面向網絡學習的學習者個性挖掘研究

寧建飛

摘 要： 提出了一種面向個性化網絡學習的學習者個性挖掘（Personality mining）及自適應學習策略生成的解決思路，即：通過對樣本學習者的個性調查和學習行為模式的分析，挖掘出“行為模式-個性-學習策略”三者之間的關聯關系，并據此實現學習者個性的自動獲取與自適應學習策略的生成，為學習者提供網絡學習的策略推薦。

關鍵詞： 網絡學習； 個性挖掘； 行為模式； 策略推薦

中圖分類號：TP3 文獻標志碼：A 文章編號：1006-8228（2015）03-30-03

Abstract： This paper propose a personalized network learning learners oriented personality mining method and idea of adaptive learning strategy generation. that is， through the analysis of the samples of the learner's personality investigation and learning behavior， to dig out the incidence relationship between "behavior patterns-personality-learning strategies" of the three， and then to realize the learners' personality automatic acquisition and adaptive learning strategy generation， and to provide recommendations of network learning strategy for the learners.

Key words： online learning； personality mining； behavior pattern； policy recommendation

0 引言

目前，網絡學習技術和應用還主要集中在如何運用多媒體網絡技術突破傳統教學的時空限制這一基本問題上，而在如何滿足學習者個性化自適應學習需求方面還很欠缺。能否根據學習者的個性特征設計自適應的學習策略并提供合適的學習內容是決定學習效率的關鍵。因此，人們逐漸開始探究網絡學習的個性化機理，以及個性特征與學習策略、學習內容之間的關系等一系列問題。

個性化網絡學習逐漸成為研究的熱點，研究主要集中在學習內容的個性化導航和學習策略的個性化設計兩個方面。前者是指網絡學習系統針對學習者的學習目標、認知水平等因素提供相應學習內容；后者則是指網絡學習系統根據學習者性格、動機、偏好、風格等非智力因素確定學習環節的組織、傳遞和管理方法。

1 學習者模型和數據收集

學習者模型是個性化網絡學習的前提與基礎，是對某個或某類學習者的抽象。學習者個性挖掘過程也就是學習者模型建立與完善的過程。目前，典型的學習者模型為IEEE 1484.13 PAPI（public and private information）[1]，它從個人資料、學業、管理、關系、安全、偏好、績效和作品集八個方面描述學習者。但由于該模型還缺少對學習者非智力因素（如性格、動機、風格等）的描述，因而還不足以作為個性化學習策略的制定依據。以現代教育理論為指導，在IEEE l484.13模型的基礎上進一步引入卡特爾16種性格特征、動機模式、學習風格等對學習者非智力因素的描述，建立更加完善的、能夠綜合反映學習者個性與行為特征的學習者模型，從而為個性挖掘以及自適應學習策略的生成提供了基礎。

2 學習者個性挖掘機理

與其他領域的數據挖掘相比，網絡學習環境下學習者的個性挖掘更具有復雜性、動態性、分散性等特點。復雜性體現在學習者學習行為模式異構多樣，個性模式維數較多且屬性值多為數值型等；動態性體現在學習日志數據的內容不斷更新；分散性則體現為數據來源廣泛，不僅包括各種個性測量表，還包括系統記錄的學習日志和網頁內嵌機制采集的學習行為數據。簡單地采用常規數據挖掘算法，會導致挖掘過程復雜度高，效率與精度低下。針對上述問題，提出個性挖掘工作機理，如圖2所示。

首先，通過對樣本學習者進行個性調查和日志收集，獲得個性數據、行為數據以及學習策略數據，通過數據預處理對垃圾數據進行清型、整合、歸約。基于粗糙集理論的個性屬性歸約可實現個性數據的降維，獲取對學習策略影響重要程度高的個性特征屬性。它依據學習者的個性屬性間存在的關聯關系，并鑒于各自對學習策略的影響程度有顯著差別，因此約簡掉那些能夠被其他屬性導出的屬性，保留那些對學習策略影響最大的屬性，如此就能達到降低個性挖掘與個性化學習策略生成復雜度的目的。數據預處理還包括日志分析中的會話識別、路徑補全、噪聲消除等工作。

其次，通過對網絡學習行為日志進行統計和序列模式分析，獲得學習行為模式；同時，對個性特征與學習策略進行粗糙集分析，挖掘出行為-策略的關聯規則，此部分工作還可發現與學習緊密相關的關鍵個性屬性，實現第二次個性屬性歸約，達到個性模型的進一步簡化。出于個性化服務是針對具有共同個性特征的學習者群體開展的，因此還對學習者的群組劃分進行了研究，采用聚類算法根據學習者個性特征的相似性計算，將學習者分為若干群組。

再次，以用戶分組為目標，結合學習策略和行為模式，采用關聯規則挖掘方法，挖掘個性與策略、個性與行為的關聯關系，建立個性-策略關系庫和個性-行為關系庫。

最后，依據上述步驟建立規則庫，對當前學習者的行為模式進行推理，從而自動獲得學習者個性特征，為個性化學習策略推送服務提供基礎。

上述過程中，個性聚類、個性模式與行為模式的關聯規則分析是通過樣本數據獲得規則的過程，而個性特征獲取則是利用行為模式與所獲規則得到當前學習者個性特征的過程。需要強調的是，個性挖掘是一個反復迭代、逐步逼近的過程，隨著該過程的推進，學習者個性特征（包括屬件值與權重）將逐步逼近真實值。

3 個性挖掘實例

前面已經介紹了完整的個性挖掘流程。下面以我校的大學生職業生涯規劃與就業指導網絡學習平臺為學習環境，以三個學習者的真實網絡學習日志和相關數據為實例，演示“新學習者”到來時如何僅通過他們的學習行為推斷其個性特征，又如何進—步為他“指點”有效的學習策略，這兩個過程稱之為“個性推理”和“策略推薦”。

三個學習者的UserID是14304040114、14305020202和14306300227，都是我校2014級學生，從同一批采集的數百名學習者中隨機選出。他們被選中的條件很簡單，首先行為日志量不能太少，其次學習者的職業生涯規劃與就業指導課的成績屬于優良，這時認為學習者現行使用的學習策略至少是有效的（雖然對于其個性而言未必是最有效的），這樣，通過對比分析能夠了解我們推薦的策略是否“中肯”。出于對隱私的尊重，這里不能列出他們具體卡特爾16pf得分，他們的真實個性類別和學習策略使用情況如表1。在個性推理之初，新學習者的個性和學習策略都是未知的，也就是說，表l的內容是用來與個性推理所得結論進行對比的。

Step1 日志數據清理

從我校的大學生職業生涯規劃與就業指導網絡學習平臺網站Web日志中按照UserID以時序整理出包含這三個用戶在某一時段的多條動作，完成UserID的填寫、動作編碼、時間提取、內存編碼等數據清理工作。內容編碼是按照網站拓撲逐層編號形成的。

Step2 會話識別

由于網站面向注冊用戶，無須用戶識別，幫直接進人會話識別階段。我們規定動作時間間隔小于30分鐘為同一會話，得到了這三個學習者的日志經識別后形成的會話表。

Step3 行為模式識別

該序列模式體現了“課件瀏覽、查詢、自檢、交互、評注和協同”中的行為。根據會話，匹配檢查出現了哪些活動層行為序列模式和其頻度，最后累加到六種行為上去。由于他們各自會話個數不同，所以最后的結果還要除以每個學習者自己的會話數。

Step4 個性推理

根據行為-個性規則“課件瀏覽=中，交互=中，有恒性=中”和“交互=少，評注=中，恃強性=低”，推理出他們三人的個性特征都符合“有恒性=中”，且14305020202還符合“恃強性=低”；進一步，參照五種個性特征，簇A和B的有恒性G都介于（3，8），所以14304040114與14306300227的個性類型為B；但是簇A、B和D的恃強性E都為“中”，只不過簇A的恃強性取值為4，最接近“低”，因此嚴格地說對于14305020202尚不能夠區分他到底應該屬于簇A還是B。根據這三個學習者真實的個性類別，這個個性推理結論是完全可以接受的。

Step5 學習策略推薦

依據獲得的個性-學習策略規則：對簇A有“侍強性E=中，世故性N=中，語言形式策略=少”和“世故性=中，憂慮性=中，緊張性=中，管理策略=多”；對簇B有“樂群性A=中，幻想性M=中語言形式策略=少”和“NOT（懷疑性L=中） 情感策略=少”。所以，對于14304040114與14306300227兩位學習者，既然已推斷他們為B類學習者，則不能推薦他們使用語言形式策略和情感策略，否則他們需要付出很多的努力來克服自己“容易煩惱憂慮、容易激動和受環境支配而心神動搖”的天性，使得學習的過程事倍功半；應該推薦給他們另外三種學習策略：{管理策略、語言功能策略和交際策略}。

對于學習者14305020202，策略推薦要求為：語言形式策略=少，管理策略=多，情感策略=少，即給他的策略推薦集合為{管理策略，語言功能策略，交際策略}。

4 結束語

通過由學習行為到個性類別的“個性推理”階段和依據個性特征提供學習策略建議的“策略推薦”階段的演示，從隨機選出的三名學習者例子可以看出，在這兩個階段都能獲取較理想的結果，在一定程度上說明了個性挖掘機理和三個關鍵步驟的有效性。只要有一定量的學習行為日志就能夠向學習者提供較佳的個性化推薦服務。

參考文獻：

[1] 劉均，李人厚，鄭慶華.網絡學習中學習者個性挖掘方法的研究[J].西

安交通大學學報，2004.38（6）：576-579

[2] 錢曉東.數據挖掘中分類方法綜述[J].圖書情報工作，2007.51（3）：

68-71

[3] 史忠植.知識發現[M].清華大學出版社，2002.

[4] 粟湘，焦微玲，吳沛.Web挖掘應用研究[J].信息系統，2005.28（6）：

651-655

[5] 黃永光.基于網頁挖掘的搜索引擎若干技術的研究[D].哈爾濱工業大

學工學碩士學位論文，2006.