的知識點自身內(nèi)在的復雜性、在線測試題設(shè)計的局限性、學習者測試現(xiàn)場表現(xiàn)的意外性等因素，導致學習者的知識認知水平診斷結(jié)果具有明顯的模糊不確定性和隨時間變化的動態(tài)性特征[4]，如何充分挖掘在線學習大規(guī)模普及背景下生成的測試或練習結(jié)果數(shù)據(jù)，選用合適的模糊數(shù)學工具來系統(tǒng)性地度量學習者認知能力中蘊含的不確定性和動態(tài)性特征變得越來越迫切。

⑵ 學習者往往同時在線學習多門相關(guān)課程，他這時“信息迷航”和“信息過載”等問題更加突出。以2020年新冠疫情期間的線上學習為例，一名大學生在線學習的課程約在十門左右，其篩選學習資源的工作量極其龐大?，F(xiàn)有學習資源推薦的研究主要針對單一課程的在線學習活動進行認知能力分析，一般缺乏考慮知識點的覆蓋及層次結(jié)構(gòu)等問題[4-6]。所以在線學習資源推薦的研究不僅要考慮同一課程內(nèi)知識點間的低層認知能力，也要綜合考慮涵蓋多門課程的高層認知能力。如何對涉及多門課程的多個知識點進行多層次的學習者認知能力建模，是做到精準的個性化學習資源智能推薦的前提條件。

針對在線學習中學習者認知能力的不確定性和動態(tài)性特點，以及學習者在跨學科、跨課程學習時遇到的“信息迷航”和“信息過載”困境，本文從模糊綜合診斷、學習者多重特征信息融合兩個方面，對在線學習資源個性化智能推薦進行探析，以期為相關(guān)研究提供參考和啟發(fā)。

1 國內(nèi)外研究現(xiàn)狀

⑴ 學習者認知能力診斷

在心理與教育測量中，人們通常把對個體認知過程、加工技能或知識結(jié)構(gòu)的診斷評估稱為認知診斷。具有認知診斷功能的心理計量模型被稱為認知診斷模型（cognitive diagnosis model，CDM）。由于能較好地從知識點層面對學生的認知狀態(tài)進行建模，CDM在國內(nèi)外引起廣泛關(guān)注，至今比較成熟的研究有項目反映理論（item response theory，IRT）和DINA模型（Deterministic Inputs，NoisyAnd-gatemodel）[7]。由于參數(shù)簡單和易于識別理解，DINA模型的應(yīng)用更為廣泛。

傳統(tǒng)DINA模型只針對客觀題進行診斷，即答案只有對與錯兩種結(jié)果，未考慮學生在主觀題上的答題情況。近年來國內(nèi)外研究者對DINA模型有多種改進。涂冬波等人針對DINA模型僅適應(yīng)于包含0分和滿分的兩級0-1評分機制的不足，開發(fā)了支持多級評分的P-DINA模型，它可適應(yīng)從0分到滿分區(qū)間內(nèi)共（滿分+1）種不同的評分類別[8]。蔡艷等人[9]針對P-DINS模型下學生的得分可能被推向0分或滿分兩個極端的問題，提出了rP-DINA模型，它對學生的理想得分進行重新構(gòu)造，可支持從0分到滿分的各種理想得分。Wu等人[4]針對傳統(tǒng)DINA模型無法有效診斷主觀題的問題，提出了一種面向?qū)W生個性化學習的模糊認知診斷分析框架FuzzyCDF，它將學生的認知能力表示為模糊集合的隸屬度（即一個[0，1]范圍內(nèi)的實數(shù)），采用模糊交和模糊并來建模客觀題和主觀題的認知作答模式。李憂喜等人[6]在Fuzzy-CDF的基礎(chǔ)上提出R-FuzzyCDF模型，它在知識點的掌握程度中引入了知識點重要性因子，將知識點的重要程度與其后繼知識點的個數(shù)以及相關(guān)的試題數(shù)量關(guān)聯(lián)起來，該模型進一步提升了診斷模型的準確率，但因增加參數(shù)數(shù)量導致加重了計算負擔。然而，以上模型和方法對于準確診斷在線學習環(huán)境下學習者的認知能力仍存在明顯的局限性。一方面，由于一些知識點本身可能是復雜和抽象的，而測試題對于知識點的覆蓋度可能是不完全的;另一方面，學習者在知識點的理解深度和運用水平的靈活性上存在不穩(wěn)定性，從而導致測量診斷結(jié)果表現(xiàn)模糊性和不確定性。

⑵ 學習資源的個性化推薦方法

當前，各大在線學習平臺已能公開提供數(shù)量龐大的各類學習資源，但是，絕大多數(shù)平臺通常只支持查詢檢索各類學習資源，缺乏個性化推薦功能。因此，研究面向在線學習的個性化學習資源推薦具有越來越重要的現(xiàn)實意義。個性化學習資源推薦的現(xiàn)有學術(shù)研究中通常使用協(xié)同過濾算法。按協(xié)同過濾算法的類型，相關(guān)的主要研究可以分為以下兩類。

① 采用基于近鄰的協(xié)同過濾算法的個性化學習資源推薦。該類研究首先根據(jù)學生在試題上的答題記錄計算學生之間的相似度，找到目標學生的相似學生群組，通過相似學生的得分對目標學生進行得分預測，進一步根據(jù)預測的得分進行試題推薦。例如：Wu等人[10]提出的一種在線學習背景下基于模糊樹匹配用戶學習資源的個性化推薦方法;Dwivedi等人[11]提出的一種融合不同學生的學習興趣并向一組學生進行個性化學習資源推薦的方法;Huang等人[12]在傳統(tǒng)的基于內(nèi)容的推薦算法基礎(chǔ)上結(jié)合word2vec模型進行物品建模以及物品相似度計算，提出了一種慕課推薦算法。該類研究的不足是，使用近鄰學生的表現(xiàn)來預測其他學生的表現(xiàn)時，會丟失學生自身的一些學習特性。

② 采用基于模型的協(xié)同過濾算法的個性化學習資源推薦。該類研究應(yīng)用最為廣泛的是矩陣分解方法，它可以將高維矩陣分解成低維矩陣，利用該技術(shù)可以獲取學習者對于學習資源在低維空間中的表現(xiàn)，并依此來完成學習資源推薦。例如：Koren等[13]利用矩陣分解對學習者的試題得分矩陣進行處理，據(jù)此來預測學生在其他試題上的得分，并將得分較高的試題推薦給學生;Lian等人[14]通過分析圖書借閱歷史和GPA成績數(shù)據(jù)，提出了有監(jiān)督的內(nèi)容感知的矩陣分解算法來相互增強圖書的推薦和成績的預測。該類研究的不足在于，由于矩陣分解得到的潛在向量的含義難以解釋，使其在用于學習資源推薦時具有一定的局限性，即推薦結(jié)果的可解釋性不強。

2 研究方法探析

為提高個性化學習資源推薦的準確性、學習者的學習效率和學習滿意度。本文認為可以從學習者認知能力的層次化模糊綜合診斷和學習者多重特征信息融合的個性化推薦方法兩個層面進行分別研究。

2.1 學習者認知能力的多層模糊診斷方法

利用測試或練習來評估學生能力并通過學生作答來建模學生認知，己經(jīng)是教育學（尤其是教育心理學）的核心研究。在線學習的大規(guī)模普及，使得持續(xù)獲取涉及多門課程、多個知識點的測試或練習結(jié)果數(shù)據(jù)變得可行。但是，目前對學習者認知能力的建模主要分為離散型（即0或1）模型或連續(xù)型（即在[0，1]區(qū)間內(nèi)的單值實數(shù)）模型，尚未充分利用時序化、多樣性的測評數(shù)據(jù)，也缺乏對學習者認知能力的不確定性和動態(tài)性特征進行模糊量化診斷的有效支持。

針對學習者認知能力的模糊性和不確定性特點，本文認為可以引入具有多值表征特點的模糊數(shù)學理論，例如，中智集（neutrosophic set）[15]或猶豫模糊集。以中智集為例，它在刻畫不精確、不完全和不確定信息方面具有獨特優(yōu)勢，可為全面、客觀評估學習者的認知能力提供重要的理論支持。中智集合中每個元素由獨立的真實度、不確定度以及失真度三個分量組成。在中智集基礎(chǔ)上，單值中智集、區(qū)間中智集[16]等理論得到發(fā)展，并獲得較廣泛的應(yīng)用[17-18]。本文認為，可通過擴展區(qū)間中智集理論定義“認知診斷區(qū)間中智集”對學習者的認知能力進行模糊化度量，將認知能力建模為一個“認知診斷區(qū)間中智集”數(shù)，即：A=〈P，U，R〉。其中，0≤infP+infU+infR≤3，0≤supP+supU+supR≤3，P，U，R∈[0，1];inf和sup分別表示取下限和取上限值;P=[infP，supP]表示完全掌握知識點的可能度區(qū)間值，它對應(yīng)區(qū)間中智集中的真實度函數(shù);R=[infR，supR]表示完全未掌握知識點的可能度區(qū)間值，它對應(yīng)區(qū)間中智集中的失真度函數(shù);U=[infU，supU]表示P和R的不確定度，它對應(yīng)區(qū)間中智集中的不確定度函數(shù)。這個數(shù)中，P越大、R和U越小，則意味著它所對應(yīng)的認知能力越優(yōu)秀。在“認知診斷區(qū)間中智集”數(shù)的上、下區(qū)間值進行度量時，可以結(jié)合云模型理論等進行不確定性的度量[18]。

新的模糊數(shù)學理論的引入，可更全面客觀地刻畫學習者認知能力的模糊性和不確定性。通過上述方法獲得學習者認知能力的表征結(jié)果后，為將其應(yīng)用于認知診斷計算，需要對新的認知診斷模型中的參數(shù)進行估算，可采用MCMC（Markov Chain Monte Carlo）算法來嘗試參數(shù)估算。

接下來，構(gòu)建覆蓋包括“學科-專業(yè)-課程-知識點”四個層次的認知能力刻畫機制。

⑴ 使用爬蟲從公共在線學習平臺上爬取的課程簡介信息以及各類學習資源簡介。

⑵ 對爬取的信息進行切詞、去除停用詞等文本預處理，計算學習資源所屬知識點之間以及課程之間的詞權(quán)重相似度。同時，提取課程簡介的關(guān)鍵字信息，計算課程間的詞向量相似度，對詞權(quán)重相似度和詞向量相似度進行合成。

⑶ 按《教育部發(fā)布普通高等學校本科專業(yè)目錄（2020年版）》對課程進行專業(yè)和學科劃分。

⑷ 基于上述計算獲得的學科、專業(yè)、課程和知識點間的相似度，可構(gòu)建一個相似度網(wǎng)絡(luò)圖，由它發(fā)現(xiàn)相關(guān)課程的知識點之間的顯性或隱性的關(guān)聯(lián)關(guān)系。

基于這些關(guān)聯(lián)關(guān)系，在進行學習者認知診斷時，可從具有間接相似關(guān)系的知識點獲得學生認知能力的間接評價，即學習者對于當前知識點的掌握程度，可從相關(guān)知識點進行間接評估，從而支持學習者在進行跨課程的知識點學習時學習資源推薦面臨的冷啟動或數(shù)據(jù)稀疏問題。

2.2 學習者多重特征信息融合的個性化推薦方法

在線學習大規(guī)模普及背景下，各大在線學習平臺均已積累了數(shù)量龐大的學習資源，但是，由于學習資源自身存在著學習難度、認知層次、資源類型、制作質(zhì)量等諸多差異，而學習者自身也存在著認知能力水平、學習興趣、學習風格等多方面的不同，當前學習者在選擇學習資源時更容易發(fā)生信息超載與知識迷航等現(xiàn)象。因此，一個智慧的個性化在線學習平臺，需要深入挖掘“學習者-資源”的多維關(guān)聯(lián)關(guān)系，融合在線學習者的多層模糊綜合認知診斷以及學習者的顯式或隱式偏好等多維特征信息，以為學習者提供學習資源的個性化推薦服務(wù)。

學習者的個性化偏好是學習者基于個人喜好和已知信息對學習資源的具體和抽象認知的一種心理傾向，是學習者需求的外在表現(xiàn)。具體地說，學習者偏好是學習者在學習過程中的心理傾向，它不僅局限于具體的學習資源，還包括對各種抽象、感性的因素的關(guān)注點、喜好程度、需求等。個性化偏好識別側(cè)重于從教育大數(shù)據(jù)中挖掘?qū)W習者對于學習資源的個性化信息，包括通過顯性或隱性行為挖掘和情感分析來獲得學習者的多樣化偏好、抽取學習者偏好的時間特征等。在線學習平臺中的行為數(shù)據(jù)和社交數(shù)據(jù)中往往隱含著學習者長期穩(wěn)定的及近期的偏好信息。本文建議從長期穩(wěn)定的/近期的學習者顯性偏好挖掘、長期穩(wěn)定的/近期的學習者隱性偏好挖掘、時間感知的學習者偏好的動態(tài)預測等三個方面進行研究。

⑴ 長期穩(wěn)定的/近期的學習者顯性個性化偏好挖掘?？刹杉⒎謩e分析所有時間范圍內(nèi)的和近期一段時間內(nèi)關(guān)于學習資源的使用頻率、學習時長等相關(guān)數(shù)據(jù)，采用數(shù)理統(tǒng)計的方式對學習者在不同類型的學習資源的喜好程度進行分析，識別出學習者喜好的學習資源類型，并進一步識別學習者對學習資源不同屬性的態(tài)度。同時，可通過TF-IDF/高頻詞等關(guān)鍵詞提取技術(shù)、LAD主題模型等方法深入挖掘所有時間范圍內(nèi)的和近期一段時間內(nèi)的學習者的發(fā)言、討論和評論中的文本信息，以此來刻畫學習者對各個學習資源屬性的情感傾向，獲得各類屬性下的情感得分，并探討近期時間段的選擇對后續(xù)學習資源選擇的影響。

⑵ 長期穩(wěn)定的/近期的學習者隱性個性化偏好挖掘?？刹杉⒎謩e分析所有時間范圍內(nèi)的和近期一段時間內(nèi)學習者的點擊、瀏覽以及對某一學習資源的收藏、關(guān)注等行為產(chǎn)生的相關(guān)數(shù)據(jù)。采用統(tǒng)計分析、社會網(wǎng)絡(luò)分析、關(guān)鍵詞提取等方法從學習者生成的所有時間范圍內(nèi)的和近期一段時間內(nèi)的瀏覽、點擊等行為數(shù)據(jù)以及收藏、關(guān)注等社交數(shù)據(jù)中挖掘出學習者的興趣點。

⑶ 時間感知的學習者個性化偏好的動態(tài)預測?？紤]到學習者的偏好可能會隨時間而動態(tài)變化，基于學習者長期穩(wěn)定的/近期的顯性和隱性偏好，可通過支持向量機、神經(jīng)網(wǎng)絡(luò)、SoftMax回歸等方法對顯式及隱式的偏好特征進行學習，從而判斷學習者是否喜歡未體驗過的學習資源。通過建立合適的量化指標，來衡量學習者對未體驗過的學習資源的喜好程度，從而使之能用于后續(xù)推薦中對學習資源期望的量化。

3 結(jié)束語

在線學習大規(guī)模普及背景下，各大在線學習平臺均已積累了數(shù)量龐大的學習資源，但是由于學習資源自身存在著學習難度、認知層次、資源類型、制作質(zhì)量等諸多差異，而學習者自身也存在著認知能力水平、學習興趣、學習風格等多方面的不同，學習者在選擇學習資源時容易發(fā)生信息超載與知識迷航等現(xiàn)象。本文總結(jié)了當前在線學習資源個性化推薦面臨的挑戰(zhàn)和相關(guān)研究現(xiàn)狀。提出從學習者認知能力的模糊綜合診斷、學習者多重特征信息融合等兩個方面，對在線學習資源的個性化智能推薦研究進行探析，以期為相關(guān)研究提供參考和啟發(fā)。

參考文獻（References）：

[1] Binbin Zheng， Chin-Hsi Lin， Jemma Bae Kwon.Theimpact of learner， instructor-， and course-level factors on online learning[J].Computers & Education，2020，150：103851

[2] Robert Bodily， Katrien Verbert. Review of research onstudent-facing learning analytics dashboards and educational recommender systems[J]. IEEE Transactions on Learning Technologies，2017，10（4）：405-418

[3] 鄭慶華，董博，錢步月，田鋒，魏筆凡，張未展，劉均. 智慧教育研究現(xiàn)狀與發(fā)展趨勢[J].計算機研究與發(fā)展，2019，56（1）：209-224

[4] Runze Wu， Qi Liu， Yuping Liu， Enhong Chen， Yu Su，Zhigang Chen， Guoping Hu. Cognitive modelling for predicting examinee performance [C]. Proceedings of the 24th International Joint Conference on Artificial Intelligence，2015：1017-1024

[5] 王超，劉淇，陳恩紅，黃振亞，等. 面向大規(guī)模認知診斷的DINA模型快速計算方法研究[J].電子學報，2018，46（5）：1047-1055

[6] 李憂喜，文益民，易新河，等.一種改進的模糊認知診斷模型[J].數(shù)據(jù)采集與處理，2017，32（5）：958-969

[7] 朱天宇，黃振亞，陳恩紅，等.基于認知診斷的個性化試題推薦方法[J].計算機學報，2017，40（1）：176-191

[8] 涂冬波，蔡艷，戴海琦，等.一種多級評分的認知診斷模型：P_DINA模型的開發(fā)_[J].心理學報，2010，42（10）：1011-1020

[9] 蔡艷，趙洋，劉舒暢，等.一種優(yōu)化的多級評分認知診斷模型[J].心理科學，2017，40（6）：1491-1497

[10] Dianshuang Wu， Jie Lu， Guangquan Zhang. A fuzzy treematching-based personalized e-learning recommender system[J].IEEE Transactions on Fuzzy Systems，2015，23（6）：2412-2426

[11] Pragya Dwivedi， Kamal K. Bharadwaj. e-Learningrecommender system for a group of learners based on the unified learner profile approach[J]. Expert Systems，2015，32（2）：264-276

[12] Ran Huang， Ran Lu. Research on content-based?MOOC recommender model[C]. Proceedings of the 5th International Conference on Systems and Informatics，2018：676-681

[13] Yehuda Koren， Robert Bell， Chris Volinsky. MatrixFactorization Techniques for Recommender Systems[J]. Computer，2009，42（8）：42-49

[14] De-Fu Lian， Qi Liu. Jointly recommending library booksand predicting academic performance： A mutual reinforcement perspective[J].Journal of Computer Science and Technology，2018，33（4）：654-667

[15] Florentin Smarandache. A unifying field in logics：Neutrosophic logic[M].Rehoboth，NM：American Research Press，1999

[16] Haibin Wang， Florentin Smarandache， Yanqing Zhang，Rajshekhar Sunderraman. Interval Neutrosophic sets and logic： Theory and applications in computing： theory and applications in computing [M]. Hexis Phoenix Az，2005

[17] Nouran M. Radwan， M. Badr Senousy， Alaa El Din M.Riad. A new expert system for learning management systems evaluation based on neutrosophic sets[J]. Expert Systems，2017，33（6）：548-558

[18] Hua Ma， Haibin Zhu， Zhigang Hu， Keqin Li， WenshengTang. Time-aware trustworthiness ranking prediction for cloud services using interval neutrosophic set and ElECTRE[J]. Knowledge-Based Systems，2017，138：27-45