教育教学论坛刊文:学习资源个性化推荐系统的学习者模型构建出自《教育教学论坛》，该文版权归原作者所有。

田枫 李欣 刘芳 刘贤梅 王梅 张可佳 富宇

摘要：互联网的高速发展导致网络学习资源数量迅速增长，案例教学、理论教学等教学资源的个性化推荐受到更多关注。学习者模型是实现个性化推荐的依据。文章以CELTS—11学习者模型规范为基础，针对学习者的个性差异，在学习过程中对基本信息、学习风格、知识状态、认知能力、兴趣偏好等个性化特征展开研究，解决目前资源推荐系统的学习者模型中学习者特征描述不全面、个性化程度不高等问题，构建出了个性化的学习者模型，为学习资源的推送提供了有力的依据，应用效果表明了该方法的有效性。

关键词：学习资源;个性化;推荐系统;学习者模型

中图分类号：G642.0? ? ?文献标志码：A? ? ?文章编号：1674-9324（2020）10-0304-02

一、前言

近年来，网络学习迅速发展，已经成为人才培养的重要形式。高校教育中不同程度地存在一些不利于复合型和创新型兼顾的人才培养问题亟须解决[1]。网络学习资源为学习者的自主学习、基于网络的学习方式的开展提供了有利条件。网络学习者之间存在个体差异性，对学习资源的需求各不相同。

1997年，为适应电子商务领域的需求，推荐系统概念被正式提出[2]。近年来，在教育领域内，互联网信息资源数量迅猛增长且种类繁多，造成了信息过载的问题，由此引入了学习资源的个性化推荐系统的研究，并逐步被学者重视。学习者更加迫切地需要构建全面的、个性化的学习者模型，来支持学习资源的个性化推荐，提高学习资源利用率以及学习者的学习效率。

二、学习资源个性化推荐系统的学习者模型的问题分析

近些年的学习资源个性化推荐系统的学习者模型构建存在以下问题。

1.研究者对个性化推荐系统的研究重点是从计算机算法层面关注推荐算法的有效性或学习者单一特征的研究，使得资源推荐算法过度聚焦于特定“点”的学习，而导致学习整体目标偏离。

2.缺少与学习者的教育过程相结合对学习者建模的研究，导致推荐系统推送的学习资源与其真正的学习需求并不匹配，资源内容的难易很难掌握。

从分析教学的本质出发，发现学习者的真实需求，构建个性化学习者模型，能够为学习资源个性化推荐系统的研究提供更为有利的依据。

三、学习资源个性化推荐系统的学习者模型构建

1.学习者模型构建。学习资源个性化推荐系统中构建学习者模型包括以下三个关键点：（1）确定学习者的个性化特征。从不同研究视角分析学习者模型，发现学习者模型中必须同时包含智力因素与非智力因素特征。这些特征不能独立存在，而是需要相互作用才能形成一个有机整体。国内的CELTS-11学习者模型规范包含个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息、作品集信息[3]，该规范对学习过程信息的描述不够细致，对学习者非智力因素特征，如学习风格、兴趣偏好等方面的描述涉及不多。本文基于CELTS-11学习者信息模型规范，并整合其他必不可少的个性化学习者特征，将学习者特征分为基本信息、认知能力、知识状态、学习风格、兴趣偏好五个维度。（2）利用系统收集的初始学习者特征信息完成学习者模型的初始化。（3）将学习者模型分为数据层、分析层、应用层，分析学习者个性化特征的维度指标，理清其中各层级之间的关联关系，动态更新学习者模型，以便为后续的个性化服务提供基础。

2.学习者模型的层次分析。数据层中包含静态数据、动态数据以及推理数据三种类型的数据。静态数据是学习者模型规范中的个人信息、管理信息和安全信息的扩展，作为学习者模型的基本信息、学习风格等特征的初始信息来源。动态数据是对学习者模型规范中学业信息、绩效信息、偏好信息等信息的细化。推理数据以静态数据和动态数据为基础，通过分析隐藏在静态和动态数据背后的潜在规律和模式来获取数据分析层中学习者兴趣偏好、认知能力、知识状态的特征值，动态更新学习者模型。

分析层分为数据分析层和逻辑分析层。数据分析层是针对学习者基本信息、学习风格、兴趣偏好、认知能力和知识状态五种学习者特征进行分析;逻辑分析层是对学习过程中的互动信息、学习行为、学习内容等行为指标进行了层次分析。互动分析包括同伴互动分析、课程评价分析;学习行为分析包括作业完成度分析、页面访问次数分析、资源访问时段分析;学习内容分析是对章节测试、学习目标、资源类型、资源内容展开分析。这五类学习者特征的分析结果将直接作用于学习者模型的应用层。

应用层包括个性化界面定制、个性化信息检索和个性化学习资源推荐。个性化界面定制是指在人机交互过程中在交互内容以及呈现方式上满足学习者的个性化需求。个性化信息检索是学习者利用推荐系统展开学习时，学习者通过输入关键字获取到与其兴趣偏好相关的信息。个性化学习资源推荐服务是系统通过学习者特征分析获取学习者的个性化需求，向其推荐感兴趣或符合学习需求的学习资源。

在上述学习者模型中，数据层是学习者模型的数据基础，分析层是学习者模型的主体，通过数据分析和逻辑分析过程，提取学习者特征，从而更好地为应用层服务。应用层是前面所有层级所存在的价值体现，它们之间互相关联，不可分割。

四、结论

随着网络学习资源数量的迅速增长，个性化推荐系统在学生理论学习资源、实验资源与案例资源的定向推荐过程中显得越发重要。因为学习者是推荐系统的核心，对于学习者信息了解得越深入，考慮得越全面，个性化学习资源推荐的准确性越高，对学习者帮助程度就越高。本文将智力与非智力因素相结合确定学习者个性化特征，构建了更为全面、人性化的学习者模型，有效解决了推荐系统中学习者特征描述不全面的问题。该方法在“机器学习”等课程的案例教学资源推送中得到了成功应用。

参考文献：

[1]田枫，刘贤梅，周凯，等.高校电子信息科学类复合型创新人才培养模式探索与实践[J].教育教学论坛，2016，（16）：140-141.

[2]李曉昀.基于隐性反馈的个性化自适应电子商务推荐系统研究[D].衡阳：南华大学，2007.

[3]李唯实.个性化教育中的学习者模型技术研究[D].长沙：国防科学技术大学，2011.

The Learner Model Construction of Personalized Learning Resource Recommendation System

TIAN Feng，LI Xin，LIU Fang，LIU Xian-mei，WANG Mei，ZHANG Ke-jia，FU Yu

（School of Computer and Information Technology，Northeast Petroleum University，

Daqing，Heilongjiang 163318，China）

Abstract：The rapid development of the Internet has led to a rapid increase in the number of online learning resources，and more attention has been paid to personalized recommendation of teaching resources such as case teaching and theoretical teaching.Learner model is the basis of realizing personalized recommendation，in this paper，based on CELTS - 11 learners model specification，according to the learner's individual differences，in the process of learning the basic information，learning style and knowledge state，cognitive ability，study interest preferences such as the personalized features，to resolve the resource recommender system learners model describing is not comprehensive，the learners do not have a high level of personal problems，construct，the personalized learner model for learning resource push provided the powerful basis，application results show the effectiveness of the method.

Key words：network learning resources;personalized;recommended system;learner model