一種以學習者為中心的智慧教育模式設計

王丹丹　孫博文　徐漢川

摘 要： 近年來，隨著智能化技術的興起，在線教育作為一種新型教育模式，也在向智能化、創新化、個性化等模式進行轉變。考慮到目前已有在線教育平臺的資源分布情況，多數的學習資源掌握在學習者手中，本文提出了新的以學習者為中心的智慧教育模式，強調所有資源為“我”服務，讓學習者的學習過程不受有限平臺資源的約束。本文利用平臺已積累的學習者行為數據，為其建立個性化模型，并提供個性化的動態學習路徑規劃和資源推薦。進一步地，借助網絡中的P2P模式的思想，提出了新模式應用場景下可行的具體實現方式、即P2P推薦，最后對整體的平臺和系統進行了初步的設計，將線上線下資源有機整合，為學習者提供服務。

關鍵詞： 在線教育平臺; 智慧教育; 以學習者為中心; P2P推薦

文章編號： 2095-2163（2021）07-0129-06中圖分類號：TP311文獻標志碼： A

Design of learner-centered smart education model

WANG Dandan1， SUN Bowen2， XU Hanchuan2

（1 Harbin 49th Middle School，? Harbin 150001， China; 2 Faculty of Computing， Harbin Institute of Technology，

Harbin 150001， China）

【Abstract】In recent years， with the rise of intelligent technology， online education， as a new education model， is also changing to smart， innovative， and personalized models. Considering the resource distribution of the existing online education platforms-most of the learning resources are in the hands of learners， this article proposes a new learner-centered smart education model， emphasizing that all resources are serving learners， so that the learners' learning process is not constrained by limited platform resources. At the same time， on the basis of the accumulated learner behavior data of the platform， a personalized model is established for learners， and personalized dynamic learning path planning and resource recommendation are provided. Further， with the help of the idea of P2P mode in the network， a feasible specific implementation method of the new mode application scenario is proposed， that is， P2P recommendation. Finally， the overall platform and system are preliminarily designed， integrating online and offline resources to provide services for learners.

【Key words】online education platform; smart education; learner-centered; P2P recommendation

0 引 言

隨著互聯網、人工智能和大數據技術的發展與廣泛應用，以互聯網+教育、AI+教育為典型特征的新型教育模式，在現代教育體系中發揮著非常重要的作用。人們獲取知識和受教育的途徑也越來越多地通過新型學習模式來實現。各類教育機構、理論研究者等針對智慧教學提出了很多新的模式，如在線課堂、翻轉課堂等應用實踐模式，傳統教學模式得到了極大的改變和提升，使學習者擁有了更多的學習資源和靈活的自主學習時間，學習機制更加優化，過程更加高效。近年來，在線教育（e-Learning）和大規模開放式在線課程（Massive Open Online Courses，MOOC）等新型教育模式得到廣泛應用，促使更多的學習者通過在線平臺訪問學習資源和開展學習，這也促使學習平臺上累積了海量的教學知識和教學行為數據，從而為平臺完善與改進自身提供了良好的基礎。

現有的在線教育模式及教育平臺中，仍然存在以下不足之處。首先，已有在線教育模式及教育平臺均是平臺和資源為核心，由于平臺個體所擁有的資源往往是有限的，導致學習者需要在多服務平臺中進行選擇，甚至需要從多平臺同時獲得學習資源。學習者只能依據某平臺已有學習資源進行有限范圍的選擇，學習效果和能力受限于平臺的資源數目和質量，單一平臺有限的學習資源往往難于實現對大規模個性化學習的良好支持。第二，盡管各平臺均提供了資源檢索與瀏覽功能，但是學習者檢索與應用跨平臺分布的海量教育資源時仍然效率較低。平臺中的資源均是以平臺為中心進行組織與提供，而受限于檢索方法和檢索時間，從所有平臺中高效獲取所需資源在實現上就較為困難。這也導致難以尋獲最合適的教育資源提供給學習需求者，滿足其個性化學習目標;同時，也使得平臺難以高效利用所擁有的優質教育資源。第三，線下資源在教學中仍然起到重要的作用，而現有在線教育平臺僅提供在線資源與服務，難以實現線上資源與線下資源的有效整合，更無法為學習者提供個性化的整體學習規劃。第四，現有平臺對學習者學習習慣和偏好等還不能夠建立全面和準確的認知，所以就無法提供精準的個性化服務。這些都是在實踐中表現出來的實際問題，亟待解決。在線教育平臺對這些教學行為數據的分析挖掘不充分、不深入，盡管已經積累了海量教學行為數據和知識資源，但是依然無法準確認知學習者的個性化需求、興趣、意圖等，所以呈現出來的實際問題是無法提供獨具匠心的優化的個性化教育資源與服務[1]。

在智慧教育方面，國內外研究學者提出了大量的研究成果。Santos[2]針對個性化精神運動支持開發，提出了認知領域學習和精神運動相結合的方法;Conati等人[3]提出了為學習者認知和情感提供支持的人工智能模型，為教學提供智能服務;Kim等人[4]基于深度學習的情感識別和實時移動云計算技術等，提出并實現了“intelligent classroom”系統;Kowch等人[5]和Cruz-Benito等人[6]提出利用AI技術來評估學習者對新教育方法的接受度，論證了該模型意義、發展前景和可能的改變等。目前已有大量學習資源和伙伴的推薦方法被廣泛應用，Dragone等人[7]針對電信和多媒體推薦，提出了基于約束的電信服務方案推薦方法;Tondulkar等人[8]提出問答類系統中最佳回答的預測推薦系統，其基于文本理解、標簽相似度、多用戶特征集合，并提出各特征權值的計算方法，實驗證實其方法具有較高的準確性和即時性;Kleinerman等人[9]和Zhang等人[10]分別對用戶接受推薦結果的可能性、用戶偏好和交易活動之間的均衡關系，及互補服務推薦問題中的影響因素、服務潛在價值的發現提出了各自的研究方案。此外，針對P2P在推薦領域的應用，Svendsen等人[11]提出基于P2P的實時媒體推薦，Draidi等人[12]在信任網絡的基礎上，建立了P2Prec推薦系統。

基于以上分析和總結，本文以學習者為中心思維理念，提出一種嶄新的智慧教育模式。利用P2P模式實現資源推薦方法，滿足不同程度的個性化的需求。研究提出的教育模式和方法，針對傳統以平臺為核心教育模式的缺點，能夠更有效地面向個性化學習需求，充分高效利用個性化學習資源與學習伙伴，一方面融合在線平臺教學、網絡課程等形式，另一方面強化各學習者間的溝通與交流，利用“構建學習信任關系”和“聚類相似興趣學習者”的技術，考慮到學習者比平臺擁有更多學習資源的特點，挖掘利用以往被忽視的潛在學習資源，最大化學習者學習效率和利益，實現教育平臺上的資源能夠為所有學習者提供更加個性化的服務[1]。

論文內容安排如下。首先，詳細介紹了提出的以學習者為中心的智慧教育模式，其具體的應用場景及該模式下P2P推薦的2種實現方式;其次，給出了系統及應用的初步實現方案;最后，總結了本文的工作及未來的研究方向。

1 以學習者為中心的智慧教育模式

伴隨著智慧教育理念被普遍接受、在線教學形式的廣泛應用和推廣及社交網絡的普遍應用，相較于傳統的局限于原有平臺獲取有限資源的方式，每個用戶獲得資源的途徑增多，可獲取資源數量也隨之大幅增加，學習者掌握了更多的學習資源。學習者的學習活動、學習偏好、行為和目標的相似度、相互信任關系等要素，對學習資源的共享和推薦也越發重要。基于以上分析，本文所提創新學習模式目標是將傳統的平臺為核心學習模式（如圖1所示）提升為以學習者為中心的學習模式（如圖2所示），自動優化地構建學習群組，高效分享學習資源。

在圖1的以平臺為中心的學習模式中，學習者在平臺上的主要學習方式是利用平臺提供的功能，按需瀏覽和獲得所需學習資源，同時在平臺上上傳學習結果和學習交流溝通。學生能夠獲得的資源數量和質量取決于平臺，學生間的交互局限于論壇的留言與回復，方式單一，效率低。在圖2中展示的以學習者為中心的教學服務模式中，其主導思想是整合來自不同平臺、多種形態和類型的學習資源，優化組合后供學習者學習。學習者的學習資源來源除傳統的書本、課堂、教師外，結合當下的網絡教育及智慧教育方式，同時包含各種教育平臺資源、互聯網上公開可用資源、學習者/教育群體擁有的資源等，也利用各類助學Bot服務，將更廣泛的學習資源推送給學習者。在這種新型教學模式下，固有的和新涌現的多源異構資源被統一地虛擬化到數字學習資源空間中，學習者通過PC端和移動端等多種方式靈活便捷訪問，形成線上和線下資源的協同，為學習者學習提供更智能的支持。

1.1 以學習者為中心的智慧教育模式應用場景

本文提出的以學習者為中心的點對點學習推薦情景如圖3所示，此應用場景主要包含學習平臺、平臺擁有的各類資源、訪問和注冊的學習者、學習者群、用戶所擁有的學習資源，在此場景中，學習者或者平臺基于學習興趣、關注領域、學習相似度自動建立多個群組，或主動搜索感興趣的群組加入，每個群組中的相似學習者，根據意愿可參與維護相應的“學習社區”，管理維護其內部的學習資源、根據自身需求發送請求獲取其他用戶資源等，或進行直接交互等;同時用戶依然可以采用傳統的方法通過終端獲取平臺資源或上傳手中持有的資源。上述2種模式的有機結合，通過在具有相似學習意圖和習慣的學習者間建立更多的交互和聯系，使學習不再單純依賴于學習平臺擁有的資源，強化了學習者間資源的共享，是對潛在的學習資源的高效利用。

1.2 實現以學習者為中心的智慧教育模式的關鍵技術

在本文提出的新型智慧教育模式中，借助平臺和移動端助手兩種主要的呈現方式，將線上和線下教育服務結合，從而有效整合教育資源和提供服務，還包括對學習者的學習意圖和學習需求的動態快速挖掘，進一步地，可提供面向學習者的終身學習規劃和狀態管理等功能，更好地收集學習者行為數據，挖掘其潛質，對當下的學習狀態和后面的學業規劃給出意見和建議，使學習過程更加高效。同時后續可以和人工智能、物聯網等技術有機結合，形成虛擬課堂等應用的呈現方式。

具體地，本平臺實現中涉及的關鍵技術包括：

（1）基于已有數據集進行的學習者特征表示方法，以及基于其構建的學習群組表示、學習者之間的相似度計算方式等。

（2）學習資源和學習伙伴推薦的算法選取及P2P推薦的具體實現，算法的評價標準等。

（3）學習者學習意圖挖掘，根據當前學習者的學習狀態進行學習路徑動態規劃等。

（4）線上線下資源表示及整合方法。

（5）新型智慧教育平臺和學習助手實現的相關技術。

1.3 以學習者為中心模式下P2P推薦的2種實現方式

基于上述給出的P2P推薦場景，對該方法的思想進行全面的設計體現，進一步明確具體的推薦方式，目前給出2種推薦方式—Push和Pull。對此擬展開研究分述如下。

（1）Push推薦方式。Push推薦方式直接理解即為采用推式推薦方法，意為資源持有者主動將持有的資源告知平臺中的其他學習者。在這種Push推薦模式中，擁有資源的學生通過平臺將資源信息主動地告知其他學生，如圖4所示。擁有資源的用戶可以直接將資源信息推送給好友或加入的群組，也可以將學習資源分享到其個人的學習空間或好友圈中，其他學習者按需使用。

Push方式的優點是可依據學生的學習興趣和偏好進行聚類，縮小解空間到學習者的特定領域，從而降低了搜索范圍和難度，提升資源推薦準確率和學生學習效率。

目前具體的實現方案設計如圖5所示。首先，對所有的學習者分別建立其學習需求意圖模型、用戶偏好畫像，進而計算學生間學習的相似度，再將領域內最好的學習資源對其進行推薦。在此基礎上，進一步面向不同學習目的和學習領域，建立相應的學習群組，通過學習群組，學生可以在其中分享學習資源、建立伙伴關系、接收資料等。通過不斷地積累學生學習效果數據和意見反饋，對模型進行不斷地改進，提升模型和算法的能力。

（2）Pull推薦方式。此種“拉式”推薦方法的目的是以主動的方式為學習者提出學習需求，或者由系統智能分析并獲取用戶需求，然后為學習者提供相匹配的學習資源，如圖6所示。

學習者獲取學習資源的方式有2類：一是通過平臺的廣播功能發布請求，二是向好友或加入的學習群組發送請求。學習平臺捕獲學習者請求后，基于廣播/搜索策略得到學生和對應群組清單，將為其發送學習者請求;收到消息的學生，基于擁有資源以及分享意愿等進行反饋，如：共享資源、邀請加入群組、建立伙伴關系等。

Pull模式的實現如圖7所示。第一步向量化表示用戶的請求，將學生間的信任關系構建資源推薦算法結合到協同過濾算法中，學習平臺利用推薦算法得到各學習者最匹配的資源，分享給對應學習者。推薦模型和算法會根據不斷獲取的反饋進行持續改進，提升推薦的效率和性能。

2 P2P推薦系統設計

基于P2P模式的推薦系統框架如圖8所示。由圖8可知，系統由算法模型層、學習資源推薦層、基礎數據層和業務應用層構成，基于累積的大量教學數據，研究學習者模型及其相互間信任模型的構建方法，相似學習者的聚類算法和學習資源推薦相關算法，研發平臺實現上述功能。其中信任關系相關工作目前本團隊已取得部分研究進展，接下來將進行完善并將其研究成果加以應用。系統完成過程中涉及到的關鍵技術包括：基于環論的信任意見建模、在相似學習者聚類過程中使用的如K-Means和子空間聚類等聚類算法、在進行學習資源及伙伴推薦過程中使用的推薦算法如協同過濾及因子分解機、圖搜索算法等，同時還涉及用于進行數據處理分析及系統開發相關的技術等。

除基本的注冊和權限管理外，平臺包含的主體功能有：基于P2P的推薦、學生信息維護、學習權限管理、系統通知、學習互動等。學習伙伴和資源管理為系統最核心的功能，除基本的傳統功能外，主要包括：學習伙伴的推薦、伙伴關系網絡、相似用戶瀏覽、學習效果等;此外，互動學習模塊基于學習伙伴推薦算法建立學習者間互動關系，加強彼此間的交互性。

為增強平臺的可用性和易用性，研究還設計實現了“學習助手”模塊，為學習者提供移動端的應用方式，將peer的形式具體化，實現學習者與平臺間更便捷的交互。學習助手的功能主要包括：學習資源推薦、交流討論、學習狀態實時監控、學習習慣獲取、學習目標計劃、任務提醒等。

3 結束語

本文從目前在線教育平臺中仍存在的問題出發，根據學習者持有多數資源的特點，提出了新的以學習者為中心的智慧教育模式，提倡一切資源為學習者服務，同時提出P2P推薦作為此模式的一種可行的實現方法，并進一步地對P2P推薦系統進行了初步設計與部分功能的實現，對已獲得的學堂在線及某中學近三年的原始數據集進行預處理，觀察其分布及可以提取用來組合的特征，使其可供模型和算法訓練及測試使用。未來仍需進行的工作包括：定義完備的P2P使用場景，明確以用戶為中心的教育資源推薦模式，并提供具體的算法和技術支持，優化模型達到一定的準確率，再通過對比實驗的方式選擇最優的模型，同時對用戶的需求、特別是學習興趣及選課偏好進行挖掘，進行合理的形式化定義和向量化表示，并根據分析得到的需求進行資源的匹配與推薦。根據平臺上的學習者的興趣相似性，進行群組的構建和學習伙伴的添加，對相似的學習者進行聚類，又采用合適的算法進行資源推薦和好友推薦，并選取合理的訓練集訓練模型，預先定義推薦目標及評價標準，設計實驗及對比實驗進行驗證，同時利用用戶反饋行為數據等對模型進行優化。最后實現P2P推薦平臺，使具體的算法得到呈現，供學習者使用。

參考文獻

[1]孫博文. 基于學習者社交關系分析的在線教育資源P2P推薦方法研究[D]. 哈爾濱：哈爾濱工業大學，2020.

[2]SANTOS O C. Training the body： The potential of AIED to support personalized motor skills learning[J]. International Journal of Artificial Intelligence in Education， 2016， 26（2）：730-755.

[3]CONATI C， PORAYSKA-POMSTA K， MAVRIKIS M. AI in education needs interpretable machine learning： Lessons from open learner modelling[J]. arXiv preprint arXiv：1807.00154， 2018.

[4]KIM Y， SOYATA T， BEHNAGH R F. Towards emotionally aware AI smart classroom： Current issues and directions for engineering and education[J]. IEEE Access， 2018， 6： 5308-5331.

[5]KOWCH E G， LIU J C. Principles for teaching， leading， and participatory learning with a new participant： AI[C]//2018 International Joint Conference on Information， Media and Engineering （ICIME）. Manchester：IEEE， 2018： 320-325.

[6]CRUZ-BENITO J， S[WT6BZ][WT6B1]NCHEZ-PRIETO J C， THER[WT6BZ][WT6B1]N R， et al. Measuring students' acceptance to AI-driven assessment in elearning： Proposing a first TAM-based research model[M]//ZAPHIRIS P， IOANNOU A. International Conference on Human-Computer Interaction. Cham：Springer， 2019，11590： 15-25.

[7]DRAGONE P， PELLEGRINI G， VESCOVI M， et al. No more ready-made deals： constructive recommendation for telco service bundling[C]//Proceedings of the 12th ACM Conference on Recommender Systems.? Vancouver：ACM， 2018： 163-171.

[8]TONDULKAR R， DUBEY M， Desarkar M S. Get me the best： Predicting best answerers in community question answering sites[C]//Proceedings of the 12th ACM Conference on Recommender Systems. Vancouver： ACM， 2018： 77-85.

[9]KLEINERMAN A， ROSENFELD A， RICCI F， et al. Optimally balancing receiver and recommended users' importance in reciprocal recommender systems[C]//Proceedings of the 12th ACM Conference on Recommender Systems.? Vancouver：ACM， 2018： 131-139.

[10]ZHANG Yin， LU Haokai， NIU Wei， et al. Quality-aware neural complementary item recommendation[C]//Proceedings of the 12th ACM Conference on Recommender Systems. Vancouver：ACM， 2018： 77-85.

[11]Svendsen H， Erickson M. System and method for identifying music content in a P2P real time recommendation network：USA， 8，059，646[P]. 2011-11-15.

[12]DRAIDI F， PACITTI E， PARIGOT D， et al. P2Prec： a social-based P2P recommendation system[C]//Proceedings of the 20th ACM international conference on Information and knowledge management. Scotland， UK：ACM， 2011： 2593-2596.

作者簡介： 王丹丹（1977-），女，學士，中學一級，主要研究方向：在線教學模式、數字化語文教學;孫博文（1996-），男，碩士，工程師，主要研究方向：機器學習、智慧教育;徐漢川（1976-），男，博士，講師，主要研究方向：服務計算、軟件工程。

收稿日期： 2021-04-14