卓基于学习者偏好的师范生资源库个性化推送的

　　0 引言
　　无论是传统教学还是网络教学，学习个体都呈现出差异性，这表现在智力水平、理解能力以及认知水平等方面，因此千篇一律的教学方式和教学内容无法达到令人满意的教学效果。新课程改革也提出要注重学生发展的个体性与差异性，重视开发学生个性潜能，培养学生的创新思维与实践能力。目前，许多网络资源库以展示和呈现资源为主，其表现就是将课本或教案内容复制到网上，没有体现出资源使用的个性化、教学特色和教学个性[1]。
　　根据文献研究和现有平台调研，目前国内几乎没有师范生专业技能研习相关的成长案例库，能提供个性化资源推送的更是寥寥无几。师范生是教师力量的后备军，专业技能训练对其是十分必要的。师范生专业技能研习成长案例库平台将师范生在实习、见习、实训与竞赛等活动中积累的优质案例导入成长案例库，为师范生提供了大量用于专业技能训练的优质资源。然而，师范生如何在海量成长案例库中找到适合自己的个性化资源？本文通过对学习者学习偏好模型的分析，构建了基于学习偏好的个性化推送机制，可有效辅助研究性学习的开展，并能进一步激发学习者的学习兴趣，引导其深入探究相关知识。
　　1 个性化资源推送机制
　　个性资源推送最早出现在电子商务网站，它将经过整理的资源转发至用户界面，从而实现用户的多层次需求。如今，个性资源推送机制不仅用于企业电子商务网站，在资源型学习平台、数字图书馆系统、高校数字化校园建设、农业科技信息中也应用广泛。目前，资源推送技术主要有以下几种：基于规则（Rule-based）的推荐技术、基于内容（Content-based）的推荐技术、基于协同过滤（Collaborative filtering）的推荐技术和混合式（Hybrid）推荐技术[2]。
　　综合目前网络教育资源库平台的个性化资源推送方式，主要存在以下问题：
　　（1）推送方式比较单一。热门资源推送和最新资源推送是比较常见的两种推送方式。热门资源点击率高，虽然提高了优质资源使用率，但其推送的资源未必是用户需要的；最新资源推送以数据库中资源更新的时间为依据，将最新上传的资源推送给学习者，同样也不一定满足用户需求，资源质量也无法得到保证。
　　（2）缺少对学习者数据和信息的科学分析，无法掌握学习者的兴趣与需求，对学习者兴趣偏好和需求的迁移不能及时作出应对。
　　2 基于学习者偏好的师范生资源库个性化推送机制
　　2.1 学习者偏好模型构建
　　在网络学习中，学习者偏好主要表现在两方面：一是对学习内容选择的偏好，二是对呈现学习内容的媒体类型选择的偏好。在学习内容选择偏好上，假定呈现学习知识的媒体类型都是同一种，例如，学习者在研习高中数学相关知识时，可分为几何模块和代数模块，假如学习者习惯选择几何模块学习，该模块下又分为椭圆、双曲线、抛物线等几个主题。学习者对每一个模块和主题都有一个偏好值，这个偏好值可以选用-a-a（a>0）的一个区间的数值来表示；在媒体类型选择偏好方面，媒体类型可大致分为文本、图像、音频、视频4种，如图1所示。因此，在对相同内容知识的学习中，如果学习者选择某种类型资源的次数远远超过选择其它类型资源的次数，则认为该学习者对该类型的学习资源存在偏好。
　　图1 学习者偏好模型
　　2.2 学习者偏好确定
　　学习者学习偏好是系统为学习者提供个性化服务的重要依据。学习者偏好的获取具体可以通过两种方式：显式获取和隐式获取。显式获取又称为直接获取，是指学习者在使用系统时会留下用户注册信息，系统也会提供有关兴趣偏好的表单让学习者填写。但是由于需要用户主动填写，通常用户会觉得繁琐，不愿去填写或不会认真如实填写，因此不能保证表单获取信息的准确性，导致系统噪音；另一种是隐式获取，隐式获取是通过Web日志挖掘分析用户历史信息，挖掘学习者偏好，如图2所示。
　　图2 学习者偏好获取
　　学习者在学习过程中，会就某一知识点提出问题，也会依据自己的兴趣和知识储备去解
　　答别人提出的问题。同时，学习者在系统中的检索、浏览记录等都在一定程度上反应出学习偏好。因此，可以根据学习者在系统中的检索、浏览记录与提问来判断学习者对于知识的兴趣点。当学习者对同一个知识点的检索次数和提问次数达到N（N≥5）次，则认为学习者对该知识点存在偏好[3]。
　　当然，学习者偏好不可能是一成不变的。随着学习者所学内容以及学习者知识储备的增加，学习者偏好也会有一定程度的更新。好的个性化推送系统应能及时捕捉到学习者的偏好变化，从而根据变化调整推送内容。学习者学习偏好的动态调整要综合考虑学习者之前的偏好与最近一段时间的个性化行为，包括对知识点的访问浏览行为、与其他学习者或教师的交流行为、学习过程中的提问与回答行为等。
　　根据以上对学习者偏好模型的分析，确定了师范生专业技能研习成长案例库的个性化推送机制——基于学习者偏好的个性化推送机制。
　　2.3 基于学习者偏好的师范生资源库个性化推送机制
　　学习者偏好模型是个性资源推送机制的核心和基础，关系到个性资源推送服务的质量。个性资源推送中的学习者偏好模型不是对用户个体的一般性描述，而是从有关用户兴趣和行为的信息中归纳出可计算的用户信息模型。
　根据对个性资源推送机制和学习者偏好的了解，现对师范生专业技能研习成长案例库平台中的个性资源推送机制进行分析。师范生在专业技能研习成长案例库平台的偏好可通过预定义范式和行为数据统计分析两种方式获得。
　　（1）预定义范式分析，即显式获取。是指通过采用一种符合普通意义上对“人”进行定义的一种范式来强制规范对人属性的描述[4]。如学习者的专业、研究方向、爱好、学习风格等，是一种人为固定询问式的简单描述。学习者登陆系统后，将填写系统提供的个人资料表单，包括学习者专业、爱好、研究方向等，通过这些描述可以从中获取到学习者部分偏好。
　　（2）行为数据统计分析，也称隐式获取。这是一种应用统计学上的数量分析法，通过获取一定时间内用户单击的数量和分布来分析该用户的行为趋向[4]。比如，对某学习者在系统中学习时检索、浏览、下载资源的类别和次数进行统计分析，同时，对学习者就某一主题发帖提问或回答其他学习者提出的 问题中提取关键词，通过学习者偏好模型的分析，从中找出学习者兴趣偏好的行为规律等。
　　对于这两种分析方法，基于前者实现的个性化资源推送是一种半智能化的资源推送，而基于后者的行为统计分析则可被认为是完全智能化的资源推送。
　　当学习者的偏好迁移时，系统动态调整的过程如下：系统记录最近一段时间内学习者提问或回答过的感兴趣的知识点，以及检索、浏览、下载资源的内容和类型，如果其学习偏好中的某些内容和类型已经不在这个范围内，并且学习者对它的偏好程度小于他对所有感兴趣内容和类型的平均偏好程度，则认为学习者已经对这部分知识点不感兴趣，应当从学习者偏好中将其删除；同样，如果一段时间内，学习者的个性化行为所涉及到的某个内容，学习者对其偏好程度大于他对所有感兴趣的内容和类型的平均偏好程度，则应将该内容或该内容对应的类型添加到该学习者偏好中。
　　师范生专业技能研习成长案例库平台获取到师范生的偏好后，在资源库的资源里根据资源分类和资源属性的描述，提取出符合该学习者的资源，推送给学习者进行针对性的学习。具体过程如图3所示。
　　例如，某师范生在使用该平台过程中，主要想提高教学设计方面的技能，在这段时间内该学习者检索、下载、浏览、提问该类型资源的次数则会比较多。当学习者学习一段时间后，教学设计方面的技能有所提高，对教学设计类型的资源关注度降低，转而学习课件制作方面的技能，如果该学习者对教学设计资源的偏好程度小于他对所有感兴趣内容和类型的平均偏好程度，则可以将教学设计这一部分内容从该学习者偏好中删除，并将课件制作添加到其偏好中，同时推送相关资源给该学习者。
　　图3 基于学习者偏好的师范生专业技能研习资源库个性化推送机制
　　3 结语
　　本文在构建师范生专业技能研习成长案例库的基础上，针对师范生作为未来教师的特点，将师范生在实习、见习、实训与竞赛中积累的优质案例导入成长案例库，采用相关推送和基于学习者偏好的个性化推送方式，为师范生更好地获取个性资源提供了条件，极大地提高了师范生的专业技能，有助于教师教育改革实现新的突破。
　　参考文献参考文献：
　　[1] 刘珍芳.高校专业网络资源库建设探析[J].电化教育研究，2007（5）：6265.
　　[2] 方琦.中小学网络学习平台个性化推送系统的研究与设计[D].杭州：浙江工业大学，2013.
　　[3] 赵海燕，吴长勤.Elearning环境下基于学习者偏好的高校精品课程研究[J].沈阳工程学院学报，2012，8（3）：419420.
　　[4] 王亮，徐明.数字资源超市“个性化资源推送”的设计与实现[J].现代教育技术，2011，21（1）：136141.