（教育技术学专业论文）elearning中学习者建模研究.pdf

m a s t e r s t h e 蛐 摘要 个性化教学是网络教学发展的必然趋势。在个性化教学系统中，学习者模型能 为系统提供与学习相关的重要的学习者信息。建立可共享、动态的学习者模型不仅 可以增强系统间的互操作性，提高数据共享性，减少重复工作，还可以了解学生兴 趣爱好的新近动态，学习的进度，为个性化教学提供重要依据。 本文以网络教育技术标准、网络学习者特征和w e b 数据挖掘为基；础，研究网络 学习中学习者建模问题，主要研究内容包括： ( 1 ) 设计学习者模型。针对当前网络学习个性化的需求，将个性化服务的理 念应用到网络学习中。在分析国内外远程教育技术标准和结合人们对网络学习行为 特征分析的基础上，参照c e l t s 和学习风格定义网络学习中学习者信息的概念模 型。 ( 2 ) 领域知识建模。通过划分知识点，建立知识树来描述知识点以及知识点 间的偏序关系，并通过学生学习、参与讨论、练习和测试等情况综合评价学生的学 习进度。 ( 3 ) 非领域知识建模。非领域知识建模是提取与网络学习紧密相关的学习者 特征的过程。文章在研究w e b 数据挖掘的基础上，定义了事务库和w e b 访问频繁项 集等概念，并通过用户兴趣特征采集和数据挖掘中关联规则算法获取学习者的个性 特征，解决网络学习中学习者个性特征的自动获取和动态变化问题。 ( 4 ) 学习者模型的描述和输出。用可扩展标记语言x m l 和关系型数据库来描 述和存储学习者模型。 研究表明，本文提出的学习者模型从领域知识和非领域知识两个方面对学习者 进行描述和评价，是比较完整的模型。学习者模型能动态跟踪学习者的学习进度、 兴趣爱好的变化，可以在学生信息管理系统、网络教学系统等多种场合重复使用。 关键词：网络学习；学习者模型；个性化教学；w e b 数据挖掘：关联规则 a b s t r a c t t h ep e r s o n a lt e a c h i n gi st h et r e n do fn e t w o r kt e a c h i n gd e v e l o p m e n t s t u d e n t m o d e lc a np r o v i d ei m p o r t a n ti n f o r m a t i o nr e l a t e dw i ml e a m i n gf o rt h ep e r s o n a l t e a c h i n gs y s t e m t oe s t a b l i s has h a r a b l e ，d y n a m i cs t u d e n tm o d e lc a l ls t r e n i g t h e n m u t u a l l yo p e r a t i o no f s y s t e m s ，r a i s et h es h a r eo f d a t aa n dc u td o w nn e e d l e s sr e p e t i t i o n a l s o ，i tc a np r o v i d es c i e n t i f i cb a s i sf o rp e r s o n a lt e a c h i n g b a s e do nc e i j s 1 e a r n e rp r o f i l ea n dw e bd a t am i n i n g , t h ep a p e rm a i n l yd e a l s w i t hd e s i g n i n gs t u d e n tm o d e li ne - l e a r n i n g t h em a i nw o r ki n c l u d e s ： ( 1 ) a c c o r d i n gt ot h er e q u i r e m e n to fp e r s o n a l i t ys e r v i c ei ne - l e a m i n g , t h ep a p e r d e s i g n sad y n a m i cs t u d e n tm o d e la r e rs t u d y i n gd i s t a n c ee d u c a t i o ns t a n d a r da r o u n dt h e w o r l da n da n a l y z i n gl e a r n e rp r o f i l ei nw e b b a s e dd i s t a n c ee d u c a t i o n 1 1 1 es t u d e n t m o d e li s s e p a r a t e di n t ot w op a r t s ：s p e c i f i ci n f o r m a t i o nm o d e la n dn o n s p e c i f i c i n f o r m a t i o nm o d e l ( 2 ) s p e c i f i ci n f o r m a t i o nm o d e li st oe v a l u a t et h ea c c e p t e dl e v e lo f n e wk n o w l e d g e f o rs t u d e n t s i td i v i d e sk n o w l e d g ei n t os o m ek n o w l e d g ei t e m s ，d e s c r i b e sk n o w l e d g e i t e m sa n dt h ep a r t i a lo r d e rr e l a t i o nb e t w e e nt h e m , a n de v a l u a t e st h eg r a s p e dl e v e lo f n e wk n o w l e d g ei t e mb a s e do nt h ec o n t e n t ，e x e r c i s ea n dt e s t ，w h i c hs t u d e n t sh a v ed o n e ( 3 ) n o n s p e c i f i c i n f o r m a t i o nm o d e ld e f i n e sl e a m e rb a s i ci n f o r m a t i o n , l e a r n e r p r e f e r e n c ei n f o r m a t i o na n dr e c o m m e n di n f o r m a t i o nb a s e do nc e l t sa n dl e a r n i n g s t y l e a f t e rs t u d y i n gt h ew e b d a t am i n i n g ，s o m ei m p o r t a n tc o n c e p t sa r ed e s i g n e d ，s u c h a sw e ba c c e s sf r e q u e n ti t e m s e t s w e ba c c e s sa s s o c i a t i o nr u l e s t h e n , i ta n a l y z e sw 曲 a c c e s st r a n s a c t i o na n dp r o v i d e sr e c o m m e n dc o n t e n tt ot h es t u d e n t sa p p l y i n gt h ew 曲 d a t am i n d i n gt e c h n o l o g yw i t ht h ea s s o c i a t i o nr u l e s ( 4 ) t h es t u d e n tm o d e li sd e s c r i b e db ye x t e n s i b l em a r k u pl a n g u a g ea n ds a v e di n d a t a b a s e t h es t u d e n tm o d e lp r e s e n t e di nt h i sp a p e ri sm o r ei n t e g r a t e d i te s t i m a t e ss t u d e n t s b a s i ci n f o r m a t i o n p r e f e r e n c ei n f o r m a t i o na n dk n o w l e d g es t a t e 。t h es t u d e n tm o d e lc a n t r a c kt h es t u d e n t s l e a r n i n gs t a t ea n di n t e r e s tc h a n g ed y n a m i c a l l y ，a n db er e u s e di n m a n ys i t u a t i o n s k e y w o r d s ：e - l e a r n i n g ；s t u d e n tm o d e l ；i n d i v i d u a lt e a c h i n g ；w e bd a t am i n i n g ； a s s o c i a t i o nm l e s 华中师范大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所里交的学位论文，是本人在导师指导下，独立进行研究工 作所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个 人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体， 均己在文中以明确方式标明。本声明的法律结果由本人承担。 作者签名：栋薯、覆日期：砷年占月，矿日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有 权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权华中师范大学可以将本学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同 时授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据 库，并通过网络向社会公众提供信息服务。 作者签名：绦来嗝乙 日期刎年月，d 日 导师签名： 日期： 本人已经认真阅读“c a l i s 高校学位论文全文数据库发布章程”，同意将本人 的学位论文提交“c a l i s 高校学位论文全文数据库”中全文发布，并可按“章程” 中的规定享受相关权益。 作者签名：绦亲 硕士学位论文 m a s t e r st h e s i s 第一章绪论 1 1 研究背景 个性化服务是i n t e m e t 发展的趋势，y a h o o 、g o o g l e 、s i n a 等各大站点竞相推 出了自己的个性化服务。如用户通过y a h o o 公司推出的m y y a h o o 工具，一登录， 就可以看到他定制的天气，新闻、股票或是运动等内容。个性化服务的目的是为 了满足用户的个别需求，在电子商务领域，个性化服务给商家带来了丰厚的利润 口”。在网络教学领域，提供个性化服务同样具有重要意义。 实现网络教学个性化，是网络教学发展的要求。远程教育作为一种教育形态， 其本质最终还是一种培养人的活动，所以它的出发点和归宿点都在于人的全面发 展怫】。一方面，建构主义教育理论的出现，要求教学要以教师为主导，以学生为 主体，教学应充分发挥学生学习的主观能动性。这就要求网络学习系统能够充分 考虑学生的个体差异，对学生实施个性化教学。另一方面，网络使终身教育成为 可能，在网络这个自主的环境中，学习者的个性差异更加明显。学习者可能是全 日制学生，也可能是来自各行各业的接受继续教育的在职人员。每个学习者学习 的时间、地点、基础、习惯偏好、接受程度不同，对知识的需求也不一样。如果 用统一的教学方式进行教学，效果只会差强人意【2 5 1 。 近年来，我国网络远程教育得到了迅速的发展。许多高校、中小学以及一些 教育软件开发公司开发了大量的网络教学平台和教学管理平台，这些网络学习系 统集成了大量的课件、素材、教案、网络课程等教学资源，为网络学习提供了基 础。然而，现有的网络学习系统仅仅提供了丰富的学习资源，系统的智能性不高， 教学模式和学习方式单一。网络教学系统对所有的学习者“一视同仁”，学生在学 习时必须接受一样的学习流程，所浏览的课件，所观看的视频等基本上是固定不 变的。事实上，接受网络教学的学习者在个人的兴趣与爱好、学习基础、学习目 标、个人努力等方面都存在巨大的差异。学习者希望在接受教学时有一定的选择 空间，系统能根据学习者的个人情况，灵活调整教学策略，能直接为学习者提供 他们感兴趣的学习资源。这就造成了网络学习系统和学习者个人需求之间的矛盾。 目前的网络学习系统主要是以“资源”为中心，没有真正体现以“学习者”为中 心的思想，教学中不能兼顾学习者的个体差异，做到因材施教【4 3 1 。引入个性化服 务后的网络学习系统，具有一定的智能性。系统可以及时了解学习者的学习状况、 学习需求、兴趣爱好，并根据这些因素动态调整教学策略，为学习者提供合适的、 最需要的个性化教育，减少学习者信息迷航、兴趣降低等现象，有效提高教学效 率。 学习者建模是实现个性化教学系统的关键问题，个性化教学强调因材施教， 对学生进行分析和建模是进行个性化教学的基础。为满足学生的个性化需求和个 人偏好，提高系统交互的速度和质量，在提供个性化服务时，系统必须先了解学 习者的知识状态水平、兴趣、偏好和访问模式等学习者信息，才可能“投其所好”， 实现个性化服务( 4 2 】。 1 2 国内外研究现状 1 2 1 常见的学习者模型 目前对学习者模型的研究主要集中在智能教学系统中的研究，很多专家学者 对此做了大量的理论工作并积累了丰富的实践经验。常见的学习者模型可以分为： 覆盖模型、偏差模型、铅版模型和贝叶斯网络模型【2 “。 覆盖模型( o v e r l a y m o d e l ) f 1 2 】是学生建模的常用方法。覆盖模型把学生的知识看 作专家知识库( 专家模块) 的一个子集，根据学生表现与应掌握的基本内容相比较， 来判断学生对知识的理解情况，从而实现向学生推荐相应的学习内容。覆盖模型将 学生要学习的领域知识及其约束关系表示成一个有向知识结构图，学生的学习状态 看作是此图的子图，学习过程看作是子图对原图的逼近过程。基于这种模型的系统 可以根据领域知识结构图和学生的知识状态图间的比较，得到学生的知识结构及其 缺陷。但是，使用覆盖模型难以了解学习者的意图以及学习者个人解决问题的风格 等方面的信息。 偏差模型( b u g g ym o d e l ) 【2 6 】记录学生的问题解决路径与专家路径的偏差。这些 偏差描述了学生在该知识点学习中的某种不足，同时根据偏差的类型，能够给出具 体的补救措施。要实现这样一种模型，系统必须有一个错误库，该库描述学生所有 可能出现的偏差类型，并且针对每种错误类型，提供相应的补救策略。由于不同的 知识，其错误类型千差万别，不可能穷举学生所有的错误。因此，近来的研究主要 集中在如何找到一种机器学习算法，让系统可以不断地学习新的错误，并把错误加 到错误库中，从而对新情况做出反应。 贝叶斯网络是一种概率推理机制，它在概率论的基础上进行不确定推理。贝叶 斯网络是用来描述随机变量之问的概率依赖性，以及利用这些依赖进行复杂的概率 推理的算法【1 6 】。学习者模型中存在着各种各样的不确定性，根据模型进行推理的教 学策略也是不确定的，而处理不确定性正是贝叶斯网络的优势。因此，很多教学系 2 m a s t e r s t h e 啪 统采用了贝叶斯网络来表示学习者模型。如h y d r i v e 1 6 1 ( m i s l e v y & g i t o m e r ) 、 a n d e s ( c o n a t ie t a l ，1 9 9 7 ) 1 18 l 等系统都应用贝叶斯网络来处理学习者模型中所蕴 涵的不确定性，取得了较好的效果。h y d r i v e 可以描述和更新学习者模型，监视 学生如何利用已知信息来修理航行器水压故障，评估学生的行为。a n d e s 不仅能帮 助学生学习例题，还可以有效帮助学生解决问题。 铅版模型，s t e r e o t y p e m o d e l ( e l a i n e r i c h ，1 9 7 9 ) 2 2 】是一种简单的描述用户知 识状态的模型。它先将用户分组，利用刻板印象，为用户赋初值。如判定一个律师， 他可能具有公正的、正直的、受过良好教育的、在团体里面受人尊敬等属性，则将 这些属性作为律师模型的初值。再如某些用户精通u n i x 系统，人们可以根据刻板印 象，推断这些用户了解u n i x 系统的安装、u n i x 的常用配置文件，u n i x 的操作命令等。 利用铅版模型和用户匹配时，只需要满足其中的大部分条件，而不需要满足所有条 件。g r u n d y ”j ( e l a i n e r i c h ，1 9 7 9 ) 是一个图书管理系统，扮演着管理员的角色， 它通过对用户提问，了解用户的基本情况，进而为用户推荐相应的图书。g n l n d v 内 部通过铅版模型建立一系列的用户模型，用户回答问题时，系统内部将用户的回答 和已有模型进行匹配，判断用户属于哪个类别，并预测用户的行为。铅版模型比较 简单，容易实现，可以快速地建立用户模型。但是铅版模型适应的粒度不够细。实 际建模中，往往将铅版模型和覆盖模型结合起来，用铅版模型对覆盖模型赋初值， 在系统运行过程中利用覆盖模型来完善用户模型。 此外，还有g e r h a r d w e b e 一1 2 1 等人还提出了片断式学习者模型( e p i s o d i c l e a r n e r m o d e l ，简称e l m ) ，t r u d eh e i t l 和m a t h i a ss c h u l z e i ”】提出在智能德语教学系统 ( g e r m a nt u t o r ) 中的学习者建模等。e l m 是融合了案例学习理论和基于解释的学 习理论而形成的一种混合式系统。 1 2 2 学习者建模存在问题 在学习者建模中，研究模型的可重用问题具有重要的意义。众多的个性化服务 系统、智能教学系统都对用户建模进行了研究。这些模型有很多交叉重复的地方。 比如：在一个音乐教学系统中，需要一些关于学生在音乐方面的偏好信息；而在另 外一个新闻推荐系统中，也需要有关音乐的偏好信息，才能为用户推荐音乐方面的 新闻。建构学习者模型时，人们希望它能够在多种场合重复使用。从用户的角度看， 用户花了大量时间和系统交互而建立起来的模型，如果能在其他系统中使用，可以 节省培训的时间；从系统开发的角度看，也可以减少许多重复工作，缩短开发周期。 有关文献【1 5 】【16 】f 2 1 i 研究指出：学习者模型是基于领域知识的，然而各个不同系统 顾士学位论文 m a s t e r s - i h e s i s 对学习者的建模却不尽相同。各个系统建构的学习者模型在参数类型、精度等方面 存在着很大的差异，模型的重用性比较差( 1 5 】。k a y 2 4 】等人提出：用户模型的重用可 以通过维护一个不同客户都可以存取的用户模型数据库来实现。同样地，它也可以 通过使用一种可以被不同程序存取和解释的外部形式来存储用户模型实现。为解决 学习者模型的可重用问题，人们致力于寻找一种支持模型重用的描述语言和表示方 法，如利用已有与学习者模型相关的标准来定义和描述学习者信息。i m s 、i e e e 还 有中国c e l t s 标准委员会都对学习者模型标准进行了相关的研究【2 “。 学习者建模还涉及到模型的评估问题【2 那。学习者模型的评估主要包括评估标准 及评估方法两个方面。评价学习者模型的质量，可以从以下几个方面进行考察：学 习者模型与学生兴趣及信息需求符合的相关度：学习者模型挖掘学生潜在兴趣及信 息需求的能力；学习者模型自动获取学生兴趣及信息需求的效率，即智能化水平的 高低：学习者模型自身的维护更新能力。但由于目前的学习者模型主要集中在对学 习者学习状况的描述，通常都从学习者模型是否正确反映了学生所掌握的知识、学 生的学习进度方面进行考察，对模型挖掘学生潜在兴趣方面的评价较少。对学习者 模型进行评估的方法有：学生对个性化服务系统的反馈信息；对学生进行调查研究； 数据库系统的自统计分析。 安全隐私也是学习者建模中应注意的问题【2 3 】。学习者建模首先需要解决的问题 是获取大量有效的学生个人信息。在建模过程中，出于对网络安全性的担忧，学习 者在提交个人信息时会有所保留，甚至会提交一些错误的信息。这种不完全的、不 准确的信息降低了学习者建模的有效性。因此，学习者建模应认真对待学习者的隐 私问题，积极寻找有效的隐私保护机制。 本文主要在参考国内外关于学习者信息的相关标准的基础上，研究一个适合当 前网络学习实际情况的可共享、可重用的学习者信息模型。通过w e b 数据挖掘、量 规评价动态跟踪学习者兴趣偏好的变化和学习进度，为个性化教学提供决策依据。 本研究在一定程度上解决了学习者模型的动态更新和重用性问题，并通过学生信息 的安全属性，限制部分隐私信息的使用范围，保护学习者的隐私。 1 3 论文的研究意义 网络化教育是教育发展的新生长点。随着网络教育教学的不断发展，涌现了大 量的网上教学系统、学习管理系统，极大地促进了我国网络教学的发展。学生是学 习的主体，这些系统都离不开对学生信息的组织和管理。但由于各个系统在开发时 缺乏统一的标准，出现了不同系统各自为阵的局面，它们之间互操作性差，无法共 4 硕士擘位论文 m a s t e rs 1 h e s i s 享数据，造成很多重复工作。如学生为了参加各种网络学习，不得不多次注册，一 次次地输入自己的个人基本信息；同时各个系统都管理着庞大的数据。人们希望通 过一种通用的学习者模型对学生信息进行有效的管理。覆盖模型和偏差模型是当前 使用比较广泛的建模方法，但他们的建模重点都集中在对学生的领域知识的描述和 表示。网络教学系统不仅要记录学生的领域知识，为了实现个性化教学，学习者模 型还要包括学生的基本信息，个性化信息等。本文提出e 1 e a r n i n g 环境下的学习者建 模研究，建立基于标准的学习者信息模型。一方面，可以增强系统间的互操作性， 提高数据的共享性，减少不必要的重复工作，实现学习者的一次输入，多次使用。 另一方面，在建模过程中，通过分析用户注册信息、w e b 访问日志等数据，对它们 进行数据挖掘，可以得到学习者的个性化信息，如兴趣、个人偏好等等，从而动态 调整教学策略，为学生提供个性化的服务，真正做到因材施教。 1 4 论文的研究内容与组织 本文主要针对网络个性化学习的特点及内容适配研究对学习者信息的需求，在 参考国内外关于学习者信息的相关标准的基础上，研究一个适合当前网络学习实际 情况的可共享、可重用的学习者信息模型，提供学习者兴趣爱好，学习进度等信息， 为个性化教学提供决策依据。论文的主要研究内容有： ( 1 ) 提出一种面向个性化网络学习的学习者模型。该模型可以描述学习者基 本特征、认知水平和兴趣偏好等方面的个性特征。 ( 2 ) 提出领域知识建模方法。通过划分知识点，建立知识树来描述知识点以 及知识点间的偏序关系，并通过学生的学习、练习、测试等情况综合评价学生的学 习进度。 ( 3 ) 定义事务库和w e b 访问频繁项集等概念，通过用户兴趣特征采集和数据挖 掘中关联规则算法获取学习者的个性特征。 ( 4 ) 用可扩展标记语言l 和关系型数据库来描述和存储学习者模型。 本文共五章，内容组织如下： 第一章：绪论。介绍当前网络教学的发展现状及其对个性化教学的需求，分析 个性化教学中学习者建模的发展和研究现状，并指出课题研究的意义。 第二章：学习者建模相关标准和技术。本章主要探讨国内外远程教育相关标准 的发展现状，研究与个性化教学相关的技术标准。同时介绍学习者建模所采用的w e b 数据挖掘技术，分析w e b 数据挖掘的特点及其分类，介绍关联规则算法和w e b 数据 挖掘的相关定义。 硕士学位论文 m a s t e r st h e s l s 第三章：网络环境下学习者模型的设计。本章从学习者特征分析现状入手，参 照c e l t s 标准，建立学习者概念模型。介绍领域知识库及其相关概念，以及领域知 识模型的设计和描述；设计非领域知识模型。 第四章：学习者建模过程。通过学生的浏览、练习、测试等情况综合评价学 生的学习进度。结合数据挖掘技术，对用户的访问日志进行分析，得到和用户兴 趣相关的关联规则。最后，通过可扩展标记语言x m l 描述学习者模型。 第五章：总结和展望。总结论文主要工作和存在的不足，以及下一步的研究计 划。 6 硕士学位论文 m a s t e r st h e s i s 第二章学习者建模的相关理论和技术 研究学习者模型，需要考虑模型的可重用性、通用性问题，使学习者模型可 以在多个场合重复使用，更好地为个性化服务系统提供决策基础。要实现模型的 可重用性、通用性，比较好的方法就是让模型符合当前的通用标准。本章主要对 学习者建模相关教育标准和学习者建模所采用的w e b 数据挖掘技术进行研究。 2 1 远程教育技术标准现状研究 随着计算机和网络技术的不断发展，网络远程教育也得到了迅速的发展。我 国已有千余所学校建起了校园网，形成了具有一定规模的网校 4 3 1 。人们开发了很 多网络教学平台和教学管理平台，这些网络学习系统集成了大量的课件、素材、 教案、网络课程等教学资源，为网络学习提供了基础。但是远程教育也存在许多 问题，最突出的问题就是各个平台之间的共享和互操作性问题。各个单位都拥有 丰富的资源，但由于资源格式不统一，它们之间很难进行互操作，真正系统的学 习资源非常有限。网络使教育资源在低层次上得到了共享，但离教育资源的完全、 透明的共享还很遥远 4 3 1 。另外，目前的网络学习系统，一般都在设计阶段就固定 了学习的流程，缺乏灵活性，学生在学习时所浏览的内容，所观看的视频以及所 做的测试基本上是固定的。这和学生在网络环境下自主的个性化学习、不同的需 求有一定的冲突。网络学习需要建立在一定的标准之上，才能突破这些障碍，让 学习者自由地翱翔。 国际上不少国家和组织都致力于教育技术标准的研究【叭。美国航空工业计算 机辅助训练委员会( a j c c ) 最早提出了计算机管理教学标准( c m i ) 。a i c c 的规 范覆盖九个领域，围绕c m i 系统的互操作性提供了整体的规范，它所制定的标准 具有重要的借鉴意义。美国高级分布式学习研究项目( a d l ) 建立可共享课程对象 参考模型s c o r m 。s c o r m 是一个基于学习构件的可操作的e 1 e a r n i n g 系统蓝本， 它的目的是通过创建可重用构件，实现学习课程的跨平台性。i m s 全球学习联合 机构提出的学习系统技术规范。i m s 提出了一系列在线学习活动的开放规范，包 括学习资源元数据规范、内容包装规范、测试规范等等。国际电气和电子工程师 协会学习技术标准委员会( 简称i e e el t s c ) 制定的i e e ep 1 4 8 4 标准。i e e e 内 部拥有2 0 多个不同的工作组，他j f i j n 定的i e e ep 1 4 8 4 标准具有很大的影响力， 是全球在e 1 e a r n i n g 方面共同遵循的标准。 我国教育部于2 0 0 0 年开始制定适用于中国的现代远程教育技术标准体系。中 7 硕士学位论文 m a s t e rst h e s i s 国教育部教育信息化技术标准委员会( 简称c e l t s c ) ，在参考国际上相关标准的 基础上，于2 0 0 2 年提出了一个比较完整的中国现代远程教育技术标准体系结构， 该体系包括l l 项规范：c e l t s 1 ，系统架构与参考模型规范；c e l t s 一2 ，术语规 范：c e l t s 3 ，学习对象元数据规范：c e l t s 9 ，内容包装规范；c e l t s 1 0 ，练 习测试互操作规范；c e l t s 一1 1 ，学习者模型规范；c e l t s - 1 3 ，学生身份标识 规范；c e l t s 一1 4 ，学力定义规范：c e l t s 1 7 ，平台与媒体标准引用规范；c e l t s 一2 0 ， 计算器教学管理规范；c e l t s 一3 1 ，教育资源建设技术规范【6 j 。 图2 - 1 中国网络教育技术标准体系 中国网络教育技术标准体系中总标准包括术语、本地化指南、体系架构和参 考模型，它覆盖了所有的子标准。其他的子标准则分别从不同的角度来考查学习 过程。和学习者建模直接相关的是学习者相关标准。学习者相关标准包括学习者 模型、学生身份标识和学力定义三个标准。学习者相关标准描述了每一条学习者 信息的数据类型、取值范围等技术细节，但学习者模型并没有覆盖学习者的所有 信息，只是规定了与网络教育密切相关的信息【1 0 l 。学生身份标识定义了学习者的 公共标识符，学习者绩效和偏好信息的协议和格式。学力定义规范建立了一个对 学力进行定义的通用参考模型。c e l t s 标准在设计时，留有扩展的接口，在实际 系统中，可以根据需要进行扩展。 2 2 学习者相关标准 目前，国际上较有影响的远程教育技术标准有：美国航空工业计算机辅助训 练委员会( a i c c ) 提出的计算机管理教学标准；美国高级分布式学习研究项目 ( a d l ) 建立的可共享课程对象参考模型s c o r m ；国际电气和电子工程师协会学习 技术标准委员会( 简称i e e el t s c ) 制定的i e e ep 1 4 8 4 标准；i m s 全球学习联 合机构提出的学习系统技术规范等1 9 】。其中与学习者相关的规范，主要有i e e e p 1 4 8 4 标准中的公开与隐私信息( p a j p i ) 第7 版和i m s 制定的学习者信息以及 中国信息技术标准化技术委员会教育技术分技术委员会制定的c e l t s 中学习者 类标准。 2 2 1i e e ep 1 4 8 4 标准中p a p i 信息 p a p i 是( ( p u b l i ca n d p r i v a t e i n f o r m a t i o n ( 公开与隐私信息) 的缩写，它是i e e e 下属学习技术标准委员会( l t s c ) 制定的i e e e1 4 8 4 2 规范草案经过多次修订，形成 的草案文档【9 】，现在常说的p a p i 是指p a p i 第7 版。 i e e e l 4 8 4 2 规范把学习者信息分为六大类：个人信息、关系信息、安全信息、 偏好信息、绩效信息和作品信息，每一类信息中都带有扩展部分，使用时可以根 据需要进行扩展【1 ”。 2 2 2i m s 学习者信息包 i m s 【2 0 】发布了一系列的教育规范：元数据、内容包装、企业架构、问题与测 试等。其中每一个规范都由信息模型、x m l 绑定规范以及最优实践指南三部分组 成。i m s 规范中的学习者信息包将学习者信息分为1 1 类：身份验证，目标， 资格、证明和许可，活动，抄本，兴趣，能力，从属关系，可接 近性，安全码，o d 关系。i m s 学习者规范还详细定义了学习者信息的数据结构、 元数据、信息模型以及x m ls c h e m a ，提供了很好的实践指南。 2 2 3c e u s 1 1 学习者模型规范 教育活动的各个方面都涉及到学生信息，建立教学管理系统、学生管理系统， 需要相关的学生信息。中国教育部教育信息化技术标准研究委员会组织相关专家 学者研究制定了适合中国国情的学习者模型标准【“l 。c e l t s 标准中定义了学习者 模型( c e l t s 1 1 ) 、学生身份标识( c e i ，t s 1 3 ) 和学力定义规范( c e l t s 1 4 ) 三 个相关标准。 c e l t s 1 1 学习者模型标准是中国教育部教育信息化技术标准一个重要的子 标准。它是在参考电气和电子工程师协会( 砸e e ) 属下的i e e e l 4 8 4 学习技术委 员会( l t s c ) 的标准，美国国际学习协会制订的信息管理系统( i m s ) 标准的部 9 硕士擘位论文 m a s t e r st h e s i s 分文档的基础上，结合中国的实际制定的1 。学习者模型规范c e l t s 1 1 是中 国现代远程教育标准体系中一个关于学习者在学习、教育和经历方面信息的标准。 它使课件开发者能够针对不同的学习者开发出更具有个性化的教材；为教育研究 者提供规范化的模型和数据；为以学生为中心的学习系统提供一个设计基础；为 教育系统设计者提供一个系统设计的指导p j 。 c e l t s 1 l 学习者模型规范是一个关于学习者信息的数据交换规范。该规范 将学习者信息分为八类：个人信息、学业信息、管理信息、关系信息、安全信息、 偏好信息、绩效信息和作品集信息【l “。如图2 2 所示： 图2 2c e l t s 学习者信息 从图2 2 可见，学习者信息是通用学习技术信息的一个子集，c e l t s 学习者 信息是学习者信息的一个子集，它共包含了八个部分。这八类信息包含了最少量 的必要信息，并允许应用系统自定义扩展信息。这八类信息为： 个人信息：是与管理相关的主要个人信息，这类信息一般与学习系统或者 学习过程没有直接联系，部分信息往往属于个人隐私，是机密的( 主要指学习者 的通用信息如：姓名、性别、出生日期、电话、电子邮件等信息) 1 3 1 。 学业信息：是与学习者的学习相关的一些简要信息。如：专业、年级、学 习计划等。 管理信息：是学习者在学习系统中的简要管理信息。 o 硕士肇位论文 m a s t e r st h e s i s 关系信息：是描述学习者与其它学习技术系统用户( 如老师、代理人或其 它学习者) 之间关系的信息。 安全信息：是有关学习者安全凭证的信息，例如：密码、询问回复、私钥、 公钥等信息。 偏好信息：是学习环境或者学习者个人的一些可促进人机交互或者个性化 服务的信息。学习者在学习方面的一些偏好，如喜欢先自学再上课，爱好有声音 的课件，或者对素材有偏好，如喜欢图像、音频等格式这对提供何种教学策 略非常有帮助1 3 】。 绩效信息：学习者的学习经历、学习结果等信息。 作品集信息：是学习者的代表性作品及相关证明的集合，用于描述和证明 学习者能力和成就【1 0 l 。 c e l t s 一1 l 模型规范为我们提供了一个学习者的抽象模型。在开发过程中， 还应根据实际需要对它进行扩展。 2 3 w e b 数据挖掘 2 3 1w e b 数据挖掘概述 2 3 1 1 数据挖掘 数据挖掘( d a t am i n i n g ) 是从大量的、不完全的、有噪声的、模糊的和随机的 实际应用数据中，发现隐含在其中的、人们事先不知道的，但又是潜在有用的并 且最终可理解的信息和知识的过程【3 0 】。 数据挖掘是知识发现中一个很重要的步骤，也是数据库中很有价值的研究领 域。数据挖掘的主要任务是从数据集中发现模式。根据模式功能的不同，可以将 模型分为两类：描述型模式和预测型模式。在实际应用中，根据模式的具体作用 又可以细分为：分类、聚集、关联规则、序列分析和偏差分析”】。 2 3 12 w e b 数据挖掘 w e b 挖掘是指从大量非结构化的、异构的w e b 文档和w e b 使用的集合中发 现新颖的、潜在可用、最终可以理解的知识( 包括概念、模式、规则、规律、约 束及可视化等形式) 的过程【3 ”。 w e b 中的数据和与传统数据库中的数据不同，传统的数据库数据都具有一定 的结构，可以通过结构描述数据。w e b 挖掘的对象则是大量的、半结构化的、异 质的、分布式的w e b 文档，这些w 曲文档逻辑上形成了一个由页面节点和超链 接组成的图 3 ”。在进行w e b 数据挖掘之前，需要对数据进行预处理，使之符合数 硕士擘住论文 m a s t e rs 1 h e s i s 据挖掘的要求。w e b 数据挖掘一般分为三个步骤：数据预处理、模式发现和模式 分析。 数据预处理模式发现模式分析 图2 3w c b 数据挖掘过程f 4 3 】 根据挖掘对象的不同，可以将w e b 挖掘分为三类：w e b 内容挖掘( w e b c o n t e n t m i n i n g ) 、w e b 结构挖掘( w e bs t r u c t u r em i n i n g ) 、w 曲使用挖掘( w e bu s a g e m i n i n g ) 。 2 3 2 关联规则算法 w e b 数据挖掘的方法有：分类、聚类、关联规则等等，根据不同的挖掘类型， 可以选择相应的方法。在学习者建模中，主要运用关联规则进行数据挖掘。 2 3 2 1 关联规则 关联规则是指寻找在同一个事件中出现不同项的相关性，利用关联规则进行 数据挖掘就叫关联分析。关联分析的目的是挖掘隐藏在数据间的相互关系，自动 探测以前未发现的隐藏的模式 3 0 】。a g r a w a l 等于1 9 9 3 年首先提出了挖掘顾客交易 数据库中项集问的关联规则问题【3 1 1 ，以后很多研究人员在此基础上对关联规则的 挖掘问题进行了大量的研究，如优化算法3 2 】，推广关联规则的应用等。 关联规则可以定义【3 l 】为： 设i = f i l ，i 2 ，i m , 是所有项目的集合，即数据库中的所有字段；d 是所有事 务的集合，即数据库；每个事务t 是一些项目的集合，t 包含在i 中，每个事务 可以用唯一的标识符t i d 来表示。设x 为某些项目的集合，如果x _ t ，则称事务 1 2 硕士擘位论文 m a s t e r st h e s i s t 包含x ，则关联规则可以表示为： ( x 。r ) 石j ( r c r ) y ( 2 一1 ) 其中x 亡t ，y c t ，x n y = 中 关联规则中有两个很重要的概念：支持度和簧信度。支持度：p ( x u n ，即 并和y 这两个项集在事务集d 中同时出现的概率。 = 等掣 协z ， 置信度：p ( y i 石) ，即在出现项集z 的事务集d 中，项集y 也同时出现的概 率。 q ，= 譬掣 防s ， 同时满足最小支持度闽值和最小置信度阈值的规则称为强规则。给定一个事 务集d ，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支 持度和最小可信度的关联规则，也就是产生强规则的问题。 2 32 2 a p r i o r i 算法 最著名关联规则发现方法是r a g r a w a l 等人在1 9 9 3 年提出的a p r i o r i 算法【3 1 】。 a p r i o r i 算法的核心思想是使用候选项集查找频繁项集，它是一个基于两阶段频集 思想的方法，将关联规则挖掘算法的设计分解为两个子问题： ( 1 ) 找到所有支持度大于最小支持度的项集( i t e m s e t ) ，这些项集称为频繁 项目集( f r e q u e n ti t e m s e t ) 。 ( 2 ) 在第1 步找到的频繁项目集中构造可信度不低于用户设置的最小置信度 的规则。 第一步找出所有频繁项目集是关联规则发现算法的核心，也是计算量最大的 部分。在a p r i o r i 算法中，包含k 个项集称为k 项集，如f a ，b ，称为2 项集，具 有k 个数据项的k 项集的集合记为g 。如果项集满足最小支持度，则称为频繁项 集，具有k 个数据项的频繁k 一项集，记为t 。 关联规则的基本算法一a p r i o r i 算法【3 1 】【3 2 i 1 1 3 5 1 输入：交易数据库d ，最小支持阀值m i n _ s u p 。 硕士学位论文 m a s t e r st h e s i s 输出：i d 中的频繁项集。 处理流程： ( 1 ) l 1 = l a r g e l - i t e m s e t s 发现1 一项集 ( 2 ) f o r ( 1 【 2 ：l h 巾；k + + ) d o b e g i n ( 3 ) g = - a p f i o f i g e n ( l ，m i n _ s u p ) 根据频繁( k 一1 ) 一项集产生候选k 项 集 ( 4 ) f o re a c ht r a n s a c t i o n st e dd ob e g i n 扫描数据库，以确定每个候选项集 的支持度 ( 5 ) c = s u b s e t ( g ，t ) 获得t 所包含的候选项集 ( 6 ) f o re a c hc a n d i d a t e sc ec d o ( 7 ) c c o u n t + + ； ( 8 ) e n d ( 9 ) l t = ( c c ki c c o u n t m i ns u p ) ( 1 0 ) e n d ( 1 1 ) r e t u r e n l = u 厶 a p f i o f i - g e n ( l ，m i n _ s u p ) 函数过程 ( 1 ) f o r e a c h i t e m s e t i i 三hd o ( 2 ) f o re a c hi t