基于學習行為模型的學習伙伴推薦方法研究

蘭麗娜 石瑞生 勾學榮

LAN Li-na1 SHI Rui-sheng2 GOU Xue-rong1

?

基于學習行為模型的學習伙伴推薦方法研究

蘭麗娜1石瑞生2勾學榮1

（1．北京郵電大學 網絡教育學院，北京 100088； 2．北京郵電大學 網絡空間安全學院，北京 100876）

如何提供合適的學習伙伴進行協作學習，是解決遠程學習者學習孤獨、提升學習效果的關鍵問題。文章通過網絡教學平臺采集數據，提出并建立了六維的學習者學習行為模型，并利用相似度區分相似型學習行為模型和互補型學習行為模型，進而為學習者推薦相似型學習伙伴和互補型學習伙伴，而學習者也可以自主選擇學習伙伴。實驗結果驗證了學習行為模型和推薦方法的有效性。相比已有的分組方式，基于學習行為模型的學習伙伴推薦方法具有可視化、智能性、個性化等特點，更適合大規模網絡學習環境下的學習伙伴推薦。

學習行為；相似度；學習伙伴推薦；協作學習

引言

隨著互聯網技術、多媒體信息技術以及網絡學習技術的迅速發展，各種基于互聯網的遠程在線教育如MOOC、網絡教育、在線培訓等發展迅猛。中國互聯網絡信息中心（China Internet Network Information Center，CNNIC）的相關統計表明，截至2017年12月，我國在線教育用戶規模達1.55億，較2016年底增加1754萬人，年增長率為12.7%[1]。但在互聯網教育蓬勃發展的同時，研究者也發現了一些問題，如很多網絡課程學習者中途退課，學習效果不理想，而其中學習中的孤獨感是影響學習效果的一個重要原因。在遠程教育中，學習者與學習者、學習者與教師之間處于時空分離的狀態，容易產生寂寞、孤獨、無助的情緒。若能為學習者提供合適的學習伙伴，通過協作學習則可減輕這種孤獨感，并有利于提高學習興趣、提升學習效果。因此，如何為學習者提供合適的學習伙伴，是網絡教育領域的一個重要研究課題。通過文獻分析，本研究發現：目前，遠程教育領域關于學習伙伴模型和學習共同體的研究較多，分組依據或考慮的因素也多種多樣，但并沒有一致的、有效的方法，在個性化、智能性的學習伙伴推薦上還存在欠缺。比如，有的采取隨機分組或順序分組的方式，還不能支持個性化學習伙伴推薦；有的采用人工或部分人工參與的分組方式，不具有全自動、智能性的特點，不能支持大規模網絡學習環境下的學習伙伴推薦。

本研究針對大規模網絡學習環境的學習伙伴推薦問題，提出了學習行為模型和學習伙伴推薦算法，具體包括：①自動采集了遠程學習者在網絡教學平臺上的學習行為數據，保證數據豐富完整、客觀真實；②基于對學習行為數據的分析，提出了一種六維的學習者學習行為模型，并基于該模型設計了學習行為相似度算法，從而能為學習者智能地推薦相似型或互補型學習伙伴；③學習者能根據自己的需求，自主選擇合適的學習伙伴；④通過實際數據分析，驗證了模型和方法的有效性。

一研究現狀

基于分組所依據的因素，分組方法主要有4類：①未考慮學習者學習特征的分組，包括隨機分組、按加入活動的時間順序分組、按學習者的熟悉程度分組三類。如瑞典于2002年開發的mCSCL（Mobile Computer Supported Collaborative Learning）學習系統C-Notes中的學習伙伴小組由教師隨機組織[2]，芬蘭于2002年開發的XTask系統根據學習者加入活動的先后順序進行分組[3]，瑞士于2005年開發的CatchBob系統中學習伙伴由三個相互熟悉的學習者組成[4]。這類分組方式的主觀性、隨機性較強，不具有個性化特點，不能為學習者推薦有針對性的個性化的學習伙伴。有的分組方式則過于依賴教師或導學進行人工分組，不適于對大規模網絡學習者進行分組。②考慮學習者的學習風格、學習偏好、學習成績等個性化學習特征分組。如華東師范大學劉菊香[5]于2006年基于學習風格、學習成績、性別等開發的協作學習學生分組系統，臺灣于2011年開發的CALL（Computer Assisted Language Learning）系統支持英語協作學習，按學習者的英語閱讀能力進行分組[6]。這類分組方式在學習伙伴推薦上具有一定的針對性，具有個性化特點，但在學習特征的屬性和客觀度量的準確程度上還存在不足，如學習風格一般采取調查問卷方式獲得，難以實現自動數據采集，在度量的真實性、準確度和自動化程度上有所欠缺，難以支持大規模網絡學習者分組。③綜合學習者個性特征和動態協作特征兩方面特征進行分組。如西南大學程向榮[7]于2008年提出的CSCL伙伴模型包括學習者個性特征和動態協作信息兩方面特征，2012年浙江工業大學唐杰[8]、李浩君等[9]提出的mCSCL環境下伙伴模型包括個性特征和協作特征兩方面特征，并基于KNN算法進行異質學習伙伴推薦。這類分組考慮特征較為全面，引入了協作特征，并實現了一定程度的智能化自動分組，但模型定義仍未實現完全自動數據采集，并且在分組中學習者沒有自主選擇權。④由學習者自主選擇學習伙伴。2016年，張紅波[10]在分析構建學習共同體的因素時發現，學習者自主選擇學習伙伴時，較少考慮學習成績因素，而是主要考慮人際交往能力和個人品質。這種學習者完全自主選擇學習伙伴的分組方式不一定能達到提高學習成績的目的。

綜上所述，近年來，學習伙伴分組方法從簡單的隨機分組、順序分組向綜合考慮學習者個性化學習特征和協作特征的分組方向發展，從人工分組向智能性自動分組方向發展。考慮學習者的學習特征，以促進學習為目的，為學習者推薦個性化、有針對性的學習伙伴，同時考慮給予學習者一定的選擇自主權，是學習伙伴分組研究的方向。

二學習者學習行為模型定義及評估方法

在遠程教育中，學習者一般通過網絡教學平臺進行學習，學習者的學習行為可通過網絡教學平臺各功能模塊的訪問記錄數據得到，如登錄次數、學習時長、資源下載次數、提問次數、提問方法、完成作業情況、論壇發帖次數、學習進度排名等，這些數據稱為學習行為數據。學習行為數據具有客觀性、真實性，可以真實地反映學習者的學習狀態。以實際學習行為數據為依據建立學習者學習行為模型，可以避免問卷調查方式主觀隨意的缺點，提高模型的準確性。

圖1 學習者學習行為模型

學習者學習行為數據繁多復雜，需要從繁雜的數據中提取關鍵特征數據，建立學習者學習行為模型。通過分析教學平臺的21項數據，本研究根據各項數據的特點及其對學習效果的作用進行歸類，定義了評價學習行為的六要素：學習動力、學習態度、學習效率、學習毅力、創造思維、學習方法。同時，參考英國有效終身學習指標（Effective Lifelong Learning Inventory，ELLI）項目探索的一種稱為“蜘蛛圖”的學力動態評估方法，設計了學習者學習行為模型，如圖1所示[11]。

基于對實際學習行為數據的初步統計分析，本研究將學習者學習行為六要素與相關數據項進行了評估，制作了學習行為模型評估表，如表1所示。

表1 學習行為模型評估表

表1定義了學習行為六要素和各個學習行為數據項之間的關系。每個要素由1個或多個相關數據項組成，要素值由相關數據項計算得到。數據項取值分為5級：優、良、中、差、零，分別對應4分～0分。根據教學平臺實際數據，將數據分段分別對應到各級，如網絡課程學習時間每周超過60分鐘為優（4分），每周超過40分鐘為良（3分），每周超過20分鐘為中（2分），小于20分鐘為差（1分），沒學習即0分鐘為零（0分）。學習進度排名中前20%得4分，前30%得3分，前40%得2分，前50%得1分，后50%得0分。這樣可以得到各數據項得分，然后再根據各數據項所占權重進行加權求和，即可得到最終的要素值。如學習動力要素值=0.1×論壇發帖數得分+0.1×論壇回帖數得分+0.3×網絡學習時間得分+0.5×學習進度排名得分。如果某學習者4項數據（論壇發帖數、論壇回帖數、網絡課程學習時間、學習進度排名）為（3，3，62，5），則該4項得分為（4，4，4，4），其學習動力要素值為：0.1×4+0.1×4+0.3×4+0.5×4=4分。

通過表1的評估方法，可計算得到每個學習者的學習行為中的六要素值。每個學習者的學習行為模型由自己的實際學習行為決定。通過一段時間的學習如在一個學期結束后再次評估，模型可能發生變化。學習者的學習行為模型可以實時動態地反映學習者的實際學習狀態。

三相似型學習行為模型和互補型學習行為模型定義

學習者學習行為包含六個要素，可用六維向量表示學習者的學習行為模型。余弦相似度常用于衡量兩個向量的相似性。余弦相似度計算兩個向量在空間中的夾角大小，值域為[-1,1]，1代表夾角為0°，完全重疊，即完全相似；-1代表夾角為180°，完全相反方向，即毫不相似。皮爾遜（Pearson Correlation Coefficient）相關系數計算方法是余弦相似度公式的改進，經過去中心化處理，可以提高維度值缺失情況下的準確性。因此，本研究采用皮爾遜相關系數表示學習者學習行為模型的相似度。

令=｛X,X,X,……,X｝為六維學習行為模型空間中的一組對象，X，X∈，表示學生對象。個學生的學生行為模型可用以下矩陣表示。

r是X、X之間的相似系數，r計算方法如公式（1）所示。

其中，xik是Xi學生的第k維屬性值，k=1,2,3….6。，。m是維度6。rij∈[-1,1]。rij=1時，Xi、Xj完全相同；rij =-1時，Xi、Xj完全相反。定義 rij∈(0,1]為相似區間，此區間內Xi、Xj為相似或相同模型，如圖2（a）所示。定義rij∈[-1,0]為相反區間，此區間內Xi、Xj為相反或互補模型，如圖2（b）所示。

四實驗分析

基于以上學習行為模型及評估算法，本研究在網絡教學平臺系統中添加了學習伙伴推薦模塊和學習分組模塊，該系統如圖3所示。

網絡教學平臺系統中的學習模塊包括支持學生網絡學習的課程空間、資源下載、實時答疑、作業、論壇等，可采集學生學習記錄數據，存入學生學習記錄數據庫。學習伙伴推薦模塊包括學習行為模型評估、相似度計算、學習伙伴推薦等功能。學習伙伴推薦過程如下：①利用學生學習記錄，對學生學習行為模型進行評估，得到學生學習行為模型矩陣；②利用相似度系數算法計算學生學習行為模型之間的相似度，得到相似度矩陣；③根據相似度值為學生推薦互補型學習伙伴列表和相似型學習伙伴列表，學生可根據推薦列表選擇自己的相似型學習伙伴或互補型學習伙伴，組成學習小組。

圖3 網絡教學平臺系統

本研究在網絡教學平臺系統中收集了4個典型學習者S、S、S、S的學習行為數據，依據表1評估得到學習行為的六要素值，分別得到了相關的學習行為模型評估數據，如表2所示。

表2 學習者S1、S2、S3、S4學習行為模型評估數據

由表2可得，4個學習者的學習行為模型向量分別是：S=（4,3,4,4,4,4），S=（3.1,3,2,3,2,2），S=（2.1,2,3,2,3,3），S=（3.2,3,2.5,3,2,2）。利用公式（1）計算出這4個學習者之間的相似系數值，所得結果如表3所示。

表3 學習者S1、S2、S3、S4的相似系數值

根據表2和表3，可刻畫這4個學習者的學習行為模型及相互關系，如圖4所示。

圖4 4個學習者學習行為模型及相互關系圖

圖4中，以S為考察對象，可以發現，在S、S、S三個同學中S與S最相似，因為S與S的相似系數值為0.936，是最大值；而S、S和S是相反的，其相似系數分別是負值-0.991和-0.417，所以S、S是S的互補模型，其中S是最互補的。因此，S的互補型學習伙伴可推薦S、S，而S的相似型學習伙伴可推薦S。

五小結

學習伙伴推薦是遠程教育學習系統研究中的重要問題。本研究基于網絡教學平臺實際數據，提出了一種新的學習者學習行為模型的定義、評估方法以及學習伙伴推薦方法。該模型和方法具有可視化、智能性、個性化等特點，解決了大規模網絡學習環境下學習伙伴自動推薦的問題，下一步將在協作活動設計和對學習效果的影響評估等方面做進一步深入研究。

[1]CNNIC.第41次中國互聯網絡發展狀況統計報告[OL]. < http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf>

[2]Milrad M, Perez J, Hoppe U. C-Notes: Designing a mobile and wireless application to support collaborative knowledge building[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:117-120.

[3]Ketamo H. xTask-adaptable working environment[A]. Proceedings of IEEE international workshop on wireless and mobile technologies in education[C]. Washington, United States: IEEE Computer Society, 2002:55-62.

[4]Nova N, Girardin F, Dillenbourg P. ‘Location is not enough!’: An empirical study of location-awareness in mobile collaboration[A]. IEEE technical committee for learning technology. Proceedings of IEEE international workshop on wireless and mobile technogies in education[C]. Piscataway, NJ, United States: IEEE Computer Society, 2005:21-28.

[5]劉菊香.基于模糊理論的網上協作學習學生分組系統的研究與實現[D].上海:華東師范大學,2006:17-20.

[6]Chang C K, Hsu C K. A mobile-assisted synchronously collaborative translation-annotation system for English as a foreign language (EFL) reading comprehension[J]. Computer Assisted Language Learning, 2011,(2):155-180.

[7]程向榮.CSCL的伙伴模型研究[D].重慶:西南大學,2008:22-25.

[8]唐杰,李浩君,邱飛岳.mCSCL環境下協作分組的伙伴模型研究[J].中國遠程教育,2012,(2):48-51.

[9]李浩君,項靜,華燕燕.基于KNN算法的mCSCL學習伙伴分組策略研究[J].現代教育技術,2014,(3):86-93.

[10]張紅波,徐福蔭.基于社會網絡視角的學習共同體構建與相關因素分析[J].電化教育研究,2016,(10):70-76、103.

[11]任凱,魯思·迪肯·克瑞克.探索有效終身學習之指標:“學習能量”及其動態測評[J].教育學報,2011,(6):84-90.

編輯：小西

Learning Partner Recommendation Based on Learning Behavior Model

LAN Li-na1SHI Rui-sheng2GOU Xue-rong1

6

Providing appropriate learning partners to support collaborative learning is crucial to mitigate distance learners’ aloneness in learning process and improve the learning effect. This paper proposes a novel six-dimension learning behavior model based on the authentic data collected from the network learning platform. By employing the similarity algorithm, the model can distinguish the similar behavior model or complementary behavior model. As a result, learners can either receive the autonomously recommended learning partners or choose their own preferred partners. Experiment results verified the validity of the proposed learning behavior model and the recommendation algotithms. Compared with traditional grouping models, this model-supported learning partner recommendation is more personalized and intelligent, and is more suitable in large-scale network learning environment.

learning behavior; similarity; learning partner recommendation; collaborative learning

G40-057

A

1009—8097（2018）04—0067—07

10.3969/j.issn.1009-8097.2018.04.010

蘭麗娜，副教授，在讀博士，研究方向為教育數據分析、協作學習，郵箱為lindalan2002@sina.com。

2017年5月25日