论文部分内容阅读
摘 要：网络学习是一种新兴的学习模式。对网络学习者学习行为的分析则是开展网络教学系统设计和网络教育资源开发的基础。本文首先提出了网络学习行为的多维度和多层次的模型，在此基础上设计了一个智能化网络学习行为分析系统的结构，并分析了其实现的策略以及主要技术特点。
关键词：网络学习；行为模型；行为分析系统；智能化
中图分类号：G434文献标识码：A 文章编号：1673-8454(2008)06-0055-04
一、引言
互联网和网络技术的普遍推广和应用，使人类学习活动变得越来越个性化、虚拟化、协作化，呈现出与传统学习完全不同的特性。尤其是网络环境下学习者的学习行为，更是体现出多结构、多层次特性。对网络学习行为进行深入全面地研究具有重要的意义。它既有利于教育资源及多媒体网络教育平台的开发，又有利于教师对课程的设计和组织实施。对网络学习者学习行为的分析是开展网络教学系统设计和网络教育资源开发的前提。
本文首先提出了网络学习行为的多维度和多层次的模型，在此基础上设计了一个智能化网络学习行为分析系统的结构，并分析了其实现的策略以及主要技术特点。通过本研究，希望能对个性化、智能化的学习系统的构建有所帮助。
二、网络学习行为及其模型
网络学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为。其要素包括：行为主体、行为客体、行为工具、行为团体、团体的组织规则和任务分工等。[1]网络学习行为较之传统学习行为表现出了多维度、多层次的结构体系。
1.多维度的网络学习行为模型
三、智能化网络学习行为分析系统结构设计及其功能实现
1.智能化网络学习行为分析系统的结构设计
为了能对网络学习者学习行为进行动态跟踪、采集、分析和评价，我们尝试着设计一个智能化网络学习行为分析系统软件。该系统是基于上述网络学习行为模型而设计的，它分为学习者的行为采集模块、行为统计分析模块、行为评价模块以及学习行为反馈模块。
2.网络学习行为数据采集模块
网络学习行为数据采集模块主要负责采集、量化学习者在线学习行为的数据，并存储到行为数据库中，为分析学习者和资源特征做准备。数据信息收集模块必须保证数据收集的全面性和准确性。
数据的收集方式有两种：第一种是异步收集方式，主要是在学习活动开展以前，通过问卷调查、学习者自我介绍等传统的信息收集方法来获取有关的数据。这类信息多为静态信息，不会随着学习者的学习过程而改变。第二种为同步收集方式，即利用网络通信技术对学习者的学习活动进行实时追踪，记录所有与学习相关的信息。这类信息主要是对各种网络学习行为进行量化的参数，是动态数据。分布在Web服务器上的日志信息、客户端的Cookie等，也可以作为重要的网络学习行为数据采集来源。
3.网络学习行为数据统计分析模块
统计分析模块的任务主要有两个方面：一是负责对网络学习行为数据库中的数据进行提取、加工，实现对学习者网络学习行为的统计分析。二是采取数据挖掘技术对网络学习行为数据库中的数据进行深入的加工，尽可能地发掘行为背后的学习者或资源的个性特征。
统计分析模块包括数据统计和数据挖掘两个子模块。数据统计子模块对数据进行的是初级的处理，得到的也是一些统计结果。例如，统计学习者登陆时刻、离开时刻、对于不同媒体资源的点击操作、保存站点类型等等。数据挖掘子模块则对行为数据进行的是高级处理，它尽可能发掘出学习者行为背后的学习准备、学习动机、归因和自我效能感以及学习者所掌握的学习策略等等。
数据统计子模块和数据挖掘子模块处理的数据结果都将分门别类地保存到学习者特征数据库、资源特征数据库和网络学习行为特征库中。
4.网络学习行为评价模块
学习行为评估模块主要实现两个功能：一是找出学生学习行为与学习效果之间的关系，构建有效的网络学习行为模型。二是根据所构建的网络学习行为模型对学习者的在线学习行为进行评价。
系统主要是进行网络学习行为的形成性评价，同时兼顾即时评价和阶段性评价。通过即时评价动态采集学习行为的数据，实时监控学习情况，当学习过程中有需要调适的网络学习学习行为模型参数时，就会触发系统进行一次即时评价。阶段性评价则是按照学习的进度，将学习过程分为几个阶段，对每一阶段进行一次评价活动。通常，阶段性评价的结果以显式的知识呈现方式输出，供学习者、教师或教学管理者参考，即时性评价的结果则作为智能反馈模块的输入。要实现该种智能评价系统，需要考虑诸多因素，包括知识获取、知识表示、推理规则、机器学习等许多问题。
5.智能反馈模块
评价结束后，评价结果通常包括两个方面的输出：一是以显式的知识呈现方式输出评价结果。这一方面的结果，可以被学习者、教师以及教学管理者查询、获取。根据系统显示的评价结果，相关的人员可以对学习活动进行监控和调整。二是将结果输出到智能反馈模块，智能反馈模块则根据网络学习行为模型，对学习者的学习活动给予个性化的指导。
智能反馈系统对学生在线学习活动所进行的个性化安排，具体表现为：提供学习内容的动态适应机制，形成个性化学习辅导；通过跟踪学生的学习过程，对不同起点的学生提供难易程度不同(教学目标一致)的学习内容；提供学习内容动态导航机制，根据学习进度和能力水平，推荐个性化学习材料；为学生提供个性化学习工具、网络在线笔记本、学习目标管理工具、知识库检索工具、学习测评工具、通讯工具等；提供因人而异的学习诊断与个性化反馈信息等。
四、系统实现的主要技术
1.CELTS元数据规范[2]
在对网络学习行为进行量化过程中，需要定义两种元数据：学习者元数据和学习对象元数据。学习者元数据用来规范所要收集的学习者特征。学习对象元数据用来描述学习材料的属性。为了实现信息的通用性和共享性，本文依据教育部教育信息化技术标准委员会(CELTSC)制定的学习者模型规范（CELTS-11）和学习对象规范（CELTS-3），对网络学习行为采集中要用到的元数据进行规范。
对学习者元数据进行定义，可以包含以下内容：
学习者基本信息：包括姓名、昵称、ID、性别、班级、年龄、E-mail和密码等字段。
学习历史：课程标号、浏览过的URL、登录次数、学习时间、教学活动形式。
绩效信息：作业、测验、学习作品、职务。
学习者知识结构：课程编号、知识点编号、各知识点的达标情况。
学习偏好：信息加工方式、情感和意动、社会特征。
对学习对象元数据进行定义，包括以下属性：标题、日期、关键字、学科（语文、英语、数学等）、认知目标（知识、记忆、运用、分析、综合、评价等）、教学模式（讲授型、讨论型、探索型等）、组织结构（直线型、树型和网型）、活动形式（个别学习、合作学习等）。
2.数据挖掘
数据挖掘(Data Mining)是从大量的、不完全的、有噪声、模糊的、随机的实际应用数据中，提取出隐含在其中的、人们事先不知道、但又是潜在有用的信息和知识的过程。[3]它是在没有明确假设的前提下去挖掘信息、发现知识。
数据挖掘是知识发现(KDD)的核心部分，是发现知识的阶段。学习者通过网络开展学习的过程中，会在不同的学习平台上留下大量的记录信息。利用数据挖掘技术可以对行为数据背后隐藏的学习准备、学习动机、归因和自我效能感以及学习者所掌握的学习策略等等规律进行分析。
3.Web Services
Web Services是建立可互操作的分布式应用程序的新平台。它定义了应用程序如何在Web上实现互操作性的一套标准。组成Web Service平台的主要有以下几个方面的技术：XML和XSD、SOAP、WSDL以及UDDI等。[4] 它通过SOAP（Simple Object Access Protocol，简单对象访问协议）在Web上提供软件服务，使用WSDL（Web Service描述语言）文件进行说明，并通过UDDI(统一描述、发现和集成协议)进行注册。SOAP、WSDL和UDDI都是基于XML的。
Web Service被认为是下一代的WWW。它具有互操作性好、普遍性强、易于使用、得到广泛的行业支持等特点。利用Web Services可以实现动态教学资源和信息访问、实时和非实时交互教学、在线答疑、讨论和作业评批、教务和考务管理等等各个不同的学习支持系统之间进行统一的数据共享和相互操作，从而能够更充分和全面地掌握学习者的网络学习行为特征。
五、结语
良好的网络学习行为不会自然形成，而是需要依赖于网络学习环境的完善与优化。对网络学习行为的分析将有助于网络学习环境的建设，有助于开发出个性化、智能化的学习支持系统。本文提出了网络学习行为的多维度和多层次的模型，在此基础上设计了一个智能化网络学习行为分析系统的结构，并分析了其实现的策略以及主要技术特点。后续工作中，需要进一步完善有效的网络学习行为模型以及模型的应用系统研究。
参考文献:
[1]杨开城，李文光等.现代教学设计的理伦体系初探[J].中国电化教育，2002，（2）.
[2]学习者模型规范（CELTS-11）和学习对象规范（CELTS-3）http://www.celtsc.edu.cn.
[3]刘海涛，吕智慧等.基于Web Service的CELTS学习者模型[J].计算机工程，2005，（10）.
[4]刘均，李人厚等.网络学习中学习者个性挖掘方法的研究[J].西安交通大学学报，2004，（6）.
关键词：网络学习；行为模型；行为分析系统；智能化
中图分类号：G434文献标识码：A 文章编号：1673-8454(2008)06-0055-04
一、引言
互联网和网络技术的普遍推广和应用，使人类学习活动变得越来越个性化、虚拟化、协作化，呈现出与传统学习完全不同的特性。尤其是网络环境下学习者的学习行为，更是体现出多结构、多层次特性。对网络学习行为进行深入全面地研究具有重要的意义。它既有利于教育资源及多媒体网络教育平台的开发，又有利于教师对课程的设计和组织实施。对网络学习者学习行为的分析是开展网络教学系统设计和网络教育资源开发的前提。
本文首先提出了网络学习行为的多维度和多层次的模型，在此基础上设计了一个智能化网络学习行为分析系统的结构，并分析了其实现的策略以及主要技术特点。通过本研究，希望能对个性化、智能化的学习系统的构建有所帮助。
二、网络学习行为及其模型
网络学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为。其要素包括：行为主体、行为客体、行为工具、行为团体、团体的组织规则和任务分工等。[1]网络学习行为较之传统学习行为表现出了多维度、多层次的结构体系。
1.多维度的网络学习行为模型
三、智能化网络学习行为分析系统结构设计及其功能实现
1.智能化网络学习行为分析系统的结构设计
为了能对网络学习者学习行为进行动态跟踪、采集、分析和评价，我们尝试着设计一个智能化网络学习行为分析系统软件。该系统是基于上述网络学习行为模型而设计的，它分为学习者的行为采集模块、行为统计分析模块、行为评价模块以及学习行为反馈模块。
2.网络学习行为数据采集模块
网络学习行为数据采集模块主要负责采集、量化学习者在线学习行为的数据，并存储到行为数据库中，为分析学习者和资源特征做准备。数据信息收集模块必须保证数据收集的全面性和准确性。
数据的收集方式有两种：第一种是异步收集方式，主要是在学习活动开展以前，通过问卷调查、学习者自我介绍等传统的信息收集方法来获取有关的数据。这类信息多为静态信息，不会随着学习者的学习过程而改变。第二种为同步收集方式，即利用网络通信技术对学习者的学习活动进行实时追踪，记录所有与学习相关的信息。这类信息主要是对各种网络学习行为进行量化的参数，是动态数据。分布在Web服务器上的日志信息、客户端的Cookie等，也可以作为重要的网络学习行为数据采集来源。
3.网络学习行为数据统计分析模块
统计分析模块的任务主要有两个方面：一是负责对网络学习行为数据库中的数据进行提取、加工，实现对学习者网络学习行为的统计分析。二是采取数据挖掘技术对网络学习行为数据库中的数据进行深入的加工，尽可能地发掘行为背后的学习者或资源的个性特征。
统计分析模块包括数据统计和数据挖掘两个子模块。数据统计子模块对数据进行的是初级的处理，得到的也是一些统计结果。例如，统计学习者登陆时刻、离开时刻、对于不同媒体资源的点击操作、保存站点类型等等。数据挖掘子模块则对行为数据进行的是高级处理，它尽可能发掘出学习者行为背后的学习准备、学习动机、归因和自我效能感以及学习者所掌握的学习策略等等。
数据统计子模块和数据挖掘子模块处理的数据结果都将分门别类地保存到学习者特征数据库、资源特征数据库和网络学习行为特征库中。
4.网络学习行为评价模块
学习行为评估模块主要实现两个功能：一是找出学生学习行为与学习效果之间的关系，构建有效的网络学习行为模型。二是根据所构建的网络学习行为模型对学习者的在线学习行为进行评价。
系统主要是进行网络学习行为的形成性评价，同时兼顾即时评价和阶段性评价。通过即时评价动态采集学习行为的数据，实时监控学习情况，当学习过程中有需要调适的网络学习学习行为模型参数时，就会触发系统进行一次即时评价。阶段性评价则是按照学习的进度，将学习过程分为几个阶段，对每一阶段进行一次评价活动。通常，阶段性评价的结果以显式的知识呈现方式输出，供学习者、教师或教学管理者参考，即时性评价的结果则作为智能反馈模块的输入。要实现该种智能评价系统，需要考虑诸多因素，包括知识获取、知识表示、推理规则、机器学习等许多问题。
5.智能反馈模块
评价结束后，评价结果通常包括两个方面的输出：一是以显式的知识呈现方式输出评价结果。这一方面的结果，可以被学习者、教师以及教学管理者查询、获取。根据系统显示的评价结果，相关的人员可以对学习活动进行监控和调整。二是将结果输出到智能反馈模块，智能反馈模块则根据网络学习行为模型，对学习者的学习活动给予个性化的指导。
智能反馈系统对学生在线学习活动所进行的个性化安排，具体表现为：提供学习内容的动态适应机制，形成个性化学习辅导；通过跟踪学生的学习过程，对不同起点的学生提供难易程度不同(教学目标一致)的学习内容；提供学习内容动态导航机制，根据学习进度和能力水平，推荐个性化学习材料；为学生提供个性化学习工具、网络在线笔记本、学习目标管理工具、知识库检索工具、学习测评工具、通讯工具等；提供因人而异的学习诊断与个性化反馈信息等。
四、系统实现的主要技术
1.CELTS元数据规范[2]
在对网络学习行为进行量化过程中，需要定义两种元数据：学习者元数据和学习对象元数据。学习者元数据用来规范所要收集的学习者特征。学习对象元数据用来描述学习材料的属性。为了实现信息的通用性和共享性，本文依据教育部教育信息化技术标准委员会(CELTSC)制定的学习者模型规范（CELTS-11）和学习对象规范（CELTS-3），对网络学习行为采集中要用到的元数据进行规范。
对学习者元数据进行定义，可以包含以下内容：
学习者基本信息：包括姓名、昵称、ID、性别、班级、年龄、E-mail和密码等字段。
学习历史：课程标号、浏览过的URL、登录次数、学习时间、教学活动形式。
绩效信息：作业、测验、学习作品、职务。
学习者知识结构：课程编号、知识点编号、各知识点的达标情况。
学习偏好：信息加工方式、情感和意动、社会特征。
对学习对象元数据进行定义，包括以下属性：标题、日期、关键字、学科（语文、英语、数学等）、认知目标（知识、记忆、运用、分析、综合、评价等）、教学模式（讲授型、讨论型、探索型等）、组织结构（直线型、树型和网型）、活动形式（个别学习、合作学习等）。
2.数据挖掘
数据挖掘(Data Mining)是从大量的、不完全的、有噪声、模糊的、随机的实际应用数据中，提取出隐含在其中的、人们事先不知道、但又是潜在有用的信息和知识的过程。[3]它是在没有明确假设的前提下去挖掘信息、发现知识。
数据挖掘是知识发现(KDD)的核心部分，是发现知识的阶段。学习者通过网络开展学习的过程中，会在不同的学习平台上留下大量的记录信息。利用数据挖掘技术可以对行为数据背后隐藏的学习准备、学习动机、归因和自我效能感以及学习者所掌握的学习策略等等规律进行分析。
3.Web Services
Web Services是建立可互操作的分布式应用程序的新平台。它定义了应用程序如何在Web上实现互操作性的一套标准。组成Web Service平台的主要有以下几个方面的技术：XML和XSD、SOAP、WSDL以及UDDI等。[4] 它通过SOAP（Simple Object Access Protocol，简单对象访问协议）在Web上提供软件服务，使用WSDL（Web Service描述语言）文件进行说明，并通过UDDI(统一描述、发现和集成协议)进行注册。SOAP、WSDL和UDDI都是基于XML的。
Web Service被认为是下一代的WWW。它具有互操作性好、普遍性强、易于使用、得到广泛的行业支持等特点。利用Web Services可以实现动态教学资源和信息访问、实时和非实时交互教学、在线答疑、讨论和作业评批、教务和考务管理等等各个不同的学习支持系统之间进行统一的数据共享和相互操作，从而能够更充分和全面地掌握学习者的网络学习行为特征。
五、结语
良好的网络学习行为不会自然形成，而是需要依赖于网络学习环境的完善与优化。对网络学习行为的分析将有助于网络学习环境的建设，有助于开发出个性化、智能化的学习支持系统。本文提出了网络学习行为的多维度和多层次的模型，在此基础上设计了一个智能化网络学习行为分析系统的结构，并分析了其实现的策略以及主要技术特点。后续工作中，需要进一步完善有效的网络学习行为模型以及模型的应用系统研究。
参考文献:
[1]杨开城，李文光等.现代教学设计的理伦体系初探[J].中国电化教育，2002，（2）.
[2]学习者模型规范（CELTS-11）和学习对象规范（CELTS-3）http://www.celtsc.edu.cn.
[3]刘海涛，吕智慧等.基于Web Service的CELTS学习者模型[J].计算机工程，2005，（10）.
[4]刘均，李人厚等.网络学习中学习者个性挖掘方法的研究[J].西安交通大学学报，2004，（6）.