一種面向學習路徑推薦的知識網絡構建方法

肖 奎,吳天吉

(1.湖北大學計算機與信息工程學院,湖北 武漢 430062;2.武漢軟件工程職業學院計算機學院,湖北 武漢 430205;3.華中農業大學圖書館,湖北 武漢 430070)

1 引言

自20世紀90年代以來，互聯網的普及使得基于Web的智能教學系統ITS(Intelligent Tutoring Systems)的發展呈現一派欣欣向榮的景象，海量的網絡教學資源也隨之應運而生。與此同時，適應性學習(Adaptive Learning)技術逐漸成為人們研究的熱點。適應性學習是一種教學方法，它以計算機作為交互式教學設備，研究如何根據每位學習者的需求定制教學內容[1]。研究人員圍繞如何描述學習者的當前知識狀態、如何描述教學內容、如何對學習對象進行排序、如何提高學習者在教學過程中的參與度等一系列問題，展開了廣泛而深入的研究。

當前，雖然海量的網絡教學資源為學習者提供了便利，但是教學資源之間的關系不夠清晰，教學資源的質量參差不齊，因此造成了學習者選擇上的困難。并且，每位學習者的知識基礎與學習目標可能都不相同，他們需要符合個人需求的學習路徑，來實現他們的個性化學習目標。本文提出一種面向學習路徑推薦的領域知識網絡構建方法，支持學習者的在線學習。本文的貢獻主要體現在以下兩個方面：(1)應用社會標簽技術描述學習對象。與傳統的網絡資源描述標簽不同，本文把學習對象的描述標簽分類，分別標注每個學習對象的預備知識(學習前需了解的基礎知識)與目標知識(學習后掌握的新知識)，并以知識點為節點，以學習對象為邊，構建領域知識網絡。(2)運用弗洛伊德算法計算領域知識網絡里任意兩個知識點間的最短路徑，為學習路徑的推薦提供基礎。

2 相關研究

隨著在線學習的用戶越來越多，學習路徑推薦技術逐漸成為研究人員關注的熱點問題。Brusilovsky等人[2]提出的學習路徑構建方法能夠根據學習者的知識基礎與學習目標自動構建學習路徑，后續的許多研究都是在此方法基礎上進行的改進與完善，但此方法沒有考慮學習者學習風格差異對學習路徑的影響。Van den Berg等人[3]應用學習者的群體行為特征信息實現學習路徑的推薦，他們認為如果某個學習路徑被大量其他學習者頻繁使用，那么當前學習者采用此學習路徑的概率也較大。Chen[4]提出的學習路徑推薦方法也是對Brusilovsky方法的一種改進，他在學習開始之前設置了課前測試，然后根據學習者的出錯信息構建學習路徑。測試是評價學習者知識狀態的一種常用方法，但其花費的時間與精力代價都較大。Huang等人[5]提出用采集的用戶的交互式閱讀行為數據來代替測試，評價他們的知識狀態。黃志芳等人[6]提出了基于情景感知的適應性學習路徑推薦方法，結合情景感知技術與領域本體技術實現適應性學習路徑推薦。但是，由于構建領域本體成本相對較高，所以對那些缺乏領域本體支持的學習對象而言，無法通過此方法推薦給學習者。Hosseini等人[7]應用Knowledge-based annotation方法描述學習者當前動態的知識水平，應用History-based annotation方法描述學習者已經瀏覽過的知識點，從而實現學習對象的推薦。但是，History-based annotation方法側重于微觀層面的學習對象的推薦，比如示例程序中的一條語句，而文獻[7]主要側重宏觀層面上的學習對象推薦，比如一個教學視頻文件。

在其它方面，Chang等人[8]將改進的K-近鄰算法與遺傳算法相結合，建立了一種學習者的學習風格識別機制，能夠在樣本數量較少的情況下，對學習者的學習風格進行有效的分類。Yang等人[9]在分析學習對象屬性與學習者屬性的基礎上，提出了基于屬性的蟻群系統AACS(Attribute-based Ant Colony System)，建立了相應的搜索機制，根據學習者的知識水平搜索合適的學習對象，他們把學習者的知識水平分為見習生(Apprentice)、初學者(Beginner)、中級者(Intermediate)與專家(Expert)四個水平。陳其暉等人[10]用知識狀態的集合——知識結構，來描述學習者知識水平，每個知識狀態都是由一個或多個知識點構成，用來標識學習者當前的知識狀態，但當學習者學習的知識點數量較多時，以集合的方式去描述一個知識狀態顯得過于復雜。

本文提出一種面向學習路徑推薦的領域知識網絡構建方法，把知識點作為領域知識網絡里的節點，學習對象作為領域知識網絡里連接兩個節點的邊，學習者的學習過程就是從一個起始節點(知識基礎)到達一個目標節點(學習目標)的過程。由于學習對象的內容可能會有重復，所以從起始節點到達目標節點可能存在著多條路徑。因此，本文使用弗洛伊德算法計算出任意兩節點間的最優路徑，為學習路徑推薦提供基礎。

3 方法

針對當前網絡教學資源多而雜、散而無序、內容重復，不利于學習者進行辨別與選擇的問題，本文對學習對象的預備知識與目標知識進行標注，然后以知識點(標簽)為節點，以學習對象為邊，構建領域知識網絡，并計算領域知識網絡里任意兩個節點間的最優路徑。在學習者輸入知識基礎與學習目標后，即可從領域知識網絡里搜索最優路徑推薦給學習者。

3.1 領域知識網絡構建

本文支持用戶通過標簽來描述一個學習對象的預備知識與目標知識，在此基礎上構建領域知識網絡，然后運用弗洛伊德算法計算領域知識網絡里所有知識點間的最短路徑。當系統接收到學習者輸入的知識基礎與學習目標信息時，就能夠搜索最優學習路徑推薦給學習者。本研究涉及了學習對象的標注、學習對象的質量評價、領域知識網絡的構建以及學習路徑搜索等多個方面。學習路徑推薦的具體實現流程如圖1所示。

Figure 1 Domain knowledge network building圖1 領域知識網絡構建

(1) 學習對象標注。對于每個學習對象，支持學習者為其添加描述標簽。標簽分為兩類，分別用來描述學習此對象所需的預備知識和學習后要掌握的目標知識，一個標簽表示一個知識點。

社會標注系統的實踐證明，參與標注的人越多，標簽描述的準確性越高。實際操作過程中，學習者在標注學習對象的預備知識與目標知識時，可能都會用到多個標簽，此時應當選擇使用人數最多的標簽作為此學習對象的預備知識標簽與目標知識標簽，這個標簽往往是大家認可的、對學習對象描述最準確最重要的知識點。

此外，相同概念有時候會存在多個同義詞或別名。比如，“中華人民共和國國旗”與“五星紅旗”都是指同一個對象。因此，要建立一個詞匯重定向表，記錄標簽間的同義詞關系，以便在構建領域知識網絡時，把這些具有同義詞關系的標簽對應的知識點連接起來。

(2) 學習對象質量評價。考慮到網絡教學資源文件的質量參差不齊的特點，本文引入了用戶評價機制，對每個學習對象進行質量評價。這種評價主要是為當前學習對象里的講解效果、難易程度、技術等級等方面進行評分。構建領域知識網絡時，學習者對學習對象的評分可以用作領域知識網絡里邊的權值。

(3) 領域知識網絡構建。本文把知識點作為節點，學習對象作為邊，學習對象的質量評分作為權值，構建領域知識網絡。如果學習一個學習對象需要具備預備知識A，學習后會掌握目標知識B，那就形成一條從節點A到節點B的邊，邊的權值為此學習對象的質量評分。這樣以來就形成一個帶權有向圖，可以構建此帶權有向圖的鄰接矩陣，如圖2所示。

Figure 2 Adjacent matrix of the knowledge network圖2 知識網絡鄰接矩陣

圖2中標簽K1，…，Kn表示n個知識點，設置鄰接矩陣權值的方法如下：

(1)如果存在一條邊從A指向B，權值Wab則是此邊對應的學習對象的質量評分；同時，如果有一條邊從A指向B，那么一定不存在一條邊從B指向A，即Wba權值為∞。

(2)如果沒有一條邊從C指向D，那么相應的權值Wcd設置成∞。

(3)從一個知識點到它自身的學習對象是不存在的，所以主對角線元素的權值需設置為0。

3.2 最優學習路徑計算

在領域知識網絡構建中，每個節點代表一個知識點，節點與節點的邊代表連接兩個知識點的教學資源文件，邊的權值代表教學資源的質量評分。為了將最優學習路徑計算問題轉化為領域知識網絡中兩個節點間的最短路徑計算問題，本文假定質量評分值較小的教學資源，質量較高；質量評分值較大的教學資源，質量較低。在此基礎上，領域知識網絡中任意兩個節點間的最短路徑，可以視作兩個知識點間的最優學習路徑。

Floyd與Warshall提出的弗洛伊德算法[11]是一種利用動態規劃的思想尋找給定的加權有向圖里多源點之間最短路徑的算法。執行一次弗洛伊德算法能夠得出所有頂點對之間的最短路徑長度，同時也可以通過對算法進行簡單的修改來生成這些最短路徑。本文擬應用弗洛伊德算法計算領域知識網絡里任意兩個節點間的最短路徑，作為最優路徑保存起來。在學習者輸入個人的知識基礎與學習目標詞匯后，即可在最優路徑集合里搜索相應的學習路徑推薦給學習者。

4 實驗

4.1 數據預處理

本文收集了微軟MSDN Webcast[12]里的ASP.NET相關的教學資源作為實驗數據。一個Webcast課程通常包含有教學視頻、示例代碼、電子課件等多種形式的教學資源。在本文里，一個課程就被視為一個學習對象。

由于微軟在發布這些課程資源時，并未用標簽描述每個學習對象的預備知識與目標知識，因此本文通過手工方式為這些學習對象建立標簽。學習對象的預備知識標簽主要來自教學視頻里的“課前準備”信息。如果教學視頻里列舉了多個“課前準備”知識，則選擇其中最重要的一個作為預備知識標簽。如果教學視頻未提供“課程準備”信息，則人工選擇相應知識點作為預備知識標簽。

學習對象的目標知識標簽，則來自課程的名稱。比如，課程名稱“ASP.NET程序部署”說明此學習對象的目標知識是ASP.NET程序部署，可以直接用名稱作為目標知識標簽。對于名稱較長的學習對象，則要刪除其中修飾性詞匯，保留核心名詞作為目標知識標簽。

收集的這些資源中，有些學習對象講解的并非知識點，而是一些開發實踐與實例；還有一些課程名稱較為抽象，比如“開發小技巧”“新特性”，名稱包含這類詞匯的教學資源在本文實驗中沒有使用。

4.2 實驗設置

由于預先沒有足夠的用戶對全部學習對象進行評分，因此本文采用微軟設置的課程技術等級作為質量評分的基本依據。微軟在發布每個課程時，標明了每個課程的技術等級。技術等級分為四個級別——“level 100”“level 200”“level 300”“level 400”，難度從低到高逐步增加。在本實驗中，我們將每個學習對象的技術等級除以100，作為學習對象默認的質量評分。對于講解相同知識點的兩個視頻，應當選擇難度較小(技術等級較低)的視頻推薦給學習者。因此，在實驗過程中，質量評分的值越小，學習對象被推薦的可能性越大；質量評分值越大，被推薦的可能性越小。此方式也為計算領域知識網絡中節點間最短路徑提供了支持，權值越小的邊，越可能被最短路徑采用。

此外，由于ASP.NET的開發工具發展了多年，經歷了多種不同的版本，本文以Visual Studio 2010開發工具為基礎，高于或等于這個版本開發工具的學習對象，其質量評分值保持不變；而對于低版本開發工具的教學資源，例如Visual Studio 2008，本文將這些資源對應的學習對象的質量評分值分別加1，表示推薦度降低一個等級；對基于Visual Studio 2005的學習對象，其質量評分值在原來基礎上加2；對基于Visual Studio 2003的學習對象，其質量評分值在原來基礎上加3。對于講解相同知識的學習對象，質量評分值越小，則優先級越高，被推薦給學習者的可能性也越大；質量評分值越大，則優先級越低，被推薦給學習者的可能性也越小。

在對學習對象進行標注與質量評分后，可以構建ASP.NET領域知識網絡。本文構建的ASP.NET領域知識網絡如圖3所示。構建領域知識網絡后，使用弗洛伊德算法計算出領域知識網絡里任意兩個節點間的最短路徑。當學習者在原型系統里輸入“知識基礎”與“學習目標”詞匯后，原型系統會將它們與領域知識網絡里的節點(知識點)進行匹配，確定學習的“起點”與“終點”，搜索“起點”與“終點”間的最短路徑。

Figure 3 ASP.NET domain knowledge network圖3 ASP.NET技術領域知識網絡

4.3 驗證

為了對本文方法進行驗證，提出一組知識基礎與學習目標用作測試，知識基礎為“C#基礎語法”，學習目標為“ADO.NET數據庫編程”。ADO.NET是ASP.NET知識領域的重要組成部分，微軟也提供了一個ADO.NET系列課程讓用戶學習，即“ADO.NET 2.0 開發實踐系列課程”，其中每個課程既有教學視頻也有示例代碼，本文以它作為默認的比較對象。

在其他的系列課程里面，比如“跟我一起學Visual Studio”等，也提供了一些零散的ADO.NET課程。本文通過對ASP.NET知識網絡進行遍歷，搜索到四個零散的ADO.NET課程，構建了推薦學習路徑。具體課程有 “ADO.NET連接類”“ADO.NET非連接類”“DataAdapter的使用”以及“DataSet高級使用”，這些學習對象序列構成了推薦學習路徑。

隨后，組織了軟件工程專業兩個班級的學生對默認路徑與推薦路徑里的課程進行學習。這些學生以前學習過《C#程序設計》這樣的基礎課程，但是沒有學習過ADO.NET相關知識。學生按照班級分為兩組，第1組有35個學生，只學習推薦路徑里的四個課程，學習后對推薦學習路徑進行評價；第2組有34個學生，同時學習推薦路徑與默認路徑里的全部課程，學習后對推薦學習路徑與默認學習路徑進行比較評價。本文通過問卷調查的方式評估學習者的反饋信息。調查結果如表1和表2所示。

Table 1 Survey resutls of recommended path learning

Table 2 Survey resutls of the comparisonbetween recommended paths and default paths

推薦路徑學習組(第1組)學生的調查結果顯示，31.43%的學生學習前對C#語法非常了解，但是也有40%的學生對此問題不確定，不同意的比例也高達28.57%，這一方面說明部分學生雖然上過C#課程但效果不好；另一方面也說明學生對知識的掌握程度不夠自信。此外，有40%的學生認為學習后掌握了ADO.NET的概念與應用方法，同時也有40%的學生對此表示不確定，這可能反映了學生聽懂了課程講解理論的知識，但是具體到實際應用還沒有足夠的把握；同時，也有20%的學生對此持反對觀點，說明他們學習后還是沒有理解ADO.NET知識。

調查結果同時也顯示，有57.14%的學生認為推薦學習路徑知識容易理解，同時有31.43%的學生對此表示不確定。有54.28%的學生認為推薦學習路徑課程設置順序合理，45.71%的學生則對此表示不確定。這一方面反映出一部分學生確實沒有聽懂這些課程講解的內容；另一方面也反映出在沒有對比的情況下，學生無法給出確切的答案。

推薦路徑與默認路徑比較組(第2組)的學生學習了兩個路徑的全部課程。對他們的調查數據顯示，超過80%的學生認為自己對C#語法非常了解，這顯示這個班級的學生C#語法知識掌握情況較好。

此外，有70.59%的學生認為推薦路徑比默認路徑講解的知識更容易理解。同時，也有55.88%的學生認為推薦路徑比默認路徑課程設置順序更合理。而在示例代碼的比較上，有64.71%的學生認為推薦路徑的實例代碼更貼近實際應用情況。

兩組調查數據的分析結果表明，基于知識網絡構建的學習路徑與默認學習路徑相比，能夠較好地滿足學生的學習需求。

5 結束語

面向學習者的個性需求進行適應性學習路徑推薦，是提高學習者學習效率的一種重要手段。本文提出一種面向學習路徑推薦的領域知識網絡構建方法，通過對學習對象的預備知識與目標知識進行標注，構建領域知識網絡，應用弗洛伊德算法計算知識與知識間的最短路徑，進而實現學習路徑推薦的目標。在當前各類教學資源多而雜、散而無序、內容重復的現狀下，本文方法能夠幫助學習者從眾多學習對象里快速選擇高質量的學習對象，構建最優學習路徑，提高學習效率。

需要說明的是，本文在最短路徑計算方面考慮了知識的屬性，而沒有考慮學習者的屬性，如何動態地描述學習者知識狀態，進行知識的推薦，是下一步研究的重要方向。