基于深度學習的MOOC課程重構系統研究

摘? 要 為解決MOOC課程利用成效低、資源重復建設等問題，基于深度學習理論，依據各MOOC平臺課程和知識的關系設計一款MOOC課程重構系統，并使用Jsoup技術對大量數據進行收集和存儲，使用自然語言處理技術對數據進行關鍵字分析，繼而生成知識圖譜，同時系統記錄學習者學習狀態，以便用戶持續性學習，以期能為優化MOOC課程資源提供一定的指導。

關鍵詞 深度學習;課程重構;MOOC課程;SPOC;知識地圖;Jsoup技術

中圖分類號：G642.3? ? 文獻標識碼：B

文章編號：1671-489X（2020）04-0053-03

Study on Reconstruction System of MOOC Courses based on Deep Learning//LU Hong

Abstract In order to solve the problems of low utilization of MOOC courses and repeated construction of resources， this paper designs a?MOOC curriculum reconstruction system based on the theory of deep?learning， and uses Jsoup technology to collect and store large amounts?of data. The use of natural language processing technology to analyze?the data keywords， and then generates knowledge map， while the sys-tem records the learners learning status， so that users continue to learn， in order to optimize the MOOC course resources can provide some guidance.

Key words deep learning; course reconstruction; MOOC courses;? SPOC; knowledge map; Jsoup technology

1 引言

MOOC課程重構（Courses Reconstruction）是以各類MOOC課程資源、SPOC課程資源和網絡公開課等為基礎，依據課程教學目標或學習者的學習需求，采用知識圖譜生成技術重構相應課程資源的非結構化關系圖，生成滿足課程教學目標和學習者學習需求的非線性MOOC課程，并為學習提供相應的動態學習路徑推薦，其本質是以學生為主體的動態學習任務規劃與實時優質課程資源推薦過程。在過去的幾年中，不同架構的MOOC平臺不斷涌現，上線的MOOC課程和SPOC課程、用戶數量也呈爆炸式增長趨勢[1]。但隨著MOOC課程在教育教學實踐中的深入應用，逐漸暴露出課程輟學率高、課程資源重復、跨平臺資源檢索困難、課程評價模式單一等問題[2-3]。

王繼元等通過利用NVivo工具對10篇訪談文本的數據進行分析，指出MOOCs的高輟學率主要是因為學習者的學習主動性和自我學習管理能力不足，MOOCs的高輟學率不應該是評價MOOCs課程的唯一指標[4]。徐振國等通過調查研究發現，學習者自制力差、學習動機不強烈、后期跟不上學習進度等因素是導致MOOC學習者輟學的首要因素，并提出采用學分認證、MOOC課程積分、獎學金、混合式教學、強化在線學習互動等策略提高MOOC課程的完成率[5]。胡航等對深度學習概念的界定、有效實施建議等進行了闡述，提出深度學習理論的本質內涵是“轉向學生、關注學習、技術促進學習”[6]。

知識圖譜具有關聯性、結構性和導航性，能夠幫助學習者采用非線性方式組織課程內容，加速學習者對知識的理解和意義建構，避免學習者因知識結構復雜迷失學習方向甚至終止學習過程。周穎等指出，知識地圖在課程學習中的應用，能夠幫助學生有效管理學習目標、知識體系、知識點間的邏輯聯系等，促進學生對知識的理解、意義建構、共享和創新。劉紅晶等提出一種基于教師視角的SPOC課程知識地圖的構建方法，以利用知識地圖解決SPOC課程資源線性組織、課程知識體系不清晰等問題。姜宛彤等通過將知識地圖應用在微課視頻、學習資源管理等方面，解決了微課資源碎片化所給學習者所帶來的困難[7]。

Nen-Fu Huang等提出一種基于知識地圖的個性化自主學習路徑規劃方法，指出學習路徑規劃為完成預期的學習目標，學習者需要完成的學習活動序列，可根據自身的學習狀態與學習評價反饋選擇和變更學習活動路徑及學習內容，依據分析學習者的現有知識水平構建知識地圖，并為達到最終學習目標自動規劃下一步學習路徑[8]。

綜上所述，現有的MOOC課程存在完成率持續較低、學習效率較差等問題，而關于深度學習視角下MOOC課程資源建設、跨平臺共享與檢索的研究很少，大部分集中在MOOC課程學習過程中遇到的問題探究和深度學習概念本身的研究。因此，研究一款基于深度學習的MOOC課程重構系統，將為學習者利用MOOC課程資源持續開展深度學習提供有力的技術服務，同時將為優質數字課程教學資源的跨平臺檢索與共享提供技術支持。

2 基于深度學習的MOOC課程重構系統設計

基于深度學習的MOOC課程重構系統幫助學習者采用非線性方式組織課程內容，加速學習者對知識的理解和意義建構，避免學習者因知識結構復雜迷失學習方向甚至終止學習過程。該系統主要包含四大模塊，分別是個人信息模塊、數據收集模塊、學習中心模塊、知識導航模塊，其功能模塊圖如圖1所示。

個人信息模塊? 基于深度學習的MOOC課程重構系統是一種以學習需求和學習主動性為驅動力的個性化MOOC課程學習服務平臺，以保持學習者MOOC在線課程學習的持續性和注意力為目標。個人信息模塊主要包含用戶登錄、注冊和用戶信息可視化顯示功能，該模塊用于將用戶的登錄信息和學習需求信息存儲到數據庫，并在用戶登錄后以可視化進度條的形式展示在前臺頁面，用戶登錄注冊的基本信息將被應用于數據收集。

數據收集模塊? 由于大部分MOOC課程資源建設標準不統一，需要為訓練MOOC課程重構模型收集和標注一個具有規范標準的MOOC課程資源數據集。

首先，以某一門MOOC課程為例，收集來自不同MOOC平臺、SPOC平臺、網絡公開課平臺和精品課程平臺的課程資源（含教學目標、課程內容、視頻、課件、歷史互動記錄等）、知識點相關的文本描述和圖片等資源。

其次，分析該課程的學習目標、知識點，各知識點對應的學習內容及其相應的學習資料，同時標注和記錄“課程—學習目標—知識點—學習內容—各類學習資源”之間的相互關系，以此為依據，對所收集的課程資源進行標注，以用于構建知識圖譜。

學習中心模塊? 對于視頻、音頻和圖像課程資源，首先，基于雙向長短時記憶（Bidirectional Long Short Term Memory，BLSTM）訓練一個MOOC課程資源的文本描述模型，并生成相應的文本描述信息;

其次，以所生成的文本描述信息和其他文字形式的在線輔導記錄、交流互動內容等作為輸入，采用深度神經網絡方法訓練一個自動知識點抽取模型;

最后，采用度量學習方法計算各知識點之間的關系及其相似度，以三元組“知識點—關系—知識點”為基礎，采用非監督學習方法生成面向MOOC課程重構的知識圖譜，以用于知識導航學習資源推薦。

知識導航模塊? 以重構的MOOC課程知識圖譜為基礎，根據學習者的學習需求、學習特征、學習評價等，利用增強學習方法Q-Learning為學習者生成動態學習路徑。同時，采用神經協同過濾（Neural Collaborative Filtering，NCF）算法為學習者推薦相應的多模態優質課程資源或在線輔導，變革傳統MOOC課程的線性學習活動序列和資源利用方式，及時發現和解決學習者的學習需求和學習困難，保證深度學習過程的可持續性進行。

3 系統實現關鍵技術

類結構設計? 基于深度學習的MOOC課程重構系統的類結構主要分為五層。

1）用于連接數據庫的DAO層。DAO層的構成是由一個BaseDao、多個自定義Dao接口和與其對應的實現類組成的，其主要作用是從數據庫獲取數據。

2）用于業務服務的SERVICE層。SERVICE層包括自定義的Service接口和相對應的實現類，這一層的主要作用是將業務與數據庫連接分開，起到分離的作用，降低了代碼的耦合。

3）用于與JSP交互的SERVLET層。SERVLET層包含多個Servlet，用于和對應的不同JSP傳輸數據，由于每一個JSP都會不止響應一次后臺，因此，Servlet的數量還是很多的。

4）用于完成邏輯處理的FUNCTION層。FUNCTION層為了減少代碼耦合，主要存放數據處理方法，以達到接口和具體實現相分離。

5）實體類層MODEL。MODEL層用實體類作為存儲媒介，可以方便與數據庫對接，同時也定義了一些類比以便于數據傳輸。

數據收集的方法? Jsoup是一種用來解析網頁信息的基于Java語言的工具包，可以直接分析Url地址指向的網頁和Html文件。Jsoup工具包中定義了Document類，借助title（）、getElementsByClass（）和getElementsByTag（），可以將Html頁面轉化為一個獨立的Document對象。所以，通過Jsoup封裝的方法即可通過網站的Url，獲取到整個網頁的信息。

數據處理技術? 漢語言包HanLP常用于中文分析，其功能包括中文分詞、命名實體識別、關鍵詞提取、自動摘要、短語提取、拼音轉換、簡繁轉換、文本推薦、依存句法分析等。系統中使用HanLP提取MOOC課程的微視頻標題、字幕、測驗作業的問題與答案等文本信息，以形成知識節點。

知識圖譜的生成? Jsoup是一款Java的Html解析器，可直接解析某個Url地址、Html文本內容。它提供了一套非常省力的Api，可通過Dom、Css以及類似于jQuery的操作方法來取出和操作數據，用于展示創建好的知識圖譜。

知識導航的建立? 知識導航主要涉及將用戶在課程系統中的學習狀態返回給后臺，其由異步傳輸和zTree的回調函數實現。zTree的回調函數寫在setting內的callback

代碼塊內，當用戶點擊葉子節點以后，Js方法將會檢測到用戶點擊的葉子節點的name項。為提高用戶體驗感，使用Ajax異步傳輸技術。異步傳輸獲取到用戶點擊的節點以后，就要將該節點的name信息傳向后臺，記錄到數據庫中。向后臺傳輸兩個數據：課程號id和節點信息name。后臺根據課程的id將傳來的name拼接到數據庫中的課程節點字段中，以此實現學習路徑規劃。

4 結語

本文結合當下MOOC課程輟學率高和跨平臺資源檢索困難等問題，基于深度學習理論設計并實現一款MOOC課程重構系統原型，以期指導提高MOOC課程評價的效用和課程資源的質量，避免MOOC課程資源的重復建設。下一步工作將采用增強學習算法Q-Learning和神經協同過濾算法NCF，實現基于多模態MOOC課程知識圖譜的動態學習路徑規劃和優質多模態學習資源推薦，以提高MOOC課程資源的利用率和MOOC課程的學習效率。

參考文獻

[1]張剛要，沈大為.理解MOOCs的完成率：歸因與挑戰[J].中國電化教育，2017（12）：82-89.

[2]徐振國，張冠文，石林，等.MOOC學習者輟學行為的影響因素研究[J].現代教育技術，2017，27（9）：100-106.

[3]王雪宇，鄒剛，李驍.基于MOOC數據的學習者輟課預測研究[J].現代教育技術，2017，27（6）：94-100.

[4]王繼元，張剛要.限制MOOC學習者自由對其持續學習意向的影響機制研究[J].電化教育研究，2019（2）：54-61.

[5]徐振國，張冠文，石林，等.MOOC學習者輟學行為的影響因素研究[J].現代教育技術，2017（9）：100-106.

[6]胡航，董玉琦.深度學習內容及其資源表征的實證研究[J].中國遠程教育，2017（8）：57-63，80.

[7]劉紅晶，譚良.基于教師視角的SPOC課程知識地圖構建方法研究[J].電化教育研究，2017（9）：64-70.

[8]Huang N F， Lee C A， Huang Y W， et al. On the Auto-matic Construction of Knowledge-Map from Handouts forMOOC Courses[M]//International Conference on Intelli-gent Information Hiding and Multimedia Signal Pro-cessing.2017：107-114.

項目來源：江蘇省教育科學“十三五”規劃課題“深度學習視角下基于多模態知識圖譜的MOOC課程重構研究”階段性成果（課題批準文號：C-b/2018/01/19）。

作者：路紅，南京理工大學紫金學院，講師，研究方向為知識圖譜、深度學習（210023）。