E-Learning环境下基于知识点偏好的学习社区组建

赵海燕 王传安 葛华

(安徽科技学院数理与信息工程学院，安徽 凤阳 233100)

数字化学习(E-Learning)是通过计算机互联网或手机无线网络进行网络教学与学习的一种方式。在E-Learning学习环境下，学习者在学习时可以根据自己的学习目标，选择学习内容和学习方式。但是E-Learning环境下的学习者数量众多，每个学习者的学习能力、个人兴趣与习惯、个人学习基础、努力程度都存在较大的差异［1］，不可避免地产生了很多“孤独”的学习者。在此情况下，一些学者认为建立合适的学习社区，不仅可消除学习者的孤独感，还可提高学生的学习效率。文献［2］采用技术维度、社会交互维度和教学维度创建虚拟学习社区的三角形理论模型。Carabajal等人在建立虚拟学习社区模型时也采用了技术要素、社会交互要素和学习任务3个要素［3］。王云等人采用内容分析法对构建的学习社区模型进行实证研究，验证学习者的学习动机、学习方式和自我效能感等与其知识建构水平具有一定的相关性［4］。文献［5］从理论支撑、系统管理等方面解析如何构建个性化的成人虚拟学习社区。学习社区在一定程度上可以解决在线学习者之间的交互问题，但在学习社区的数字资源的组织及管理上还存在一些问题。

本体论具有概念和关系定义明确的特性，许多学习者利用本体对E-Learning进行研究［6-7］。这些方法通过对本体的使用，在知识组织、相关关系提取等方面取得了明显的进步，但忽略了学习者学习情况的实时收集，没有考虑学习者之间协作帮助的问题，导致学习者在网络课程中感到“孤独”，限制学习效率的进一步提高。

本次研究首先对在线学习者的个性化信息进行抽象，并进行合理描述及分析基础上，提出描述学习者在学习过程中的E-Learning模型，进一步建立基于知识偏好的学习社区，使得学习者之间的交流更有针对性，从而提高学习者的学习积极性、学习效果和效率。

1 本体模型及推理规则

学习者在学习过程中的知识偏好信息是组建学习社区的依据。因此首先给出学习者的知识偏好信息，并利用本体论合理、有效、清楚地描述出概念、逻辑之间的内部关系，从而建立E-learning环境中的知识偏好的本体模型并制定相关本体推理规则。

1.1 基于知识点偏好的本体模型

学习者学习过程中主要建模要素有学习、提问、测试和交流。E-Learning学习环境中知识本体模型框架包括知识偏好信息12元组，PS={S，KD，KP，QA，KPQA，IA，KPI，TA，PT，TEST，TM，TS}。式中分别对应 12 个概念:Student，KnowledgeDomain，KPoint，QAActive，KPointQA，InhabitActive，KPointInhabi，TalkActive，KPointTalk，Test，TestMark，TestStandard。这些概念间的关系如图1所示。

图1 基于知识偏好的本体模型

为更好地描述建立的本体模型，首先引入以下概念和相互间的关系。

(1)学习者学习活动概念及关系

Student表示E-learning环境中的学习者。

KnowledgeDomain表示知识域，包含下面几种关系:包含关系(hasIncluded)，前序关系(hasSequence)以及相关关系(hasRelativity);hasIncluded具有传递性，x hasIncluded y表示知识域y包含知识域x，表示为:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧x⊂y};hasSequence具有传递性，x hasSequence y表示知识域x是学习知识域y的前提，可表示为:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧学习x是学习y的前提条件};hasRelativity具有自反性，x hasRelativity y表示知识域y和知识点x相关，可以表示为:

{＜x，y＞ |x∈KnowledgeDomain∧y∈KnowledgeDomain∧x和y是相关的}。

KPoint表示知识点。知识点与知识域之间具有被包含的关系(hasIncluedBy)。x hasIncluedBy y表示知识点x包含于知识域y，可以表示为:

{＜x，y ＞ |x∈KPoint∧y∈KnowledgeDomain∧x∈y}。

(2)学习者测试活动概念及关系

Test—某个知识域的相关测试;

TestStandard—测试要求学习者要达到的标准;

TestMark—测试成绩;

hasGoodMark—取得较好的学习成绩;

hasNormalMark—取得达标成绩;

hasBadMark—学习者没有达到测试标准。

(3)学习者知识偏好概念及关系

QAActive—针对知识域提问行为;

KPointQA—关于某个知识点提问行为;

InhabitActive—浏览知识域的行为;

KPointInhabit—针对某个知识点的浏览行为;

TalkActive—针对知识域的交流行为;

KPointTalk—针对知识点的交流行为;

hasMoreTime—实际驻留某知识点的时间大于平均驻留时间;

hasInTime—实际驻留某知识点时间近似平均驻留时间;

hasLessTime—实际驻留某知识点时间少于平均驻留时间;

hasMoreFrequency—对某知识点的实际交流次数大于平均交流次数;

hasInFrequency—对某知识点实际交流次数近似平均交流次数;

hasLessFrequency—对某知识点的实际交流次数少于平均交流次数;

hasInNumber—对某知识点的实际提问次数近似平均提问次数;

hasLessNumber—对某知识点的实际提问次数少于平均提问次数。

1.2 学习偏好的推理

根据上述提出的概念及相互间的关系，对学习者针对某个知识点的偏好程度进行推理，并进行动态调整，进而获得学习者对某个知识域的偏好情况。具体推理规则如下。

为方便表述，记Student个体为s，KnowledgeDomain个体为 kd，KPoint个体为 kp，KPointInhabit个体为 kpi，InhabitActive个体为 ia，KPointTalk个体为kpt，TalkActive 个体为 ta，KPointQA 个体为 kpq，QAActive个体为qa，k相应的 Test个体为 t，s对应于t的TestMark个体为tm，t相应的TestStandard个体为 ts。

(1)初始学习的知识偏好推理

知识偏好较大的推理规则:

＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞

“口头程式本质上是声音、形式与意义的歌唱模式”[10]。如果以诗歌的音美、形美、意美来对应，程式作为一种固定形式，对应的是音美与形美；而主题作为一组意义，对应的是意美。换言之，主题是民歌创作时的宏观指导思路，而程式则是构建民歌诗行的具体韵律、语法规则。综合起来，民歌的创作是以主题为引导，程式系统为调控，以词语、格律为手段的过程。“花儿”作为一种少数民族口头文学形式，反映的是西北民族地区的民风与民心，具有独特而稳定的形态和表现形式，具有表演性、民族性、瞬时性、动态性、语境化等特点，它的对外译介不能简单地搬用书面文本文学的译介思路与方法，应采用异化策略与民族志式深度英译方法。

∈hasMoreNumber

|→s对知识点kp偏好程度较大

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数均高出平均水平，则推理出学习者s对知识点kp具有较大的偏好程度。

知识偏好中等的推理规则:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨ ＜kpi，ia＞

∈hasMoreTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber)|→s对知识点kp偏好程度中等

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，有两者超出平均水平，且另一者在平均水平范围之内，则推理出学习者s对知识点kp的偏好程度为中等。

知识偏好较小的推理规则:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈

hasInFrequency∧ ＜kpq，qa＞∈

hasInNumber)∨ ＜kpi，ia＞∈

hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber)|→s对知识点kp偏好程度较小

该条规则表示的含义是，若学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，有其中两者或两者以上小于平均水平，则推理出学习者s对知识点kp具有较小的偏好程度。

(2)持续学习中的相关偏好推理规则

在实际的学习过程中，学习者的学习偏好是动态变化的，因此就需要对其进行动态调整来反映学习者当前的学习偏好。在做动态调整之前，要综合考虑到以前的知识偏好程度和最近一段时间内的该学习者个性化学习行为等情况。

知识偏好调整为较大的推理规则:

(＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∧(＜s，kp ＞∈hasInPrefer∨

＜p，kp＞∈hasLessPrefer)

|→s对知识点kp偏好程度调整为较大

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，三者均高出个人相应的平均水平，若该学习者之前对知识点kp的偏好程度较小或中等，则将知识偏好程度调整为较大。

知识偏好调整为中等的推理规则(1):

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈

hasMoreTime∧ ＜kpt，ta＞∈hasInFrequency

∧ ＜kpq，qa＞∈hasMoreNumber)∨

＜kpi，ia＞∈hasMoreTime∧ ＜kpt，ta＞

∈hasMoreFrequency∧＜kpq，qa＞∈hasInNumber)

|→s对知识点kp偏好程度中等

该条规则表示的含义是，如果s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，如果有两者高出平均水平，并且另一者相似于平均水平，则将学习者s对知识点kp的偏好程度调整为中等。

知识偏好调整为中等的推理规则(2):

((＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈

hasMoreFrequency∧ ＜kpq，qa＞∈

hasMoreNumber)∨(＜kpi，ia＞∈hasMoreTime

∧ ＜kpt，ta＞∈hasInFrequency∧ ＜kpq，qa＞

∈hasMoreNumber)∨ ＜kpi，ia＞∈hasInTime∧

＜kpt，ta＞∈hasMoreFrequency∧ ＜kpq，qa＞

∈hasInNumber))∧ ＜s，kp＞∈hasMorePrefer

|→s对知识点kp偏好程度调整为中等

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，如果有一者高出平均水平，且另两者相似于平均水平，则将学习者s对知识点kp的偏好程度调整为中等。

知识偏好调整为较小的推理规则:

(＜kpi，ia＞∈hasInTime∧ ＜kpt，ta＞∈hasInFrequency

∧ ＜kpq，qa＞∈hasInNumber)∧(＜s，kp＞∈

hasMorePrefer∨ ＜s，kp ＞∈hasInPrefer)

|→s对知识点kp的偏好程度调整为较小

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，三者均近似于平均水平范围，而之前该学习者的知识偏好为中等或较大，则将该知识偏好调整为较小。

知识偏好删除的推理规则:

(＜kpi，ia＞∈hasLessTime∨ ＜kpt，ta＞∈

hasLessFrequency∨＜kpq，qa＞∈hasLessNumber)

∧(＜s，kp＞∈hasMorePrefer∨ ＜s，kp＞∈

hasInPrefer∨ ＜s，kp ＞∈hasLessPrefer)|→

s对知识点kp不再具有偏好，把kp从s的学习偏好中删除

该条规则表示的含义是，如果学习者s访问某知识点kp的实际访问时间、实际交流次数以及提问次数，三者中有一者低于平均水平，则将该学习者的知识偏好情况删除。

(3)认知状态的推理

认知状态较好的推理规则:

＜s，k＞∈hasStudied∧ ＜tm，ts＞∈hasGoodMark

|→s对知识域kd认知状态较好

认知状态一般的推理规则:

＜s，k＞∈hasStudied∧＜tm，ts＞∈hasNormalMark

|→s对知识域kd认知状态一般

认知状态较差的推理规则:

＜s，k＞∈hasStudied∧ ＜tm，ts＞∈hasBadMark

|→s对知识域kd认知状态较差

根据上述推理规则，可对学习者在学习过程中产生的各种学习情形进行合理、有效地推理和分析，从而及时获得较为准确的学习偏好和学习状态。

2 组建知识偏好的学习社区

根据前面提出的知识偏好模型，就能得到学习者在学习某个知识域的过程中的偏好情况，进而使用模糊聚类算法进一步将学习者进行分组，得到知识偏好的学习社区。

构建基于知识偏好的学习社区的步骤如下:(1)将得到的知识点进行学习偏好推理，并对推理出的学习偏好进行数字量化;

(2)根据量化后的推理偏好数据进行聚类，最终得到学习者的偏好分组。

2.1 知识偏好的量化

根据学习者学习某个知识域的情况，可以得到学习者关于该知识点的偏好情况。假如该学习者对某个知识点的偏好程度较大(hasMorePrefer)，则将该学习者对该知识点的偏好量化为1.0;如果学习者对某个知识点的偏好程度中等(hasInPrefer)，则将其对该知识点的偏好量化为0.6;如果学习者对某个知识点的偏好较低(hasLessPrefer)，则将其对该知识点的偏好量化为0.4;如果学习者无任何学习记录信息或对任何知识点都没有偏好，则将其对该知识点的偏好量化为0。

根据上面的定义规则，就能得到学习者学习某个知识域中知识点偏好的向量。例如，有一个知识域U包含了m个知识点，表示为U={x1，x2，… ，xm}。因此学习者对该知识域的知识偏好就能量化成m维的向量。得到学习者对知识域的偏好信息之后，使用聚类分析方法依据学习者的具体偏好情况将学习者分类，组成知识点偏好社区。假设当前有一个学习者的集合S，S中有n个学习者，表示为S={s1，s2，… ，sn}。其中si表示当中的一个学习者对知识域U的知识偏好的m维向量，则我们就得到了关于这n个学习者对知识域U的知识偏好的矩阵R={rij}m×n，其中rij表示学习者si对知识点xj的偏好情况。

学习者知识偏好的聚类算法。

步骤1:计算每个学习者之间的相似度qij=f(si，sj)，其中(0≤qij≤1)从而得到矩阵 Q=(qij)n×n;Q=(rij)n×n。

步骤2:运用合成运算R2=R×R求出最接近相似关系R的模糊等价关系S=R2(或R4等)。

步骤3:若R已是模糊等价关系，则取S=R。选择适当的阈值λ将模糊等价矩阵变换成基于阈值λ的矩阵。具体变换规则如下:

(1)如果sij≥λ，则将sij的值设置成1;

(2)如果 sij＜λ，则将 sij的值设置成0。

这样就得到学习者之间的相似矩阵。Q=(a1，a2，…，an)-1。如果 ai=aj，则表示学习者处于同一个组，如果ai≠aj，则表示学习者不在同一个组。

2.2 基于分组的学习者推荐

在E-learning环境中提供个性化推荐服务的依据是学习者的分组情况和认知状态。

s1对kd的认知状态较差∧s2对kd的认知状态较好∧s1与s2处于同一社区|→推荐s1与s2进行交流，表示学习者s1的认知状态比较差，那么推荐s1与社区中认知状态较好的s2进行交流。

s1对kd的认知状态较差∧与s1同社区的学习者的认知状态都不好|→推荐s1与邻近社区里认知状态好的学习者进行交流，表示学习者s1的认知状态比较差，并且与s1同社区的学习者的认知状态都不好，则推荐s1与邻近社区的认知状态较好的学习者进行交流。

3 社区组建实例

根据对E-learning环境中知识点偏好的模型的设计，以及基于此模型的聚类分析，利用本体建模工具对定义的概念、属性及它们之间的相互关系进行建模处理，最终生成Semantic Web的OWL语言文档，同时利用惠普公司提供的JENA推理机对基于本体知识偏好的社区组建的E-learning原型系统做进一步开发研究。

图2给出的是学习者s5完成知识域“数据库基础”之后，依据知识点偏好模型的设计得到的学习者的知识点偏好情况。从图2可以看出，学习者s5在数据库概述以及关系数据库这2个知识点上有较大的偏好，在数据库系统这个知识点上偏好较小，在数据库概述这个知识点上没有偏好。此外，该图中还可看到系统为学习者建立的学习社区。这个社区除了s5本人之外，还有 s3，s4，s6以及 s7共5个人。如果学习者在学习某个知识域的时候认知能力没达到知识域的要求，系统会告知学习者，并推荐该学习者与其所在学习社区中学习优异的学习者进行交流。

图2 基于知识点偏好的社区实例

对使用该系统的本校学生进行问卷调查，其结果表明，根据提供的学习社区，学习者可以很方便地与其他学习者进行在线交流，并能够及时进行提问，避免了以往在线学习时无法与他人进行在线交流或实时提问而产生的“孤独感”。另外通过与社区人员的交流，适当调节自己的学习偏好，能够有效地提高自己在某个知识域当中的学习效果。

4 结语

结合基于本体的E-Learning环境的特点，在对学习者学习过程中的知识点偏好进行分析的基础上，提出了组建基于知识点偏好的学习社区。不仅考虑了学习者的学习情况，更考虑了学习者之间交流的有效性，给学习者之间架起了一条非常便捷的交流通道，能起到更好的指导作用，从而提高了学习者的学习效率。

［1］ Ghael SP，Sayeed A M，Baraink R G.Improved Wavelet Denoising Via Empirical Wiener Filtering［J］.In Proc.of SPIE，1997，3169:389-399.

［2］ Tu C H，Corry M.E-learning Communities［J］.Quarterly Review of Distance Education，2002(2):207-218.

［3］ Carabajal K，LaPointe D，Gunawardena C N.Group Development in Online Learning Communities［C］//Moore M，Anderson W G.Handbook of Distance Education.NJ:Lawrence Erlbaum Associates，2003:217-234.

［4］王云，董炎俊.学习者个性特征对虚拟学习社区中知识建构的影响研究［J］.电化教育研究，2013，34(1):62-67.

［5］刘东进.个性化学习导向下成人虚拟学习社区初探［J］.中国成人教育，2014，37(10):9-11.

［6］ Kickmeier-Rust D M，Albert D.The ELEKTRA Ontology Model:A Learner-Centered Approach to Resource Description.In Proc.of ICWL，2007:78-89.