从数学学习环境的变革与趋势（上） 　　(3)

　　1.学习者建模技术

　　由于不同的学习者存在方方面面的差异，为了让计算机能够自动地为不同的学习者提供恰当的反馈，首先是获取学习者信息和表征学习者，即学习者建模。学习者信息的内容及其表征形式称为学习者模型；学习过程信息的自动获取和分析方法称为学习分析技术。学习者建模主要涉及学习者个体信息和学习者情境信息两类信息。其中，根据信息的稳定性，可以将个体信息进一步划分为持续性信息和动态信息。学习者个体的持续性信息是指相对稳定的、影响学习效果的个体特征。相反，学习者个体的动态信息是指能随情境、时间而变化的、与学习活动有关的个体状态。

　　学习者的个体持续性信息包括认知特点、学习风格、学习兴趣等。Lin等(2007)使用量表、自我评估测试的方法识别学习者的工作记忆容量和演绎推理能力等认知特点。Garcia等（2007)和Graf等（2009)研究了Felder-Silverman学习风格的自动识别方法。Herlocker等（2004)和Orzechowski等(2007)通过协同过滤机制预测学习者对学习资源的偏好，并推荐相应的学习资源。

　　学习者的动态信息包括领域知识水平、学习主题、情感状态等。PAT和AnimalWatch是两个典型的数学导学系统，分别采用基于产生式规则的方法和基于叠加模型的方法诊断学习者数学领域知识的薄弱环节，并跟踪学习者解决问题的路径;ARGUNAUT系统通过文本挖掘方法识别学习者在线讨论的内容是否切合学习主题;AutoTutor可以根据多通道的输入（如话语行为、面部表情、身体姿势）和情感计算模型，识别学习者的情感状态。

　　学习者的情境信息通常包括地理位置和技术环境。学习者的地理位置信息可以用于为学习者推荐与所在地理位置相关的学习资源,如在野外环境中学习各种植物知识（Chuetal.,2010)。识别学习者的技术环境有利于为学习者提供信息负载合适、可用的学习资源，如为特定的手持设备提供一定格式的视频资源（Tan&Kinshuk,2009)。

　　2.学习分析技术

　　目前，学习分析技术主要利用交互文本、视音频和系统日志三种形式的学习过程记录数据分析学习者的学习特征。

　　利用参与度分析法、社会网络分析法和内容分析法等自动化的交互文本分析技术，可获取学习者对学习的参与度、学习者的社会网络、学习者关注的学习内容等信息。例如，ATK(AnalyticToolkitforKnowledgeForum)是一种常用的参与度分析法，可分析每个学习者阅读和编写帖子的数量及比例、被回复的帖子的数量及比例等量化指标。还可根据交互文本附带的学习者之间的回复关系信息，利用社会网络分析法计算每个学习者的中心度、对学习者进行聚类等。

　　教学视音频分析的主要内容是提取学生和教师的课堂行为信息，如统计教师的言语比例、学生言语比例、教师提问比例、学生讨论比例等（顾小清等,2004)。随着智能视音频分析技术的发展，已经可以根据眼睛和嘴唇的形状对说话者自动识别（Deanetal.,2005),将说话者的语音内容转化为文本内容,对高兴、悲伤、生气等面部表情的实时自动识别（Ryan,2009),手势动作的识别可大大增强人机交互体验感。另外,基于这些分析信息所建立的视频索引信息，可大大提高教学中总结性评价的效率，如统计特定学生在一段时间内的课堂参与情况、对比不同科目的课堂表现等。

　　对包括学科成绩、系统登陆情况、学习资源访问情况、热门的检索词、习题解答情况等系统日志类数据的分析不仅可以帮助研究者和教师了解学习者的学习情况和学习资源的利用情况,而且通过统计分析的方法可以挖掘各种数据之间的关联情况。例如,Hadwin(2007)研究了学习事件的频率、学习活动的模式。

　　3.知识库学习资源检索技术

　　为了满足不同学习者的个性化学习需求，计算机系统需要存储、检索、提炼丰富的学习资源。近年发展迅速的文本挖掘技术、知识库技术和多媒体语义分析技术为满足这一需求提供了重要的技术支持。

　　学习资源库和学习者信息中包含大量的非结构化的文本（自由文本）信息，利用文本挖掘技术可从中挖掘学习者关注的各种信息，如文本的主题、文本作者对某一事物的观点倾向、作者在某一主题的专业程度等。这些信息一方面可以帮助学习者根据这些信息检索学习资源，另一方面可以帮助学习者了解学习资源库在某一侧面的总体概况和趋势（如主题、观点、专家的分布情况）。话题建模（Blei,2011)、观点挖掘（Liu,2010)、专家发现（Lappasetal.,2011)已经成为当前文本挖掘领域的研究热点。

　　知识库在学习资源的检索方面发挥着重要的作用。目前知识库方面的研究主要有本体库、常识知识库、领域知识库等方面的建设。

　　1)基于本体的学习资源表示方法具有跨平台应用的优势，可促进学习资源的共享和重用。本体库（Ontologylibrar-y)是指从不同的来源收集本体的系统，用于促进已有本体的发现、探索和使用（Mathieu&Natalya,2011)。近年来，包括BioPortal、Cupboard、OBOFoundry、oeGov、OLS、ODP、OntoSe-lect、OntoSearch2、ONKI、Scheme-Cache、TONES等在内的本体库涉及生物医学、电子政务、经济、考古等领域。另外，本体与搜索引擎方面的研究相结合促进了本体搜索引擎的出现，可以在互联网中通过爬行器自动索引可用的本体，如Swoogle和Watson本体搜索。

　　2)常识知识库（常识库）用于支持计算机对人类社会常识的获取和利用，可以用于扩展查询语句的语义，提高学习资源检索的效果。常识库的基础应用是缺省推理（默认推理），可以支撑语义Web、信息检索和自然语言处理等技术的实现。国际上较为著名的大规模常识库有Cyc(Lenat等,1985)和WordNet(Fellbaum,1998)。国内较为著名的大规模常识库有盘古常识知识库（陆汝钤,2000)和国家知识基础设施（NationalKnowledgeInfrastructure,简称NKI)(曹存根，2001)。

　　3)领域知识库用于存储和检索结构化的领域知识，是构建面向学科学习的智能学习系统的基础。由于领域知识的人工构建需要耗费大量的时间和成本，因此领域知识库的自动构建（或领域建模，domainmodeling)具有非常重要的现实价值。现有的领域建模方法可以分为两大类，即数据驱动的方法和知识驱动的方法。数据驱动的方法不需要（或只需少量的）人工指导，这种优势不但在于时间和成本方面,也在于跨领域和数据类型的兼容性。知识驱动的方法的数据源是完全结构化的知识库或半结构化的知识资源，主要优势在于知识获取得准确率更高。

　　从海量非结构化的多媒体（文本、图形、图像、音频、视频等）学习资源中检索到所需要的信息，对有效管理和利用多媒体学习资源具有重要意义，这就需要对多媒体内容进行有效的自动分析和理解，以便得到关于多媒体内容的描述和注释性信息，进而提取多媒体资源的语义内容。虽然让计算机准确地理解多媒体资源（特别是视频）中的语义概念仍然是难题，但在某些合适的场景中利用这种技术仍然具有潜在的应用价值，可在一定程度上改善多媒体资源的使用效果（蒋树强等,2009)。

　　(二）传感器技术对智慧学习环境的支持

　　传感器技术是现代科技的前沿技术，是当今物联网发展的重要支持技术之一。传感器技术可从部署的传感元件中周期性获取海量信息，分析、加工和处理出有意义的数据，以适应不同用户的不同需求。当今传感器技术逐渐向网络化、高速化、智能化方向发展,可用于支持新型学习环境的构建。

　　1.无线传感器网络使情景识别、环境监测成为可能无线传感器网络（WirelessSensorNetworks,简称WSN)是在电系统、片上系统、无线通信和低功耗嵌入式技术飞速发展的基础上发展起来的，以其低功耗、低成本、分布式和自组织的特点带来了信息感知的一场变革。无线传感器网络由大量静止或移动的传感器以自组织和多跳的方式构成，其目的是协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息。传感器网络实现了数据采集、处理和传输的三种功能，能够实现物理环境的监测、目标追踪和定位、人体生理参数监控等功能。无线传感器网络的这种特性对于识别学习情景、监控学习环境提供了有力保证。