适应性学习路径推荐

适应性学习路径推荐

[摘 要]本文在对适应性学习系统的研究进行详细分析的基础上，将适应性学习路径推荐作为主要研究内容。如何充分考虑学习者的特点，为其设计适应的学习路径是十分复杂的任务，适应性学习路径推荐包括选择与学习者模型匹配的学习内容及其排序。本文结合具体案例，探讨研究的价值和当前研究存在的不足，为后续的研究提供些许思路。

[关键词]适应性学习；学习路径；学习者模型；学习对象；智能优化算法

目前网络教学的主要形式为，教师在明确的教学目标指导下，经过精心的教学设计，将教学材料和教学内容通过网络呈现给学生，以便学生获得知识并进行强化[18]。这种教学形式往往忽视了学习者在学习目标、知识基础和学习风格等方面存在的个体差异，为所有学习者传递相似的教学内容，这容易造成学习者找不到适合自己的学习资源，学习资源不能满足学习者的个性需求，影响网络学习质量。

适应性学习是通过学习者自身的原有知识经验与适应性学习系统进行交互活动来获取知识、能力的过程，它充分考虑到教学行为的个性化与学习行为的个性化特征。在适应性学习的方式下，学习资源可以适应各种学习者的需要和背景进行不同的组合，教学内容的组织和呈现与个别特征相适应，可以解决当下网络教学存在的问题。

以适应性学习为基础开发的适应性学习支持系统在本质上是一类支持个别化学习的在线学习环境，它针对个体在学习过程中的差异性而提供适合个体特征的学习支持，包括个性化的学习资源、学习过程和学习策略等为了让系统能够了解学习者的个体差异，适应性学习支持系统提供了能够记录每个学习者学习目标、知识状态和认知偏好等个体特征的学生模型。适应性学习支持系统强调对学习活动的支持，它通过学前诊断测试和在学习过程

中更新学生模型，实时地把握学习者已有的知识基础、认知结构、学习风格、兴趣爱好等方面的信息，据此为学习者提供在当前的状态下最适合的学习内容、学习策略和学习工具等[18]。张家华等认为适应性学习支持系统包括三个核心组件[19]。学习者模型，对学习者的若干特征信息的抽象描述，包括其在学习的过程中呈现出来的知识状态、目标、背景、认知风格和爱好等。领域知识模型，包括学习资源、课程结构、教学策略以及练习测试库。适应性引擎，包括一些学习策略和学习工具，能根据学习者的有信息，对齐认知能力和知识水平进行诊断，动态地建构适合的学习内容及其呈现方式，并能对教学进行监控和管理，不断地更新和维护学习者模型。

适应性学习路径推荐是适应性学习研究的一个重要的领域，是解决网络教育资源增长速度和学习者获取资源能力之间矛盾的有效途径。彭绍东认为为学习者提供确定的学习路径具有十分重要的意义[20]。为学习者提供清晰的学习线路，可以避免迷航，减少失误，提高学习效率，可以为学习者的学习过程管理和学习评价提供依据，实现学习内容结构化和可共享内容对象的包装，为学习支持服务的实施提供依据。陈仕品等提出了适应性学习内容动态组织的一般过程[21]。首先确定学习目标，根据学习目标确定学习内容所对应的知识点，根据学习者的认知能力确定教学的起点和学习内容的难度，采用适宜的教学策略组织学习内容序列，将学习内容序列作为学习内容组织的输入，确定整个教学活动所需的知识点和知识点顺序，根据学习者的学习风格调整学习内容序列和教学媒体的类型，通过教学媒体表示学习内容序列，将适应性学习内容呈现给学习者。

因为学习者在知识、能力和背景等方面存在着差异，所以一门课程的教学设计很难适应所有学习者的需求。学习路径是指学习活动的路线与序列，是学习者在一定的学习策略指导下，根据学习目标和学习所需完成的学习活动排序，适应性学习是依据学习者的个性化特征选择相适应的学习内容和学习方法[1]。适应性学习路径推荐的核心特征是“个性化”，依据学习者特征进行学习对象的选择和排序，形成专属学习路径。当前研究中所考虑到的有关学

习者的因素主要包括为学习风格、行为偏好、认知水平和同伴参考，学习内容的主要因素为难度、学习内容间的约束和媒体表现形式。当然，也会因为研究者的目的不同，考虑的因素也会存在差异。

对于学习路径推荐的研究主要可以分为两大类。一类是对适应性学习路径推荐影响因素的研究。Brusilovsky将学习目标和知识水平作为学习对象选择和排序的依据，忽略学习者学习风格上的差异[22]。Chang等认为不适应的学习路径会造成学习者的认知负担和学习过程中的迷失，为提高学习路径推荐的准确性，提出了学习风格的识别方法[23]。黄志芳等认为虽然目前对于影响适应性学习路径推荐的要素有较深入的研究，但缺乏系统性，且对于影响要素和学科知识没有一套完整合理的表示模型[24]。为了解决上述问题，引入了情境感知技术。情境包括显式情境感知、蕴含情境感知、网络情境感知和应用情境感知。学习路径生成可以理解为根据学习者的情景信息选择一组最符合学习者个性化特征的具有前后件关系的学科本体术语集合。

另一类是对学习路径生成算法的研究。陈其晖等利用知识空间概念模型，将知识空间中具有的转移路径转化为学习路径，由于知识点学习的前提的限制，使学习者的学习具有一定的顺序，这样学习路径最有问题就转化为一个典型的TSP约束问题加上一个约束优化问题[25]。吕琳等通过前测来掌握学习者的知识水平，考虑了学习者的水平和推荐课件难度水平的匹配，以及课件之间的相关性以保证学习概念的连续性，采用遗传算法利用基因染色体的序列代表个性化的学习路径，通过对种群进行一系列的操作，来生成最佳学习路径，推荐给学习者[26]。肖会敏等认为学习者完成学习目标，需要进行一系列学习对象的学习。而对于学习目的不同，以及认知能力不同的学习者来说，对学习对象的学习次序和内容组织方式不尽相同[27]。在使用粒子群算法之前需要获得学习者的学习目的和知识水平，以此寻找相似学习者，然后将最有学习路径推荐给目标学习者。本文的研究重点是对学习路径生成算法的研究。

在基于Internet的教育网络环境下，对学习者个性化的需求越来越重视，在以学习者为中心的教学中，其个性化的因素会影响到学习对象的选择。比如培训某一项技能的教学系统，对于新手系统就需要基础的内容开始教学；而对于有一定基础的学习者，可以跳过简单的学习对象，节省学习时间或学习更高层次知识。从另一方面讲，如果学习者属于视频媒体偏好，那么为学习者准备文本类型的学习资料，学习者会因为教学媒体的不适应，导致学习的效率下降。学习目标相同，假设学习者智力水平、知识基础等相似，给予较短的学习时间的往往达不到较长学习时间的学习效果。在实际教学中，学习者学习时间有限，但教学目标既定，不得不降低课堂教学复杂度以便在规定的时间内完成教学内容，降低复杂度通常为使用更为简单的教学策略，带来的影响是学习效果降低。所以，学习路径规划属于在一个存在约束的教学环境中，利用有限的资源设计教学，期望达到最好的教学效果，即在约束条件下求最优解的问题。

一、最优学习路径的生成算法

最优学习路径的生成算法主要可以分为三类，智能优化算法、数据挖掘算法和基于知识的推荐。研究中，主要是利用智能优化算法解决学习路径的推荐问题。智能优化算法也被称为启发式算法，在求解问题时没有固定的最佳解，具有全局优化性能、通用性强且适用于并行计算的特点。

由于适应性学习路径推荐是适应性学习研究的一个领域，所以学习路径规划同适应性学习研究内容大体相似但又存在些许不同，研究内容主要包括四方面：学习者模型、学习内容模型、目标函数和问题求解算法，下面将从这四方面详细说明。

学习者模型

学习者模型是适应性学习路径推荐的基础，只有充分了解了学习者的特征，才能使得学习路径最大程度的与学习者契合。陈仕品等认为网络环境下学习者的个体差异主要体现在两方面：一是不同的学习者在个人能力、背景、学习风格、学习目标等方面存在各种各样的差异性；二是学习者个体本身的知识状态在学习过程中也是不断变化的，因此建立了一种基于认知状态和学习风格的学生模型[28]。该模型主要包括四个维度：学生描述、认知状态、学习风格和学习历史。其中，学生描述记录了学生的基本信息；学习风格反映了学生的学习偏好；认知状态反映了学生的认知过程和知识掌握程度；学习历史记录了学生的整个学习过程。学生模型较好地反映了学生在认知状态和学习风格方面的个体差异，为适应性学习支持系统提供了决策依据。张淼等认为学生模型包括知识特征和学习风格特征，并采用贝叶斯网络实现知识传播和粒度层次方法实现知识表示构建覆盖型的学生知识模型，利用Kolb的学习风格理论对学生进行测试，确定学习风格特征[29]。Shanshan Wan等

[2]认为学习者的特征会影响学习材料的选择和排序，所以学习者模型的构建是学习路径推荐

系统中一个基础且不可缺少的步骤。根据自己的教学经历和调查，对学习风格进行了操作化的定义，包含各种学习者特征，比如媒体偏好、不同类型学习材料的顺序、一个特定知识的学习时间、学习过程中积极或消极的态度、接受新知识的能力、对不合适的学习对象的接受能力和学习效果评价标准等等。Kurilovas E等[3][6]认为学习者特征是代表学习者形象的一组数据集合，并依据Honey和Mumford学习风格的测量结果代表学习者特征。Salehi M等[4]认为学习者接受学习材料顺序体现了学习者的特质，通过收集学习者学习活动的日志，发现学习者特征。Karampiperis P等[5]认为学习者模型包括知识空间与认知的特点和偏好，知识空间可以表示为领域概念本体的子集。Klašnja-Milićević A等[7]提出的Protus系统依据学习者不同的学习背景，偏好，学习目的和其它有意义的属性推荐学习材料。在适应性推荐中，虽然对学习者的了解越详细学习者的形象就越具体，推荐也就越准确，但从可操作性和效率的角度，必须进行严谨科学的研究，选择的属性做到精炼有效。

学习内容模型

陈仕品等进行了适应性学习支持系统中学习内容组织策略的研究，他们认为为了实现学习内容的动态组织必须实现三方面的准备工作[21]。一是按一定的关系将领域知识进行分解，形成一棵领域知识树，其中领域知识的关系为前提关系、包含关系和并列关系。二是根据领域知识树表示的基础上，需要采用不同的数字化教学媒体表示知识点，形成数字化教学资源，建立媒体空间。三是选择教学策略来组织领域知识。肖建琼等提出基于知识本体表示的适应性学习系统中的学习资源内容，采用KDD技术对领域学科知识的内在联系及层次关系分析和研究，获取领域知识树，基于领域知识树建立领域知识本体，具体过程为：确定课程领域知识点核心概念清单、定义知识点类及类层次结构和定义知识点相关属性[30]。

本研究中学习内容组织是基于学习对象思想，学习对象是结合计算机面向对象的思想和有关教学理论基础之上产生的一种新型计算机辅助教学的构件[8]，它具有可重用性、数字化、教学性、元数据标识、目标指向性等特点。学习资源是模块化的，区别于素材类的或课程级的数字化教学资源，能够实现完整的教育意义[9]。对于学习对象的表示，胡瑛等[10]认为，本体的概念化和共享性的本质特征就决定了它可以用来描述和表达学习对象，并研究了在形式上陈述学习材料是什么的内容本体和描述学习材料的结构形式化的结构本体。但在当前对学习路径规划问题的研究中，普遍没有区分学习对象同素材类学习资源。Shanshan Wan等[2]认为学习对象的属性设置应与学习者模型相对应，以便计算适应程度，基本属性包括知识点、媒体类型和内容属性，扩展属性包括时间、难度、重要程度，学习对象的组织关系是通过混合概念图表示的。Durand G等[11]认为学习者同学习对象交互的目的是以初始能力为基础获得目标能力，所以将学习对象定义为可以被重复利用、提供一种能力的数字化资源，它们之间是通过学习的先决条件进行联系。Lin Y S[12]等将概念和材料组成学习对象，同时考虑学习对象具有多种不同类型，不同权重的属性，以便学习路径规划实现多种目标。综上所述，学习对象的组织形式是多种多样的，但对其特征属性仍然停留在素材类资资源的水平上，没有体现出应具有的教学性。

目标函数

学习路径优劣代表学习者特征与学习内容的呈现及其中所包含的教学要求的匹配程度

[13]。确定学习者特征和学习对象的特征之后，需要选择一系列的学习对象形成学习路径，并

依据对目标的达成衡量学习路径的优劣。Lin Y S等[12] 认为学习路径优化的目标是多维的，多维目标如何权衡和统一是学习路径中的难点，文中使用多目标决策分析中的TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序，选择最优。Chu C P等[14]考虑的优化目标为学习内容和学习目标的覆盖程度、学习者能力与学习材料的难度是够匹配、学习时间是否满足和学习某一概念所占用时间是否合理。学习路径优化的目标是多种多样的，研究者可以根据需要进行灵活的选择。

问题求解算法

适应性学习路径推荐是一个非确定性多项式问题，问题只能通过验证给定的猜测是否正确来求解，启发式算法通常用来求近似最优解。Yang Y J等[15]基于蚁群算法，提出了一种以属性为基础的蚁群系统，提高为学生提供适宜学习对象的效率。Wang T I等[16]发现学习内容同学习风格在适应性学习系统中存在着重要的联系，基于蚁群算法，设计了学习风格为基础的学习系统，对算法参数的设置考虑到了实际教学过程。de Marcos L等[17]利用元数据和能力表示学习对象，学习路径规划被描述为约束满足问题，并用粒子群算法求解。Wan S等

[2]将以学习者为中心的学习路径推荐抽象成约束满足问题，并用改进的免疫算法求解，无论

在算法的效率还是实际推荐效果上相对于其他算法都有所提高。利用启发式算法求解学习路径规划问题通过前人的研究证明是切实可行，但对于算法的优化是没有止境的，问题仍然值得研究。

二、案例分析

下文选取几种典型案例，对适应性学习路径推荐的研究框架进行详细的分析。

在基于免疫算法和混合概念模型的学习路径推荐方法中，研究者在VB课程中选择三章，三个章节一共包含11个模块，一共有235个学习对象包含在这11个模块之下。因为学习时间是有限的，而且有的学习对象可能包含相同的知识点，所以为学习者选择学习对象时，需要进行各种权衡，媒体类型、时间、难度、学习对象的先后顺序……为了衡量学习者与学习对象之间的匹配性，一些关键属性均被用元数据表示，方便进行各种运算。考虑到的学习者的特征，包括学习目标、学习能力、学习态度、媒体偏好和内容选择的偏好，学习对象的特征包括:覆盖的知识点、难度、重要程度、建议学习时间、媒体类型、内容属性和前后关系。学习者与学习对象的匹配是规划学习路径追求的目标，研究者通过使用免疫算法解决这一约束条件下的优化问题。实验中通过比较不同算法求解的效率和学习者成绩的变化，验证推荐方法的有效性[2]。

基于图论的学习路径推荐算法，将学习对象看成是点，多个点按照一定的顺序连接构成了学习路径。在研究过程中，为了能够使用图论解决学习路径推荐问题，对学习对象进行了理想化的描述，学习者满足特定的知识基础要求才能接触到学习对象，学习者通过学习对象肯定能够实现学习目标。在实际教学中，学习对象需要的知识基础和获得能力也许并不唯一，所以一个学习对象可能需要多个学习对象提供的能力作为基础，也可能为多个学习对象提供接触的能力前提。因为研究假设学习对象是十分丰富的，学习者无法对每一个是否满足自身要求都进行判断，需要按照一定的方法筛选出先关学习对象，减少求解问题的空间。研究中以学习者计划通过学习获得的能力为依据，选择能够实现这个能力目标的学习对象。接下来，考虑学习者是满足接触选择的学习对象的能力，若无，则将接触该学习对象的能力设为目标能力，如此进行迭代，若满足，则终止迭代过程，所选择的所有学习对象构成解空间。利用贪婪算法，计算从目标到终点的最优路径[11]。研究存在的不足是中并没有考虑学习风格等其它因素，仅仅将学习目标和知识基础作为学习路径规划的依据。

综合多个目标的学习路径规划算法中认为：因为学习目标可以通过不同的学习材料达成，所以实现同一学习目标会有不同的学习路径。同时，规划学习路径对学习者来说是非常消耗精力的事，学习者应该更多的时间放在学习知识上。教学中涉及多种目标同时又存在限制，为学习者规划学习路径不仅是一个NP-hard的组合问题，同样也是一个多目标优化问题。在该研究中，将学习路径规划问题，转换成求图的最短路径问题。因为多种优化目标的存在，需要计算产生学习路径对不同目标的达成情况，按照目标的优先程度赋予不同的权重，将达成情况进行综合，作为包含多个优化目标的目标函数，利用GA求最优解。以提出的算法为依据，设计在线学习管理系统，该系统包括：①概念管理模块，负责管理学习概念之间的关系，例如知识基础、平行关系等等②学习材料管理模块，存储学习材料同概念之间的关系，即学习某一概念可以通过那些学习资料实现。该模块还要记录学习材料的一些属性，以便计算同学习者的匹配度③课程管理模块，存储某一课程需要学习的概念、知识基础和学习目标等。④学习路径规划模块，利用提出的算法，考虑学习者个性化的需求，为学习者规划适宜的学习路径[12]。

适应性学习路径推荐还可以同特定的学习模式相结合。移动学习环境下海量无序的信息资源，对学习者学习资源的选择以及学习活动的开展造成了极大干扰，需要探索移动学习路径生成机制，生成适应性的学习路径。李浩君等综合考虑移动学习环境下的学习情景、学习者个性特征等多种因素，将遗传算法应用于移动学习路径研究，实现了博物馆参观学习的应用案例。在适应性学习路径推荐的研究中具有开创性的意义[31]。

三、总结

综观适应性学习路径推荐的研究，可以看出，有关学习者模型、学习内容模型、目标函数和问题求解算法的研究等都已取得了一定的成果，但仍然存在着一些不足。主流研究中学习者模型中最为重要的是知识技能、学习目标和学习风格，适应性学习路径推荐围绕学习者

特征开展。学习内容是学习者开展网络学习的基础，研究者出于不同的目的提出了多样的学习内容的组织形式，本研究中重点研究了学习对象。学习对象的概念存在已久，学者和组织对学习对象的设计和描述提出了自己的构想。就当前研究而言，适应性学习路径中学习对象的概念仍然停留在学习素材的层面上，仍需与当前学习对象的研究相契合。目标函数一般是多维的，具体设定需要考虑到学习者所追求的学习目标。因为需要结合具体的教育问题，在使用启发式算法对问题求解，算法参数的设置对问题的求解的效率十分重要。在使用算法的过程中，结合问题的具体求解过程，对启发式算法进行些许改进，也成为研究的一种方向。

适应性学习路径推荐是在适应性学习大背景下产生的，是一种学习资源过载的情况下减少学习者认知负担的有效方式，使得学习者可以在有限的学习条件下获得最大的学习收益。

参考文献

[1] 赵呈领, 陈智慧, 黄志芳. 适应性学习路径推荐算法及应用研究[J]. 中国电化教育, 2015(8):85-91.

[2] Wan S, Niu Z. A learner oriented learning recommendation approach based on mixed concept mapping and immune algorithm[J]. Knowledge-Based Systems, 2016, 103: 28-40.

[3] Kurilovas E, Zilinskiene I, Dagiene V. Recommending suitable learning scenarios according to learners’ preferences: An improved swarm based approach[J]. Computers in Human Behavior, 2014, 30: 550-557.

[4] Salehi M, Kamalabadi I N. Hybrid recommendation approach for learning

material based on sequential pattern of the accessed material and the learner’s preference tree[J]. Knowledge-Based Systems, 2013, 48: 57-69.

[5] Karampiperis P, Sampson D. Adaptive learning resources sequencing in educational hypermedia systems[J]. Educational Technology & Society, 2005, 8(4): 128-147.

[6] Kurilovas E, Zilinskiene I, Dagiene V. Recommending suitable learning paths according to learners’ preferences: Experimental research results[J]. Computers in Human Behavior, 2015, 51: 945-951.

[7] Klašnja-Milićević A, Vesin B, Ivanović M, et al. E-Learning personalization based on hybrid recommendation strategy and learning style identification[J]. Computers & Education, 2011, 56(3): 885-899.

[8] 胡小勇, 祝智庭. 学习对象——网络教学技术的新理念[J]. 电化教育研究, 2002 (4): 22-28.

[9] 李玉顺, 武林, 顾忆岚. 基于学习对象的教学资源设计及流程初探 [J]. 中国电化教育, 2012, 1: 78-85.

[10] 胡瑛, 贾积有. 学习对象内容本体描述框架研究[J]. 开放教育研究, 2009, 15(2): 102-106.

[11] Durand G, Belacel N, LaPlante F. Graph theory based model for learning

path recommendation[J]. Information Sciences, 2013, 251: 10-21.

[12] Lin Y S, Chang Y C, Chu C P. An Innovative Approach to Scheme Learning Map Considering Tradeoff Multiple Objectives[J]. Journal of Educational Technology & Society, 2016, 19(1): 142-157.

[13] Al-Muhaideb S, Menai M E. Evolutionary computation approaches to the Curriculum Sequencing problem[J]. Natural Computing, 2011, 10(2):891-920.

[14] Chu C P, Chang Y C, Tsai C C. PC2PSO: personalized e-course composition based on Particle Swarm Optimization[J]. Applied Intelligence, 2011, 34(1): 141-154.

[15] Yang Y J, Wu C. An attribute-based ant colony system for adaptive learning object recommendation[J]. Expert Systems with Applications, 2009, 36(2): 3034-3047.

[16] Wang T I, Wang K T, Huang Y M. Using a style-based ant colony system for adaptive learning[J]. Expert Systems with applications, 2008, 34(4): 2449-2464.

[17] de Marcos L, Martínez J J, Gutiérrez J A. Swarm intelligence in e-learning: a learning object sequencing agent based on competencies[C]//Proceedings of the 10th annual conference on Genetic and evolutionary computation. ACM,

2008: 17-24.

[18] 陈仕品, 张剑平. 基于EAHAM模型的适应性学习支持系统体系结构[J]. 电化教育研究, 2008(11):54-58+83

[19]张家华, 张剑平. 适应性学习支持系统:现状、问题与趋势[J]. 现代教育技术, 2009, 19(2):18-20.

[20]彭绍东. 基于 SCORM 标准的 “学习路径” 设计[J]. 现代教育技术, 2010, 20(8): 114-119.

[21]陈仕品, 张剑平. 适应性学习支持系统的学习内容组织策略研究[J]. 电化教育研究, 2010(11):55-62.

[22] Brusilovsky，P. Adaptive Hypermedia[J]. User Modeling and User-Adapted Interaction，2001，11（1~2），87~110.

[23]Chang，Y.C.，Kao，W.Y.，Chu，C.P. & Chiu，C.H. A Learning Style Classification Mechanism for e -Learning [J].Computers &Education，2009，53（2），273~285.

[24]黄志芳, 赵呈领, 黄祥玉,等. 基于情境感知的适应性学习路径推荐研究[J]. 电化教育研究, 2015(5):77-84.

[25]陈其晖, 凌培亮, 萧蕴诗. 基于改进微粒群优化的学习路径优化控制方法[J]. 计算

机工程, 2008, 34(4): 190-192.

[26]吕琳, 韩永国. 多 Agent 的个性化学习路径推荐系统设计[J]. 电脑知识与技术, 2013, 26: 055.

[27]肖会敏, 马彩娟. 基于粒子群算法的学习路径推荐方法[J]. 河南科学, 2013, 31(12): 2190-2193.

[28]陈仕品, 张剑平. 适应性学习支持系统的学生模型研究[J]. 中国电化教育, 2010(5):112-117.

[29]张淼, 张华, 曲建民. 基于Internet的多Agent远程适应性学习模型的构建[J]. 中国成人教育, 2006(1):110-111

[30]肖建琼, 髙江锦. 适应性学习系统中知识点本体的研究与构建[J]. 智能计算机与应用, 2013, 3(5):14-16.

[31]李浩君, 崔晨萍, 徐佳程,等. 基于遗传算法的移动学习路径生成机制研究——以博物馆参 观学习为例[J]. 现代教育技术, 2015, 25(8):100-106.