基于大数据的在线教育个性化推荐
辜小花，聂玲，柏俊杰，杨波，钟秉翔
（重庆科技学院电气工程学院，重庆）
摘 要： 在线教育是以网络为介质的远程新型教学方式，跨越了因地域等方面造成的教育资源不均等问题。然而如何为每一个不同的学习者推荐最适合的学习策略是当前在线教育的痛点所在。本文针对该问题提出一种基于大数据的在线教育个性化推荐方法，并重点介绍了如何建立学习者模型和知识点网络关系模型。建立的个性化推荐系统能够实时跟踪学生的学习状态，推送专属的学习方案，从而对难度进行有效控制，避免大量的无效重复，能够有效提升学习效率。
关键词： 大数据；在线教育；个性化推荐；学习者模型；知识点关系模型
传统教育一对多的课堂模式，不同的学生往往需要适应同一个教学进度，接受同一套学习模式；这直接导致了一些学生不得不反复学习已经掌握的知识从而浪费宝贵的时间，同时另一些学生不能及时消化知识，没有掌握的知识造成滚雪球效应，而学生最终因学习效果欠佳而失去学习兴趣。随着互联网技术的普及，在线教育迅速发展并且带来了传统教育的一次革命。在线教育顾名思义，是以网络为介质的教学方式，通过网络，学员与教师即使相隔万里也可以开展教学活动，实现了教育资源共享化，降低了学习的门槛。此外，借助网络课件，学习者还可以随时随地进行学习，真正打破了时间和空间的限制，网络在线教育不仅对于工作繁忙、学习时间不固定的职场人而言是最方便不过的学习方式，对于大学生提高学习效率、查漏补缺、课外学习也是重要的学习方式。在线教育的技术使得“因材施教”理念的实现成为可能。然而，目前的在线教育系统在面向不同学习者差异进行个性化推荐方面还存在极大的不足。随着大数据和人工智能技术的发展，基于大数据的在线教育个性化推荐逐步成为研究的热点。
一 个性化教育的现状分析
在线教育是一种基于标准算法和数据挖掘基础的个性化学习服务。“教育的未来就是数据”，在这个大数据的时代，只有针对目标学生的需求以及社会的需求完善在线教育的教学内容，才能满足学习者获得有效知识的目标。在线教育是具有富媒体的性质。这种特点符合当今社会大数据的趋势，文字、音乐、视频、链接都能很轻易拿来制作教学内容[1]。
国外学者对在线学习推荐系统的研究主要集中在元认知能力提升、学习者协作与交流、学习成果作用机制研究等方面[2]。美国匹兹堡大学的Peter Brusilovsky教授针对学生的学习背景、兴趣爱好、知识水平进行了用户建模，为适应学习者与系统交互过程中的个性化学习需求，开发了QuizMap、Parallel IntrospectiveViews、Progressor和Progressor+系统[3]。国内在个性化自适应学习方面的研究仍处于一种理论层面探讨和小规模尝试阶段，其中在教育技术学领域，北京师范大学余胜泉教授早研究自适应学习，发表了关于自适应学习的学术论文《适应性学习——远程教育发展的趋势》，从学习诊断、学习策略及学习内容和动态组织等三个关键环节提出了适应性学习[4]。
桑料再一次被点燃，这一次只有一小堆，盛放在一只铜盘内。铜盘直径不足尺，底部的支架造型是两只铜制的羽人，它们相向跪坐，共同将铜盘托起。桑料在铜盘内阴燃着，没有火焰，只有蓝色的火星忽明忽暗。
随着移动互联网、智慧教育的发展，个性化自适应学习成为新兴的研究热点，将成为以大数据为基础的教育技术新范式。大数据时代个性化自适应学习研究新视角可从智能感知、个性化、预知性、动态平衡、智能化评价及实现学习者思维过程的可视化等层面审视。
为了改善现有在线教育所有人都采用相同模式的问题，本文基于现有在线教育体系，提出基于大数据的个性化推荐方法。该方法考虑到学生对知识点认知程度的差异，根据实时跟踪记录学生的学习状态，根据学生学习的学习目的和反馈推送专属的学习方案，从而对难度进行有效控制，达到学以致用的目的；在避免学生大量重复做题的同时保证没有知识点的遗漏。不仅如此，老师可以根据系统提供的反馈和分析，调整教学计划，开展个性化教学。构建基于大数据的在线教育个性化推荐系统最主要的两个方面是学习者模型和知识点网络关系图。前者终于描述和模型学生的学习过程，可以称之为学生DNA，后者则用于描述知识之前的关系，可以称之为知识DNA，有了这两者，推荐系统就能够给出适应于特定学习者的最佳学习轨迹，从而实现个性化推荐。下面将分别介绍这两个部分的实现思想。
3.3 完善市场体系，加强市场建设：市场是将农村家庭经营方式的小生产与大企业联系起来的纽带。由于目前彰武县还没有一家较为完善的辣椒专业批发市场，因而很难适应辣椒产业发挥的发展需求，也缺乏对价格波动的缓冲和市场风险的调控。因此要充分发挥政府的宏观调控功能，通过调研，找准技术与行政的最佳结合点，以此加大辣椒主产区批发市场建设力度，建立市场信息网络，并逐步将市场信息向种植户和购销大户、农民专业协会、公司延伸。要使辣椒产品转变为经济效益，使辣椒生产向产业化方向发展，关键在于把产品销出去，变产品为金钱，让农民获得好效益，从而引导农民自觉扩大辣椒生产规模。
二 基于大数据的在线教育个性化推荐建设思路
然而，个性化教育系统设计也面临诸多挑战。尤其表现在推荐算法的层面。如何对学生的学习模式进行合理建模、如何对学习过程进行跟踪分析、如何从学生的反馈中挖掘学生真正的兴趣和不足并进行针对性的推荐、如何调整推荐的次序等等，这些问题无论在技术实现还是在算法理论上都是公认的难题。
（一） 建立学习者模型
Domain model一般用图结构来进行表示，与知识体系的表示方法相同。在该模型中，我们将知识点看作图的节点，图的边用于表示知识节点之间的逻辑关系，从而构成因果图模型。模型结构表示为＜C,SR,PR,IST,DG＞，其中C表示问题集合，SR 
C×C表示相关关系（即有向图中的双向边），PRC×C表示偏向顺序，IST为C到context language（CL）之间的函数关系，DG表示C到区间[0,1]此之间的函数关系，DG(c)用于衡量问题C的预计完成时间，用于标记问题难度。此外domain model还应当包括学生对于该领域的先验知识、学生的学习记录、以及学生的得分情况记录。
我国农业的绿色发展事业不仅在民间进行，更多的企业也走在通过系统化、科学化的运作模式，打造着有机之路上的示范样本。
简单地讲，学习者模型分成两个部分，第一部分是基于知识结构的，即与我们所需要学习知识的具体知识结构相关，用于跟踪学生的学习完成情况，称为域模型（domain model）；另一部分则是独立于知识结构（domain independent information），用于评价学生的能力、动机、偏好等等指标。
个性化推荐系统的核心组件是学习者模型（student model）。学习者模型用于描述和模拟学生的学习过程，包括学习记录的存储分析、知识掌握情况、态度和认知水平的变化等能力参数。模型的适应阶段包括收集学生的信息（如在线学习所产生的正确率、解题时间和学习时间分布等等），对以上信息进行处理更新模型参数以及最终运用模型给出推荐的结果。
Domain independent information则包含学生的以下参数：动机（goals）、认知天赋（cognitive aptitudes），背景和经验（background and experience），智力（multiple intelligence），信息和历史数据（factual and historical data）。
学生模型的初始化和更新是推荐算法中两个重要的步骤。初始化往往通过问卷调查、测试、以及小范围抽样调查的方式进行。更新过程则主要包含三个方面，第一是评价学生的能力，主要用于更新学生模型中的domain independent information，第二是追踪学生的学习进度，称为issue tracing，第三是建立时间对数据作用的影响模型，称为data aging，简单地来讲是指越近的历史记录对于模型更新和学生能力评价应该更具有参考价值。
扫码单元主要包括滚子输送带、可旋转皮带输送带、固定式皮带输送带、扫码装置及数据存储电脑以及电气控制柜等部分，可实现对托盘进行扫码的功能(图6)。
（二） 建立知识点关系模型
知识之间的网络关系是个性化推荐的另一个重要环节。可以通过感知图（cognitive map）描述知识之间的网络关系，使得推荐算法中我们能够真正地追本溯源找到学生问题的根源所在。关系图中以知识点（topic）作为图的节点，而一个节点往往与其它的很多节点相关联，表示知识点之间的先后关系、因果关系和相关关系等等。实际应用中，根据先验知识对cognitive map进行初始化，然后根据学生和老师的数据对知识网络进行优化。从而获得最有的知识点关系模型。
参考文献
[1] 马星宇.基于新兴在线教育的大学英语听说能力个性化发展模式探究[J].辽宁科技学院学报,2014(03):72-73.
[2] Novak J D. How Do We Learn Our Lesson?.[J]. Science Teacher,1993, 60:50-55.
[3] Hsiao I H, Bakalov F, Brusilovsky P, et al. Visualizing Student Models for Social Learning with Parallel IntrospectiveViews[C]//Proceedings of the 19th international conference on User modeling, adaption, and personalization. Springer-Verlag,2011:171-182.
[4] 余胜泉.适应性学习—远程教育发展的趋势[J].开放教育研究,2000(3):12-15.
[5] 温馨靓,王新凯,黄文龙,庞佳琪,马昶旭,李佳霖.95后大学生思想政治教育个性化培养模式研究[J].教育现代化,2018,5(29):273-274.
DOI： 10.16541/j.cnki.2095-8420.2019.66.057
基金项目： 重庆科技学院本科教育教学改革研究项目（编号：201929）。
作者简介： 辜小花，女，四川人，重庆科技学院，测控系，副教授，博士研究生。研究方向：人工智能。
本文引用格式： 辜小花 等.基于大数据的在线教育个性化推荐[J]. 教育现代化，2019，6（66）：157-158.
标签：大数据论文; 在线教育论文; 个性化推荐论文; 学习者模型论文; 知识点关系模型论文; 重庆科技学院电气工程学院论文;