“双减”背景下的个性化学习推荐策略研究

2022-10-14 02:00高琳琦
关键词:学习材料双减学习者

高琳琦

随着云计算、人工智能、大数据挖掘等现代信息技术的发展和应用,传统的计算机辅助教学系统(CAI/CAE)逐渐发展成为智能在线学习系统(Intelligent e-Learning)[1],利用网络空间中丰富的学习资源,为学习者提供一种泛在、智能的学习环境,推动人才培养模式、教育教学方法等改革,已然成为教育智能化的一个重要研究领域。其中,个性化学习中的推荐方法(Personalized Recommendation)是通过判断学习者的需求、兴趣或偏好等,从海量学习资源中为学习者提供学习材料,在克服其“信息过载或迷失”的同时,实现个性化学习,从而激发学习者的兴趣,提高学习效率,个性化学习推荐法已成为智能在线学习系统、智慧教室等的一项关键技术,得到了越来越多的研究和应用[1][2]。

个性化学习推荐的优势在于精准判断学习者的兴趣,为其精准推荐学习材料,是实现“双减”等目标的重要手段。但是,学习过程具有目标性和标准化的要求,尤其在基础教育领域,受到培养目标、课程标准、评价标准等约束,单纯从学习者偏好出发的推荐,不能够有效达成教学目标。同时,如果过度关注学习者的个性化兴趣,则会不可避免地限制学习者的视野,不利于达到课程的全部培养目标。这是应用个性化推荐时,不可回避的问题。

因此,在个性化学习推荐策略中,需要引入培养目标约束,以适合基础教育特点。一方面,应充分利用个性化推荐的“因材施教”效果;另一方面,应整合目标约束,使推荐的学习材料符合培养目标和认知规律。本文通过分析现有个性化学习推荐策略的内涵和实质,根据基础教育领域应用特点,在多目标优化方法的基础上,提出三种混合推荐策略,分别运用在个性化学习的三个阶段。

一、个性化学习推荐的重要性

多元智能理论认为,每个个体都有八种基本智能,其发展存在着差异,应当提供符合学生不同智能组合的学习方式。建构主义学习理论认为,学习过程是学习者通过自身原有的知识体系和学习经验,借助他人的帮助,利用外部资源主动建构知识意义的过程,教学过程应以学习者为中心进行设计和资源配置。因此,个性化学习推荐具有重要的价值。

首先,实施个性化学习所遵循的教育思想是“因材施教”,这是教学中一项重要的教学方法和教学原则。联合国教科文组织在《教育2030 行动框架》中强调:“教育应当致力于个性的全面发展。”[3]《国家中长期教育改革和发展规划纲要(2010—2020 年)》中提出“注重因材施教,关注学生特点和差异,发展每一个学生的优势潜能”,强调“多样化、差异化”的人才培养目标,为每个学生提供“适合的教育”。并且,《中国教育现代化2035》中也指出,在教育信息化背景下实现教育对人才的个性化培养[4]。在传统的教学环境中,教师难以持续、深入地追踪分析每个学生的特点、学习进展和兴趣偏好,使得“因材施教”较为困难。智能在线学习系统和个性化推荐技术通过记录和分析学习者的学习风格、学习特点,可以从根本上改变以“教师讲、学生听”为主的教学实施过程,为以学习者为中心的教学实践提供基础。

其次,个性化推荐能够为“双减”政策的有效落实提供强大助力。个性化学习推荐是一个从学习资源到学习者的映射关系,通过分析学习者的偏好、知识水平、学习风格、学习进度和掌握程度等特征,为其提供个性化的学习推荐。例如,可以为学习者提供学习路径规划,帮助其完成学科知识的建构,并选择适当的教学资源,以课件、动画、视频等符合其偏好的形式,提供给学习者,使学习者能够以自己擅长的风格完成知识点的学习,这有利于提高学习效率,加快知识建构过程。因此,个性化推荐能够提供精准的知识学习和习题练习,避免大量的作业负担和培训负担。

第三,个性化推荐能够提高教师对学生特征的把握,从而更好地指导学生的学习进程。在传统的课堂教学中,优秀的教师能够凭借自身经验,把握学生特点和需求,指导其学习进程。但是,难以满足多数学生的差异化需求。个性化学习推荐的基础是记录、分析学生的个人特点、学习行为等数据,得到学习者画像。因此,教师作为智能在线学习系统的重要参与者,能够依据学习者画像,结合所具备的教育理论、教学经验等,为学习者提供满足其个性化需求的学习内容和学习路径。

总之,个性化学习推荐能够以精准的方式为学习者推送学习资料,提高学习效率,激发学习兴趣,树立学习信心,并成为基础教育领域智能化发展的一个重要方面。

二、个性化学习推荐策略分析

个性化学习推荐是在学习者需求分析的基础上选择适当的学习资料提供给学习者。在这个过程中,包括三个主体:学习者、学习资料和教师。因此,个性化学习推荐策略可以分为下列不同类型。

(一)从学习者出发的推荐策略

该推荐策略是基于协同过滤(Collaborative Filtering)的方法,认为同类型的学习者应该具有相同的需要[5]。该策略首先依据各个学习者对学习资料的评分,包括显性评分和点赞、收藏或下载等隐性评分,对学习者进行分类或聚类,然后依据同类中其他学习者对学习资料的评分,为当前学习者提供推荐。

该策略基于分组教学思想,有利于开展分层次的教学。若结合讨论式学习系统,则能够充分调动学习者的学习积极性,培养合作精神。其不足之处在于“冷启动”问题,又称为新用户问题。即对于新学习者,由于没有足够的评分数据,难以对其进行准确分类,影响推荐的准确度。而且在基础教育领域,各学科知识结构是由一系列知识单元组成,当学习者开始进入一个新的知识单元时,也会出现评分数据的缺乏,导致推荐准确度下降。

(二)从学习资料出发的推荐策略

该策略是基于内容分析(Content-based)的方法,即通过匹配学习资料特征和学习者偏好来产生推荐[5]。该策略首先分析学习资料之间的相似性,然后选择那些与学习者曾经使用过的学习资料相似的且其未曾学习过的资料推荐给学习者。在这个过程中,常常要对学习资料和学习者偏好之间的相似性进行排序,选择相似度高的学习资料作为推荐结果。

该策略能够为学习者快速找到感兴趣的学习资料,提高学习者的参与度。但是,该策略存在着“开拓能力差”的问题,即难以推荐出学习者尚未关注或感兴趣的内容,从而局限了学习者的学习视野,适合于进行知识点的熟练度训练,难以进行拓展训练。

(三)从教师出发的推荐策略

这种策略是基于知识管理(Knowledge-based)的方法,一般包括关于教育教学的知识、关于学习资料的知识(即学科知识)、关于学习者的知识(即学习者画像)等三部分[6]。通过分析学习者的学习进度、学习特征、掌握程度等,为学习者选择和提供适当的学习资料。常常使用本体(Ontology)、语义关系(Semantic Relation)等知识图谱(Knowledge Graph)来描述上述三部分知识,应用图匹配、搜索等技术分析学习者对学科知识掌握的情况并推荐下一步学习资料,提出学习建议。

此推荐策略的实质是构造了一个虚拟教师,其优势在于应用了关于教学的领域知识,即教学过程在现代信息技术的辅助下,能够更好地了解学习者并为其制定有针对性的教学方案,从而避免了“冷启动”和“开拓能力差”等问题。但是,教师对学习者的评价不能代替学习者的自我评价,产生推荐的依据不是学习者对学习材料的评价,因此,所推荐的学习资料并非适合学习者的偏好,仍然是传统的学习任务或作业等,侧重于“教”而不是“学”。另一个不足之处在于,构建基于这种策略的智能在线学习系统,对知识工程的依赖较重,需要大量的知识建模、存储和检索等,而统一的知识模型难以适应不同学习者的特征。

(四)混合推荐策略

上述推荐策略各有优缺点,可以总结如表1所示。

表1. 不同推荐策略的优缺点

混合策略的目标是融合两个以上策略,从而克服单一策略存在的不足,提高推荐效果。例如,把协同过滤和内容分析结合起来,一种策略是把同类学习者的评价视作当前学习者的评价,然后进行内容分析,能够在一定程度上克服扩展性差的问题;另一种策略是,用内容分析的方法预测学习者对其尚未评价的学习资料的评分,用以扩展协同过滤时的数据集,从而克服新用户问题。前者是把协同过滤的输出作为内容分析的输入,后者则相反,两者都能够在一定程度上提高推荐效果。但是,教师的专业知识和教学经验没有得到体现。

在一些智能在线学习系统中,把教师角度的推荐和学生角度的推荐结合起来[7],在每个知识点设立一系列测试,根据对测试结果的分析,把学生分为不同的类型。随后,可以应用协同过滤等方式,自动产生推荐。这种方式在每个知识点的开始和结束等阶段,引入了教师的专业知识和教学经验,通过提高学习者分类的准确性来提高推荐效果。但是,学习者分类的准确与否,不仅仅体现在教师视角或者测试结果中,学习者的偏好体现在受其背景知识、学习风格、学习特征等影响下的整个学习过程,并且是不断变化的,通过测试对学习者进行分类,仍然是传统教学过程中的教学策略,没有充分应用学习者在学习过程中表现出来的偏好。

三、个性化学习推荐策略

个性化学习推荐方面的研究多数是以高等教育或终身学习为应用场景[1],并取得了良好成效。在基础教育领域的应用中,却与标准化教学现状冲突,导致“因材施教”举步维艰[8]。为了设计适合基础教育领域的推荐策略,需要分析基础教育的特点,有针对性地设计混合推荐策略。

(一)基础教育的特点分析

基础教育具有很强的目标性。《义务教育课程方案(2022 年版)》(以下简称“新方案”)和《义务教育课程标准(2022 年版)》(以下简称“新课标”)中,明确了培养目标,每门课程标准反映其基本立场和核心观点,昭示该课程的理想追求和实践方向[9],体现了国家对基础教育课程的基本规范和质量要求。通过“新课标”的实施,全面贯彻党的教育方针,培养符合素质教育要求的完善的人。因此,“新课标”具有统一性、规范性的特点。由此,基础教育领域的评价准则也是标准化的[8]。同时,“新方案”将学习者发展的内涵从单一的知识学习扩展到“有理想”“有本领”“有担当”,学生发展的核心素养扩展到正确价值观、必备品格和关键能力等多个方面。这些多元的培养目标,又更加要求关注学生的个性化培养。因此,基础教育领域的个性化学习要在目标和标准统一的条件下进行。这似乎是矛盾的。

一般地,个性化教学指的是教师依据自己的教学知识、经验、技巧等,根据学生的特点,对教学内容进行解构和重构,其目的是“以个性化的教促进个性化的学”[10],突出了“教”的个性化,是从教师角度出发的个性化推荐策略的依据,有利于把控和实现教学目标。

同时,在大数据、人工智能时代,由于教学资源的丰富性,为降低学习者的信息负担,解决信息过载,避免大量“刷题”等问题,促进高效率学习,运用了多种大数据分析技术、人工智能算法等,分析和判断学习者的特点或偏好,为其推荐符合其需要的学习材料,即突出“学”的个性化。这是从学习者或学习材料出发的个性化推荐策略的依据,其产生推荐的基础是学习者在学习过程中体现出来的偏好,一般用对学习资料的评价或评分来表示。

因此,需要把“教”和“学”的个性化统一起来,才能构造适合基础教育的个性化学习推荐策略。基础教育领域的个性化学习推荐可以定义为“从教师专业知识和学习者偏好出发,从众多学习材料中,依据教师评价和学生评价,实现学习资料到学习者的映射”。而推荐策略则是为学习者寻找最适合学习资料的策略。具体原则如下:

一是实现教学目标和学习个性化的统一,即在矛盾、不一致或相互影响的多个目标约束下,进行个性化学习推荐;

二是重视“学”的个性化,这是智能在线学习系统的优势,通过发挥学习者独特的多元智能组合来实现个性化学习;

三是应用“教”的个性化,克服开始每个知识点学习时的“冷启动”问题和巩固练习时的“开拓能力不足”问题;

四是推荐结果应是有限的,且是最符合教学目标和学习者需要的,以减轻每次学习任务的负担。

(二)个性化学习推荐策略设计

可以应用多目标优化方法,把教学过程中的目标和学习过程中的偏好都视作个性化学习推荐中的目标约束,从而把推荐策略转化为一个多目标优化问题。

从学习者角度和学习资料角度出发的推荐策略,可以视为在学习者偏好约束下的单目标优化问题,学习者偏好是在学习者与学习资料的交互中所体现出来的。从教师角度出发的推荐策略,可以视作在教师的专业知识和经验约束下的单目标优化问题。在“教”和“学”两种策略中产生推荐时,通过预测学习者评分,以评分表示该学习材料对学习者需求的满足程度,一般选择N 个具有较高评分的材料进行推荐,获得的推荐集合是具有最大评分之和的学习资料集合。因此,个性化推荐过程就被转换为学习者评分之和的优化过程。N 是每次为学习者提供学习任务的数量,其取值不宜太大,否则不利于“减负”。

多目标优化模型有很多种,在产生N 个推荐时,可以采取背包模型。典型的背包问题可以描述为[11]:给定一组物品和一个背包,每个物品若被放入背包,能得到一定的收益,背包具有最大容量N,优化目标是选择收益之和最大的N 个物品。用cj表示每项学习资料,cj=1 或0,表示该学习材料是否被推荐;推荐策略是学习资源到学习者本身的映射函数,用f1、f2和f3来表示从学习者、学习资料、教师三个角度出发的推荐策略,则fi(cj)分别表示该策略对学习材料的评价;gi分别表示了在三种策略下的评分之和;ei分别表示各个策略所要求的最低评价值,即大于该阈值的,才能够被推荐。在这里,需要用到协同过滤和内容分析两种策略的阈值。在此设计以下三种混合推荐策略:

教师评价最大化的推荐策略(S1):

在S1 策略中,把教师的评分作为目标函数,把协同过滤和内容分析的评分作为约束条件。另外,把N 个推荐结果也作为一种约束,从而限制推荐结果的数量,以便达到减轻学习者负担的目标。其意图是把“学”个性化指标作为约束,把教师的选择作为要达到的目标,是满足“学”个性化要求的“教”个性化的最大化策略。

满足教师评价要求的协同过滤策略(S2):

满足教师评价要求的内容分析策略(S3):

上述两种策略中,都具有两个优化目标,S2策略的意图是把协同过滤和教师评价同时作为优化目标,即只有同时满足这两方面要求的学习材料才能够推荐给学习者。类似地,S3 策略把内容分析和教师评价作为优化目标。这两种策略是满足“教”个性化要求的“学”个性化的最大化策略。同样,为了达到“减负”的目标,限制了推荐结果的数量。

(三)个性化学习推荐策略的三阶段应用

教学过程是分阶段的,如赫尔巴特的“四阶段教学法”、赖恩的“五阶段教学法”、凯洛夫教育学的“六阶段教学法”,以及“三段十步”教学流程等[8][12],把教学过程分为具有阶段目标和要求的一系列步骤,具有较强的操作性。为了更好地运用个性化学习推荐,可以把学习过程分为知识单元的学习准备、掌握和熟练三个阶段,以体现以学习者为中心的要求。根据每个阶段的特点,分别选择不同的策略进行推荐。

1.学习准备阶段

这个阶段是在教师对新知识单元进行讲授后开始的,为了更好地判断学习者的掌握程度,可以采取一些测评,考察学习者对相关前置知识单元的掌握情况、对本知识单元的预习情况等,从而形成对每个学习者的判断。在此基础上,应用S1 策略进行推荐,体现了以“教”个性化为主,并且根据学习者偏好,对学习者进行分类,预测其对新学习资料的评分,选择那些符合教师判断和学习者特点的学习材料进行推荐,从而使学习者以其容易接受的方式,了解本知识点要解决什么?怎么解决?为什么要这么做?

2.掌握阶段

这个阶段是知识构建的主要阶段,可以先采取S2 策略对学生分类,开展分层学习。但是,由于学生刚刚开始本知识单元的学习,分类的依据是在前期知识单元的学习中,学生表现出来的相似性,难以准确描述学生在本单元的学习特征,即存在“冷启动”问题。因此,需要引入教师的专业知识和经验,由教师对该知识单元中经常出现的问题进行分析,区分重点、难点等,根据教师的判断,为学习资料评分,提高学生分类的准确性,从而提高推荐精度。

3.熟练阶段

这个阶段可以采取S3 策略,通过分析学习资料之间的相似性,选择评价较高的一系列学习材料,供学生进行练习,体现了以“学”的个性化为主。但是,为了克服“开拓能力不足”的问题,同样需要引入教师的专业知识,对学习材料的评分进行修正,以确保推荐过程不仅仅基于学生的评分,也能满足教师的评分。

四、结语

在分析现有推荐策略基础上,提出了混合推荐策略,这能够把“教”的个性化和“学”的个性化统一起来,通过为每个学习者提供有针对性的、精确的学习材料、习题等,促进“双减”政策的实施,帮助教师更好地把握学生特征和开展“因材施教”。

学习者画像和知识图谱在实现具体的推荐算法时非常重要。本文的重点在于依据基础教育领域的特点,通过分析现有推荐策略的优缺点,运用多目标优化的方法,研究相应的推荐策略。因此,没有对学习者画像和知识图谱进行讨论。

个性化推荐的基础是学习者与学习资料之间的联系,通过分析学习者评分之间的相似性来对学习者进行分类,这种分类是学习者自发形成的。个性化教学中的分类或分组,依据的是教师对学生的判断。为了适应个性化学习推荐的需要,即突出“学”的个性化,可以把教师对学生的判断,转化为教师对学生掌握学习资料或知识点情况的评分。这是本文所提出推荐策略的基础,从而能够运用多目标优化的方法产生符合不同学习阶段需要的推荐结果。同时,学生的评分和教师的评分,随着学习过程的进行,不断得到更新。

多目标优化问题常常是一个多项式复杂程度的非确定性问题,其求解是困难的。但是,存在着多种近似求解方法。下一步,可以在国内外常用学习数据集和在所提出策略的基础上,实现具体算法,以进一步验证所提出推荐策略的有效性。

猜你喜欢
学习材料双减学习者
党史学习教育四种指定学习材料少数民族文字版出版发行
“双减”出台,校外培训面临巨震
省教育厅基础教育处一行到莒县开展“双减”工作专项调研活动
持续推动“双减”,强化学校育人主阵地作用
你是哪种类型的学习者
十二星座是什么类型的学习者
青年干部要当好新思想的学习者、宣讲者、践行者
苹果园实现化肥农药“双减”的路径选择
数学探究中提升学生智慧的路径研究
构建有效数学课堂的策略探讨