基于個性課程推薦技術的線上學習地圖設計

宋庭新, 肖立柯

(湖北工業大學職業技術師范學院,湖北 武漢 430068 )

隨著教育信息化2.0時代的“智慧校園”建設方向的提出,各職業院校建立了數字化資源平臺,并積累了大量的數字化學習資源。據職業教育專業教學資源庫導航網站統計,目前全國參建院校1314所,已有標準化課程7069門,素材資源395萬件,參與建設教師83萬名,參與學習學生1734萬名以及企業用戶29萬名。海量的學習資源給學習者豐富職業技能知識的同時也帶來“信息迷航”和“信息過載”等問題。目前關于線上課程推薦的研究主要是結合個性推薦算法,對線上學習數據進行整合分析,使學習資源與用戶個性匹配,從而實現個性化課程推薦。郭陽等提出了基于學習者興趣的個性化課程推薦方法[1]。Chen等提出一個基于學習者現有知識和學習材料的知識推薦方法[2]。Jing等將用戶興趣和課程前提條件結合起來,利用協同過濾進行個性課程推薦[3]。石弘利等結合線上平臺用戶和學習資源數據構建物品相似度矩陣,并根據矩陣進行用戶個性化課程推薦。孔令圓等通過多角度挖掘用戶顯式和隱式偏好,設計并實現了個性慕課資源推薦系統。上述研究對用戶個性信息進行了挖掘,利用不同的推薦算法或者改進算法來進行個性化課程的推薦,但忽略了學習者的知識水平和能力水平,職業技能發展路徑規劃不足。本文利用個性推薦技術設計面向學習者的在線學習地圖,為學習者規劃目標職業學習路徑,同時提供符合學習者個性特征的學習資源,從而提供高效的自主學習支持。

1 學習地圖概要

1.1 線上學習地圖概念

學習地圖(Learning Maps),由美國通用公司全球學習顧問史蒂夫·羅森伯姆和印度區學習顧問吉姆·威廉姆斯于1993年聯手創立,其主要意義是在一定的目標下,企業員工可以通過學習地圖找到從一名底層的新員工進入企業開始,直至成為公司高層的學習發展路徑[5]。線上學習地圖是以傳統的企業學習地圖為設計基礎,以學習者崗位技能發展路徑和職業發展路徑選擇為主軸而設計的一系列線上學習活動,是學習者的線上課程學習路徑的直接體現,線上地圖結構如圖1所示。

圖1 線上學習地圖結構

面對互聯網上繁多的學習資源,學習者可以根據線上學習地圖引導,快速找到自己的目標職業技能學習路徑,并且系統會根據學習者興趣、知識水平和學習能力等個性特征為其推薦個性化課程資源,從而實現學習者從某職業領域的初學者到具備一定職業能力的技能人才發展。本研究以職業學校開設的專業為例,結合個性推薦技術對線上學習地圖進行設計,從而幫助職校學生或社會學習者對專業技能知識進行個性化學習以及對未來從事職業崗位的路徑選擇,促進線上學習資源的充分利用。

1.2 線上學習地圖設計步驟

線上學習地圖的設計分為四個步驟 :技能梳理、能力分析、內容設計以及地圖繪制。

1)技能梳理。此步驟是對目標專業所在崗位進行整理,列出典型工作任務并將其所包含的所有技能進行提取,整理出不同職級的主要工作任務和所需掌握的技能。通過技能梳理,可以理清整個專業的主要工種、工作任務和與之對應的工作技能,從而降低學習內容的冗余重復并為整個學習地圖的構建提供框架支持。

2)能力分析。此步驟是分析各個技能所需的知識與能力要求,根據第一步分解的職業技能,參照職業技能證書與技能大賽的能力標準,分析完成此技能所需的能力要求,標定每項知識或能力是“通用”、“專用”或者“銜接”,并且按照初級、中級、高級的劃分設置能力級別,建立能力模型。

3)內容設計。此步驟為線上學習地圖建立核心階段,將所建立的能力模型與學習課程體系進行一一映射,并針對相應的課程體系,利用個性課程推薦技術,為學習者進行相應目標內容的課程資源推薦。

4)地圖繪制。匯總所有的學習內容,根據學習者不同的技能發展路徑要求,將學習課程劃分為基礎課程、銜接課程、職業核心課程,其中基礎課程是所有技能的學習支撐,銜接課程是技能水平從初級到中級再到高級之間的過渡,職業核心課程是以每個級別中需要掌握的核心技能作為主要能力目標。至此,形成清晰完整的專業線上學習地圖。

2 基于分層推薦算法的個性化課程生成

2.1 個性化課程生成框架

推薦技術主要有基于內容推薦技術和協同過濾推薦技術兩類,兩類推薦技術都有各自的優缺點[5]。現有的課程推薦方法是結合學習者的學習目標、興趣、瀏覽習慣等個性特征,為其推薦個性化學習資源,并應用課程編列技術生成個性課程[2]。在實際學習中,課程內容需要符合學習者的知識水平和學習能力,單純的基于內容或者基于用戶的課程生成無法滿足要求。本文根據學習者的興趣、目標、知識水平、學習能力等學習特點,根據以上兩類推薦技術的特點,提出一種基于學習對象知識結構和用戶個性特征的分層混合算法。首先基于構建的學習地圖,利用推薦技術,從知識庫中提取符合學習地圖的課程,再根據學習者的個人信息特征生成個性化課程,個性推薦系統框架如圖2所示。

圖2 個性推薦系統框架

2.2 個性化課程生成概念模型

2.2.1建立學習者模型學習者參與由領域專家設計的包含課程學習所需預備知識的學前測試,并由系統收集數據、分析并計算評估知識水平和學習能力,生成用戶-對象評分矩陣Rij、學習者的知識矩陣Q和能力矩陣B,其中Rij表示用戶i對學習對象j的評分。設課程的知識結構中的概念集為C=(c1,c2,…,cn),分別為每個概念ci定義相應的特征向量(si,bi,oi)。其中si表示學習者學習概念ci的得分;bi表示學習者學習概念ci的學習能力評估;oi表示學習者對概念ci的學習目標。得到學習者個性特征模型(Personalized Learning Profile,PLP),用N維特征向量表示為:

PLP=(C,S,B,O)=((c1,s1,b1,o1),

(c2,s2,b2,o2),…,(cn,sn,bn,on))

2.2.2建立學習對象模型基于用戶興趣對資源庫進行篩選,采用Pearson相似度計算用戶u與用戶v之間的相似度sim(u,v),選擇最相似的k個用戶作為最近鄰居集N。對于目標用戶u未做評分的學習對象i,用下式進行預測:

其中Pu,i表示目標用戶u對于未評分對象i的預測評分,Nu表示用戶u的鄰居用戶集。

使用TF-IDF方法[7]抽取與學習者目標中包含的概念子集相關聯的興趣資源子集。設課程只是結構中的概念集為C=(c1,c2,…,cn),興趣資源庫中所有對象的集合為R=(r1,r2,…,rm),第i個學習對象ri與第k個概念ck之間關系系數用下式計算:

其中vik表示第k個概念在第i個學習對象中的權值;tfik表示概念k在學習對象i中的頻度;M表示學習對象總數;dfik表示概念k在課程中的頻度。得到課程中M個學習對象與N個概念的索引矩陣為:

用下式計算任意兩學習對象之間的余弦值度量,得到課程中m個學習對象之間的關聯度矩陣L。

2.3 分層混合推薦算法流程

2.3.1從系統知識庫中提取某課程知識結構用KD={C,R}表示系統知識庫中的概念和關系,其中C是概念集合,R是概念間的約束關系集合,設‖C‖=N,則C=(c1,c2,…,cN)。將學習地圖中學習內容根據一定格式分成M個記錄并形成文檔,記為:D=(d1,d2,…,dm),使用TF-DIF權重度量法計算特征概念cj相對應文檔di的TF-DIF權重wij,計算特征概念cj在整個學習內容D中的權值并設定閾值d,選取子集C′,基于該子集從關系知識庫中求得關系R的子集R′,從而構成目標課程的知識結構:KD′={C′,R′},其中

C′={cj|Dcj≥d,1≤j≤N,cj∈C}

R′={r|r=〈ci,cj〉,ci∈C′,cj∈C′,

1≤i,j≤N,r∈R}

2.3.2針對學習者特征生成個性化知識結構根據約束關系集合R′求C′的所有可能拓撲排序序列集合Ci,并基于用戶u的知識特征Su和目標特征Ou篩選出用戶可以繼續學習的概念序列集Ci′。取其特定長度的字串Cu,使用絕對能力偏差(見下式)來衡量該字串用戶能力Bu與該字串難度系數Difu之間的偏差,絕對能力偏差值越小,該概念字串與用戶適應性越強。

在關系集合R′中求出基于概念序列Cu的關系子集Ru,得到了個性知識結構KDu={Cu,Ru}。其中Ru={r|r=〈cj,ck〉,cj,ck∈Cu,r∈R′}。

2.3.3基于用戶個性特征的學習對象選擇根據學習對象資源合集L中的每個學習對象ri與用戶特征概念集Cu中p個概念之間生成關聯關系向量,表示為:riu=(vi1u,vi2u,…,vipu),生成包含目標概念的學習對象集合L′,L′={ri|ri∈L,riu∈L′,ηipu≠0},使用下式計算學習對象ri與概念集合Cu的關聯度,使學習對象集合中的每個學習對象用于支持Cu中至少一個概念學習。

基于用戶的能力特征與目標特征進一步過濾生成學習對象集,得到適應概念集Cu又符合學習者個性特征的學習對象集合。將過濾得到的學習對象集合與學習者特征知識結構進行匹配,最后得到符合用戶的個性特征的課程集。

3 基于個性課程推薦技術的線上學習地圖設計

對于線上學習地圖構建來說,要按照技能人才成長成才的培養規律,以職業發展為主線,以能力提升為目標,將學習內容整合[9]。例如在數控技術專業學習地圖中,按照設計步驟,需要對數控專業的崗位進行梳理,提取崗位工種和對應典型工作任務,根據崗位要求分析其中技能要素,從而建立技能模型。根據學習者的特征和需求,利用個性推薦技術,結合海量的線上課程資源,實現個性化課程內容的推薦。最后匯總內容,按照技能發展路徑形成學習地圖。實現學生從課程到崗位,學習到就業的有效銜接,從而使學習者找到自己的職業能力提升方向。

3.1 崗位梳理

本文以數控技術專業為例,對該專業崗位技能進行調研,并結合高職院校該專業的培養目標分析該專業崗位類別、工種與典型工作任務。數控技術專業面向“數控加工技術”及“數控設備管理技術”方向,培養“會操作、懂工藝、精裝調”的高素質技術技能人才[10]。目前主要有五類崗位:數控編程、數控設備操作、機械加工工藝施工、數控機床裝配與數控設備維修。表1顯示了與各種崗位對應的崗位工種和典型的工作任務。

表1 數控專業方向崗位分布

3.2 技能分析

對于數控技術專業來說,職業資格證書包含數控車床操作工、數控銑床操作工、數控加工中心操作工、質量檢驗員等。教育部出具的專業教育標準規定了各專業對應的“職業范圍”,根據專業及其方向,分別對應1～3個職業資格證。另外,各職業資格證書分為初級工、中級技工、高級技工、工程師、高級工程師5個等級[11]。結合數控技術崗位的典型工作任務,參考職業技能資格證書等級標準和職業技能大賽技能分級要求,詳細分析其中的技能點,國家職業技能分級標準目前覆蓋了數控車銑加工、多軸數控加工、數控設備維護與修理等三個崗位群[12]。對三個崗位群證書所需技能進行分析,提取出每個崗位群的核心崗位技能。以數控車銑加工為例,將核心工作任務中需要掌握的技能按照職業發展從初級、中級到高級的方式進行排列,如表2所示。

表2 數控車銑加工技能分析

3.3 學習內容設計

根據上節的技能分析,對每個技能點進行課程上的映射,實現技能知識與崗位職業技能和課程學習資源的對應。以數控加工為例,將表2技能點映射到課程體系中,對職業核心技能所需的支撐課程進行重構,如圖3所示。

圖3 職業核心技能對應的課程體系

將圖3中各等級技能對應的課程內容根據一定的格式形成文檔集合D=(d1,d2,…,dm),使用TF-DIF權重度量法計算特征概念相對應文檔的TF-DIF權重,并在設定的閾值內選取子集C′,基于該子集從關系知識庫中求得關系R的子集R′,從而構成目標課程的知識結構KD′={C′,R′},為后續向學習者推薦個性化的學習內容提供課程結構基礎。

3.4 學習地圖繪制

匯總所有課程學習內容,根據學習者不同的專業發展方向,將課程內容分為職業基礎課程、銜接課程與職業核心課程三類,不同類型的課程由若干門課程組成,其中職業基礎課程是該專業的支撐課程,是該專業所有方向后續學習的基礎。銜接課程主要在不同等級之間起過渡作用,為下一級的學習打下堅實的知識基礎。職業核心課程以每個等級的核心技能作為主要載體,以學習者勝任崗位能力為目標進行設置。將所有課程內容按照學習者的職業能力發展順序形成路徑,這樣,清晰完整的線上學習地圖就繪制完成,如圖4所示。

圖4 數控專業線上學習地圖框架

4 結束語

本文提出的基于個性推薦技術的線上學習地圖,是以分層混合推薦算法為基礎,借鑒企業員工培訓做法,同時結合職業教育“崗課賽證”融通模式,設計的一種基于職業技能發展的線上學習輔助工具。該地圖充分挖掘學習者的個性特征和職業發展需求,解決了學習者在線學習時面臨的信息迷航和信息過載,可以充分利用互聯網上的課程學習資源,具有很好的應用價值。下一步,將引入知識圖譜技術,對線上課程資源進行知識體系和知識點之間的關聯建模,進一步完善學習地圖的課程推薦功能,從而更好地幫助學習者開展線上個性化學習。同時,學習地圖也將成為“互聯網+教育”時代網絡學習平臺的門戶和搜索引擎,幫助學習者量身訂做符合自身需求的學習資源和課程。