智慧教育背景下“虛擬現(xiàn)實”課程個性化學習推薦研究

摘 要：針對綜合性高、交叉性強的“虛擬現(xiàn)實”課程容易造成學習者信息量超載、學習迷航的問題，探索個性化的學習推薦模型。首先，將課程分解為知識模塊、知識單元和知識概念三個部分，并以此構(gòu)建課程的知識樹。其次，從知識水平和學習興趣兩個維度分析學習者，得到個性化特征。最后，采用基于異構(gòu)圖的圖卷積網(wǎng)絡預測學習者感興趣的知識概念，并由此得到個性化的學習路徑。本文為高校專業(yè)課程個性化學習推薦提供了一種新的方案，促進個性化學習的研究與發(fā)展。

關(guān)鍵詞：個性化；學習推薦；智慧教育

《新一代人工智能發(fā)展規(guī)劃》《教育信息化2.0行動計劃》《中國教育現(xiàn)代化2035》等系列文件指出，利用智能技術(shù)加快教學方法改革、探索智慧教育模式。智慧教育是指融合現(xiàn)代教育理論與人工智能等信息技術(shù)的教育信息化范式［13］。智慧教學根據(jù)學習者的個性特征，找到最適合學習者的學習路徑，為學習者提供精準的學習服務［47］。“虛擬現(xiàn)實”課程具有交叉性強、綜合性高等特點，其教學目標需要學習者掌握多項知識。采用傳統(tǒng)的教學方法，需要講授大量的理論內(nèi)容和實踐操作訓練，造成學習者信息量超載，很容易遇到學習迷航等問題。為解決上述問題，本文綜合考慮學習者的知識水平、學習興趣等的差異性，構(gòu)建“虛擬現(xiàn)實”課程個性化學習推薦模型，為學習者量身定制學習路徑，提升學習者的學習體驗。

1 “虛擬現(xiàn)實”課程個性化學習推薦模型

1.1 模型構(gòu)建原則

自適應性原則：以學習者自身知識水平、實踐能力、學習興趣等特征分析為基礎(chǔ)，建立個性化、自適應的學習路徑，構(gòu)建學習路徑與學習者能力和興趣精準匹配模型。

擴展性原則：“虛擬現(xiàn)實”課程內(nèi)容隨社會需求和前沿理論更新，能夠?qū)W習內(nèi)容進行合理修改，為學習者推薦符合當下能力培養(yǎng)的知識內(nèi)容。

引導性原則：在教學過程中，充分調(diào)動學習者的積極性，觸發(fā)其對知識的渴望，并引導其建立完整的能力知識體系。

1.2 模型框架

“虛擬現(xiàn)實”課程個性化學習推薦模型如右圖所示。首先，為“虛擬現(xiàn)實”課程構(gòu)建知識樹，體現(xiàn)知識模塊、知識單元及知識概念的相互關(guān)系，是個性化推薦模型的基礎(chǔ)。其次，從知識水平和學習興趣兩個維度分析學習者的個性化特征，為推薦模型提供依據(jù)。最后，從學習場景驅(qū)動出發(fā)，獲取學習者感興趣的知識概念，并由此推薦個性化的學習路徑。

“虛擬現(xiàn)實”課程個性化學習推薦模型框架圖

1.2.1 知識樹構(gòu)建

知識樹由知識模塊節(jié)點M、知識單元節(jié)點U和知識概念節(jié)點C組成。M采用三元組（Mid，Mname，Mnumber）描述，Mid表示知識模塊標識，Mname表示知識模塊名稱，Mnumber表示其包含的知識單元節(jié)點數(shù)量。U采用六元組形式描述，即（Uid，Uname，Ucontent，Ulevel，Unum，Uop），其中Uid表示知識單元標識，Uname表示知識單元名稱，Ucontent表示知識單元內(nèi)容，Ulevel表示對知識單元的掌握要求，Unum表示包含的知識概念節(jié)點數(shù)量，Uop表示知識單元必修或者選修；C采用六元組表示，即（Cid，Cname，Ccontent，Clevel，Cdiffult，Cop），其中Cid為標識，Cname表示知識概念名稱，Ccontent表示知識概念內(nèi)容，Clevel表示掌握要求，Cdiffult表示難度編碼，且Cdiffult=gtgp，其中g(shù)t和gp分別表示Cid所要求的理論知識難度和實踐能力難度，Cop表示選修或必修。

1.2.2 個性化特征分析

根據(jù)個性化學習理論［810］，從知識水平和學習興趣兩個方面分析學習者特征。知識水平考查學習者已有的理論水平Lt和實踐能力Lp，Lt的計算采用前置理論課程成績，即Lt=∑imLti/m，其中Lti指第i門前置課程成績，m為前置課程門數(shù)。Lp為課程設(shè)計等實踐類課程成績，Lp=∑jnLpj/n，其中Lpj指第j門實踐課程成績，n為實踐課程門數(shù)。興趣度指學習者對知識概念的感興趣程度，采用Lcid表示，通過學習者S觀看視頻V的行為特征，確定知識概念的關(guān)注度。

1.2.3 學習路徑推薦

建立異構(gòu)網(wǎng)絡G=（A，R），其中A是由C、S、U和V組成的實體集合，R是由A中關(guān)系的集合。在G上構(gòu)建元路徑，并利用圖卷積神經(jīng)網(wǎng)絡［11］學習異構(gòu)圖中的信息，對Cop為選修的知識概念進行評分預測，得到LCscore，從而定義個性化學習路徑P，它是針對學習者Si形成的一系列知識概念節(jié)點組成的有序序列。

2 “虛擬現(xiàn)實”課程個性化學習推薦模型實施

2.1 知識樹構(gòu)建

首先，設(shè)計知識模塊節(jié)點，如表1所示，將“虛擬現(xiàn)實”課程共分為5個知識模塊，分別為m1基礎(chǔ)理論、m2關(guān)鍵技術(shù)、m3相關(guān)軟件、m4系統(tǒng)開發(fā)和m5前沿技術(shù)。其次，對于每個知識模塊，歸納總結(jié)Uid、Uname、Ucontent、Ulevel、Unum和Uop信息，并建立知識單元節(jié)點，表2展示了m2所包含的所有知識單元節(jié)點。如果Uop={選修，必修}，其中選修表示該知識單元的學習是可以被學習者所選擇的，必修表示這個知識單元是必須學習的。最后，對于每個知識單元，構(gòu)建知識概念節(jié)點，如表3所示，展示了u2所包含的部分知識概念節(jié)點。需要注意的是，知識樹中的節(jié)點不是固定不變的，如果教學大綱或者培養(yǎng)方案變動時，可以進行節(jié)點的增加、修改與刪除，以滿足虛擬現(xiàn)實技術(shù)知識內(nèi)容的變化要求。

2.2 個性化特征分析

學習者的知識基礎(chǔ)、學習興趣、知識的接受程度等有很大差異，需要深入了解學習者的個體特征，才能提高學習路徑與學習者的契合，詳細分析如下。

2.2.1 知識水平分析

在進行路徑推薦之前，需要計算學習者的知識等級Skow（sgt，sgp）。首先，將Lt和Lp進行歸一化，使得Lt∈（0，1］，Lp∈（0，1］。在此基礎(chǔ)上，建立映射函數(shù)，將分數(shù)轉(zhuǎn)換為五個等級（1～5）并賦予sgt和sgp。

2.2.2 學習興趣數(shù)據(jù)分析

首先，教師根據(jù)每個知識單元內(nèi)容，制作包含所有知識概念的短視頻，并根據(jù)知識內(nèi)容難度進行重組，展示以預習為目標的短視頻、以復習為目標的短視頻和以擴展知識為目標的短視頻。其次，設(shè)置不同的學習場景，包括在整個課程學習前、每個新的知識模塊學習前、當前知識模塊學習后和整個課程學習后。針對以上不同的場景，為學習者播放不同目標的短視頻，記錄學生觀看視頻時的行為特征，從而得到Lcid。

2.3 學習路徑推薦

學習路徑體現(xiàn)了對動態(tài)學習過程的呈現(xiàn)，依據(jù)學習者的個性化特征，提供在不同場景下適合學習者的路徑。

2.3.1 知識概念推薦

首先，根據(jù)學習者S、知識概念C、知識單元U、學習視頻V、構(gòu)建異構(gòu)網(wǎng)絡G，在此基礎(chǔ)上建立五條元路徑，其含義如表4所示。其次，基于構(gòu)建的元路徑指導圖卷積神經(jīng)網(wǎng)絡進行實體的表示學習，捕捉相鄰節(jié)點之間的拓撲信息和特征信息，并利用雙層網(wǎng)絡結(jié)構(gòu)的注意力機制自適應地融合學習者的特征，生成學習者知識認知和知識概念的嵌入表示，并采用矩陣分解方法計算知識概念的興趣得分LCscore。最后，將滿足下列三個條件的知識概念節(jié)點標識Cid加入知識概念推薦集CS中：（1）Cop=選修；（2）sgt≥gt且sgp≥gp；（3）LCscore≥θ，其中θ為閾值。

2.3.2 學習路徑形成

首先，將Cop=必修的所有知識概念節(jié)點按照Mid、Uid由小到大的順序依次放入鏈式學習路徑P={cit|ci∈C}中，作為初始學習路徑。t表示知識概念節(jié)點的位置順序，數(shù)值越小，表示知識概念節(jié)點需要越早學習。其次，根據(jù)不同的學習場景，將知識概念推薦集CS中的節(jié)點鏈接到P中，鏈接時，依次找到所歸屬的知識模塊和知識單元，找到正確的位置后，加入P中。最后，將P反饋給學習者，若同意，則P為當前的學習路徑，否則，學習者有權(quán)利對Cop=必修的概念節(jié)點進行修改，以得到最終的學習路徑。

3 應用流程

在計算機專業(yè)本科生課程具體應用模型的過程中，教師要制作“虛擬現(xiàn)實”課程的學習視頻，搭建學習教學平臺，實現(xiàn)知識內(nèi)容的有效互動，驗證應用模型的教學效果。在整個課程學習之前，教師發(fā)布以預習為目標的短視頻，目的是激發(fā)學習者的學習興趣，并根據(jù)反饋后的學習路徑對整體教學內(nèi)容做修改，使得教學內(nèi)容更加符合學習者的需求。在每個新的知識模塊學習前，發(fā)布當前知識模塊的以預習為目標的短視頻，根據(jù)得到不同學習者的學習路徑布置不同任務，并設(shè)計多樣化的教學活動。當學完一個知識模塊后，發(fā)布以復習為目標的短視頻，若學習路徑中存在新加入的知識概念，教師則提供相應的學習資料，鼓勵學生對其進行深入研究。在整個課程學習完成后，發(fā)布以擴展知識為目標的短視頻，提供相應的教學資源，引導學生自主學習，針對無法獨立解決的問題，教師給予單獨指導。總之，從教師視角，模型的應用能夠使得教師更加理解學生的需求，更好地因材施教；從學習者視角，模型賦予更多的選擇權(quán)，使得學生學到了自己喜歡的知識內(nèi)容。

結(jié)語

本文提出了一種智能的個性化學習推薦模型，融合了表示學習、深度學習等人工智能技術(shù)。模型特點體現(xiàn)在：（1）模型構(gòu)建的過程中，充分體現(xiàn)了學習者的知識水平和學習興趣的變化特點，提高了推薦內(nèi)容與學習者自身的契合度。（2）推薦模型的基礎(chǔ)——語法樹的構(gòu)建，充分考慮了“虛擬現(xiàn)實”課程知識的更新，滿足當前計算機方向?qū)I(yè)課的時代要求。（3）人工智能技術(shù)的采用，提高了智能推薦的準確性，實現(xiàn)了量身定做的學習路徑。本文為智慧教育背景下的個性化教育推薦提供了一種新的可行方案，促進個性化學習的研究與發(fā)展。

參考文獻：

［1］王志鋒，熊莎莎，左明章，等.智慧教育視域下的知識追蹤：現(xiàn)狀、框架及趨勢［J］.遠程教育雜志，2021，39（05）：4554.

［2］陸靈明.智慧教育研究現(xiàn)狀、內(nèi)涵及其特征分析［J］.上海教育科研，2020（02）：1924.

［3］段薇靜.我國智慧教育研究現(xiàn)狀、熱點與發(fā)展趨勢分析［J］.科技傳播，2024，16（01）：6872.

［4］云岳，代歡，張育培，等.個性化學習路徑推薦綜述［J］.軟件學報，2022，33（12）：45904615.

［5］王莉莉，郭威彤，楊鴻武.利用學習者畫像實現(xiàn)個性化課程推薦［J］.電化教育研究，2021，42（12）：5562.

［6］李建偉，武佳惠，姬艷麗.面向自適應學習的個性化學習路徑推薦［J］.現(xiàn)代教育技術(shù)，2023，33（01）：108117.

［7］鄭雅倩，李新，李艷燕，等.人工智能視域下個性化學習路徑推薦：機理、演進、價值與趨勢［J］.現(xiàn)代遠距離教育，2023（03）：3947.

［8］王劍，李易清，石琦.融合多維偏好與知識追蹤的個性化學習路徑推薦：以“系統(tǒng)建模”課程為例［J］.現(xiàn)代教育技術(shù)，2023，33（11）：99108.

［9］熊余，任朝輝，吳超，等.基于知識圖譜的可解釋學習路徑推薦［J］.現(xiàn)代教育技術(shù)，2024，34（07）：131141.

［10］任俊霖，王歡，黃驍?shù)希?基于序列感知與多元行為數(shù)據(jù)的MOOCs知識概念推薦［J］.華東師范大學學報（自然科學版），2024（05）：4556.

［11］劉雨萌，訾玲玲，叢鑫.基于元路徑和注意力機制特征融合的知識概念推薦［J］.計算機與現(xiàn)代化，2024（05）：3845.

基金項目：重慶市教育委員會2024年人文社會科學研究規(guī)劃重點項目《基于區(qū)塊鏈的育人評價方法和體系研究》（24SKGH055）

作者簡介：叢鑫（1982— ），男，漢族，山東招遠人，博士研究生，副教授，碩士生導師，研究方向為區(qū)塊鏈、P2P技術(shù)、云計算。

*通信作者：訾玲玲（1981— ），女，漢族，遼寧阜新人，博士研究生，副教授，碩士生導師，研究方向為圖形圖像與多媒體、區(qū)塊鏈。