“人工智能+教育”環境下教學資源庫的研究

文/倪居 李勇

教學資源庫建設是學校“人工智能+教育”應用的核心，是信息技術與課程整合的關鍵，因此，必須加快資源庫建設，讓學生能在開放的網絡教學環境中獲取更多的網絡教學資源，提高教學效果，從而為今后的就業創業奠定堅實的基礎。

一、當前教學資源庫存在的問題

當前我國教育信息化程度不斷增強，參與教學資源庫建設的學校和機構越來越多，教學資源庫中包含了豐富的教育教學資源，但是這些資源并不是完全開放共享的，有些資源僅供校內師生使用，有些資源僅供會員免費使用，還有些資源需要付費才能使用，教學資源庫存在著不能有效利用和難以統籌管理的問題，阻礙了資源庫的進一步發展。

（一）不同的技術平臺導致資源共享困難

支撐資源庫的平臺種類繁多，這些平臺采用不同的技術標準進行建設，但是，資源格式和存儲方式的不統一，會導致不同資源庫之間難以共享。

（二）資源缺乏及時維護導致不能及時更新

資源庫建設周期長，難度大，需投入大量的人力成本，并且建成以后缺乏及時有效的維護，使資源難以隨著教學知識的發展及時更新，導致教學資源缺乏動態性和可移植性。

（三）技術平臺的智慧化程度不高導致資源無法有效利用

現有的平臺只能滿足簡單的檢索，用戶無法從大量的資源中快速檢索到對自己切實有用的資源，因此，網絡學習者容易被大量的資源迷惑。資源庫信息的過載常常導致訪問者陷于信息迷航[1]，另外平臺不能主動地分析學習者的學習行為和學習需求，不能滿足學習者對學習資源多樣化和個性化的需求。

（四）資源共享理念不夠開放

多平臺之間相互封閉，教學資源重復開發，難以實現共享和開放。如果能夠以開放和共享的觀念建設和使用資源，必定能夠推動在線教育的快速發展。

二、基于個性化推薦技術的教學資源自適應推送

個性化推薦系統適用的業務范圍非常廣泛，如電子商務網站、搜索引擎、線上服務、線上交易等，可以說只要存在信息過載的問題，個性化推薦技術都可以進行解決[2]。因此，在學習者使用教學資源庫時，如果能根據學習者的個性特征精準推送其所需要的教學資源，就可以解決學習者在面對海量資源所產生的信息迷航問題，提高學習者的學習效率。

教學資源庫要解決的核心問題是為學習者提供個性化的教與學服務。滿足師、生、校、家的需求，實現高效互動。《新一代人工智能發展規劃》中提出要建立以學習者為中心的教育環境，提供精準推送的教育服務。所以教學資源庫的建設應該能實現個性化推薦和自適應學習的功能。

（一）學習者模型構建

學習者模型的構建基于學習者特征和教學資源庫兩條主線，收集學習者的基本信息，學習歷史記錄，對比學習者之間需求的差異[3]。采用K-Means聚類算法將學習者進行分類，將有相同或相似需求的用戶進行聚合，從而構建學習者聚類模型。

（二）資源模型構建

資源模型的構建基于資源基本特征、標簽和用戶對資源的有效評價三個方面，采用杰卡德相似系數計算資源與資源之間的相似度，采用Apriori算法挖掘頻繁項集。將特征相近，相似度高，用戶評價好的資源組成候選資源鏈，構建資源關聯規則模型。

（三）按照學習者需求匹配資源

要想實現較好的個性化推薦效果，可以利用人工智能技術，感知學習情境，對學習者進行精確定位，按照學習者特征構建用戶畫像。根據用戶畫像選擇合適的推薦算法主動給用戶推薦能夠滿足他們興趣和需求的資源，形成高效的推薦機制。

（四）個性化推薦

為了節省用戶時間并幫助用戶快速找到感興趣的資源，利用教學資源庫中海量的用戶訪問數據，研究用戶的興趣偏好，分析用戶的需求和行為，引導用戶發現需求信息，將相關資源準確地推薦給所需用戶，幫助用戶發現他們感興趣但很難發現的資源，增強用戶體驗效果，增加用戶黏度，從而使用戶與資源庫之間建立穩定的交互關系，實現鏈式反應增值。

在資源庫使用過程中，根據學習者聚類模型和資源關聯規則模型建立不同的指標評價模型的優劣。K-Means聚類模型的優劣取決于初始聚類中心的選擇，在使用中為了得到較好的結果，可以選擇不同的初始聚類中心多次運行K-Means算法。Apriori算法評價指標為置信度、支持度和提升度。在資源庫的使用過程中進行多次計算，發現最小支持度、最小置信度下Apriori算法求取的關聯規則數目適中，能夠得出優良結果，能夠不斷優化資源關聯規則模型。

學習者聚類模型和資源庫關聯規則模型均根據歷史數據進行建模，隨著時間的變化，學習者信息和資源庫信息也在發生變化，因此，建議每個月運行一次模型，確認模型的穩定性，如果模型穩定性不佳，則需要重新訓練模型。根據以往經驗建議每隔半年訓練一次模型。通過不斷改進算法、優化模型、完善個性化推薦機制，促使資源整合，使教學資源庫主動服務于學習者，從而構建性能優良的自適應學習系統。

三、教學資源庫個性化推薦算法的選擇

推薦系統（Recommender System）是解決信息過載的有效手段，也是提供個性化服務信息的工具。在實際構建推薦系統時，并不是采用單一的某種推薦算法進行推薦，而是結合多種推薦算法將推薦結果進行組合，最后得出最優的推薦結果。在組合推薦結果時，可以采用串行或者并行的方法。

目前最常用的解決方式是挖掘各種推薦算法的優點，并將多種推薦算法進行整合，這種改進算法稱之為混合推薦算法。混合推薦的方式通常有三類：針對不同的學習者使用不同的推薦策略；針對不同的學習資源使用不同的推薦策略；針對所有學習者和所有學習資源，使用混合的推薦策略進行推薦。

四、結語

人工智能技術在教學資源庫中的應用，不僅使資源庫能夠實現及時更新，不斷優化，提高資源庫的使用準確率與效率，而且能夠滿足學習者對于資源更新速度和快速搜索感興趣課程資源的需求，有助于學習者從中獲取更多有價值的學習資源，在節省用戶時間，改善用戶體驗，提升學習成就感等方面發揮著巨大作用。