一种基于网络学习行为的学习偏好分析与实现.docVIP

一种基于网络学习行为的学习偏好分析与实现 　　摘 要：学习偏好分析是个性化教学服务的基本功能要求，可选取学习者所访问的URL、访问量、访问频率、访问时间、访问内容类别、引用页等六个网络学习行为指标，来分析学习者的学习偏好。通过对学习者访问的URL和访问量两种数据的获取、分析和偏好分析实验验证，有效给出了学习者的学习偏好。 　　关键词：学习偏好；教学服务；学习行为分析 　　中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）09-0015-05 　　一、引言 　　“互联网+”时代下，在线学习成为一种具有发展前景的学习模式。据企鹅智酷和腾讯课堂在2015年7月联合发布的第32期《在线教育报告》显示：2014年国内共有167家在线教育创业公司获得投资，是前一年的2.6倍，预计到2017年中国的在线教育用户预计将突破1.2亿[1]。学校学习中，基于SPOC的混合式学习也成为高校普遍重视的学习模式。但是，无论是学校还是社会上的在线学习环境，都需要将提供个性化的学习服务作为最基本的功能。因此，如何获知学习者的学习需求和偏好，就成为一个值得研究的重要课题。 　　基于用户网络行为的用户偏好分析，给学习需求和偏好分析带来启示。MovieLens站点使用“协同过滤”技术，推荐用户可能欣赏的电影并帮助他们避开不喜欢的影视作品，该站点也会根据用户的收视率对没有浏览的影片生成个性化预测[2]。宋姜等人在研究网络社交偏好影响因素时，通过在线试卷调查，结构方程分析方法，得出：不擅长面对面交流的人跟倾向于网络社交手段，周围人群的社交普及率越高，人们自身约会倾向于社交网络等[3]。那么，如何通过网络学习行为分析用户的学习偏好呢。这需要从学习行为指标选取、数据获取、偏好分析三个环节开展研究，探索和实现行之有效的学习偏好分析方法并给出偏好表示，支撑进一步的学习内容推送服务。 　　二、学习偏好分析的行为指标选取 　　彭文辉在研究学习行为时利用系统科学对复杂事物的描述方法和学习的分层特性，对这种连贯的交互行为分类表示，提出了基于学习行为的OCCP层次化模型[4]，如图1所示。在这个模型中，学习行为被高阶问题解决行为层和低阶操作圈定，中间又分为两层，由下到上分别是认知行为层和协作行为层，具体的讲，低阶的操作层指学习者接触信息时的听、说、读等动作，认知行为层指对知识内容的分析，差别等，协作行为层强调认知个体与他人的交流活动，如提问，答疑等，最高的问题解决行为层指运用知识，即对各种学问的综合提炼，自我设计等。 　　以上学习行为在网络学习中可演变为相应的网络操作行为指标，具体有：学习者访问的URL、访问量、访问频率、访问时间、访问的内容类别和引用页。 　　1.访问的网址类别特点 　　URL，称作统一资源定位符，线上学习的每种资源都有且仅有一个这样的标识符，由数字、字母和特殊字符构成，当用户访问网络资源时，服务器端会记录此用户的URL请求，它表明了用户的访问路径。URL能将各类网络内容表现成不同组合字段的形式，根据后台数据库和网站结构的差异，不同类别的网址表示的含义不同，为了将字符形式的URL与站点内容相联系，需要对站点进行编目。以西北大学教育资源云平台为例，7种类别资源的URL只有在末尾的catagoryID参数部分不同，其余字段均相同，编目如表1所示。既然URL对于资源来说代表了一种路径，那么当用户进行网络学习时，连贯的访问动作也可以反映在URL中，所以定义服务器端记录的URL为用户请求网络资源的路径指标。 　　2.访问量 　　资源被访问的次数与用户的偏好成正比关系，对单一用户而言，某一方面资源访问量多是用户对这一方面知识感兴趣的必要非充分条件，所以定义访问量为用户浏览资源次数指标。 　　3.频率 　　称作某一时间内完成操作的次数，其作为一个比值，是描述客观物体周期性变化的频繁程度，稠密的网络资源给用户带来的益处就是获取内容的丰富，在图书馆，受喜好程度较高的书籍往往纸张皱褶，发软，等价到网络学习中，当用户对某一类资源的兴趣高于其他时，这些资源的访问度就高，若以用户从上线到下线为时间区，定义网络资源的被访问率指标，即为用户的访问频率。 　　4.时间 　　网络学习区别于线下学习的时间特征为分散性和短时性，当用户的行为不受固定时间约束时，他们学习所产生的时间则更倾向于真实需要的表述。用时间记录用户学习状态同样需根据不同资源内容来进行划分，若将总时长看作一个饼状结构，那么单一用户操作各类网络资源的时间则是形成完整“饼”的细分时间片，由此，时间片的长度受用户兴趣影响长短不一，所以定义用户操作资源的时长为分析他们兴趣偏好的时间指标。 　　5.内容类别 　　信息分类已经不是一个新概念，但是这种方式的益处却尤为明显，体