个性化资源推送的方法（日常总结0925）

[1]吴洪艳.智慧学习视角下个性化在线学习系统设计与应用[J].中国电化教育,2015,(6):127-131.

一、基于学习分析技术的个性化在线学习系统设计

（一）该系统包含以下几部分：

1.云设施及服务通过硬件的虚拟化和云基础服务技术，加强网络数据存储、处理能力，提高网络的灵活性和可用性。学习者描述数据库、学习过程数据库、课程数据库、学习资源数据库都存储在云端。

2.分析应用层

通过分析学习者与在线学习系统的交互的静态和动态数据，如个人姓名、班级、媒体偏好、知识点排列的线性与非线性等，建立学习者模型，该模型用于系统提供适合学习者的学习资源媒体类型以及课程学习顺序，对有相同学习者模型学习者聚类分组，形成同伴关系；通过记录、跟踪学习者花费的学习时间、习题测试完成情况等数据建立学习者知识模型，该模型用于预测并反馈学习效果，
并自动推送合适的学习内容；通过一段时间学习相关数据的趋势分析，教师掌握学习者学习情况，调整教学策略，实施教学干预。

通过学习数据分析，掌握学习者的需求及学习规律，为不同的学习者推荐适合的学习资源、学习路
径，建立个性化的学习环境；同时教师根据学习分析结果预测教学效果，从而进行教学干预，优化学习过程，促进个体智慧发展。行政管理者依据线下分析结果，改善教学计划等。 所有分析可进行可视化显示，通过可视化显示，学习者了解个人学习进度、知识掌握情况；教师掌握学习状态及教学效果。管理者掌握课程发展趋势，对危险的学习者发出预警。

3.交互管理层
系统用户的管理分三类：一类是学习者，是资源的使用者；另一类是资源的开发者，如教师；第
三类是系统管理者，负责系统的维护与管理。所有使用者连接系统于交互界面。

(二)系统目标及实现技术方法对学习者而言，系统实现的目标就是个性化、适应性。能依据学习者特征，如学习风格、认知能力、兴趣偏好等适应性、个性化地推送学习内容、路径。对教师而言，系统能分析学习者学习过程信息，实施干预。目标的实现依赖学习分析技术。利用贝叶斯网络方法，建立动态学习者特征模型；通过难易等级不同的测试题获取学习者的认知水平；利用数据挖掘的聚类方法形成同伴关系；利用协同过滤推荐技术，依据学习者特征模型实现推送学习资源、路径等；利用可视化技术，使学习者了解学习进度、学习状态；利用多元统计学的因子分析和相关分析，确定影响学习绩效的因素。

(三)系统的运行流程学习者学习流程如图2所示。首次登录后，完成所罗门学习风格测量表，形成个人学习风格，学习过程中，通过学习行为分析动态调整学习风格；学习风格、测评结果存放在个人档案袋中；依据学习风格及测评结果推荐个性化学习内容，开始在线学习；结合学习时间与测评结果给予反馈，警示学习者；学习结束后进行测评，结果存放档案袋中。

注：这些观点来源于论文作者。