学习指导的设计与实现

第25卷第10期计算机仿真2008 年10月文章编号:1006 - 9348(2008)10-0275 -05学习指导的设计与实现陈清华,丁鹏,金晶(_上海交通大学计算科学与工程系,上海200240)摘要:针对远程教育平台中,因缺乏有效的学习控制、个性化的引导、调节等而导致平均学习效率低下的问题,提出了一种基于知识点架构的个性化课程导学模型。该模型根据课程中知识点的本体结构、资源档案以及学习者的档案和学习行为等，通过知识点本体结构与图的转换、路径权值更新、路松搜索内容筛选、本体更新等步骤,实时地定制出适合于学习者个体的学习内容。在实验中,方法应用于上海交通大学网络教育学院的《数据结构》课程。经分析与研究说明,算法不仅能够帮助学习者完成课程的学习,并能有效地控制引导学习者对资源的访向和课程的学习,达到了提高学习者学习质量和学习兴趣的月的;同时,该方法也能够发现课程初始本体结构中不合理的关系。关键词:远程教育;个性化服务;课程编例;学习控制;学习路径;本体中圈分类号:TP391.7文献标识码:ADesign and Implementation of Learning GuidanceCHEN Qing - hua , DING Peng,JIN Jing(Depl. of Computer Sci, and Eng. ，Shanghai Jjiaotong Univ. , Shanghai 200240, China)ABSTRACT: 'This paper describes a novel methodology to generate personalized learning guidance content for e-learners according to course ontology and their profiles. Through ontology - graph transformnation, weight updating al-gorithm, content customization and ontology update, the methodology implements an automatic - adapted relationshipwith gradually enhanced leaning control. After a period of learning, the ontology can be updated to achieve a moreaccurate personalization. The proposed methodology is applied to the implementation of a web based leaming systembased upon the course‘Data Structure' . Experimental results show that the model can not only help the e - learmersfinish their course , but also can achieve the purpose of increasing learming eficiency and quality through the way ofcotrlling their access to leaning resources and giving them efective guidance.KEYWORDS: E - learning; Personalized service; Course 8equencing; Lerming control; Learming path; Ontology问题。1引盲根据对上海交通大学网络教育学院的专项调查显示,具随着计算机、多媒体技术的飞速发展和广泛应用,远程有相似学习兴趣的学员趋向于需求相同的学习资源,并对它教育(E - Learning)突破了传统教学方式的物理限制,为更多们有类似的评 分;而具有相近学习顺序的学员在同等成绩的人提供了丰富的学习资源和方便、灵活的教学环境。然下,花费的时间 相近。学习材料的选择学习顺序的制定影而,在享受远程教育带来的优势的同时,也伴随着新的需求响学习质量,如果学员能够对内容的学习有一个合理的组织和问题。目前，很多远程教育机构都只注重资源的宣传,缺和安排,可大大提高 学员的学习效率。在相关研究中, Py-乏学习控制"和个性化的学习指导。面对学生数目庞大、学thagoras 等[23提出了一-种基于本体( Ontology)的课程编例['3生之间水平参差不齐学生缺乏教师直接指导的远程教育环通用体系,该方法通过将学习者档案作为参数对学习对象进境，如何利用学习者在网络课堂中的学习活动记录、测试记行过滤产生虚拟学习对象池,最后根据领域Ontology和教学录及学习者的留言等反馈信息指导学习者并进行有效的学计划从她中洗取对争并产生个姓化理程;Roberto等[4]提出习控制"、引导和调节成了远程课程教学方式中亟待解决的中国煤化工成方法,将课程架构成三层|YHC N M H G文档) ,先将Ontology基金项目:国家自然科学基金项目(60372078)转换成权重图,并从图中搜索达到特定目标的学习路径。收稿日期:2007 -09-17修回日期:2007 -10-03Shen Ip等0则提出了一-种基于Ontology的智能化学习内容-275-推荐算法。上述方法以Onlology()]) 为基础,通过知识挖掘、发现潜在RoquiresRequiresLeaming的关系的过程以达到适应性学习的目的。然而,上述方法尚Is-forResources处在理论阶段,缺乏有效的实验数据来证实其可用性。另外/CompoundAlE-方面,虽然它们都考虑了适应性学习,但是方法的输人都Knowledge ftIs part of -Points是片面的,并未考虑在多变、动态的学习环境中,各种因素对1s-forExer学习者形成的影响和变化。如:上述方法都缺乏对学习者在Is part of学习中的变化(学习行为)进行实时分析。本文针对上述问题和需求,采用本体,结合知识状态空图2课程中的主要构件及构件间的关系间9]、机器学习的概念,在文献[2]、[4]以及相关远程教育技术标准( CELTS)的基础上,提出了一种实时、动态引导的相对于掌握d的贡献程度;同时μ又表示，任何p中存在隐式( implicit)预备知识关系R ,且任何习路径以达到学习控制、引导的目的，并通过路径上的内容p中存在m。且,以上二元关系都满足传过滤筛选完成学习内容的智能化生成。筛选器的核心思想递性。是:最初根据知识点的基本结构建立全局可行路径;而后在2.2 元知识点及其关系学习者学习的过程中实时地反馈信息动态更新路径权值,并元知识点是知识点划分的“原子”单位,这些知识点间不依据权值产生学习路径,最后,在选定路径的基础上依据学存在复合知识点中类似的包含关系。元知识点间的关系相习者的档案过滤、选择学习内容来产生个性化课件。课程结对比较清晰简单,主要是预备知识关系及隐式预备知识关束后,依据全局路径图,动态更新初始Ontology结构中的系(此点同复合知识点)。它的主要作用是为学习对象组织关系。结构,并为其所隶属的复合知识点建立不同的知识实体构成,亦即学习材料。2.3其它概念及连接复合知识点与元知识点间只存在- -种包含关系。且与_任意元知识点A有包含关系p的复合知识点C必Coune onologie须满足:不存在复合知识点X有p或者p。0-学习对象( Learming Objecte)作为学习者直接接触并发Secector挥实效的元素,主要有学习资源和练习题(含测试题)。为将学习对象达到很好的复用率,必须要有很好的组织结构。文圈1产生导学内容的框架中将其与元知识点相挂钩,建立导引,形成- -种 比较清晰、直接的层次关系。定义元知识点与其相持钩的学习对象构成2基于知识点 的课程架构了一种“支持”的偏序关系(Is- For)。若知识点k与学习对本文依据领域专家对课程内容的划分方案将课程中的象1存在支持r,则表示1为k服务、提供支持。知识以知识点( knowledge point)为单位划分成不同的单元。在该种结构下,学习对象作为一个个体,与其它学习对根据划分粒度粗细和学习过程中的作用不同,把知识点分为象相互独立。新增的任何学习对象变得非常简单,只需与元复合知识点( compound knowledge points) 和元知识点( atomic知识点之间建立支持关系即可,而无须与其它学习对象产生knowledge points)两种。基于文献[ 6]的框架,将课程中的主任何联系。要构件及其关系形成的本体结构如图2所示。下面,将对图领域Ontology描述的是特定领域中的概念及概念之间中的主要概念及概念间关系进行详解。的关系。借助Ontology分析可获取领域的本质概念结构,并2.1复合知识点及其关系为知识库的建立提供- -个基本的结构,形成领域知识表示系复合知识点的主要作用是导航、并为课程建立索引。预统的核心。同时,可以根据特定领域的具体情况定义相应的先定义的关系主要是两对相互对应的偏序关系:包含关系关系,以满足不同应用的需要。不难看出,如何建立-一个合(Is-Part-Of和Has-Par)和预备知识关系(Requires和ls理、适用的Ontology结构是在文中显得非常关键。目前,此- Required -By)。其中,包含关系p表示,a是b的类结析中国煤化工着Onoley知识挖掘手段三在自动建立知识库方一部分,而a与b之间的关系权值则表示a和b之间的隶属面将MHCNM H G所示的就是<数据结度。预备知识关系n表示，在学习知识点c之前,必构》课程的部分知识点的典型Ontology整体结构实例。须先掌握有关d的知识,而c与d之间的关系权值则表示c一276一DataI 1. i paurt of-has partIs-for●p%《中b)(Amplani.2 pplicen...O●量(0)(d复合知风点元知讯点学习鸡串圈4原始结构与其对应的原始路径圈原始路径图的建立依据以下原则:圈3 <敷榍结构》课程的部分架构1)保留预备知识关系与隐式关系,去掉包含关系箭头所3.学习对象的设计与制作指向的所有结点。例如,图4(a)所示的原始Ontology结构将为适应基于知识点的学习路径的挖掘和达到较高的资得到图4(b)中的中间结果。源复用率,如上所述,以元知识点作为知识内容的最终划分2)将预备知识关系转向,并以分支为单位建立“知识单位,并对学习对象的制作做了如下两个限制:-是规定学圈"。如图4(c)的中间结果中的集合{C, C|就是一一个知识习对象元数据中的内容本身属于且仅属于某-一个知识点,且圈。显然每个知识圈至少有一个入口和-个出口,且出口与这个知识点必须是知识库中的元知识点。那么,每个学习对人口可以同一个结点。其中入口是指知识圈内不存在以该象都必将挂靠在某个知识点上,而对学习者的学习控制、指结点为箭尾的结点,而出口是指不存在以该结点为箭头的导就可以以知识点为单位进行;二是规定每个学习对象所含结点。的学习内容所需耗费的平均时间跨度不能太长,最好不超过3)生成知识圈间的边集,而这些边集中包含所有这样的15分钟。边:箭头是一知识圈的出口,而箭尾是另一知识圈的入口。此外,对学习对象模型的其它设置主要依据的是CELTS如边集<{F}, {H,I, E}>表示{, 1.最(Chinese E - Leamning Technologies Standardization)中学习对后生成的原始路径图如图4(d)所示。象元数据的信息模型规范。特别需要提到的是,为了实时获第2步:路径权值的初始化得学习者对知识的掌握情况，每个学习对象必不可少地将与If A require H implcity requree B, then weight(B- +A)特定的试题相关联,以得到学习者对该对象的掌握程度。= to,由于每个知识点下的学习对象可能不止一个,每个学习Else weight(A→B) = 0者筛选或者推荐得到的学习资源( Learmning Resources,LR)各其中A、B属于不同的知识圈,5。取决于箭头结点离知识不相同,因此设定得到的LR都对应了相应的预期得分( Ex-圈出口的距离,距离越远,值越大。通过权值初始化,算法优pected Score)。如果LR是推荐得到,则预期得分为推荐者指先选择人口处的结点,以满足预定义的“预备知识”关系的定的推荐评分,如果是学习者自主选择的学习资源，则预期需求。得分为学习者当前所有知识点的加权平均得分。第3步:全局路径的权值更新方法(学习算法)假设当前全局路径图(有向加权图)为:D = (V,A),其4学习对象的设计 与制作中V是结点集,A是有向边集,某个学习者当前的学习轨迹4.1学习路径的生成图(有向无权图)D' = (V', A'),易知:V'CV。当学习者个体学习路径的搜寻主要依据复合知识点的Ontology选择学习知识点B,其预期得分为ExpectedScore，实际得分为结构、学习者实时的学习数据,应用机器学习的一般方法得Score,则将全局路径中相关的与B之间的路径权值进行更到。通过创建原始路径图、路径权值的初始化、权值的不断新,更新值Oweight和权值进行如下设置。同时,取得V'中更新路径推荐和结构更新来达到引导学习的目的。整个过最近加人的结点X,将结点B与边加入到A'中用程中,系统维护两种图,-是全局路径图,二是学习者的个体以更新个休轨冰图学习轨迹图。全局路径图维护的是整体路径的状态。而个中国煤化工一般学习法则,定义体轨迹记录的是学习者的历史学习轨迹和评估。下面对该阈值|YHCNMHG果学员的此次的相应搜寻算法(如何生成下一个学习结点)进行详细描述。高位或低位偏离,则说明此条路径非常“适用”或者“不适第1步:从Ontology转化生成原始路径图用”。一277一Score - ExpectedScore >0重要度来确定学习对象的比重等。={ 0 Score - ExpectedScore =0l-1 Score - ExpectedScore <05导学模型的实现及分析若8> 0,称此次推荐得到了正响应;若a= 0,则为零响将该导学模型模拟于上海交通大学网络教育学院的《数应;否则为负响应。据结构》课程的“树与二叉树”章节,实现的学生客户端如图此外,如果0> 0, 更大的差异引起权值上更大的上升,6所示。左边的面板是根据“父子”关系建立的知识结构，用而8< 0时,更大的差异引起更大的权值下降。因此,定义O户可以从中选择- -个目标知识点,得到推荐路径;右边面板以强调此影响。提供的实时引导可以帮助学习者循序渐进地学习或者复习;如果为正响应,令:右下角是相应的目标知识点相关的资源，包括当前用户的历0= IScore = ExpectedScorel X AverageTime史学习资源和推荐的学习资源等。LearningTime如果为零响应,令: O=0如果为负响应,令:广97△= .IScore = ExpectedScorel x LeamingTimeAverageTime,"其中AverageTime和LeaningTime分别表示学习B知识r点下的课件所需要耗费的平均时间和实际用时。更新过程包含以上两个因素,此外,需要一个参数η作为学习速率调整新过程,它与X和B的学习起始时间间隔成反比。因此,对所有的结点XεV',且有向边(X-→B)∈A的全局路径中的边权值设置为:weight(X-→+B) = weight(X→B) +0xηxO。第4步:为学习者推荐学习路径團5客户端示意圈及下一 一个学习的知识点:二叉树遍历过程作为学习者的下一个学习目标的知识点集Y(候选池)中的元素y,必须满足如式(1):50.9.Max| 2 weight(x,y), weight(y,x)1∈A}(1)其中,Vi= {h| k∈V", and k. Score≥k. ExpectedScore}当Y中的元素不止一一个时,从中随机抽取一-个 y满足:C时刻学习路径A的学习轨迹T+1时刻学习路径Vx∈φ(y),! 3 ,其中φ(y)表示y所属的知识圈。圈6学习路径的学习过程并将y作为下一个学习的目标。如果Y为空,则课程结束。第5步:更新原始Ontology结构实验中,将2007 年上半年报名《数据结构>课程的201在课程的最后,增加了关系更新规则,以删除没有必要名学员中随机抽取的半数学员对“树与二叉树”的学习行为的预备知识关系和增加有效的关系:进行引导和控制,帮助学习者完成“树与二叉树”的学习。与IfA requires I implicily require B and weight (B- →A)往年没有导学模块的传统平台相比学习者在该章节上花费<= to, then delete ( )的平均时间有明显的减少,约减少20%,而平均测验成绩则If A not requires II not implicidly requirse B and weight (B提高了8.4%。学习者在各个知识点上花费时间的比较如图→A) >= nro, then add( )7(a)所示,各个知识点的测验成绩比较如图7(b)所示。n取决于知识圈内的平均权值。从图中可以看出,随着学习的深人,采用具有导学模块4.2学习内容的生成根据选定的复合知识点下的元知识点结构学习者的当的平台进行学习的学生在知识点上花费的时间明显少于使前数据和档案从学习对象库中筛选生成实时的学习内容。用传统平台学习的学习者他们的测试成绩也能够在不同难学习对象的选撣主要采用基于既定规则的决策树来取舍。易的知识点之间保持相对的稳定。因此,导学模块提高了学习者中国煤化工文中根据学习者的水平来确定的难度值、学习者喜好来确定学习对象的属性,如语言、星现形式等。同时,依据静态元知IYHCNMHG-组不合理的预备知识点Ontology结构确定学习对象的组织顺序，依据知识点的识关系和翻陈一些坝光定义的顶畲灿识关系,通过跟踪网络的学习过程和权值的不断变化,该方法确实能够发现大部分时.真实的数据来更新全局路径及原始Ontology的策略来提个高导学的效率。实验证明该方法能够很好地解决学习者在远程教育环境中学习者缺乏导引、个性化等问题,同时提高了学习者的学习积极性和学习质量。在接下来的研究中,将从该模型在上海交通大学<数据结构>、《计算机应用基础>课程的试验过程中,以不断改进、完善该导学模型算法及系统功能。(知识点)(知讽点)参考文献:圈7新旧平 台的比较[1]邹建梅， 刘成新.网络课程的交互设计与控制策略[J].中国电化教育, 2003, 202; 61. .的不合理关系和小部分的合理关系。如图5所示的是某学[2Pythagoras Karampiperis, Demetrois Sampson. Adaptive Instuc-习者A学习完知识点E后全局学习路径的变化情况。此时，tional Planning using Ontologies[C]. In Proceedings of the IEEEA在E的得分Score = 3.12,预期得分ExpectedScore =IntemnationalConference orAdvancedLeaming3.46。由于Score > ExpectedScore ，那么此次A的学习过程Technologies, 2004.将得到负响应, Oweight <0。与E为箭尾的边、<[3] P Brusilovskly and J Vassileva. Coure sequencing techniques forharge - sceale webbased education [ C]. Intemational Joumal of1, E>的权值将得到更新,权值将变小。倘若- -直得到负响Continuing Engineering Education and Lifelong Leaming, 2003,应,权值将不断减小，直到不再进入候选池而i被选中为止。13(1/2);75 -94.相反地,如果结点得到的是正响应,权值将不断增加,成为优4] Roberto Prone, et al. Leamning Path Ceneration by Domnain Ontol-先的相关候选对象。那么,在课程最后,这些高权值与低权ogy Transformation [ C ]. Lecture Notes In Computer值的关系将得到更新,具体结果记录如表1。.Science, 2005.表1实验数据-关系发现5] 申瑞民,等.基于概念图的教学内容智能调整模型及算法实现结点数预备知识不合理 遗失的合 删除的不 增加的合[J].上海交通大学学报，2002, 36(5) :698.关系对关系对 理关系对 合理关系对理关系对[6] Shen Ip, Shen m. Ontology - based Ieligent Leaming Contentecommendation Serice[J]. Intermational Joumnal of Continuing12111(78%) 2(40%)Engineering Education and Life - Long Learning, 2005, 15(3 -最后,据用户体验调查显示,本文的方法在实验的应用6): 308 -317.中得到了75. 3%试验用户的好评,20. 2%的一般评论,取得[7] 邓志鸿,等. Ontology研究综述[J].北京大学学报, 2002, 38了很好的试验效果。同时,将这种架构和导学模块应用到了(5): 730.《计算机应用基础>这门课程去进一步验证该导学方法的[8] 高尚, 常桂然,赵宏超文本学习状态空间模型与学习控制效用。[J].计算机研究与发展，999 36(12): 1437.[9] 邓静，林筑英基于演化算法的学习路线生成与优化[J].贵6总结州师范大学学报(自然科学版).2004, 22(2): 106.目前,Ontology主要应用于信息检索、信息集成、知识获[10]Vincenza Carchiolo, Alesandro Longheu, Michele Malgeri.Cournes Personalization in an E - leamning environment[C]. In取等方面。作为-一个较新的概念,在远程教育中,基于Ontol-Proceding of the The 3rd IEEE International Conference onogy的数据挖掘也仍有很大的应用前景。本文以Ontology结Advanced Learming Technologies, 2003.构为基础提出的个性化导学方法,为学习者在学习中缺乏个性化导引个性化学习内容的问题提供了一种解决方案。在[作者简介]教学中,学习内容的组织和安排很大程度上决定了学习者的陈清华(1983.4-),女(汉族) ,浙江人,硕士研究学习效率。文中通过权值的不断更新来形成一条较优的“叶生,主要研究方向为数据挖掘、人工智能。子”知识点遍历路径,同时通过学习者档案筛选学习对象并丁鹏(1972.7-),男(汉族) ,江苏人,讲师，主要以元知识点的结构确定学习对象呈现顺序来制作实时课件。研究方向为数据挖掘。该方法,相比于文献[9]提出的基于演化算法的路径更新方金晶(1983.12-),女(汉族) ,安徽人,硕士研究法,考虑到了不同知识点间的潜在关系,避免学生”走弯路”;中国煤化工相比于文献[ 10]等提出的学习内容智能化产生方法,采用实HCNMHG-279一