大數據視角下個性化自適應學習系統支撐模型及實現機制研究

馬相春　鐘紹春　徐妲

摘要：隨著云計算、物聯網和移動互聯技術的快速發展，我們由信息時代邁入了數據時代。尊重個體差異，促進個性化學習，是教育改革核心理念之一；個性化自適應學習，日益成為教育界關注的熱點問題。基于以上背景，該文從大數據的視角出發，對個性化自適應學習系統的核心要素進行了分析：針對學習者需求的演進，分析了學習者的學習自主性、群體社會化和學習情感；面對學習資源的新訴求，探討了資源的情境化和多維立體關聯性；就系統架構的新特性，強調了系統生態化、數據采集精細化及系統自我修善與重生的必要性。通過以上對系統核心要素的分析，提出了基于大數據的個性化自適應系統架構模型，并從學習者模型、領域知識模型和自適應引擎三方面對其實現機制進行了探析，提出了基于多種群選擇的學習路徑推薦策略和基于加權協同過濾的學習資源推送方法。

關鍵詞：大數據；個性化自適應；支撐模型；實現機制

一、引言

互聯網技術的發展，極大地延伸了傳統的學習空間和學習時間，隨著智能移動設備的技術發展，社會已經進入了泛在學習時代，學生獲取知識的便利性和可使用的學習資源形式都得到了質的提升，自主學習的門檻降低了，學生進行學習的效能卻沒有得到明顯的提升；當今社會對創新型、智慧型人才的需要使得教育從業者更加重視喚醒學生的潛能，使學生具有個性化的成長路徑，但師資短缺與教育資源的不均衡，課后輔導與課堂教學的脫節，學生學習問題得不到及時解決和科學性引導，個性化學習無法有效開展。在這樣的時代背景和社會對人才的需求下，我們需要一種更“懂”學習者的個性化自適應學習系統，它能夠感知學習者的學習需要，根據其水平能力的高低，時間地點的變換、學習設備的更換以及其學習的偏好給學習者推薦最適合的學習內容與路徑。

大數據被認為是繼云計算、物聯網之后IT產業的又一次重大變革，具有數據規模大（Volume）、數據種類多（variefy）、數據要求處理速度快（veloeity）、易變性（Variability）、真實性（Veraeity）和數據價值密度低（Value）六大特征。教育大數據能有效實現學習行為與過程的精準分析、學習績效提升、科學規劃學習路徑和策略，從而為個性化自適應學習系統提供強大的支持。本文基于大數據視角，在云平臺、物聯網等技術的背景下，提出了個性化自適應學習系統支撐模型，并對實現機制進行討論。

二、大數據視角下個性化自適應學習系統核心要素分析

個性化自適應學習系統是以教育大數據為背景，在個性化學習和自適應學習的基礎上，通過大數據的分析過程和結果，為每個學生提供更適合其個性化特點和需求的學習內容。與傳統自適應學習系統相比，個性化自適應學習系統有了新的需求，下面從學習者學習需求的演進、學習資源的新訴求以及系統架構的新特性等方面對個性化自適應學習系統進行分析。

（一）學習者需求的演進

1.學習自主性向縱深發展

傳統的自適應學習系統一般是給學生規劃出固定的學習路徑，提供需要的學習資源，而忽略了學生的自主特性。大數據背景下的個性化自適應學習系統應該不再是封閉的系統，而是應該給學習者足夠的空間，讓學習者感受到對學習的掌控感與成就感，具有在可控制范圍之內學習路徑、學習內容的選擇權，以實現個性化學習。在愉快完成學業的同時，也滿足學生探索知識的欲望，并更關注學習者的能力發展。

2.學習的群體社會化日益凸顯

在學習過程中，尤其是在大數據背景下的學習系統中，學生并不是孤立的學習者，他還存在于各種各樣的人際網絡當中，如所屬學校、班級和小組，以及網絡上的虛擬群體和興趣小組。群體的學習歷史和學習經驗都對學生的學習具有參考和借鑒意義，同時他人的學習痕跡和與他人交互還可以降低學習者在線學習的孤獨感。

3.學習情感亟待關注

自適應學習系統都有這樣一個研究假設，學生能夠持續利用在線學習系統進行學習，系統能夠對學生的學習行為進行分析，但是實踐證明，很多在線學習系統的結業率相當低，有很多學習者會由于這樣那樣的原因退出在線學習系統。柏宏權博士在其畢業論文的實驗數據部分就遇到了這樣的問題，其研發的“I-Tutour”系統在實驗中只有2位學生完成了課程的學習。格雷澤（Graesser）等人在關于在線學習過程中的情感研究中記錄了在學習過程中起著重要作用的六種情感狀態，即厭煩（Boredom）、熱情（Flow/Engagement）、困惑（Confusion）、挫折（Fmstration）、高興（Delight）和驚奇（Surprise），它們對學習產生不同程度的影響。當學生出現困倦、厭煩情緒時不能很好地完成學習過程。

個性化自適應學習系統中對學生的情緒感知和情感交互有助于保持學生在學習過程中的注意力與參與興趣。我們可以通過捕捉學生情感的變化來輔助當前的學習狀態診斷，并及時預警，當發現有退出學習預兆或者學習出現困難時，給予正向的學習激勵策略和指導策略，盡量保證學生能夠順利完成學習活動。

（二）學習資源的新訴求

1.資源的情境化

由于學習時間、學習場所、以及接人設備的靈活多樣，當前學生進入學習的場景更為多樣化，所以要求學習資源的設計目標更為明確，并具有相對獨立、更小粒度、實效性強等特點，而且考慮到多終端呈現，那么學習資源還需要有適應性呈現的特點。

2.資源的多維立體關聯

雖然學習資源向碎片化發展，但并不是無組織的碎片化，學習資源聚合在知識點周圍，使得知識點成為一個“資源包”，包含學習該知識點需要的所有資源，包括微課、課件、音頻、動畫、習題、活動等等。知識點之間的關系除了具有學科知識結構關系外，還應具有靈活的組織關系。如前所述，學習者學習某個知識點帶有一定的隨意性，以隨時開始某個知識點的學習，而且不一定按照知識結構進行，也可以挑選自己感興趣的知識點，或者學習系統推薦的知識點等。所以，我們可以構建多維的知識點關聯關系：按照知識結構的關聯、按照某一群體的學習歷史進行關聯以及其他關聯關系。

（三）系統架構的新特性

1.系統的生態化

傳統的自適應學習系統大多數是在科研試驗階段，并沒有廣大的用戶群體，基本上是本學校或本專業的幾十、百人左右用戶數量，并不能達到大數據的數據量級標準。個性化自適應學習系統首要的需求就是系統架構的重構，能夠承載龐大的數據量和多樣的數據來源。以作業幫為例，截止到目前總激活用戶1.75億，已為國內中小學生累計解決超過100億次的學習請求，這樣的數據量是傳統實驗室級自適應學習系統無法承擔的。

在大數據和云計算的支持下，系統之間可以實現連通。個性化自適應學習系統可以與其他系統關聯，獲取更廣泛的數據，作為個性化自適應學習系統分析的基礎。一個系統的輸出可以是另一個系統的輸入，比如成績管理系統中學生歷次參加考試的成績可以通過數據連通導人到個性化自適應學習系統中，成為評價學生學習水平最直接的手段。

2.數據采集的精細化

如前所述，云計算、移動互聯網以及物聯網技術為大數據提供了基礎支撐，學生學習終端呈現多樣化，除了傳統電腦，還通過手機、平板等設備進入學習過程，網頁日志、點擊流、GPRS、視頻、語音、傳感器、紅外感應、全球定位信息，甚至是情感信息等數據均可被采集和記錄，數據類型突破了傳統結構化的數據形式，還包含半結構化和非結構化數據。可見，數據已經按多種形態以更精細化的方式被識別并保存起來。

3.系統的自我進化

所謂適應，是指個體與環境之間構建和諧關系的動態過程；適應性是指個體與環境在相互適應的過程中所形成的適應能力。構建個性化自適應學習系統的規則是有限的，但是學習活動本身又是復雜的，所以有限的規則無法有效地支撐無限的過程，這就需要系統不應該只是單向為學生推薦資源和信息，同時也應該根據學生的學習效果和其他學習者的成功和失敗數據動態調整自身，能夠不斷進化，提升適應能力。系統應該具有自調適參數，隨著計算、運行次數的增多，通過學習逐步提升和自我改善，使挖掘和預測的功能更為準確。

三、大數據視角下個性化自適應學習系統架構

基于以上分析，對個性化自適應學習系統的基本架構進行設計，系統分為感知層、數據層、信息層、控制層和應用層五個層次，如下圖所示。

感知層由個人電腦、手機、平板等各類應用終端，攝像頭、話筒等采集硬件以及物聯設備等構成，主要負責學習者各種學習數據的感知和獲取。數據來源還包含其他系統，如學生信息系統、成績管理系統、職業生涯規劃系統、作業系統等等。

數據層通過感知層對數據的持續采集，形成圖像、聲音、影像、學習者使用系統的網絡日志、數據流、點擊流等信息，形成豐富的結構化、半結構化的原始數據池。

信息層是有意義的數據集合。數據層中的數據通過ETL等技術進行整合、轉換和清洗，將數據轉化為信息，匯聚到信息層，存儲到學生信息庫、學習者行為信息庫、情感信息庫、規則庫等數據庫當中，根據持續的數據采集、轉換，不斷形成增量信息，對各種數據庫中的內容進行更新。

控制層是個性化自適應學習系統的核心，自適應引擎根據學習者特征模型和領域模型進行個性學習服務，在服務的過程中，不斷對服務結果進行評價，更新引擎規則，實現引擎的自我進化。

應用層是面向用戶的各種業務服務集合，包括學習內容呈現、學習工具、學習情境、學習策略等內容。

四、實現機制

個性化自適應學習系統的核心模塊是學習者模型、領域知識模型和自適應引擎，下面對這三部分的實現機制進行討論。

（一）學習者模型

學習者模型對學習者個性化特征信息進行描述，能夠反映學習者的個性化差異，是學習系統提供個性化服務的依據。本文根據個性化自適應學習系統的要求，給出了如下的學習者模型：

學習者模型（Student Model）=（Basic Information，Knowledge Structure，Cognitive Level，LearningPreferences，Emotional State，Learning History）。

其中，Basic Information表示學習者基本信息，記錄學習者姓名、ID、密碼、性別、年齡、班級、學校、聯系方式等內容。

Learning Preferences表示學習偏好，通過大數據分析學習者的行為獲得偏好信息，包括學習資源和工具的類別偏好、學習時間偏好、學習場所偏好、常用設備偏好、交互習慣等內容，系統會綜合分析學習者的偏好信息，“投其所好”地為其推薦學習路徑和資源。

Knowledge Structure表示學習者知識結構，包括課程編號、知識點編號、知識點績效矩陣等內容，用于表示學習者已掌握的知識結構情況。Cognitive Level表示學習者認知能力水平，此部分信息通過對學習者測評、作業、考試、交流等活動中獲取。

Emotional State表示情感狀態，通過分析學習者面部表情和文字等信息，診斷學習者當前的學習狀態，對異常情感狀態進行預警，及時調整學習策略，關注學習者情感需求，提供適當的激勵資源和工具，保證其能夠順利完成學習過程。

Learning History表示學習歷史，記錄課程編號、登錄次數、登錄時間、登錄時長、學習地點、使用設備、學習活動記錄等信息。其中學習活動記錄可以是作業記錄、自學記錄、測試記錄，以及活動序列等，也可以包含活動時的情感狀態。系統可以從大量的學習歷史數據中進一步挖掘出學習者的學習習慣等偏好信息，以便更好地了解學習者，對學習者的學習進行更精準的預測；以及發現學習過程中遇到的困難，為系統科學干預提供依據。

（二）領域知識模型

領域知識模型是對應用領域的各組成元素及其結構的描述，表示領域知識內部各組成元素及元素之間的相互關系。領域模型的構建須有利于知識資源的表示、管理、查找、評價、共享和交互，是自適應呈現知識資源的基礎。

如前所述，泛在學習環境下的學習者學習行為是隨饑進入型，且對知識點的學習要求是隋境化的，很有可能就只針對某個知識點進行學習；而且知識點學習的序列具有很強的自主性，并不一定按照知識框架進行；在進行某個知識點學習時，資源的呈現方式和呈現順序等也具有很強的個性要求，所以領域知識的模型不能采用傳統的知識樹的方式。本文采納了余勝泉等人“學習元”的觀點，即在學習內容的基礎上附加了一定的語義描述信息、生成性信息、格式信息、學習活動和KNS（Knowledge Network Service）網絡信息，能夠幫助學習者在任何時間、任何地點通過任何途徑獲取所需學習資源，在一種輕松愉悅的學習體驗中學到自己所需要的知識。但是在實現過程中，本文做了部分調整。

1.學習元對應知識點，學習元之間的關系一方面是教材上規定的知識點之間的關系，同時還有學習關聯關系，也就是系統在運行過程中，從眾多用戶群體行為中挖掘出來的知識點之間的序列關系。所以，學習元之間的關系具有多重性。

2.學習內容獨立性。由于某個知識元的學習資源和工具并不唯一，學習者在進行學習的時候系統推薦和自主選擇的資源個數、類別、學習序列具有個性化，而學習內容本身也具有相應的語義信息、生成信息與KNS網絡信息，所以本文將學習內容單獨作為元素表示出來。

3.強調不同的學習方式。智慧學習方式包括聽講、讀懂和探究三種方式，不同的學習方式所對應的學習內容及呈現序列均不相同，需要將學習元與學習內容按照學習方式的不同組織起來。

（三）個性化自適應服務引擎

個性化自適應服務引擎根據學習者模型，對學習者的知識水平與認知能力加以分析與診斷，動態地安排高切合度的學習內容與呈現方式，并且對學習過程進行檢測與管理，并不斷監測、修改、維護學習者模型。大數據背景下的自適應服務引擎還應具有自我學習和進化的功能。

1.個性化自適應學習引擎基本服務原理

個性化自適應學習引擎根據學習者模型（學生當前認知狀況、學習歷史、學習偏好、客觀因素等內容）和學習目標，制定學習服務策略，跟蹤學習狀態，記錄學習歷史，當學習結束時，對學習者進行評價，驗證學習策略是否有效。當學習者未達成學習目標時，進行問題分析，考慮教師干預和群體性干預，改進學習策略。當學習者效率較低、時間較長時，改進學習策略；當學習者學習興趣較低、情緒低落時，改進學習策略，進行策略調整，直到高效且愉悅達成學習目標。在此過程中，引擎不斷修正和優化規則，進行自我進化。其中，教師干預是指教師可以根據自己的教學進度、教學計劃、教學經驗以及對學生的了解對學習策略進行強干預，作為引擎規則；群體性干預是指學習者所在群體的學習過程對個體的學習策略生成具有指導意義，最常用的是協同過濾算法。學習者學情診斷、學習路徑推薦與學習資源推薦是個性化自適應服務引擎的三個核心工作。

2.學習者學情診斷

個性化自適應學習系統對學生學情的診斷與評價分為兩大主要方面：一是知識結構與認知水平的診斷，二是學習情感診斷。

（1）知識結構與認知水平診斷

個性化自適應學習系統聯通了作業系統、成績分析系統等，采用了多維診斷的方式，包括學生測試情況、作業情況、考試情況等，綜合評定學習者的學習狀況。同時，學習者學習水平是一個相對值，所以還將學習者放在其所在群體中進行對比和分析，綜合分析其在同齡用戶中的認知水平。從進步曲線、知識點掌握程度、在群體中的位置等多個方面對學生的學習成果進行分析。

（2）學習情感診斷

學習情感信息一般通過表情和文字來表達，通過采集學習者學習過程中的表情變化和與他人的溝通方面的文字表述來分析學習者的情感信息。其中基于學習表情的情感診斷是指實時捕獲學習者在學習過程中的面部表情和姿態表情，計算學習者的學習情感。首先對學習者的面部進行識別，然后進行表情特征的提取和識別，根據表情分類字典計算學習者當前的情感傾向。

基于文本的情感診斷是指從學生在社區或者與他人溝通的文字等方面抓取情感信息，計算學生的學習情感傾向。首先通過網絡爬蟲技術和信息截取，對學習者發布的文字信息進行抓取，提取其中的敏感信息，然后依據情感字典，進行情感傾向計算。

3.基于多種群選擇的學習路徑推薦

個性化自適應學習系統關于學習路徑的推薦分為兩個層次：一個是知識點學習路徑，另一個是資源呈現路徑。在學習元的知識模型基礎上，知識點的學習順序不一定是按照知識樹結構關系，還可能是依照學習者所在某一群體的學習路徑，學習者還有自主選擇所學知識的權利。而關于某一個知識點的學習，有很多種類和數量的學習資源進行支撐，每個學生關于知識點學習的資源組織路徑也不相同。所以，需要個性化自適應引擎根據學習者的特征模型為學習者推薦個性化的學習路徑。

蟻群算法是意大利學者Dorigo M等于1991年提出的一種群體智能算法，通過模擬蟻群覓食的過程來求解旅行商問題。即螞蟻在尋找食物的過程中，會在走過的路徑上留下一種“信息素”，其他螞蟻在尋找食物時會識別出信息素，并選擇信息素最大的路徑進行，逐漸形成一條最優覓食路徑。趙錚等人提出學習路徑推薦服務與螞蟻搜索食物的過程具有相似性，學習者可以看作螞蟻，學習目標可以看作螞蟻覓食的目標，學習者對知識點的評分可以看作螞蟻留下的信息素，推薦的路徑可以看作螞蟻覓食過程中走過的最優路徑。

本文結合基于“學習元”理論的領域知識模型，提出了多種群選擇的學習路徑推薦算法。學習者屬于不同的群體范圍，即存在于實體學習小組群體、班級群體、學校群體、區域群體當中，也存在于具有某類學習偏好的虛擬群體當中，對于每個學習者來講，不同的群體同伴留下的“信息素”“濃度”不同，對應不同群體同伴評分所對應的權值不同，由此可以生成更符合學習者個性化特點的學習路徑。

4.基于加權協同過濾的學習資源推送

協同過濾算法是當前應用效果較好的推薦算法，其核心思想是通過計算用戶之間偏好的相似性繼續推薦，相對于其他推薦算法一個顯著的優點就是能夠推薦難以進行內容分析的項目，如信息質量等抽象的資源對象。其個性化程度較高、能處理機器難以自動分析的數據，由于共享了他人的評價和經驗，所以共享程度較高。不過協同過濾算法本身還存在一些缺陷，如冷啟動、稀疏矩陣、用戶信任等問題。

本文在基于項目的協同過濾技術的基礎上，提出了基于加權協同過濾的學習資源推送算法。在構建項目—用戶評分矩陣時，采用了權值啟動法，解決冷啟動和稀疏矩陣的問題，綜合學習者風格，興趣偏好，知識結構等因素，并考慮教師干預，分別轉換成權值，先對矩陣進行初始填充，在運行過程中，通過學習者的行為變化，修正評分矩陣，以解決用戶信任問題。由于在大數據平臺下進行應用，還要考慮算法的并行化問題。

五、結束語

隨著數字化校園、人人通等信息化工程的推進，越來越多的教師教學和學生學習的行為能夠被數字化并記錄下來，海量的數據匯集成教育大數據，為教學決策、過程優化、效果提升提供重要數據依據。本文在大數據視角下，對個性化自適應學習系統的新訴求進行了分析，提出了新框架，并對學習者模型、領域模型和自適應引擎等關鍵環節的實現機制進行了研究。在后續的研究中，我們要進一步對個性化自適應學習系統的實現和實際應用效果進行探討和研究。