“互聯網+”時代移動學習資源個性化推薦的現狀與趨勢研究

王吉林

（廣州大學華軟軟件學院，廣州 510990）

“互聯網+教育”時代的到來，為用戶提供越來越多移動學習資源的同時，也使用戶在海量學習資源中獲取所需的學習資源十分困難。于是，移動習資源個性化推薦的研究應運而生。本文通過對我國近十年（2010-2019）間有關移動學習資源個性化推薦的論文進行內容分析和數量的統計，對其研究現狀和存在的問題進行梳理。

1 研究思路

本文以中國知網CNKI 全文數據庫為研究來源，檢索條件為：主題、或者篇名、或者關鍵詞、或者摘要、或者全文（移動學習資源）并含（個性化推薦），通過精確匹配方式對我國近十年的論文進行檢索。為提高本研究的信度和效度，剔除與本研究主題無關的文章，最終確定131篇論文作為研究樣本。

本文使用計量可視化的CNKI 文獻分析工具，從論文基本情況、研究者、基金、研究內容等方面對樣本論文進行分類統計和分析，還使用內容分析法對相關論文進行內容分析。

2 統計分析

2.1 論文基本情況分析

2.1.1 論文來源分析

樣本論文分布分散，碩士論文64篇，58篇期刊，博士論文6篇，國際會議3篇，來自47種期刊。其中，載文量大于2篇的期刊共有8種，占總數的38.3%。CSSCI 來源期刊有8篇，《中國遠程教育》、《電化教育研究》、《現代教育技術》、《中國電化教育》載文數量較多，作為CSSCI 來源期刊，其刊載的論文質量較高，有很高的參考價值。

2.1.2 論文數量分布

對樣本論文分布年份進行統計如圖1。由此可見，移動學習資源的廣泛應用使得人們更加關個性化推薦，進而使得研究移動學習資源個性化推薦的學者增多，研究方向逐漸拓寬。

圖1 年份分析

2.2 研究者分析

2.2.1 論文作者分析

樣本論文發表情況各不相同，有24位作者發表了2篇論文。他們對我國近十年移動學習資源個性化推薦的研究作出了較大貢獻。在作者團隊合作方面，40篇是由2名或者以上的人合作發表的。合作研究的論文比較少，占總數的30.53%。

2.2.2 論文作者所屬機構分析

論文的第一作者所屬機構，共有94所。大部分來自普通高等學校，少數部分來自廣播電視大學和職業技術學院。由此可見，普通高等學校、廣播電視大學和職業技術學院是移動學資源個性化推薦研究的主要力量，而其中又以普通高等學校為主。

2.3 基金分析

樣本的基金分布如圖2，總共有14項基金支持，國家自然科學基金和中國博士后基金支持比較多。這說明移動學習資源個性化推薦具有較大的研究意義，是未來研究的趨勢。

圖2 基金分布

2.4 研究內容分析

移動學習資源個性化推薦的研究劃分為系統、平臺或案例設計研究、基本理論研究、應用研究、推薦模型或模式構建研究、調查研究和推薦算法或策略研究六大領域，從這六個方面對58篇期刊論文樣本進行歸類統計，結果如圖3。由此可以看出：

圖3 樣本研究領域統計

（1）當前推薦模型或模式的構建是研究熱點，并已經取得了一定的成果。

（2）運用何種方式能有效地推薦學習資源，如何建設學習資源系統或平臺是研究者關注的焦點。

（3）個性化推薦在移動學習資源中的應用研究究尚有欠缺，需要完善，還有很大的研究空間。

（4）基本理論研究偏少。

3 研究現狀分析

筆者從三大研究領域對這58篇文獻進行深入分析，以期能夠得出我國目前移動學習資源個性化推薦的研究現狀、趨勢與問題瓶頸所在。

（1）推薦模型研究現狀

莊科君，賀寶勛利用移動上下文推薦、學習進度預測的算法，構建個性化推薦的移動學習模型。[1]牟智佳，武法提以學習者個性信息特征為分析維度，構建了基于電子書包學習系統數據庫的學習者模型，設計了基于學習者模型的個性化學習資源推薦框架。[2]陳淼，唐章蔚設計了情境因素、用戶特點因素、用戶興趣因素、用戶目標因素和反饋更新因素這五個維度的學習資源個性化推薦模型。[3]張劍提出了基于學習情境的個性化移動學習推薦系統模型。[4]李小文，童莉莉，李榮祿提出了PMKS——學習主體（Person）、移動工具（Mobile）、知識或者服務（Knowledge）和情境（Scene）的移動學習理論框架。[5]

（2）推薦算法或策略研究現狀

楊麗娜提出了用戶偏好模式識別和移動用戶偏好的進化機制等有效提高移動學習資源可用性策略。[6]王曉康提出了基于協同過濾算法的移動學習者偏好模型。[7]張琳提出了快速獲取個性化學習資源的內容過濾及協同過濾兩種推送策略及技術實現方法。[8]夏立新，畢崇武，程秀峰提出一種面向布爾型移動在線學習資源的協同推薦方法。[9]

（3）系統平臺或案例設計研究現狀

朱書架，韋存存采用個性化推薦技術和標簽技術組織移動學習資源，提出了移動學習系統的設計架構和實現方案。[10]伍冬莉，唐萬梅，趙瑛實現了混合云模式下的“重師微學”移動學習平臺。[11]江夢茜，周勇軍，柯曉昱運用基于記憶的協同過濾算法，設計了一個基于協同過濾算法的移動英語學習平臺。[12]肖祥林，周春容，萬錚綜合運用協同過濾（CF）推薦算法、基于內容的推薦算法以及情景感知推薦算法等算法集合，設計了一款基于個性化推薦方法的多終端微型課程學習平臺。[13]曹偉采用情景感知技術，構建移動學習資源自適應推薦系統。[14]

4 總結與展望

4.1 研究現狀

（1）關于質的研究比較少，對個性化推薦算法的評價、規范和應用到移動學習資源中等問題的研究仍然不透徹。樣本論文的基金論文比比較低，這說明熱度不夠，研究的力度和支持度不夠，研究也不深入。另外，涉及到移動學習資源個性化推薦的核心期刊論文較少。

（2）偏重模型構建、系統設計與技術實現，在教學中的實際應用偏少，有待進一步加強。樣本論文中，推薦模型或模式構建的文獻占比最高，其次是系統的設計與實現、推薦算法和策略等，且研究結果通常為一種移動學習資源個性化推薦模型、推薦算法的優化與引進、移動學習資源個性化系統的設計等。

（3）應用研究偏少。研究者設計并實現的移動學習資源個性化系統投入到實際教學中的偏少，即使真正投入到學習系統中使用，還不能做到十分的個性化。

（4）基礎理論研究比較薄弱。雖然移動學習和個性化推薦的基礎理論研究的發展已趨于多元化、穩定化，但是將個性化推薦應用于移動學習中，其基礎理論研究偏少，已有的文獻很少。

4.2 研究趨勢

“互聯網+教育”時代的到來，促進了移動學習資源個性化推薦的研究和發展，也使得其應用研究顯得越來越迫切。樣本究結果表明，個性化推薦將越來越面向個體，越來越能體現個性化。個性化推薦算法將會與教育教學實際相結合，移動學習資源的建設越來越智慧化。