本體驅動的e-Learning知識資源個性化推薦研究*

趙 蔚，姜 強，王朋嬌，王麗萍

(1.東北師范大學 計算機科學與信息技術學院，吉林 長春 130117；2.遼寧師范大學 計算機與信息技術學院，遼寧 大連 116029；3.吉林大學 教育技術中心，吉林 長春 130062)

本體驅動的e-Learning知識資源個性化推薦研究*

趙 蔚1，姜 強1，王朋嬌2，王麗萍3

(1.東北師范大學 計算機科學與信息技術學院，吉林 長春 130117；2.遼寧師范大學 計算機與信息技術學院，遼寧 大連 116029；3.吉林大學 教育技術中心，吉林 長春 130062)

e-Learning重要特點就是能夠根據學習者特性、需求，適應性呈現學習資源和學習路徑，實現個性化學習，有效促進學習目標達成。為實現e-Learning知識資源個性化推薦，該文采用基于知識推薦技術，同時基于本體技術創建學習者知識和知識資源，在教學模式的指導下實現知識資源個性化推薦。實驗結果表明：學生能夠很好理解本體概念，愿意學習本體知識，同時認為本體驅動的知識資源個性化推薦很有用，能夠滿足個性化學習需求、激發學習者學習動機、增強網絡自主學習能力及優化學習過程。本文研究的意義：一是基于學習者特征討論了合適的推薦技術；二是設計了學習者知識和學習資源的通用本體；三是為知識資源個性化推薦設計了有效指導教學模式。

本體；個性化；e-Learning；基于知識推薦；知識資源

e-Learning實現了學習者自主學習方式，增強自主學習能力，真正體現“以學習者為中心”的學習，便于在遠程學習中學到知識，增長才干，符合教育規律和學生身心發展規律。與此同時，e-Learning發展過程中也面臨很多問題，比如學習資源異質、分布、海量、良莠不齊，導致學習者將面臨前所未有的“學習迷航”和“認知過載”，如何從海量數據中發現與獲取“學習者真正需要的知識”？再比如，學習者的個性、興趣、需求千差萬別，如何實現“將合適的知識以合適的粒度提供給合適的用戶”？

為解決e-Learning中普遍存在的關鍵性難題，很多研究者圍繞著個性化推薦學習做了大量的研究，已成為e-Learning中非常重要的研究領域，比如都柏林圣三一學院的Owen Conlan等人在2002年采用e-Learning標準開發的個性化教育系統APeLS[1]；意大利羅馬大學的Sangineto在2008年基于Felder-Silverman學習風格模型開發的適應學習者風格顯示課程內容的個性化e-Learning平臺DIOGENE[2]；日本京都大學的Zhiwen和他的同事在2007年采用本體開發了一個用于情景學習的推薦系統[3]；西班牙卡斯提亞-拉曼徹大學的Manuel等人在2008年提出了在學習設計實踐中能幫助教師的推薦系統[4]；上海交通大學申瑞民教授等人在2005年基于本體技術實現學習內容推薦，利用序列規則連接學習對象[5]；臺灣國立成功大學的Tsai等人在2006年依據個人偏好和同伴興趣推薦算法設計個性化自適應學習系統[6]；德國漢諾威大學的Henze等人在2004年設計了3個本體，如學習者本體、領域本體和觀察本體，開發個性化推薦系統[7]。此外，還有一些系統如AIMS[8]、 LAOS[9]、OntAware[10]，Personal Reader[11]和 TANGRAM[12]等也都采用個性化推薦技術實現知識資源的適應性呈現。研究結果表明個性化推薦學習的實質是一種“信息找人”的服務模式[13]，主要考慮因素有學習者偏好、興趣、學習能力、背景知識及學習行為等。個性化學習系統能夠根據用戶特性為其提供個性化過濾和呈現服務，推薦依據主要是學習者興趣、偏好和知識背景等。這種個性化推薦系統無論對于教師還是學生都是非常有用的，其中對于學生而言，系統能夠根據其學習目標、學習需求、學習偏好等信息提供最合適的學習資源和學習路徑，有利提高學習質量，提高學習速度，優化學習過程；對于教師而言，系統能夠將所設計的資源在最合適的時候傳授給最合適的學生，能夠實時自動監控個體，個性評價學生的學習信息[14]。

然而，盡管在e-Learning中采用個性化推薦技術，可以實現學習需求和學習資源適合學習者“最近發展區”，但目前采用個性化推薦技術仍存在不足之處。通常采用的推薦技術有協同過濾技術，主要依據用戶評價信息和學習歷史信息推薦學習資源，根據不同用戶對學習資源的評價信息，自動地將用戶進行歸類，然后將用戶所感興趣的信息推薦給同類他人，這種推薦技術不足之處是需要建立在大量的用戶評價信息基礎上而發生，所以容易產生“冷啟動”問題。基于內容推薦是另一種常采用的推薦技術，實現機制是首先用戶選擇自己所喜愛的資源，然后將具有與此資源相似屬性的其它資源推薦給該用戶，這種推薦技術不足之處是推薦的多數資源都較相似，幾乎毫無差別，不利于發現新資源，這種推薦技術的實現也須有大量信息為基礎，所以也容易產生“冷啟動”問題。由此可見，無論采用協同過濾技術或是基于內容推薦技術或是二者混合推薦技術去實現e-Learning中個性化知識推薦，都存在“冷啟動”問題，這個缺陷極大地影響了學習資源推薦質量，出現了不能準確推薦學生喜歡的知識資源或推薦了學生不喜歡的知識資源，都會影響學生對網絡學習的信心，嚴重可能導致學生直接輟學現象。因此，本研究將采用一種能解決上述推薦技術存在問題且比較實用推薦技術——基于知識推薦技術[15]，同時在本體驅動下根據本文提出的教學模式共同實現e-Learning中知識資源個性化推薦，實現根據學習者知識水平、學習偏好、學習風格及學習歷史等適應性呈現學習內容，增強學習者學習信心，提高e-Learning學習質量，從而解決e-Learning中普遍存在的關鍵性難題。

一、基于知識推薦技術

表1顯示了常見三種資源推薦技術，通過比較分析可知基于知識推薦是最適合e-Learning的推薦技術[16]。基于知識推薦依賴用戶知識和領域知識，通過功能知識的推理能滿足用戶需求來產生推薦，它不依賴于用戶對資源評分等關于用戶偏好的歷史數據，故其不存在“冷啟動”方面的問題。此方法也不涉及數據稀疏性和知識專門化問題，始終能夠給學習者帶來新知識資源的驚喜。此外，基于知識推薦能夠響應用戶的即時需求，會因用戶偏好發生變化而變化。

表1 常見推薦技術比較

在基于知識推薦的個性化e-Learning系統中，語義本體被廣泛地應用于領域知識、用戶知識的表達，利用本體方法呈現知識，不但能夠很好實現知識的共享、重用和可操作性，還能讓學習者更直觀理解知識之間的關系，如呈現當前知識的先前知識、后續知識及相關知識（以《C程序設計》課程第五章選擇結構程序設計為例，其知識本體結構如圖1所示），更快速的建立知識體系，符合美國學者瑞格盧斯提出的宏策略思想，有利于提高學習效果。此外，利用本體知識還能夠創造出機器更容易理解的資源描述，實現知識資源個性化和自適應性呈現。

圖1 知識本體關系圖

二、學習者知識和知識資源本體設計

基于知識推薦技術實現e-Learning知識資源個性化推薦的核心基礎是學習者知識和學習知識資源，因此本研究將采用本體技術設計學習者知識和學習知識資源，不但能夠很好實現知識資源共享、重用和可操作性，還能夠創造出機器更容易理解的資源描述，實現知識資源個性化和自適應性呈現。

1.學習者知識本體

學習者知識是指學習者特征信息，包括個人信息、學習偏好、學習風格、學習成績及學習能力等(如圖2所示)，是e-Learning中知識資源個性化推薦服務的依據[17][18]。所有信息可以通過顯性和隱性兩種方法獲取，比如采用所羅門學習風格量表顯性調查得到學習者的初始學習風格，然后通過挖掘學習行為(如記錄學習路徑、學習資源類型、停留時間、瀏覽次數、練習次數等)動態更新學習風格[19]。

圖2 學習者知識本體

從圖2中可知，學習者是一個基礎類，其中子類個人信息主要包括用于標識其身份特征的一些數據類型屬性，如姓名、年齡、性別、電話等；子類學習成績中有用于記錄學習者成績的數據屬性，如學習主題、學習分數和日期等；子類學習能力代表著學習者在學習過程中的學習能力層次，主要采用概念累積計分法確定[20]，也可以采用項目反應理論和最大似然估計法確定[21][22]；子類偏好中有學習者在學習語言、文本顏色等傾向性偏好的數據屬性；子類學習風格依據Felder-Silverman學習風格模型記錄了學習者的學習風格類型，包括了四個維度，如活躍型/沉思型、感悟型/直覺型、視覺型/言語型和序列型/綜合型。

2. 知識資源本體

知識資源本體描述領域知識的結構，包括概念和概念間的關系(如圖3所示)，是e-Learning中知識資源個性化推薦服務的基礎。

圖3 知識資源本體

知識資源本體結構主要包括3個層級，分別為課程、章節和學習對象。課程類為第一個層級，通過元數據中的標題、關鍵詞等數據屬性描述課程特征；章節類為第二個層級，與課程類構成了多對一的映射關系；學習對象類為第三個層級，也是最為重要的類，與章節類構成了多對一的映射關系。在學習對象類中包括了兩個子類，分別為交互式學習對象子類和被動式學習對象子類：交互式學習對象子類包括模擬、練習、活動和測試等對象，被動式學習對象子類包括實例、定義、解釋和參考等對象，所有這些對象都可以使用元數據中的一些屬性，如標題、關鍵詞、難度系數、媒體類型、語義密度等描述。

三、知識資源個性化推薦的教學模式

e-Learning知識資源個性化推薦并非就是依據用戶偏好、學習能力等信息，還要依賴有效的教學模式指導，一個好的教學模式，有利于提高網絡學習質量。教學模式是指在一定教學思想指導下建立起來的教學活動結構框架和活動程序，通常情況下是由教師執行完成，然而由于推薦系統能夠扮演教師的角色，能將所設計的資源在最合適的時候傳授給最合適的學生，因此本文研究的教學模式將由知識資源個性化推薦系統執行完成，體現了一種與教師教育不同的教學方法，教學模式流程如圖4所示。首先，學習者進入系統并確定本次學習目標，然后，系統會根據學習需求呈現學習主題，最后呈現與該主題相關的個性化知識資源。在知識資源個性化推薦過程中，主要依賴于四個分析過程：一是分析顯示學習主題的先前知識，目的在于使學習者清楚為了順利完成此次學習目標，需要學習的主題以及與該主題相關的先前知識。在知識資源本體設計中有個非常重要的對象屬性“HasPrerequisite(先前知識)”，領域專家利用HasPrerequisite屬性將所有的學習主題建立前后關聯關系，這樣便很容易顯示出學習主題的先前知識；二是分析判定學習者知識背景，通常對初次登錄系統的學習者進行判定，目的在于系統會根據學習者的知識背景篩選學習主題的先前知識，可將已經掌握的先前知識舍掉，判定方法采用項目反應理論和最大似然估計法確定，系統會自動將學習者知識背景記錄到學習者知識本體當中，等學習者再次登錄系統時，系統便會顯示篩選后的先前知識；三是分析判定學習者的學習風格，目的在于系統能根據學習者的學習風格狀態個性化呈現不同教學媒體類型資源和學習活動序列，判定方法主要采用兩種方法實現，一種是通過所羅門學習風格量表初測學習風格，另一種是基于規則或利用貝葉斯網絡方法挖掘學習行為模式為主的隱性方法更新學習風格，系統會自動將學習者的學習風格記錄到學習者知識本體當中；四是分析判定學習者知識能力，目的在于判定學習者是否達到學習目標，同時也能判定學習者的知識能力層級。若沒有達到學習目標，系統會根據學習者的知識能力層級向學習者推薦相應難度系數的知識資源重新學習，判定方法可以采用概念累積計分法，也可以采用項目反應理論和最大似然估計法確定，直至完成。

圖4 知識資源個性化推薦的教學模式流程圖

四、本體驅動的知識資源個性化推薦學習效果評價

本實驗以遼寧師范大學2009級教育技術學和計算機專業合計60名學習者作為研究對象，在研發的面向“服務”的自適應學習系統(SOALS，Service-Oriented Adaptive Learning System)[23]中進行C語言的學習，對基于本體驅動，采用知識推薦技術實現學習資源個性化呈現的學習效果進行評價。本文主要通過收集和分析兩類數據實施學習效果評價：一類是問卷調查數據，另一類測試數據，如期中測試、期末測試、作業及課堂測驗等。表2顯示了學生調查問卷反饋結果(實際發放調查問卷60份，回收58份，有效回收率為96.7%)。

表2 本體驅動的知識資源個性化推薦學習效果評價的問卷反饋結果

表2中，前3個問題是調查學生對采用本體方法呈現知識認可度的反饋結果，結果顯示學生給予了很高的評價，77.6%的學生很同意基于本體的知識可視化有利于提高學習效果，96.5%的學生同意利用本體方法呈現知識利于發現關聯知識，提高資源檢索正確性，86.2%的學生同意利用本體方面描述學習者信息提高個性化學習效率，這些數據信息表明學生能夠很好理解本體概念，愿意學習本體知識。表中后3個問題是調查學生對知識資源個性化推薦認可度的反饋結果，結果顯示86.2%的學生很喜歡即可以自己定制學習內容、學習路徑，又可以按著系統推薦資源、路徑進行學習，89.7%的學生同意個性化學習服務支持系統中學習有利于提高學習動機，93.1%的學生愿意在個性化學習服務支持系統中學習。可見，通過問卷調查得出學生認為本體驅動的知識資源個性化推薦很有用，能夠激發學習者學習動機，增強網絡自主學習能力，有效改善網絡學習質量。

圖5顯示了在自適應學習系統中應用本體技術前后的學習能力結果，測評數據來自學生的期中測試、期末測試、作業及課堂測驗等，然后采用項目反應理論和最大似然估計法確定。本文通過六方面對比分析學習能力：

(1)LO1：學習對象基本概念理解能力；(2)LO2:學習對象概念語義關系理解能力；(3)LO3：問題理解與解決能力；(4)LO4：知識結構識別能力；(5)LO5：知識呈現與分享能力；(6)LO6：批判思維能力。

通過圖5顯示結果可以看出在自適應學習系統中，LO1至LO5學習能力應用本體技術要高于非本體技術，而對于LO6，應用本體技術與非本體技術，學生的批判思維能力差別不大。總之，無論通過問卷調查或是通過分析學生的測試數據都充分肯定了本體驅動的知識資源個性化推薦較好的學習效果。

圖5 應用本體技術前后的學習能力結果

五、結論

本文通過比較分析e-Learning領域中的三種常見知識資源推薦技術，證明了基于知識推薦是最適合e-Learning的學習領域。然而，若要實現基于知識推薦，就需要創建學習者知識和學習知識資源，本文則采用本體技術去實現，不但有利于實現知識的共享、重用、可操作性及建立知識之間的關聯關系，而且還利于實現知識資源個性化和自適應性呈現。知識資源個性化推薦并非就是依據用戶偏好、學習能力等信息，還要依賴有效的教學模式指導，一個好的教學模式，有利于提高網絡學習質量，因此本文提出了知識資源個性化推薦的教學模式。在教學模式中，主要完成了判定學習者背景知識，呈現先前知識，同時根據背景知識移去已掌握的先前知識，判定學習者的學習風格及分析判定學習者知識能力等功能。整個知識資源推薦呈現過程通過語義本體查詢語言SPARQL實現，可在Protégé軟件中進行調試執行。文章最后闡述了本體驅動的知識資源個性化推薦學習效果評價，通過問卷調查得出學生能夠很好理解本體概念，愿意學習本體知識，同時認為本體驅動的知識資源個性化推薦很有用，能夠滿足個性化學習需求、激發學習者學習動機、增強網絡自主學習能力及優化學習過程；通過學生的期中測試、期末測試、作業及課堂測驗等測評數據得出學生對采用本體方法實現的知識資源個性化推薦分別在學習對象基本概念理解能力、學習對象概念語義關系理解能力、題理解與解決能力、知識結構識別能力以及知識呈現與分享能力等方面均有顯著性提高。

[1] Conlan, O., Wade, V., Bruen, C., and Gargan1, M. Multi-Model,Metadata Driven Approach to Adaptive Hypermedia Services for Personalized e-Learning[A].Paul De Bra.The Second International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems[C].London: Springer-Verlag, 2002.100-111.

[2] Sangineto, E.An Adaptive E-Learning Platform for Personalized Course Generation [A].Claus Pahl. Architecture Solutions for e-Learning Systems[C].USA:IGI Global,2008.262-281.

[3] Yu,Z.,Y.Nakamura,etal.Ontology-based semantic recommendation for context-aware e-Learning[A].Patterson.4th Int'l.Conf.Ubiquitous Intelligence and Computing[C].Hong Kong：Springer-Verlag,2007.898-907.

[4] Prieto,M.,V.Menéndez,et al.A recommender system architecture for instructional engineering[A]. Manuel E. Prieto.Emerging Technologies and Information Systems for the Knowledge Society[C].Athens:Springer-Verlag,2008.314-321.

[5] Shen, L.and R.Shen. Ontology-based learning content recommendation[J].International Journal of Continuing Engineering Education and Life Long Learning,2005,15(3):308-317.

[6] Tsai, K., T. Chiu, et al..A learning objects recommendation model based on the preference and ontological approaches[A].Kinshuk.ICALT '06 Proceedings of the Sixth IEEE International Conference on Advanced Learning Technologies[C].Kerkrade:IEEE,2006.36-40.

[7] Henze, N., P. Dolog, et al. Reasoning and ontologies for personalized e-Learning in the semantic web[J].Educational Technology &Society,2004,7(4):82-97.

[8] Aroyo, L., Dicheva, D.: AIMS: Learning and Teaching Support for WWW-based Education[J].Int. J. for Continuous Eng. Education and Life-long Learning,2001,11(1/2):152-164 .

[9] Cristea, A., De Mooij, A.: LAOS: Layered WWW AHS Authoring Model and its corresponding Algebraic Operators[A].Gusztáv Hencsey.Proceedings of WWW 2003[C].Budapest: Springer-Verlag,2003.31-41.

[10] Holohan, E., Melia, M., McMullen, D., Pahl, C.: Adaptive E-Learning Content Generation based on Semantic Web Technology[A]. Ahmad.Application of Semantic Web Technology for E-Learning[C].Amsterdam:Springer-Verlag,2005.29-36.

[11] Henze, N.: Personal Readers: Personalized Learning Object Readers for the Semantic Web[A].Bert Bredeweg. International Conference on Artificial Intelligence in Education [C]. Amsterdam: Springer-Verlag,2005.15-22.

[12] Jovanovic, J., Gasevic, D., Devedzic, V.: TANGRAM for Personalized Learning Using the Semantic Web Technologies[J].Journal of Emerging Technologies in Web Intelligence,2009,1(1):6-21.

[13] Olga C. Santos, Jesus G. Boticario. Users’ experience with a recommender system in an open source standard-based learning management system[A].Santos, O.C. and Boticario, J.G.HCI and Usability for Education and Work[C].Graz:Springer-Verlag,2008.185-204.

[14] 潘偉.基于協同過濾技術的個性化課程推薦系統研究[J].現代情報,2009,29,(5):193-196.

[15] Burke, R..Knowledge-based recommender systems[J].Encyclopedia of Library and Information Sciences,2000,69(32):175-186.

[16] Saman Shishehchi, Seyed Yashar Banihashem. Ontological Approach in Knowledge Based Recommender System to Develop the Quality of e-Learning System[J].Australian Journal of Basic and Applied Sciences,2012,6(2):115-123.

[17] 姜強，趙蔚，王續迪.自適應學習系統中用戶模型和知識模型本體參考規范的設計[J].現代遠距離教育,2011,(1):61-65.

[18]IEEE Learning Technology Standards Committee.PAPI: Public and Private Information [DB/OL].http://metadata-standards.org/Document-library/Meeting-reports/SC32WG2/2002-05-Seoul/WG2-SEL-042_SC36N0175_papi_learner_core_features.pdf,2002-02-02.

[19] 姜強,趙蔚.基于Felder-Silverman量表用戶學習風格模型的修正研究[J].現代遠距離教育,2010,(1):62-66.

[20] 姜強,趙蔚.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育,2010,(5):106-111.

[21] Frank B. Baker. The Basics of Item Response Theory[M].America:ERIC Clearinghouse on Assessment and Evaluation,2001.

[22] Chih-Ming Chen,etc. Personalized e-Learning system using Item Response Theory[J]. Computers & Education,2005,(44):237-255.

[23] 姜強,趙蔚.面向“服務”視角的自適應學習系統設計與實現[J].中國電化教育,2011,(2):119-124.

趙蔚：教授，博士生導師，研究方向為個性化自適應學習(zhaow577@nenu.edu.cn)。

姜強：副教授，碩士生導師，研究方向為個性化自適應學習(jiangqiang@nenu.edu.cn)。

王朋嬌：教授，碩士生導師，研究方向為信息化教育(wangpengjiao@sina.com)。

王麗萍：在讀博士，研究方向為遠程教育(531628607@qq.com)。

2014年9月25日

責任編輯：宋靈青

Ontology-driven Personalized Recommendation of Knowledge Resource in e-Learning

Zhao Wei1, Jiang Qiang1, Wang Pengjiao2, Wang Liping3
(1. School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130117;2. School of Computer and Information Technology, Liaoning Normal University, Dalian Liaoning 116029; 3. Education Technology Center, Jilin University, Changchun Jilin 130062)

According to learner characteristics and requirements, adaptive learning resources and learning path may enhance individual learning in e-Learning. Knowledge based recommender technique and ontological approach are used in this paper for the personal knowledge resources push. The results show that students can understand ontology and think that ontology-driven personalized recommendation of knowledge resource which may satisfy individual learning requirements, stimulate learning motivations, promote learner autonomy and optimize study process is very useful. The first significant property of this study is discussing the appropriate recommendation technology based on learner characteristics. The second property is designing the common ontology of the learner and knowledge resources. The third property is building the effective teaching mode for knowledge resource personalized recommendation.

Ontology; Individuation; e-Learning; Knowledge Based Recommender Technique; Knowledge Resource

G434

A

1006—9860(2015)05—0084—06

* 本文系教育部人文社會科學研究規劃基金項目“基于知識圖譜的開放學習資源自主聚合研究”(項目編號：14YJA880103）、全國教育科學“十二五”規劃教育部重點課題“可視化技術支持下學科知識自主學習模型研究”(項目編號：DCA130224)、“中央高校基本科研業務費專項資金”階段性成果。