B-S模式下自适应学习系统个性化推荐服务研究.docx

B/S模式下自适应学习系统个性化推荐服务研究 （五）推荐流程与算法在推荐过程中，ALS分别从用户模型数据库和领域模型数据库中提取学习者与领域知识对象的特征信息，然后转换为分值矩阵形式，并通过关联规则计算其特征相似度值，最后根据计算的相似度值（该值越大，说明知识对象越适合学习者当前的需求）向学习者推荐适合其个性需求的知识对象集在学习过程中，学习者往往需要在学完某个知识单元后进行测评，系统据其测评分值实时更新学习者认知水平参数其具体的推荐流程如图3所示本研究采用的ALS系统核心推荐算法如下：系统的输入项：用户注册信息、用户当前学习风格和认知水平、对象特征值矩阵和推荐知识对象数量的最大值N系统的输出项：推荐结果列表Top－N第一步，判断当前学习者是否为系统注册用户，如果返回结果为“True”则执行第二步；如果返回结果为“False”则直接跳至第六步第二步，从学习记录数据库提取学习者上一次学习过程中所遍历的知识点序列，按访问时间的先后顺序存储在循环队列Q1中判断队尾元素的属性值（上一次学习的最后状态），若标记为“正在学习”或单元考核成绩小于60分（可由教师设定），则转至当前学习对象页面否则进入第三步。

第三步，调用关联规则对学习者和知识对象特征值匹配，按照匹配值的大小从领域知识库中提取最适合当前学习者的新知识点内容K1若关联匹配值小于0.5，则自动退出查询第四步，以K1知识点为头指针，按照知识点间关联度大小进行广度优先遍历或深度优先遍历，并将遍历结果存储在循环队列Q2中第五步，判断队列Q1是否为空，若不为空，读取队列Q1中的对象，若该对象在02中存在（说明该知识点学习过），且学习者的标记状态为“已通过考核”，则指针后移；否则．将该知识点对象列入学习者的路径L中，准备学习若Q1为空，转至第三步第六步，若L不为空，系统按照推荐学习对象列表将前N个依次以合适的方式呈现给学习者，否则随机按照知识点难易程度输出知识点对象六）系统实现经过前期的需求分析与详细设计，我们初步开发了ALS系统原型本系统采用了B/S架构和MVC模式开发，开发环境为Eclipse ＋JDK ＋Tomcat＋ SQL Server 2008，开发语言主要有Java，Xml、C、Javascript和T－SQL等以C程序设计课程为例对系统进行了测试：学习者登录该系统后，系统会根据学习者当前的学习风格、认知水平和学习记录呈现个性化内容，并实时推荐相关的学习资源供参考。

由于学习者间界面偏好、学习风格和认知水平的差异性，每位学习者所看到的学习界面与学习内容也具有差异性图4展示了学习者张三登录系统后呈现的个性化学习界面由图4可以看出，该系统的学习界面主要由上栏、左栏、中间栏和右栏四部分构成上栏用于显示系统的功能导航菜单，包括课程简介、学习空间、推荐资源、解答和学生作品等，点击这些按钮可进入具体的内容页面；左栏以板块形式列出了当前的个性化学习信息，包括学习者的登录状态（点击“学习管理”可修改学习风格、提交作业等）、学习记录和系统推荐的知识点；中间栏包括四个子菜单，分别显示当前学习目标、知识点结构、知识内容（能够以文字、图片、PPT和视频等多种形式呈现）和拓展知识；右栏包含课程公告、学习日历和学习工具等三、实验及结果分析为了检测系统是否能按预期效果向学习者推荐个性化资源从而在一定程度上改善学习效果，设计并实施了相关实验一）实验设计考虑到实验数据及其效果的可比性，本实验采用等组实验方法具体思路为：①将选取的实验对象等分为对照组（标为S1组）和实验组（标为S2组）其中，S1组学生为ALS系统非注册用户，没有向系统提供任何个人信息，系统不能为他们推荐任何个性化学习资源；S2组为ALS系统注册用户，在注册时向系统提供了个人基本信息，并设定了自己的学习风格，系统能为他们推荐个性化学习资源。

②让S1组和S2组学生在给定的同一时间段内，在ALS系统中学习《C程序设计》同一章节知识内容，学完后即测验③根据系统中记录的学习者学习所用时长和测验成绩两个维度对学习效果进行综合评价④实验干扰因素为ALS推荐的个性化学习资源⑤由于两组学习者在学习过程中ALS系统仅向S2组学习者推荐个性化学习资源，因此假设：经过相同时间段的学习，S2组学习效果略好于S1组（S2组平均用时较少且平均成绩偏高）二）实验对象实验对象为我校本科二年级计算机教育专业随机抽选的30名学生为了尽量减少实验过程中因两组实验对象认知水平不一而产生的非实验因素，采用“机械＋单纯”混合随机抽样的办法选取样本具体做法为：①将本科二年级计算机教育专业两个班的学生（共计86人）按照其入学成绩在Excel电子表格中升序排名，然后采用机械随机抽样的方式从第一位学生开始每隔两位抽选一位学生（间距k＝N/n＝86/30），直至抽选够30位学生为止②将抽选出的30名学生随机打乱，采用单纯随机抽样方法（可借用随机数目表）选取15名学生作为对照组（S1组），剩下的15名学生则为实验组（S2组）此外，通过访谈所有实验对象，了解到他们都已掌握基本的计算机操作技能，但都没有接触过C程序设计课程。

由此，可以假设所选取的两组学生认知水平相当，基本符合实验要求三）实验内容实验内容一方面检测学习者从进入系统开始学习到学习结束的整个学习所用时长，另一方面检测学习者测验考试得到的成绩学习内容选取《C程序设计》第二章节“数据类型、运算符和表达式”，涉及的知识点范围广、难度适中、拓展资源丰富、试题类型多，适宜作为学习内容实验前，将本章节所有知识点都做成具有关联性的、碎片化的微资源（包括PPT、Word和图片等各种媒体形式），然后按照教材目录结构上传到ALS系统中同时，针对本章节内容设计一份测试题，题目类型为50个单选题（难度适中），供学习者学习结束后检测自己的学习情况四）实验实施整个实验过程为：①实验前，老师首先用几分钟时间向大家介绍本实验目的与意义、过程与规则、平台使用方法等，并督促所有学生认真学习、认真答题②组织S1组和S2组学生同时在给定的100分钟有效时间内学习（超过100分钟系统自动跳转至测试页面，测验时间为50分钟），其中S2组学生学习前须实名登录当学生单击“开始学习”按钮时，系统进入学习主页面，计时开始；当单击“开始测试”按钮或学习时长超过实验规定的100分钟时，学生学习时段计时结束，进入测试页面，测试计时开始；当单击“提交试卷”按钮或测试时长超过实验规定的50分钟时，测试结束．系统自动将当前成绩作为学生最终的成绩。

③实验结束，老师通过ALS系统采集每位学员的学习用时和考试成绩信息，以此作为数据分析的依据五）实验结果与结论通过以上等组实验，将回收得到的每位学生的学习用时和学习成绩信息分别录入Excel中，并借助Excel从时间和成绩两个维度对数据的分布情况进行分析，分析结果见图5和图6比较图5和图6可以初步发现：S1组的学生所用时间跨度较大，学习成绩会随着学习时间的增加而提高．大致呈正比关系；S2组的学生成绩和所用时间大部分都比较集中，时间和成绩维度大致处于（65，85）和（70，83）之间为了进一步分析两组之间的差异性，采用数据分析工具SPSS做了独立样本t检验分析，分析结果见表2由表2可以看出，两组学生所用平均时间都为70多分钟，但S1组的标准差略高于S2组（11.898＞8.043），说明S1组学生学习时间分离度较大对于学习成绩而言，两组学生的成绩都处于中等偏上，但S1组学生的成绩略逊于S2组（76.07＜79.20，6.850＞5.925）结合t值和Sig．（2－tailed）值可进一步发现，时间t＝1.510，Sig＝P＝0.142＞0.05，说明两组学生学习时间差异不是特别显著；成绩t＝－2.082，Sig＝P＝0.047＜0.05，说明两组学生学习成绩存在显著性差异。

通过对照组和实验组检验结果对比分析，可以发现实验组（S2组）学生所用平均时长小于对照组（S1组），且实验组（S2组）学生考试平均成绩略高于对照组（S1组）由此可以得出如下结论：①本实验假设成立，即经过相同时间段的学习，实验组学习平均用时较少，学习效果略好于对照组②进一步说明本研究成果ALS能向学习者推荐个性化学习资源，进而在一定程度上能够帮助学生学习，促进其知识建构，改善其学习效率和学习效果四、结束语在建构主义“以学习者为中心”的教育模式引领下，本文提出了一种基于B/S模式的自适应学习系统推荐模型该系统以课程学习为背景、以用户个性化学习需求为导向进行设计，基本能满足学习者和教师用户日常学习使用为了有效提高ALS个性化推荐服务质量，在对ALS总体架构分析与优化的基础上，构建了学习者模型和领域知识模型，并对其关联规则进行了描述，实现了个性化主动推荐系统模型最后，本研究设计了一系列实验，分别从学习时间和学习成绩两个维度验证系统的有效性实验结果表明，该系统能够较好地促进学习者知识构建，进而有效改善学习效率和学习效果当然，由于研究的诸多局限，本研究还存在一定的不足之处，如ALS推荐机制的效率问题、用户模型与领域知识模型的优化匹配问题等，需要在这些方面进行深入研究。

参考文献：[1]刘丽萍．魏书敏．个性化网络学习支持系统的研究[J]．中国教育信息化，2010，（23）：47－51[2]牟连佳．网络化学习系统的适应性研究[J]．电化教育研究，2009．（5）：48－53[3]Brusilovsky，P．（2001）Adaptive hypermedia．User Modeling and User Adapted Interaction，Ten Year Anniversary Issue（Aifred Kobsa，ed．）11（1/2），87－110[4]Cooper，P．A．Paradigm shifts in designed instruction：From behaviorism to cognnivism to constructivism．Educational Technology，1999：12－19[5]CastroF．，VellidoA．，NebotA．，MugieaF．：Applying Data Mining Techniques to E－learning Problems[J]．Studies in Computational Intelligence．2007（62）：183－221。

[6]TangC．，Yin H．，LiT．，LauR．，LiQ．，&Kilis D．：Personalized courseware construction based on web data mining[C]．In Proceedings of the first international conference on web information systems engineering，2000：204－211[7]MarkellouP．，Mousourouli 1．，Spiros S．，& Tsakalidis A．：Using semantic web mining technologies for personalized e－learning experiences[C]．In Proceedings of the web－basededucation．2005：461－826[8]Weber G，Brusilovsky P．ELM－ART：an adaptive versatile system for Web－based instruction[J]．International Journal of Artifi。