本體技術在遠程教育中的應用概述

□ 陳 琨 張秀梅

本體技術在遠程教育中的應用概述

□ 陳 琨 張秀梅

本體能夠有效地表現概念層次模型，它作為一種有效的建模工具正被廣泛地應用于眾多領域。本文在介紹本體概念的基礎上，討論了其在遠程教育中的應用，主要包括現階段應用較多的個性化資源推薦、自適應學習系統構建、智能答疑系統，并對其重點的實現技術和整體架構進行了具體分析。

本體；遠程教育；遠程學習者

隨著網絡技術的快速發展，如何為網絡用戶提供及時、個性化和有效的服務成為重要的研究課題。本體作為一種有效的概念建模工具受到了普遍的關注，并且在遠程教育領域也得到了大力的發展和應用。本文從整體上梳理了本體技術在遠程教育中的應用研究情況并分析了其三個重要的應用。

一、本體概述

本體（ontology）原本是一個哲學概念，后被引入人工智能、知識管理和計算機領域。最普遍引用的概念是“本體是共享概念模型的明確的形式化規范說明。”[1]主要包括四層含義[2]：概念模型（conceptualization）指通過抽象出客觀世界中的一些現象的相關概念而得到的模型；明確性（explicit）指所使用的概念及其約束條件都有明確的定義；形式化（formal）指本體是計算機可讀的（即能被計算機處理）；共享性（share）指本體中體現的是共同認可的知識，反映的是相關領域公認的概念集。

本體具有構建良好的概念體系和邏輯推理能力，它支持知識的重用，提高了系統間的互操作；使基于知識的檢索成為可能，并極大地改善了查全率和查準率。此外，本體在語義Web中的應用使網絡上的資源附加上了計算機可以理解的內容，是解決語義層次上網絡資源共享和交換的基礎。

世界范圍內研究本體的權威機構有：德國卡爾斯魯厄大學（AIFB） （注重對本體的基礎理論研究）、英國曼徹斯特大學（University of Manchester） 和美國斯坦福大學 （Stanford University）。此外還有英國開放大學的知識媒體研究所（KMI），主要研究語義網和知識服務，同時也是歐洲NeOn項目的重要參與者。國內的研究機構主要有中國科學院計算技術研究所、東南大學計算機系、上海交通大學和清華大學。國內研究比較偏向于技術，如本體建模、本體匹配、本體映射和推理算法等，多領域結合的應用項目少之又少。

二、本體在遠程教育中的主要應用

遠程教育為計算機應用研究提供了一個廣闊的平臺，智能代理、虛擬現實、網格技術等都極大地促進了遠程教學系統的優化并在一定程度上改進了資源的利用效率。近年，遠程教育越來越注重個性化、智能化服務，對學習系統的功能也提出了越來越高的要求，但系統平臺中的概念語義異構、資源重用率不高、匹配和推理能力差等問題卻一直未能得到有效解決，成為限制其進一步發展的技術瓶頸。而有良好概念表示和推理能力的本體技術的出現恰能有效地克服這些技術障礙，正成為遠程教育中技術應用的研究熱點。本體在遠程教育中的應用研究很多，有網絡資源組織管理、智能搜索服務、個性化的資源推薦、自適應學習系統構建、智能答疑系統等。網絡資源組織管理以本體、知識管理為基礎，涉及多領域知識；智能搜索則是一個應用廣泛的技術問題，本文對這兩方面暫不做討論，主要對現階段研究較多、與遠程教育結合緊密的個性化的資源推薦、自適應學習系統構建、智能答疑系統進行重點論述。

（一）學習資源的個性化推薦

網絡技術的發展使學習資源呈現多樣化、數字化，加之網絡教育的普及、招生數量逐年攀升，學生的信息迷航與教師支持服務不足日趨明顯，而依賴本體技術實現的個性化推薦正可以很好地支持教育的個性化，極大地改善學生的信息迷航、提高學習效率。

個性化推薦服務就是指信息檢索、網站系統或其他應用系統根據發現的用戶喜好，以推薦的方式動態地為用戶提供觀看內容或瀏覽建議，簡單地說，就是為用戶提供一對一的服務和指導，它是個性化服務的高級階段[3]。這種推薦機制以學習者本體和課程知識本體為基礎，通過一定的推薦機制和算法實現。在個性化推薦中，如何使用推薦算法從語義層次上構建學習者模型、為學習者推薦合適的學習內容是目前的研究熱點與難點。

1.個性化的學習者模型研究

為了實現個性化推薦服務，首先需要跟蹤和學習用戶的興趣和行為，即學習者本體模型構建。根據學習者知識表示方法的不同，學習者模型可分為如下幾類[4]：覆蓋模型是將學習者要學習的領域知識及其約束關系表示成一個有向知識結構圖，學習者的學習狀態被看作是此圖的子圖，學習過程被看作是子圖對原圖的逼近過程；偏差模型是通過把學習者的錯誤概念表示為領域專家知識的偏差而獲得學習者行為的模型；認知模型是基于美國心理學家布魯姆的認知理論發展起來的學生模型。學習歷史法是對學習者學習活動過程中的有關信息數據進行記錄并把這些記錄作為判斷學習者個性特征的重要依據。

一般在實際應用中可綜合兩者或兩者以上的類型，Gomes等就提出學生模型包括靜態數據（個人、個性、認知、教學和偏好）和動態數據（學習進度、學習狀態等）[5]。Essalmi等對教學方法、先決條件、學習風格、學習動機、媒體要求及語言偏好進行了整合[6]。

對以上模型類型進行選擇或綜合采用后，便可以建立基于本體的學習者模型。但還需注意的是學習者的興趣、愛好、知識學習等會隨著學習進行而發生改變，因此模型需具備一定的自學能力。

2.資源推薦算法

根據推薦時系統所采用的對用戶特征描述和推薦依據的不同，推薦方法大致分為[7]：基于規則的推薦、基于信息過濾的推薦、基于效用的推薦和基于知識的推薦。其中，基于信息過濾的推薦又分為基于內容的推薦和協同過濾推薦。另外還有結合了兩種以上推薦技術的組合推薦。

基于規則的方法是通過規則來決定不同情況下如何推薦資源對象，其本質上是一個if-then語句。基于內容的推薦是目前個性化推薦服務的主流，協同過濾推薦也是研究較多的推薦技術。

3.個性化推薦系統研究現狀

國內外個性化推薦研究很多，但大都應用在電子商務領域，如Amazon，eBay等，在教育領域中研究相對較少。國外對個性化系統的研究有：麻省理工大學的Lieberman開發了個性化瀏覽輔助智能體Letizia[8]，卡內基·梅隆大學的Joachims等推出了個性化推薦智能體Webwatcher[9]，加利福尼亞大學的Pazzani和Billsus推出的個性化智能體syskin&webert[10]，斯坦福大學提出的基于內容的協同推薦原型系統FAB[11]等等，它們均采用不同的推薦算法或綜合多種不同算法。

國內學術界對個性化服務的研究起步相對晚一些，但也有了較多研究成果，并構建了一些個性化推薦的原型系統。如：清華大學推出的一種混合推薦原型系統——Open Bookmark[12]，CNKI和萬方數據庫為讀者提供的相似資源推薦功能等。

個性化資源推薦系統研究是當前基于本體遠程教育研究的熱點，也取得了較好的研究成果，但對學習者模型、推薦算法以及問題資源的匹配仍需深入。

（二）自適應學習系統的構建

美國研究者Brusilovsky在1996年提出了自適應超媒體系統 （AdaptiveHypermediaSystem，AHS）的概念，其中自適應是指系統中的所有超媒體能夠通過用戶模型體現用戶特征，并且系統根據用戶模型的特征反饋適合于用戶需求的可視化資源或者提供個性化的導航支持[13]。

簡單地說，自適應學習系統是根據學習者模型，智能地為學習者提供自適應的學習資源。它跟個性化推薦系統實現的功能基本一致，甚至在許多研究工作中將兩個術語一起使用。但兩者是有差異的，自適應學習系統強調系統完整性，而個性化推薦往往作為一個功能嵌入到系統的某個模塊，如學習資源、作業區等。在研究與應用中將兩者界定清楚是十分必要的。不過此處也可以看出本體技術應用是整體系統和局部技術共同發展的，本身還存在一些技術難關，如何使推薦算法更完善、實現系統整體的推薦性都是研究者密切關心的。

鑒于自適應學習和個性化推薦的核心算法一致，在此不再贅述，重點突出其系統性。

1.自適應學習系統一般結構

不同的研究者提出的模型不盡相同，本文以劉志勇[14]的自適應學習系統結構圖為例，如圖1，此圖屏蔽了一些外在的架構，較好地表現了自適應學習的作用機理。

圖1 自適應學習系統結構圖[15]

在學生進入系統學習時，系統會根據學習者模型了解學生的學習能力和認知能力等特征，然后從知識庫和資源庫中提取出適合學習者的學習內容（內容的組織和編排也會顯示出自適應的特性）。學習者在學習過程中可以借助一定的學習工具輔助學習，在遇到問題時可以去交流區（也基于本體構建），隨時獲得適應性的服務。最后系統會對學習結果進行評價，同時根據評價結果對系統進行自我更新，包括學習者模型、本體庫和推薦算法的更新等，以保證系統良好的自適應性。

2.自適應學習系統的研究

對自適應學習系統的研究很多，尤其歐洲和美國的一些研究項目都有了豐富的成果。德國特里爾大學的ELM小組的開發的ELM-ART II會依據用戶模型幫助其找到“最優學習路徑”，但學習者可以服從系統決定，也可以自主決定，系統會信任學習者的選擇[16]。AHAM（AdaptiveHypermediaApplication Model）能夠自適應地呈現多個內容，是基于前一版本AHA!的改進[17]。ApeLS構建學習者模型和元數據標注，為不同風格的學習者提供不同的學習頁面[18]。國內由清華大學、華南師范大學、中央電大和電大在線共同研發的LAGrid已經成功應用于電大的學習評價，并取得很好的效果[19]。

這些系統為適應性學習提供了基礎架構與支撐，但在這些支撐之上如何為學習者提供適應性學習還少有研究[20]，如何從教育的角度補充技術研究的不足正成為研究者的一個新視角。

（三）智能答疑系統

智能答疑系統主要是對學習者在學習過程中遇到的疑問給予在線解答。遠程教育師生分離，需要及時有效的交互消除學生的孤獨感，智能答疑系統不僅能有效減輕遠程教師的工作量，還能做到及時準確。

智能答疑系統應支持自然語言的提問、自動檢索問題并呈現有效答案，能夠通過學習自動擴展和更新答案知識庫。這使學生在學習時能夠使用自己熟悉的方式表達問題，并能夠及時獲得與問題較為相關的反饋答案[21]。

1.智能答疑系統的一般模型

圖2 智能答疑系統的架構[21]

此處采用宗裕朋[22]的系統模型做分析，如圖2，該模型引用率較高、具有一定的代表性。智能答疑系統工作的大致流程是：首先語法分析部分將用戶的問題經過自然語言轉換、分詞、語義標注等處理后找出對應的問題模式進行匹配，然后基于領域本體庫將其映射成本體語義塊。如果無法實現直接映射，則根據語義相似度的高低選擇最為接近的問題的答案輸出。在智能答疑系統中，核心的算法便是問題匹配和語義相似度計算。

能通過本體和問題模式庫找到對應問題時，便可以使用轉移網絡來查找答案。對于匹配不成功的問題可以采用語義相似度進行模糊匹配。語義相似度主要是計算用戶提問與模式庫中問題的相似度，若高于已設定好的語義相似度閾值，則認為該庫中的問題同提問是接近的，便可返回此答案。

2.智能答疑系統研究

國外比較著名的有美國的AskJeeves和麻省理工學院的自動問答系統。國內上海交通大學的遠程教育中心設計開發的Answerweb自動答疑系統已初步具備了智能答疑功能，如果智能答疑查找失敗就會進入到人工答疑模塊，然后將新問題添加到庫中。相比之下，國內的智能答疑系統技術還不成熟，大多作為平臺的一個功能模塊，而國外多作為一個獨立的系統研發，同時也可以看出國內對其的重視程度不足。智能答疑系統還是一個比較難的技術課題，但它的研究將為遠程教育平臺功能帶來大的突破。

三、總結

本體的研究和應用總體來說還是一個新興的研究領域，在遠程教育中的應用研究也剛剛起步，還有許多的問題需要研究和解決。本文嘗試對遠程教育中的本體應用研究進行一個系統的梳理，借以理清其現階段的研究發展現狀，把握研究的全局態勢和后續研究方向。

個性化資源推薦與自適應學習系統主要實現了學習系統的個性化功能，智能答疑則主要實現了系統智能交互，解決了遠程教育中師生比較小帶來的矛盾。從實現上看，個性化推薦和自適應學習系統已有較多應用并取得很好的效果，而智能答疑的技術實現相對較難，很多還在試驗、測試階段。此外，從國內的智能答疑系統研究情況看，除技術難關外，研究思路也有局限，國內將答疑作為平臺的一個子功能模塊，在強調系統整體功能時難免有所疏漏。

本體作為一種有效的概念建模工具，在遠程教育中的應用不止上述幾點，如多學科的交叉（如網絡資源組織管理等）、更加細致的小功能等。相比大的研究機構，研究者可以選擇小功能研究，用細心與創新來推動本體的新應用與遠程學習平臺的完善。另一方面，由于遠程學習所面臨和研究的問題在許多行業和場所都存在，如卓越網中的圖書推薦功能等，相關的研究成果可以很容易實現多個場景的轉化使用[23]。此外，現階段對本體技術的遠程教育應用研究主要來自于教育技術和計算機科學的研究者，前者關注教育理念，后者關注技術，如何把教育新理念和技術優勢結合起來，也將是下一步的研究方向。

[1]Studer R,Benjamins V R,Fensel D.Knowledge Engineering：Principles and Methods[J].Data and Knowledge Engineering,1998,25(1-2):161-197.

[2]鄧志鴻，唐世渭，張銘等.Ontology研究綜述[J].北京大學學報（自然科學版），2002，38（5）：730-738.

[3]顏端武.面向知識服務的智能推薦系統研究[D].南京：南京理工大學，2007：6-7.

[4]周竹榮.基于語義的教學網格門戶研究[D].重慶：西南大學，2008：23-26.

[5]Gomes P,et al.Using Ontologies for elearning personalization[A].Proceedings of the 3rd E-learning Conference-Computer Science Education[C].Coimbra:2006.

[6]Essalmi F,et al.A Multi-Parameters Personalization Approach of Learning Scenarios [A].Proceedings of the Seventh IEEE International Conference on Advanced Learning Technologies(ICALT2007)[C].IEEE2007:2007.

[7]曹正強.基于本體的學習資源推薦應用研究[D].重慶：西南大學，2010：2-4.

[8]Henry L.Letizia an AgentthatAssistsWeb Browsing[A].Proceedings of the International Joint Conference on Artificial Intelligence[C].Montreal:1995,97-102.

[9]Joachims T,et al.WebWatcher:A Tour Guide for the World Wide Web[A].Proceedings of 15th International Joini Conference on Artificial Intelligence(IJCAI-97)[C].Nogoya:1997.

[10]Pazzani M,Muramatsu J,Billsus D.Syskill&Webert:Identifying interesting web sites[A].Proceedings of 13th National Conference on Artificial Intelligence(AAAI 96)[C].California:1996.

[11]Balabanovi c′M,Shoham Y.Fab:Content-Based,Collaborative Recommnendation[J].Communications of the ACM,1997,40(3):66-72.

[12]馮翱，劉斌，盧增祥等.OpenBookmark——基于Agent的信息過濾系統[J].清華大學學報（自然科學版），2001，（3）：85-88.

[13]Brusilovsky P.Methods and techniques of adaptive hypermedia[J].User Modeling and User Adapted Interaction,1996,(6):87-129.

[14][15]劉志勇.基于本體的自適應學習方法及應用研究[D].長春：吉林大學，2010：36-38.

[16]Weber G,Brusilovsky P.ELM-ART:An Adaptive Versatile System for Web-based Instruction[J].International Journal of Artificial Intelligence in Education,2001,(12):351-384.

[17]Paul De Bra,et al.AHA!meets AHAM [J].Lecture Notes in Computer Science,2002,388-391.

[18]Conlan O.The Multi-Model,Metadata Driven Approach to Personalised e Learning Services[D].Dublin:University of Dublin,Trinity College,2005,93-97.

[19]王冬青.基于網格環境的遠程學習評價研究[D].廣州：華南師范大學，2005：116-119.

[20]曾玲.基于本體的適應性學習系統（OBALS）之系統模型[D].廣州：華南師范大學，2007：6-8.

[21]胡娜.遠程教育中智能答疑系統的設計與實現[D].北京：北京交通大學，2007：1-2.

[22]宗裕朋.基于本體的中文智能答疑系統研究與實現[D].上海：上海交通大學，2007：7-9.

[23]吳飛，吳兵，申志斌.新一代網絡教學平臺特征和技術難點的分析與探討[J].開放教育研究，2009，（1）：10-20.

Application of Ontology Technology in Distance Education:An Overview

Chen Kun and Zhang Xiumei

With the rapid development of internet technology,how to provide internet users with immediate,personalized and effective services has become a pressing issue.As an effective conceptualization tool,ontology has drawn widespread attention in all fields,including distance education.Different applications of ontology technology are discussed,including personalized resources recommendation,which is already well-researched,self adaptive learning systems,and intelligent Q&A systems.It is believed that the former two focus on the personalized functions of the learning management systems,and have been widely used and made great achievements,while the latter one mainly realizes intelligent interaction of the systems,which is a difficult process and is still under test.

ontology;distance education;distance learners;personalized resources recommendation;self adaptive learning systems;intelligent Q&A systems

G434

A

1009—458x（2012）02—0017—04

2011－10－15

陳琨，在讀碩士；張秀梅，博士，副教授，碩士導師。華南師范大學教育信息技術學院（510631）。

責任編輯 池 塘