導語：學習者走出學習資源迷航的探討一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：以MOOCs為代表的在線課程為學習者提供了多模態(tài)海量的學習資源，但學習者在選擇資源時也經(jīng)常面臨信息過載、資源內容與學習需求不匹配等問題，造成學習資源迷航的困境。如何高效精準地向學習者推薦合適的學習資源與自適應的學習路徑，已成為當前教育信息化亟待解決的問題。基于學習者畫像的個性化學習資源推薦模型，從個性化資源推薦的現(xiàn)實需求出發(fā)，以現(xiàn)代教育理論和數(shù)字技術為支撐，探究個性化學習資源推薦過程中，學習者的狀態(tài)與學習需求等個性化特征診斷、學習資源自身屬性特征參數(shù)挖掘與表征、學習資源與學習需求精準匹配等問題，旨在向學習個體和學習群體推薦個性化學習資源。將基于學習者畫像的個性化學習資源推薦模型應用于教學實踐，結果表明，與基于協(xié)同過濾推薦、DINA認知診斷推薦相比，該學習資源推薦模型具有更高的精準度和更優(yōu)的可解釋性，能夠為不同學習需求的學習者推薦適切的學習資源；同時該模型也在一定程度上緩解了冷啟動與數(shù)據(jù)稀疏性等問題。

關鍵詞：在線開放課程；學習者畫像；學習資源；深度學習；推薦模型；數(shù)字化

一、研究背景

隨著教育信息化進程的不斷推進，國家不斷從頂層架構層面出臺系列政策文件，支持個性化的自適性服務，如《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》提出“努力為每一名學生和學習者提供個性化學習、終身學習的信息化環(huán)境和服務”；[1]《教育信息化2.0行動計劃》提出要“探索在信息化條件下實現(xiàn)差異化教學、個性化學習、精細化管理、智能化服務的典型途徑”；[2]《中國教育現(xiàn)代化2035》提出要“利用現(xiàn)代化技術加快推動人才培養(yǎng)模式改革，實現(xiàn)規(guī)模化教育與個性化培養(yǎng)的有機結合”。[3]提供個性化的教育服務是我國現(xiàn)階段教育現(xiàn)代化的重要任務之一。近年來，隨著新一代信息技術與教育行業(yè)的深度融合發(fā)展，以慕課為代表的在線開放課程為學習者提供了海量的學習資源。然而，學習者在海量學習資源中也常常面臨信息過載、資源內容與學習需求不匹配等問題，造成資源迷航的困境。因此，如何高效精準地向學習者推薦合適的學習資源與自適應的學習路徑，已成為當前教育信息化亟待解決的問題。本研究以教育大數(shù)據(jù)、數(shù)據(jù)挖掘等技術為支撐，從學習者基本信息、知識掌握情況、學習行為等維度，構建學習者畫像并對其知識掌握情況進行診斷，同時結合學習者的個性化特征和學習行為特點向其推薦適切的學習資源，促進其學習效率和學習成效雙提升。

二、個性化學習資源推薦研究現(xiàn)狀

（一）概念界定

“個性化推薦”概念最早由Resnick和Varian提出，認為個性化推薦是根據(jù)用戶的個性化需求，利用計算機系統(tǒng)向其推薦相關信息。[4]姜強等認為個性化學習資源推薦是基于對學習者認知風格等個性化特征和知識掌握情況等綜合分析后，將學習資源進行重組排序，從而使學習資源更適合學習者的認知能力與學習風格，幫助學習者進行知識構建。[5]趙晉認為個性化學習資源推薦是在明確學習者學習需求和偏好的前提下，根據(jù)用戶對資源的評價信息，對學習資源進行多維度優(yōu)先級排序，再向學習者進行推薦。[6]趙蔚等認為個性化學習資源推薦是根據(jù)學習者特性、需求向其呈現(xiàn)適切的學習資源與學習路徑，從而促進其學習目標達成。[7]盡管國內外學者對個性化學習資源推薦的內涵進行了多種描述，但其核心要義是一致的，即個性化學習資源推薦主要包括三個核心內容：學習者特征、推薦對象和推薦算法。學習者特征是根據(jù)學習者的基本信息、學習行為挖掘出其學習風格、偏好和學習需求并進行參數(shù)化表示；推薦對象包含MOOCs視頻、文本等學習資源和學習路徑，同時需要將其進行參數(shù)化表示；推薦算法是指根據(jù)學習者的個性化需求特征和推薦對象之間的關系，向學習者推送適切的學習資源，以提高其學習成效。因此，推薦算法是銜接兩者的重要橋梁。

（二）推薦算法及模型構建

1.推薦算法

常用個性化學習資源推薦算法包括內容推薦、[8]協(xié)同過濾推薦、[9]混合推薦三種，[10]其中協(xié)同過濾推薦算法應用最為廣泛。協(xié)同過濾推薦算法是通過分析與目標用戶相似的用戶進行推薦，即找到與目標用戶相似的用戶群組，將相似用戶偏好的學習資源、學習路徑等推薦給目標用戶。EduRank利用協(xié)同過濾推薦算法篩選出與目標學生相似度最高的學生，然后將相似學生的學習內容、練習試題、學習路徑等推薦給目標學習者。[11]姜強等將具有相同或相近知識結構水平、學習偏好的學習者進行分類，并進行學習者特征與學習對象媒體類型、理解等級、難度級別的匹配計算，從而生成精準個性化學習路徑，為差異化教學提供了新思路。[12]趙寧對協(xié)同過濾推薦算法進行了優(yōu)化，充分利用學習者的用戶屬性信息，計算學習者之間的相似性并形成最佳的鄰居集合，進而向目標用戶推薦與其興趣愛好相近的鄰居所評價過的學習資源。[13]近年來，隨著云計算和大數(shù)據(jù)技術的發(fā)展，基于深度學習的推薦算法逐漸興起?；谏疃葘W習的推薦算法主要是通過對數(shù)據(jù)樣本進行訓練、提取特征屬性來提升預測或分類的準確性。蘭明祥利用深度神經(jīng)網(wǎng)絡技術設計了基于相似度排序的資源過濾算法，從而向學習者進行個性化推薦。[14]文孟飛等利用深度學習和支持向量機（SupportVectorMachine，SVM）相結合的方式進行視頻學習資源的個性化推薦，從而大大提高了視頻資源的獲取率和利用率。[15]任蓓蓓等人通過深度學習挖掘用戶特征、時間關系、資源參數(shù)之間的關系，大大提高了學習者與資源間的匹配度，從而實現(xiàn)了數(shù)字圖書館資源的個性化推薦。[16]

2.模型或系統(tǒng)構建

目前個性化學習資源推薦模型主要有基于協(xié)同過濾算法的傳統(tǒng)模型、矩陣分解模型、邏輯回歸模型、特征交叉模型和深度神經(jīng)網(wǎng)絡推薦模型等。JieLu等人開發(fā)了在線學習資料個性化推薦系統(tǒng)，通過學習者歷史瀏覽數(shù)據(jù)，挖掘其偏好模型并引入內容過濾，優(yōu)化了推薦效果。[17]王曉東等將學習者的學習水平和學習風格等特征融入推薦過程，構建了學習者和學習資源知識相融合的學習資源推薦模型，其個性化與精準度超過了傳統(tǒng)的協(xié)同過濾算法。[18]李浩等針對移動學習時間碎片化、學習環(huán)境動態(tài)性等特點，設計了基于學習者時空特征的移動學習資源推薦模型，有效解決了由于學習用戶數(shù)據(jù)量過大而導致的用戶相似度計算過慢的問題，提高了移動學習情境下學習資源推薦的精準度。[19]王奕利用概率矩陣分解模型，從用戶圖書借閱歷史記錄中學習低維的近似矩陣，從而實現(xiàn)個性化的圖書推薦。[20]常詩卉在內容推薦和協(xié)同過濾推薦策略的基礎上，融合邏輯回歸精排序模型，并添加交叉特征，以此提升推薦結果的個性化程度。[21]字云飛等提出了一種基于多用戶—項目結合的深度神經(jīng)網(wǎng)絡個性化推薦模型，該模型利用深度神經(jīng)網(wǎng)絡學習、抽取數(shù)據(jù)特征，再融合協(xié)同過濾中的廣泛個性化產(chǎn)生候選集，然后通過二次模型學習產(chǎn)生排序集，實現(xiàn)精準、實時、個性化推薦。[22]近年來，基于認知診斷模型（CognitiveDiagnosisModlels，CDMs）的個性化學習資源推薦備受關注。認知診斷模型是基于項目反應理論（ItemResponseTheory，IRT）框架并融入認知變量，對學習者的認知過程、知識加工技能或知識結構等方面進行診斷與評價。當前常用的認知診斷模型主要有規(guī)則空間模型（RulesSpaceModel）、決定型輸入、噪聲與門模型（DeterministicInputs，NoisyandGateModel，DINA）、融合模型（FusionModel，F(xiàn)M）、多維項目反應理論模型（MultidimentionalItemResponseTheory，MIRT）等。[23]其中，DINA模型最為經(jīng)典，應用也最為廣泛。DINA模型利用學習者的答題歷史記錄，引入試題—知識點關聯(lián)矩陣（QuestionKnowledgematrix，簡稱Q矩陣），將學生的認知狀態(tài)建模為一個多維的知識點掌握向量，建模得到的認知狀態(tài)具有極高的可解釋性。趙宇丹提出基于DINA模型的教師認知診斷模型，通過引入潛變量和滑動矩陣，使DINA模型能夠實現(xiàn)多級評分，從而為學習者提供個性化學習資源。[24]李全等基于學生知識點掌握信息，利用DINA認知診斷模型對學生、試題和知識點三者信息進行聯(lián)合概率矩陣分解，最后根據(jù)難度范圍進行試題推薦。[25]另外，基于圖模型的個性化推薦是近期業(yè)界和學界的研究熱點。[26][27]綜上，基于協(xié)同過濾推薦算法的推薦能夠有效降低模型構建的復雜性，但存在忽略學習個體的知識點掌握情況和知識點之間存在的關系，且存在矩陣稀疏和冷啟動等問題?；谏疃葘W習的推薦能夠有效降低學習資源推薦過程中對模型的依賴性，但存在對推薦結果的解釋性不強等問題。基于DINA認知診斷的推薦能夠以多維向量準確反映學習者的知識掌握情況，具有較好的可解釋性，但由于只關注個體學習狀態(tài)診斷，忽視相似學習者的共性特征，對數(shù)據(jù)隱含的信息挖掘不夠等，容易造成建模模型過大和誤差偏大等問題。為克服上述不足，借鑒協(xié)同過濾推薦算法和DINA認知診斷推薦模型，本研究構建了基于學習者畫像的個性化學習資源推薦模型，該模型基于學習者畫像動態(tài)獲取學習需求，根據(jù)學習者個性化參數(shù)、學習資源參數(shù)等信息匹配，計算出適合學習者當前學習需求和偏好的資源推送給學習者，大大提高了推薦結果的準確性與可解釋性。

三、基于學習者畫像的個性化學習資源推薦模型構建

在學習者畫像個性化學習資源推薦模型中，學習者畫像是個性化推薦模型的基礎，通過畫像診斷出學習者的認知水平和未掌握的知識點；通過畫像挖掘提取出學習者學習風格與偏好。學習資源匹配計算模塊是個性學習資源推薦模型的核心，通過多個參數(shù)（未掌握的知識點、“知識點—學習資源”關系、學習風格與偏好等）精準匹配，計算并篩選出適合學習者當前認知水平與學習偏好的各類學習資源。學習資源推薦模塊根據(jù)相應的策略向學習者個體、學習群體推薦適切的學習資源（見圖1）。

一）學習者畫像構建

學習者畫像概念源于商業(yè)領域的“用戶畫像”。用戶畫像最初由庫珀（AlanCooper）提出，是對用戶的基本屬性、偏好特征、行為特點等用戶數(shù)據(jù)進行語義化的標簽表示，其對用戶全貌進行刻畫、細化用戶特征，能夠為企業(yè)實現(xiàn)精準化服務提供管理決策參考。[28]用戶畫像技術最初在醫(yī)療、商業(yè)等領域有著廣泛的應用，改進了產(chǎn)品服務質量與提升用戶體驗。近年來，隨著學習分析、人工智能等技術在教育領域的深度應用，用戶畫像概念與技術也被引入教育領域。學習者畫像的本質在于收集學習者基本屬性數(shù)據(jù)、學習過程全樣本數(shù)據(jù)，并對這些數(shù)據(jù)進行處理分析，從而生成數(shù)字化標簽和知識體系。學習者畫像構建流程通常包含明確畫像目標、數(shù)據(jù)采集與處理、構建標簽體系、生成學習者畫像庫、畫像服務輸出五個階段（見圖2）。當然，針對不同的畫像目標，畫像建模的維度也不盡相同。本研究構建學習者畫像的目標是對學習者學習狀態(tài)進行精準識別、對學習者的認知水平進行精準診斷，以便后期對學習者進行個性化學習資源推薦。本研究主要從學習者基本屬性、知識掌握情況、學習行為三個維度構建學習者畫像，由于本研究團隊在《基于學習者畫像的在線開放課程學習預警研究》一文中，曾對學習者畫像的構建流程做過詳細表述，[29]因此，這里主要介紹學習者畫像標簽體系的構建流程（見圖3）。

1.原始數(shù)據(jù)采集

全面持續(xù)采集學習者全樣本數(shù)據(jù)是學習者畫像構建的基礎。原始數(shù)據(jù)采集主要是采集學習者基本信息、歷史學業(yè)數(shù)據(jù)、學習過程數(shù)據(jù)和學習結果數(shù)據(jù)等?？紤]到線下實體課堂中師生教學互動等行為數(shù)據(jù)的采集存在諸多條件限制，本研究暫且僅對線上課堂數(shù)據(jù)進行全面采集。其中，基本信息數(shù)據(jù)包括學習者的人口屬性、部分學習風格等數(shù)據(jù)，主要通過在線開放課程用戶注冊、調查問卷等進行采集；歷史學業(yè)數(shù)據(jù)主要通過學校學業(yè)綜合成績管理信息系統(tǒng)進行采集；學習過程數(shù)據(jù)包括在線開放課程學習過程中教與學行為數(shù)據(jù)、教學管理數(shù)據(jù)等，即師生或生生互動數(shù)據(jù)、論壇交流、探究過程等數(shù)據(jù)；學習結果數(shù)據(jù)包括學習者在線做練習、在線即時測評和期末終結性考核評價等數(shù)據(jù)。

2.事實標簽處理

事實標簽處理是對原始數(shù)據(jù)進行統(tǒng)計分析。這里的事實標簽主要指靜態(tài)事實標簽，包括學習者基本信息、學習風格類型等，具有穩(wěn)定性。比如，學習風格反映學習者如何感知學習環(huán)境并做出交互行為，可以使用Felder-Silverman量表從信息感知（感悟型、直覺型）、信息輸入（視覺型、言語型）、信息加工（活躍型、沉思型）和內容理解（序列型、綜合型）四個方面對學習者的學習風格進行量化與統(tǒng)計，[30]也可以通過對學習者查閱學習資源類型、學習時長、瀏覽資源次數(shù)、論壇發(fā)帖或回帖數(shù)量、做練習次數(shù)與時長、測評成績與時長等方面的學習行為數(shù)據(jù)進行統(tǒng)計分析。

3.模型標簽處理

模型標簽處理是在靜態(tài)事實標簽處理的基礎上進行建模分析。可以從學習者的課堂出勤、互動、資源利用、探究過程等方面，對學習者的學習投入度、參與度進行標簽化處理；可以從學習行為軌跡、課堂互動、作業(yè)按時完成等方面，對學習者的學習拖延與輟課風險進行標簽化處理；可以通過練習效果與完成時間、即時測評成績等方面，對學習者知識掌握情況進行標簽化處理。值得注意的是，人口屬性、學習偏好等標簽指標基本保持穩(wěn)定，不需要做過多的處理。

4.預測標簽處理

預測標簽處理是從模型標簽庫中根據(jù)具體需要抽取某些標簽對學習者某一方面情況進行預測，如抽取學習投入度、參與度、學習滿意度等模型標簽并進行分析，可以對學習者的輟課情況進行預測；抽取知識點掌握風險評估、學習滿意度、學習偏好等標簽分析，可以預測學習者的掌握情況和學習新需求；抽取學習行為風險評估、學習投入度等標簽可以預測學習者的學習拖延概率；抽取學習投入度、參與度、學習偏好等標簽對學習者進行群體聚類分析，可以預測不同學習群體的學習新需求等。通過上述標簽體系構建流程，本研究最終根據(jù)畫像目標構建出學習群體畫像和學習個體畫像。

（二）基于學習者畫像確定未掌握的知識點

學習者畫像中全程記錄了學習者的學習過程和學習結果，特別是對學習者做練習、測評、資源學習、探究互動等學習行為和學習結果做了詳細記錄并進行了深度剖析。通過抽取學習者參與度、投入度、知識掌握等標簽生成畫像，挖掘學習者做練習、即時測驗和終結性測驗等數(shù)據(jù)，診斷出學習者知識點的掌握水平。學習者對某個知識點的掌握水平可以分為基本認知（L1）、夯實基礎（L2）和拓展應用（L3）三個級別。其中總分設定為1，基本認知水平表示學習者對該知識點有了基本的理解，其評分為（0-0.6）之間；夯實基礎水平表示學習者對該知識點有了較好的掌握，其評分為[0.6-0.8）之間；拓展應用水平表示學習者已經(jīng)很好地掌握了該知識點，并且可以將知識進行遷移應用，其評分為[0.8-1）之間。根據(jù)學習者對某個知識點掌握水平（L1、L2、L3），下游推薦學習資源時對應匹配資源的內容類型（R1：概念理解，R2：知識鞏固，R3：綜合應用）。通過學習者畫像可以將學習者未掌握的所有知識點篩選出來，形成待學習知識點列表。

（三）學習資源匹配計算

在學習資源與學習需求匹配計算前，首先需要構建課程知識體系，然后標注“知識點—學習資源”間的關聯(lián)關系。知識點是課程知識體系中最基本的單元，也是教與學過程中傳遞教學信息的最小單元。每個知識點都有相關屬性，且知識點之間也存在一定的關聯(lián)。以數(shù)據(jù)結構課程為例，該課程學習內容邏輯性較強，且偏重實踐應用，同時還需面向社會人群提供學習服務，所以首先應確定數(shù)據(jù)結構課程知識構建的目標和知識點范圍，并對知識點進行分類；然后根據(jù)知識管理理論和數(shù)學領域知識層次結構思想，采用自上向下的設計方法，在課程開發(fā)專家指導下反復論證構建出樹狀層級結構課程知識體系。通常情況下，知識點與學習資源之間是一對多的關系。由于數(shù)據(jù)結構課程知識點以及學習資源比較豐富且類型多樣，本研究采用人工標注+機器學習標注相結合的方式，對知識點與學習資源之間的關系進行標注。同時，學習資源本身也包含了難度水平、關聯(lián)程度（與知識點關聯(lián)度、與其他學習資源關聯(lián)程度）、媒介類型（文本、圖片、音視頻）和內容類型（概念理解、知識鞏固、綜合應用）等信息。通過標注，在知識點與學習資源兩者之間建立基于語義的深層映射關系，為后續(xù)根據(jù)學習者某個知識點的掌握程度進行個性化學習資源推薦做好鋪墊。將學習者的知識掌握水平、學習風格、知識點—學習資源關聯(lián)關系三個變量因素輸入到學習資源匹配計算模塊中，與課程資源池中的學習資源進行匹配計算，進而將篩選出來的學習資源推薦給學習者。

（四）個性化學習資源推薦

1.學習個體個性化學習資源推薦

具體推薦流程如下：步驟一是診斷個體知識點掌握水平，確定未掌握知識點?；趯W習者畫像從學習者做練習、即時測評、學習行為軌跡等數(shù)據(jù)中精確診斷出學習者對知識點的掌握水平，明確每個知識點的綜合評分（0-1之間，每個知識點總分設為1，綜合評分越接近1表示該知識點掌握越好）；然后根據(jù)知識點類型及難易程度，設定知識點達標閾值，當學習者某知識點綜合評分小于該閾值時，則認為學習者未掌握該知識點，應將其加入待學習知識列表中（如K1、K2、K3……）。步驟二是基于畫像從學習者信息感知、信息輸入、信息加工和內容理解等方面，綜合挖掘提取學習者的學習風格與偏好。步驟三是需要將步驟一和步驟二的結果和“知識點—學習資源關系”作為三個參數(shù)輸入到學習資源匹配模塊中，與學習資源池中的資源進行匹配計算。具體計算過程如下：首先，根據(jù)待學習知識點與學習資源之間的關聯(lián)程度，從學習資源池中篩選出各類學習資料S1。其次，根據(jù)學習者對知識點的掌握水平（L1：基本認知，L2：夯實基礎，L3：拓展應用），從學習資源S1中篩選出同水平層次的學習資源S2，如學習者的掌握水平為L2（夯實基礎級別），則篩選出S2資源的難度級別為R2（知識鞏固級別的各類學習資源）。最后，根據(jù)學習者的學習風格與偏好等信息，從S2中篩選出適合其學習偏好的學習資源S3，并將S3加入待推薦學習資源列表中。按照上述步驟將與所有未掌握知識點關聯(lián)度高且與學習者學習風格相近的學習資源更新到待推薦學習資源列表中。步驟四是將待推薦學習資源列表中的資源向學習者推薦，學習者根據(jù)學習資源進行補救性學習后進行學習成效測評；學習平臺對學習過程和學習結果進行記錄，及時更新畫像并進入下一輪診斷與推薦。此外，如果學習者對某個知識點考核的綜合評分高于設定知識點達標閾值，則認為學習者對該知識點掌握較好，此時學習資源匹配計算模塊就會根據(jù)學習者的學習偏好從課程學習資源池中篩選出難度級別為R3（綜合應用）類型的學習資源推薦給該學習者。

2.學習群體個性化學習資源推薦

在課程學習初期，學習者的學習行為數(shù)據(jù)和結果數(shù)據(jù)比較少的時候，學習者畫像不能夠全面清晰地描述學習者學習全貌，此時需要根據(jù)學習者的課程注冊信息、調查問卷信息以及少部分學習行為數(shù)據(jù)來挖掘其學習偏好，并根據(jù)學習偏好將學習者分為合作學習型、自主探究性和被動接受型三類群體。合作學習型群體具有較強的學習能力和較強的團隊協(xié)作能力，但其學習目標性較差，對教師引導或學習同伴引導的依賴性較高，針對此類學習群體，可以從學習資源池中向其推薦具有任務導向和明確分工的學習資源；自主探究型群體具有較強的自學能力和自我管控能力，學習效率高，針對此類學習者可以從學習資源池中向其推薦知識鞏固型、稍微有點難度的學習資源，并引導其在規(guī)定時間內獨立完成知識學習和內化；被動接受型群體自主學習能力差、缺乏學習動機與毅力、學習進程易中斷，針對此類群體可以向其推薦趣味性強的慕課視頻資源、游戲闖關式的練習題與測試題等學習資源，這樣可以“誘導”學習者持續(xù)學習，盡可能地達成學習目標。如果學習平臺有學習者豐富的學習行為和學習結果數(shù)據(jù)，就可以根據(jù)學習者知識掌握情況進行群組劃分，將知識點綜合評分在0.6以下的學習者劃分為基本認知群體；將在[0.6-0.8）區(qū)間的學習者劃分為夯實基礎群體；將在[0.8-1）區(qū)間的學習者劃分為拓展遷移群體。向基本認知群體推薦趣味性強、概念理解型學習資源；向夯實基礎群體推薦具有一定探究能力、闖關式學習資源和活動任務；向拓展遷移群體推薦具有一定挑戰(zhàn)難度、綜合型的學習資源和活動任務，這樣才能促進不同學習群體達成學習目標。

四、基于學習者畫像的個性化學習資源推薦模型的實踐應用

（一）研究對象

本研究以國內某院校數(shù)據(jù)結構課程學習為研究對象。該課程是軟件技術、移動應用開發(fā)等專業(yè)的核心基礎課程，課程目標是培養(yǎng)學生數(shù)據(jù)抽象能力和程序設計能力。課程開設周期為1~14周，每周4學時，總共64學時。課程學習者為在校軟件技術專業(yè)的127名大二學生，這些學生在大一時已提前學習了部分專業(yè)基礎課程，能夠適應在線開放課程混合教學模式且具備一定的探究學習能力。數(shù)據(jù)結構課程學習內容偏向邏輯思維訓練和實踐操作技能培養(yǎng)，學習者在學習過程中容易出現(xiàn)一些學習瓶頸，如能及時給予教學干預和推送適切的學習資源，則可以較好地幫助學習者克服學習障礙達成學習目標。本研究基于學習者畫像構建了個性化學習資源推薦模型，為驗證其實踐效果，將127名學習者劃分成實驗組、對照組1、對照組2三個組別，分別應用本模型、基于協(xié)同過濾算法的推薦模型和DINA認知診斷的推薦模型，并向實驗組推送各類學習資源數(shù)為891條，向對照組1推送各類學習資源數(shù)968條，向對照組2推送各類學習資源數(shù)924條。

（二）選擇模型對比角度

學習資源推薦有別于商品推薦、新聞推薦等，商品推薦、新聞推薦中個人興趣與偏好基本上是穩(wěn)定的，而學習資源推薦中學習者的需求具有動態(tài)變化性，即隨著學習進程的推進，學習者的認知能力、知識構建水平、學習能力等方面也會發(fā)生改變。為驗證基于學習者畫像的個性化學習資源推薦模型的有效性和準確度，本研究從分類準確率P（L）和平均排序分RS兩個角度對三類模型的推薦效果進行實驗論證。一是分類準確率指推薦學習資源正確（被學習者接受的資源）的數(shù)目占所有推薦資源總數(shù)的百分比，是衡量推薦模型的主要指標，其計算公式為：P（L）=。其中，N為學習者人數(shù)，Ii為第i個學習者收到的推薦資源集合，|Ii|為資源集合Ii中的資源個數(shù)（如|Ii|=15，表示向學習者推薦了15個資源），Si為第i個學習者接受推薦資源的個數(shù)。比如，如果多個模型推薦的X個資源中都有Y個資源是用戶所需的，則多個模型的推薦準確率P（L）均為Y/X。在每個模型中學習者所需的Y個資源的排序并不是相同的，在相同的準確率P（L）下，如果能夠使Y個學習資源排名靠前，則這個模型更具有優(yōu)勢。二是平均排序分RS指學習者所需的推薦資源，在推薦算法所生成的推薦序列中的排名之和與推薦序列中所有資源的排名之和的百分比，是衡量推薦算法排序準確度的重要指標，其計算公式為：RS=∑j∈YRj/∑i∈XRi)。其中，X為推薦模型所推薦資源集合，Ri為推薦資源i在推薦序列集合X中的排名；Y為用戶所需的推薦資源集合，Rj為用戶所需的推薦資源j在X中的排序，平均排序分RS越低，該模型準確度則越高。

（三）研究結果

一是分類準確率P（L）對比。數(shù)據(jù)顯示，隨著學習資源推薦數(shù)目逐漸增大，三類推薦模型的整體準確率均會逐漸降低。DINA認知診斷推薦模型在訓練集數(shù)據(jù)較少時，對學習者的認知診斷精度較差，向學習者推薦資源的準確率也較低，但隨著數(shù)據(jù)集的豐富，其準確率高于基于協(xié)同過濾算法的推薦模型，而基于學習者畫像的個性化學習資源推薦模型的準確率明顯高于其他兩種模型。在實證研究過程中，基于學習者畫像的個性化學習資源推薦模型向實驗組推送各類學資源數(shù)為891條，被學習者采納條465條，整體平均準確率P（L）為52.21%，其中操作演示型視頻資源和趣味闖關練習資源最受學習歡迎，占比分別為22.6%、31.6%?；趨f(xié)同過濾算法的推薦模型向對照組1推送各類學習資源數(shù)為968條，被學習者采納294條，平均準確率P（L）為30.36%，其中操作演示型視頻資源和趣味闖關練習資源最受學習歡迎，占比分別為21.4%、30.9%。DINA認知診斷推薦模型向對照組2推送各類學習資源數(shù)為924條，被學習者采納416條，平均準確率P（L）為44.98%，其中操作演示型視頻資源和趣味闖關練習資源最受學習歡迎，占比分別為24.3%、31.9%（見圖4，表1）。整體而言，三類模型推薦的個性化學習資源中，被采納最多是趣味闖關練習資源和操作演示型視頻資源，這在一定程度上也反映出學生注重自身操作技能訓練和形成綜合解決實際問題能力。今后教學者在教學設計、學習資源開發(fā)時應偏重開發(fā)實踐操作型、趣味性強、難易梯度合理的各類學習資源。二是平均排序分RS對比。數(shù)據(jù)顯示，隨著I值的逐漸增大，三種推薦模型的平均排序分也會逐漸提高，基于協(xié)同過濾算法的推薦模型其RS值比DINA認知診斷模型推薦模型更大，而基于學習者畫像的個性化學習資源推薦模型的RS值較小（見圖5）。

（四）研究結論

一是基于學習者畫像的個性化學習資源推薦模型比基于協(xié)同過濾算法的推薦模型和DINA認知診斷推薦模型具有更高的準確度（即較高的分類準確度和較低的排序準確度），既保證了推薦結果的精準性與可解釋性，又融合了學習者個性特點，能夠向學習者推薦不同學習難度、不同學習類型的適切學習資源。二是基于學習者畫像的個性化學習資源推薦模型一定程度上緩解了數(shù)據(jù)稀疏等問題。當學習者的學習行為數(shù)據(jù)較少或剛開始加入課程學習時，利用學習者畫像采集學習者歷史學業(yè)數(shù)據(jù)、學習者個性特征數(shù)據(jù)，挖掘出與其學習偏好相似的其他學習者，將其他相似學習者學習過的學習資源和學習路徑推薦給目標學習者，在一定程度上緩解了冷啟動與數(shù)據(jù)稀疏等問題當然，盡管基于學習者畫像的個性化學習資源推薦模型能夠對學習者個體和群體精準推薦學習資源，在實踐應用中也取得了較好的效果，但其在學習者畫像及時動態(tài)更新、知識點與學習資源之間語義關系標注的準確性等方面還有待進一步優(yōu)化，另外，該推薦模型只對靜態(tài)事實標簽進行了處理，并未涉及動態(tài)學習路徑規(guī)劃推薦等，在下一階段的研究中，研究團隊將針對這些不足進行深入研究。

參考文獻：

[1]中華人民共和國教育部.教育部關于印發(fā)《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》的通知[EB/OL].

[2]中華人民共和國教育部.教育部關于印發(fā)《教育信息化2.0行動計劃》的通知[EB/OL].

[3]中華人民共和國教育部.中共中央、國務院印發(fā)《中國教育現(xiàn)代化2035》

[5][30]姜強，趙蔚，杜欣，等.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育，2010（5）：106-111.

[6]趙晉，周蘇蘇，張建軍.基于在線評論的學習資源推薦方法設計與實證[J].數(shù)學的實踐與認識，2022（9）：260-270.

[7]趙蔚，姜強，王朋嬌，等.本體驅動的e-Learning知識資源個性化推薦研究[J].中國電化教育，2015（5）：84-89.

[9]梁婷婷，李春青，李海生.基于內容過濾PageRank的Top-k學習資源匹配推薦[J].計算機工程，2017（2）：220-226.

[12]姜強，趙蔚，李松，等.大數(shù)據(jù)背景下的精準個性化學

作者:成亞玲 譚愛平 單位:湖南工業(yè)職業(yè)技術學院