基于学习者驱动的移动学习模型构建及微信开发实践

来源:用户上传      作者:

　　摘   要：随着5G时代的到来，移动学习已成为当前教育行业发展的必然趋势，而立足于学习者驱动进行移动学习，是当下移动学习领域亟待解决的难题之一。文章利用已有的知识推荐系统，在其基础上加入协同过滤技术，提取学习者的“学习驱动”因素，挖掘出隐藏在行为数据背后的信息，建立基于学习者驱动的移动学习模型;并在此模型上进行微信平台开发实践，满足学习者智能挖掘的学习需求，提供个性化满意的学习服务，提升用户体验。
　　关键词：学习驱动;移动学习;推荐系统;协同过滤技术;微信平台
　　中图分类号：G203 文献标志码：A 文章编号：1673-8454（2020）05-0077-05
　　一、引言
　　在互联网飞速发展的今天，移动学习已经在我们的学习生活中发挥着不可估量的作用并仍保持上升势态。在当今网络环境下，可以让学习者充分发挥其自主学习的积极性，既可以进行个别化学习，又可以进行协作学习，符合学习者的学习需求。随着5G时代的到来，各种智能设备基本得到普及，这为在线教育奠定了基础，而在线教育具有碎片化、轻量化、结构化等特点，这使移动学习发展迅速。当前教育机构发展处于瓶颈期，这使其发现了希望的曙光，为其未来发展方式提供新思路，促使更多的教育机构探索新模式。
　　移动学习利用移动互联网技术使知识迅速传播，不受时间和空间的阻碍，使学习者获取知识的途径越来越多，已成为当下教育行业发展的趋势，与国外相比，我国移动学习发展较慢，处于初级阶段，但我国对教育越来越重视，对教育的投入也在不断加大，移动学习也可能会迎来发展高潮。
　　随着各种智能设备的快速普及，例如手机、iPad等，移动学习获得了更多的发展机会，各种轻量化、碎片化、结构化的知识更符合移动学习，发展到现在，微信已成为移动学习的一种重要工具。据相关统计，截至2018年12月底，移动学习用户中，手机移动用户用微信学习占所有移动学习用户的96.5%，由此可以看出，微信是当前移动学习中最受欢迎的工具之一，由于微信在流量获取、社群运营、用户规模与黏性等方面具有先天优势，越来越多的教育产品开始借助微信探索新的服务模式，可以大大降低宣传成本，轻松获取大量新用户，吸引用户通过微信群、公众号、小程序等工具进行在线学习，并进行持续性分享，以降低获得新用户的成本，提升用户黏性。
　　面对诸多学习资源，学习者如何快速找到自己所需要的学习资源，无疑是困难的，学习者学习一门新的技术，其中最大的“驱动”因素便是为了解决现阶段的问题，这种驱动型的学习目标，可以大大提高他们的学习效率。然而，针对学习者驱动的移动学习模型较少，因此针对这个问题进行研究与实践具有较强的意义及应用价值，本文结合当下最为流行的微信构建移动学习平台，并在实践中加深对移动学习的认识。
　　二、研究现状
　　移动学习是当前最受欢迎的学习方式之一，其利用移动终端具有便捷、实时等特性，使学习者的学习生活充满各类学习资源，让学习者随时随地想学就学，打破传统的课堂式学习、书本式学习，使他们的学习方式发生改变，让学习资源的占有和使用成为他们的学习新方式。
　　为有效提升学习者的学习效率，对其行为方式进行分析具有重要意义，对学习者在学习中产生的各种行为数据进行广泛搜集，利用复杂的分析工具进行挖掘分析，找出数据间的潜在联系，以此来改善学习和教育，已成为一个新兴研究领域。
　　从国内外学者对移动学习的研究来看，目前主要对学习者的学习行为和学习结果进行研究。对其学习行为进行深入分析，其目的是预测他们的学习结果，根据前面的预测结果，然后推送相应难度的学习资源，大大提高学习效率。正如国外学者George Siemens所说，对学习分析应该利用各种数据进行建模，然后分析其内在联系，从而对学习者的学习进行预测，改善学习者的学习;[1]而Johnson等人认为分析学习者的学习，可以对他们的未来学习表现进行预测，从而发现潜在的问题;[2]Mayer等则认为对移动技术学习的研究应该围绕三个研究问题开展，他对这三个主要问题进行了深入研究;[3]Magnisalis等人则认为学习者需要合适的学习指导，否则学习者很难对所学知识进行合理的组织构建，因为学习者所处的环境具有大量的学习资料，这些学习资料由丰富多彩的网络资料和现实生活中的资料组成。[4]而国内众多学者也对其进行了充分研究，李艳燕等国内学者认为分析学习者的学习，可以对他们的学习状态和学习效果进行一个很好的预测，从而对他们的学习进行干预，提高他们的学习效率;[5]国内学者郎波等对移动学习者产生的大数据进行研究，利用神经网络模型，对各种学习行为数据进行聚类分析，从而得出较为精准的推荐;[6]国内李青等学者则认为分析学习者的學习是一种教学技术，该技术可以对他们的学习结果进行简单预测，可以对他们学习中发现的问题及时纠正，可以对他们的学习效果进行提升。[7]
　　在最近几年中，曾有学者想要开发一种系统，用它帮助学习者搭建知识框架，同时让学习者进行自我反思。[8]如chang等人开发的用于数学课程的问题驱动系统，帮助学生更集中于他们正在学习的内容并能增强解决问题的能力。[9][10]综上所述，对他们的学习进行分析具有重要意义，通过对他们在学习中产生的各种行为数据进行搜集，然后对其进行多元化分析，最后对他们的学习进行评价和预测，同时对其做出适当的干预，但是这些都忽略了一个关键信息，没有考虑他们的学习动机。本文通过调查他们的学习动机，进行深入研究并进行建模，以丰富移动学习在学习者动机方面的理论探索，并为设计基于学习者驱动的移动学习微信平台提供理论依据。
　　三、模型构建
　　对学习者在学习过程中产生的行为数据进行记录，然后对其进行针对性分析，利用人工智能技术，通过提取数字化学习资源中的特征值，建立基于学习者驱动的移动学习模型，如图1所示，能挖掘他们的学习动机、个体认知状态和学习需求，找出隐藏在行为数据下的具有重要价值的信息，进而对学习者进行精准推荐。 　　常见的推荐技术有基于内容的推荐技术、基于知识的推荐技术、协同过滤推荐技术、基于关联规则的推荐技术、混合推荐技术等。其中基于内容的推荐技术所推荐的资源比较单一，它是根据用户的历史信息进行推荐;[11]而基于知识的推荐技术是使用相关领域的概念知识进行推荐的，用来分析特定用户的需求与物品之间的关系;[12]协同过滤推荐技术是通过分析用户及其邻居用户的资源进行资源推荐;[13]基于关联规则的推荐技术则是根据先前制定的规则分析用户学习行为之间的关联然后进行推荐;[14]混合推荐技术则是对几种推荐技术根据不同场景进行组合或者混合使用。[15]
　　本文在基于内容的推荐系统的基础上，引入协同过滤技术，对他们的学习行为（外显行为和内显行为）进行分析。首先针对新用户，用户登录后，绑定学号即可自动获取到该用户在学校的学习成绩和课表等内显信息;其次根据用户的课表，可以初步判定该用户的一些大致情况，然后再根据用户成绩单，对该用户的一个学习能力进行判断，利用这个内显信息，可以避免基于内容的推荐系统的冷启动问题;最后再根据用户的学习历史记录和学习行为，进行综合分析，给用户推荐用户满意的课程。因此无论是新用户还是老用户，都能够获得一个可信的推荐。
　　本文在基于内容的推荐系统的基础上，引入协同过滤技术，然后对模型进行构建，通过对学习者的特征（成绩、课表）进行提取，然后对推荐课程与学习者的特征之间的相似度进行仔细研究，最后推荐具有较高相似度的课程。在提取学习者的特征的时候，主要以他们的文本历史信息为主，这些文本历史信息包含他们的课表、学习行为记录、成绩单等。本文在提取学习者的信息特征时采用逆信息频率法，具体定义如下：假设课程有N个，在ni个课程中含有关键信息ki，我们将课程j中出现关键信息ki的次数设为fij，则关键信息ki在课程文件j中的信息频率为Wij。
　　在公式（1）中，Z指的是课程j中含有关键信息的次数。在N个课程中含有关键信息的次数与待推荐的课程毫无关联，故Zmax可以通过计算课程j中含有关键信息的频率而求出。所以关键信息在课程中出现的次的逆Ii可以与Wij一同使用，如（2）式所示。
　　则我们可以用di一个向量来表示课程j中的内容，其中di=（v1j，v2j，…，vij），vij可表示为：
　　根据课程的di值，进行初步推荐。
　　再利用协同过滤技术，对该课程进行相似度分析，利用相关系数等计算该课程与用户之间的相似度，构建最近候选集，再用偏移加权平均评分法，对该课程进行综合评价，对候选集进行更新，利用最新的候选集进行推荐。具体的定义如下：假设用户的集合为U=（u1，u2，…，un），待推荐的课程集合为V=（v1，v2，…，vn），用R（u，v）表示用户对待推荐课程的评价。
　　在（4）式中，U′指的是与学习者u具有较高相似度的候选集，Rk，i指的是候选集中第k个学习者对课程i的评分，S（u，k）指的是学习者u和候选集中第k个用户之间的相似性，R-u指的是学习者u对该课程的平均评分，在（4）式中，除了对权重进行考虑外，还对学习者的评分尺度以及不同偏好都有所考虑，使课程的推荐更为精准。
　　最后根据课程di的值和R（u，v）的值，利用基于学习者驱动的移动学习模型，给用户一个可信的推荐，本文提出了一种全新的推荐算法，具体如公式（5）所示：
　　最后根据P（u，v）的值，给用户推荐最为可信的课程。
　　四、微信平台开发
　　根据基于学习者驱动的移动学习模型设计方案，开发一个微信学习平台，实现模型运用。平台框架图如图2所示。
　　用户首先授权登录该微信平台，然后绑定学号，进入微信平台后，用户可以在里面进行学习。首先对学习者的显式特征（学习记录、学习笔记、课程表、成绩单等）进行提取，利用基于内容的推荐系统技术计算课程相似度，进行初步推荐，然后对学习者的隐式特征（学习时长、发帖情况、课程评价、课程分享等）进行提取，利用协同过滤推荐系统技术计算课程相似度，再结合之前的初步推荐课程，进行综合评判，最终给用户推荐最为满意的课程。
　　在开发微信学习平台的基础上，将所提模型运用其中，该微信平台页面如图3所示。
　　
　　
　　微信平台搭建后，将该模型运用其中，对该模型进行测试和检验。
　　五、平台测试
　　本平台开发后，在本院所有学生（共计3187个）中进行测试，包含2016、2017、2018、2019四个年级，涉及软件工程嵌入式、软件工程电子商务、网络工程、数字媒体与技术、物联网工程、软件工程（中外合作办学）等6个专业。测试时间为2018年9月至2019年8月，为期1年，在前半年阶段，未将该模型运用其中，而后半年阶段将该模型运用其中，两者进行结果对比，测试结果如图4、5、6、7所示。
　　由图可以看出，在未运用该模型期间，此平台有317个学生用户，每个用户平均每天学习时长为10分钟，平均每个学生学习课程数为1门，用户活跃度低下，用户活跃度仅为30%;而后半年使用该模型期间，此平台使用人数为1891人，每个用户平均每天学习时长为55分钟，平均每个学生学习课程数为5门，用户活跃度较高，从最开始的用户活跃度30%，经过半年试运行，用户活跃度上升到88%，提高了58%。
　　从使用人数上来看，从图4可以看出，未使用该模型期间，该平台对学生吸引力不足，尽管在本院大力宣传，使用人数不多，经过6个月的运营，使用人数为317人，占本院学生总人数的9.95%，上升趋势缓慢，而使用该模型后，本院学生使用人数明显增多，经过6个月运营，从最开始的317人上升到使用人数为1891人，占本院总人数的59.33%，整体提高49.38%，上升速度较快，说明该模型对学生吸引力较大，较多学生愿意使用本平台学习，侧面反映该模型推荐的课程较为受欢迎;从使用时长上来看，从图5可以看出，未使用该模型期间，用户平均学习时长为10分钟，说明学生对该平台使用不充分，在该平臺上寻找资源花费较多时间，很难快速找到学生所需的课程，难以满足学生的学习需求，故不愿在本平台使用，而使用该模型后，该模型根据学生的一些信息对其进行精准化课程推荐，获得学生的认可，故每天在该平台获取自己想要的知识，每个学生平均每天至少花55分钟在该平台上进行学习，相对以前来说，有较大提高，说明该模型所推荐的课程，得到广大学生的赞同，愿意在本平台进行学习，提升自己的专业技能。 　　从学生学习课程数来看，从图6可以看出，未使用该模型时，学生学习课程数少，运营6个月期间，平均每个学生所学课程为1门，说明学生未能在本平台所提供的课程中寻找到自己所喜欢的内容，故很少有学生去学习其他课程，而使用本模型后，本平台给学生精准推荐相应课程，大多数课程均被学生采纳学习，平均每个用户学习课程数为5，相对之前有较大提升，而且上升速度明显，说明运用该模型后，所推荐的课程得到学生的认可。从平台用户活跃度来看，从图7可以看出，未使用该模型时，该平台用户活跃度低下，运行6个月后，用户活跃度为30%，说明大部分学生使用本平台频率低，而使用本模型后，由于该模型可以为用户推荐课程，大部分学生使用后，对所推荐的课程较为满意，故愿意在本平台使用，每天都花一些时间在本平台，经过6个月试运行后，该平台的用户活跃度为88%，与之前相比提高了58%，有较大提高，侧面反映该模型在学生中较为受欢迎。
　　六、结束语
　　本文所提出的移动学习模型较为成功，推荐课程较为精确，相对于基于内容的推荐或基于协同过滤的推荐来说，本文提出的基于学习者驱动的移动学习模型结果较为理想，较为符合用户的期望值。
　　参考文献：
　　[1]Siemens， G. What are Learning Analytics？[EB/OL]. http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/，2010-08-25.
　　[2]Johnson， L.，Smith，R.，Willis，H.，Levine，A.，Haywood，K.The 2011Horizon Report [R].Austin，Texas：The New Media Consortium，2011.28.
　　[3]Mayer， R. E.（2019）. Where Is the Learning in Mobile Technologies for Learning？ Contemporary Educational Psychology， 101824.
　　[4]Magnisalis I， Demetriadis s， Karakostas A. Adaptive and Intelligent Systems for Collaborative Learning Support： A Review of the Field[J].IEEE Transactions on Learning Technologies，2011，4（1）：5-20.
　　[5]李艳燕，马韶茜等.学习分析技术：服务学习过程设计和优化[J].开放教育研究，2012（5）：18-24.
　　[6]郎波，樊一娜.基于深度神經网络的个性化学习行为评价方法[J].计算机技术与发展，2019（7）：6-10.
　　[7]李青，王涛.学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）：129-133.
　　[8]Hirashima， T.， Yokoyama，T.， Okamoto， M.， & Takeuchi， A.An Experimental Use  of Learning Environment for Problem-posing as Sentence-integration in Arithmetical Word Problems.Lecture Notes in Computer Science，2008（509l）：687-689.
　　[9]Cheng H N H， Weng Y L， Chan T W. Computer-supported problem-posing by annotated expressions：contcnt-first design and cvaluation[J]. Journal of Computers in Education，2014，1（4）：271-294.
　　[10]Chang K E， Wu L J， Weng S E， et al. Embedding Game-Based Problem-Solving Phase into Problem-Posing System for Mathematics Learning[J].Computers & Education，2012，58（2）：775-786.
　　[11]徐刚，孙高岭.面向网络用户的个性化推荐服务实现[J].情报杂志，2008（8）：119-120.
　　[12]胡宽政.面向在线学习系统的个性化资源推荐算法的研究[D].武汉：湖北大学，2018.
　　[13]孙歆，王永固，邱飞岳.基于协同过滤技术的在线学习资源个性化推荐系统研究[J].中国远程教育，2012（8）：78-82.
　　[14]郝国庆.基于迀移学习的个性化推荐算法研究[D].上海：东华大学，2014.
　　[15]陈桃利.个性化学习中的知识推送系统研究[D].长沙：湖南大学，2013.
　　（编辑：王天鹏）
转载注明来源:https://www.xzbu.com/9/view-15152789.htm