[1]李宝,张文兰.智慧教育环境下学习资源推送服务模型的构建[J].中国电化教育,2005,(3):41-48.
对于智慧教育环境下个性化资源推送服务的研究，国内外研究主要集中于以下两种方法：一种是对学习过程数据进行分析来实现。另一种是利用问卷量表和学习过程数据分析相结合的方法来实现。
学习资源推送服务模型主要是依靠学习者特征与资源特征进行相似度匹配来实现个性化资源推送服务的，因此，学习者特征模型的确定是本研究的首要任务。
Felder-Silverman学习风格模型：其模型分为信息加工、感知、输入、理解四个维度。其中信息加工分为活跃型和沉思型；感知分为感悟型和直觉型；输入分为视觉型和语言型；理解分为序列型和综合型。Felder-Silverman量表是由44道题目组成，每一个维度都有11道题，每道题都有两个选项分别对应学习风格中的一种。对于Felder-Silverman量表，每种维度的取值可能是11a、9a、7a、5a、3a、a、11b、9b、7b、5b、3b、b中的一种，“a”表示学习风格，“a”前系数表明程度，分值在1-3说明学习偏好弱，5-7说明偏好适中，9-11说明偏好强烈
一、学习者特征模型的构建
学习者特征模型的确定主要分为三个阶段：第一个阶段，学习者在智慧教育环境下登陆学习课程平台之前需要进行前测，主要利用用户自我评价和问卷量表的文本数据挖掘和分析完成学习者特征的确立；第二阶段，在学习者学习过程中利用数据挖掘收集数据，随后进行在线学习行为分析，再次确立学习者特征；第三个阶段，把在学习过程中建构的学习者特征与学习前构建的学习特征进行对比分析，根据时间、学习状态等信息作动态地更新，同时收集学习者在学习过程中反馈的信息，再作相应调整，达到智慧教育环境下学习的自适应性的效果。
（一）静态数据初步构建学习者特征模型
这一阶段用户还未进行学习，主要利用用户自评、学习风格量表等初步构建个人学习者特征。用户自我评价是学习者开始学习之前对于自己学习方式或者自我学习能力等方面所作的评价，用户提交后，智慧教育环境下的学习平台会自动利用数据挖掘提取关键文本信息，借助学习分析技术生成学习者个人特征信息库（如图2所示）。同时，学习者进入课程学习之前需要填写学习风格问卷量表，系统平台会依据问卷各维度数据得出学习者学习风格，并自动将数据纳入学习者学习风格特征库。
（二）动态数据再次构建学习者特征模型
这一阶段学习中挖掘学习过程中学习者行为，对于学习者的学习路径、知识点状态、心理特征、行为特征等进行分析，进而建构学习者的学习特征。学习过程数据记录主要从个体学习行为、群体学习行为两个层面以及智慧教育环境下正式学习与非正式学习两个维度进行。数据收集后，利用关键字段提取、语义网络分析、数据协同过滤、行为特征等社会网络分析软件（例如，Ucinet）进行学习分析，建构学习者行为特征。在学习者学习的过程中还记录了学习某个知识的掌握程度，构建了学习者知识掌握状态特征，了解到学习者目前学习的掌握状态究竟处于感知学习阶段、内化学习阶段或迁移学习阶段中的哪一阶段（如图3所示）。
对学习者学习特征二次构建的数据存储在学习者特征数据库中，特征信息数据是和学习者前测数据进行比较分析的。这些数据主要是从学习者自身生理维度和心理维度进行记录的。在生理维度方，学习者学习特征属性包括对于文本、视频、音频、动画、图片、图表、学习工具等的偏好程度；心理维度包括个人学习反思、学习笔记呈现方式、作业提交、信息分类、信息整理、个人发起讨论、喜欢学习导航模式、对于学习界面和学习模块布局等的偏好、个人检索信息能力、参与活动先后顺序等。
另外，在学习者个体学习行为方面还对学习者学习过程中的路径，利用已有成熟应用的向量空间算法或者遗传算法进行记录，随时了解学习者学习的状态。
在对学习者进行群体学习特征建构时，主要是从 行为特征聚 类和心理 特征聚类两 个方面 进 行 构建。行为特征聚类考虑学习过程中群体的网络学习参与度、学习内容的偏好、知识表征的类型、讨论的主题、交流互动的程度、对于网络的依赖性、网络学习中自我控制能力、信息共享的速度、作品呈现方式、相互点赞频率、修改作答的次数、多次完善作答的结果、反馈信息等。心理特征聚类考虑学习过程中群体的网络学习策略、元认知状态、自我效能感、态度、动机、网络学习空间定位感、注意力表现水平、学习焦虑、学习归因的方式等。
（三）完善学习者特征模型
这一阶段借助智慧教育环境下的学习分析技术，对静态数据构建的学习者特征与动态数据再次构建的学习者特征进行对比分析，将第一阶段和第二阶段中学习者特征相似的特征作同类合并处理，并将这些特征作为学习者主要稳定特征。对于一些在学习过程中变化的特征主要以第二阶段记录挖掘到的数据为主，这些特征作为辅助特征。学习特征确定后，进行学习者特征建模，建立学习者特征库。学习者特征库包括学习者特征模型库、用户访问数据库、相似用户矩阵库。学习者特征模型库汇总、记录不同学习者的不同学习风格模型；用户访问数据库记录学习者对系统的访问数据以及反馈信息等；相似用户矩阵库是将学习者特征模型库中不同学习者的相似行为特征或者某一段时间的相似学习特征归为一类进行标记。
二、学习资源推送服务模型
学习者学习特征维度确定后，要实现智慧教育环境下个性化资源推送服务还得完成学习资源特征库的构建以及学习者特征与资源特征的相似匹配。
资源特征库建设：资源库中的资源首先进行特征扫描，然后利用坐标节点值Pmn变化构建资源特征库,m表示学习者的标记，n表示知识点的标记。资源库中学习资源包括学习资源方式特征库、资源关联矩阵库、本体知识网络库、知识推荐模型库（如图6所示）。资源方式特征库是利用提取关键信息的方法进行资源信息的标记。资源关联矩阵库是在建立资源特征库时将关联资源利用矩阵形式进行信息标记，相似资源的特征矩阵进行归类处理；本体知识网络库是资源知识建设时，基于单个知识点进行特征构建。知识推荐模型库主要是搜集针对一些热点的问题资源、具有代表性的问题资源、核心问题资源以及典型共性资源等利用资源特征构建知识推荐标签，用来作为不同专题知识点学习者学习资源推荐服务的依据，这类推荐服务如同目前Weebly/Blog等中RSS聚合插件，知识获取由“拉”转变为“取”。
资源特征和学习者学习特征相似匹配：相似匹配的计算采用基于相似特征的实例检索算法，计算学习者特征与资源特征的欧式距离doi后,得出相似度roi=1-doi（roi越大，相似度越大，学习者特征与资源特征匹配更相似），然后选取相似度较大的、临近的资源。当用户处于某个阶段有学习需求时，系统会根据学习者的信息，提取学习者的ID、所处知识点的坐标位置X、学习的层次Y、学习的时间T等信息，分析学习者目前所处个性化学习阶段的特征，如图6中（1）所示。随后，系统在资源特征库中提取相关信息资源，完成图6中（2）所示。接着，对资源库的资源特征进行协同过滤，完成学习者特征与资源特征的相似度匹配，如图6中（3）所示。最后，参照模型所示，系统会依据学习风格、学习状态、学习路径、学习群体进行资源的推送。
与其它资源服务模型不同之处在于该智慧教育环境下学习资源推送服务模型将对学习者的资源推送分为基于个体学习特征的推送和基于群体学习特征的推送。
基于个体学习特征的推送：基于个体学习特征的推送是指学习者以个体身份进行学习行为的特征，在实施推送时考虑个体进行学习时的学习风格、学习策略、学习路径、学习状态等。个体学习特征的信息资料存储在用户特征库里，其中相似用户作归类处理，建立相似用户矩阵库。
基于群体学习特征的推送：主要是针对某一类群体在学习中不同的行为特征、心理特征进行的。学习者之间则利用Pearson相关分析学习者之间学习特征相似性，该方法在Mojtaba Salehi、Shu-Lin Wang等的研究中已经多次使用过，公式[论文参考文献21]如下：其中Pan、Pbn表示a学习者和b学习者所处知识点的状态特征值，Pa、Pb分别表示a学习者和b学习者特征的均值。系统基于群体推送资源后，参照Alfredo Zapata等[22]采用搜集群体成员对系统推送学习资源与自己学习兴趣和需求情况进行评分,以分数对比来确定学习者学习需求特征，进而组成新的学习群体或者检验推送资源满足学习者需求的准确性，最终完成基于群体学习特征的推送。
注：这些观点来源于论文作者。