王 亮

?

深度學(xué)習(xí)視角下基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)*

王 亮

（華中科技大學(xué) 教育科學(xué)研究院，湖北武漢 430074）

文章以在線學(xué)習(xí)者的深度學(xué)習(xí)需求為出發(fā)點(diǎn)，首先提取來自不同平臺(tái)的MOOC課程資源所蘊(yùn)含的知識(shí)實(shí)體及其層級(jí)關(guān)系，構(gòu)建以“知識(shí)實(shí)體—關(guān)系—知識(shí)實(shí)體”三元組為核心的多模態(tài)知識(shí)圖譜。隨后，文章通過多個(gè)相同內(nèi)容的MOOC課程的資源融合，重構(gòu)面向?qū)W習(xí)者深度學(xué)習(xí)需求的個(gè)性化MOOC課程。最后，文章依據(jù)在線學(xué)習(xí)者所設(shè)定的學(xué)習(xí)目標(biāo)生成動(dòng)態(tài)學(xué)習(xí)路徑，為學(xué)習(xí)者提供優(yōu)質(zhì)課程資源推薦服務(wù)，解決MOOC課程的學(xué)習(xí)導(dǎo)航問題和優(yōu)質(zhì)課程資源的跨平臺(tái)融合問題。實(shí)驗(yàn)表明，基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)能夠降低MOOC課程的輟學(xué)率，提高在線學(xué)習(xí)者的學(xué)習(xí)成效和學(xué)習(xí)效率。

MOOC課程；多模態(tài)知識(shí)圖譜；課程重構(gòu)；學(xué)習(xí)路徑

引言

深度學(xué)習(xí)（Deep Learning）是一種基于理解和應(yīng)用的持續(xù)學(xué)習(xí)過程，以知識(shí)建構(gòu)與遷移、問題解決和能力發(fā)展為目標(biāo)，既關(guān)注學(xué)習(xí)過程又強(qiáng)調(diào)學(xué)習(xí)結(jié)果的應(yīng)用和遷移[1]。目前，針對(duì)某些熱門課程已上線的MOOC（Massive Open Online Course）課程多達(dá)數(shù)十種，不但沒有滿足學(xué)習(xí)者的深度學(xué)習(xí)需求，而且仍面臨持續(xù)較低的完成率和高輟學(xué)率、課程資源重復(fù)開發(fā)、跨平臺(tái)資源檢索與融合困難、在線學(xué)習(xí)效率較低等問題[2][3][4]。其原因主要包含以下幾個(gè)方面：①課程學(xué)習(xí)局限于某一個(gè)MOOC課程所提供的有限學(xué)習(xí)資源和服務(wù)，學(xué)習(xí)者只能選擇其中一個(gè)來進(jìn)行課程學(xué)習(xí)，無法有效利用其它相同內(nèi)容的MOOC課程提供的優(yōu)質(zhì)資源和服務(wù)，而單獨(dú)某一個(gè)MOOC課程往往很難滿足學(xué)習(xí)者的深度學(xué)習(xí)需求[5][6]。②現(xiàn)有的MOOC課程知識(shí)點(diǎn)以固化的線性模式呈現(xiàn)給學(xué)習(xí)者，缺少有效的在線學(xué)習(xí)導(dǎo)航和優(yōu)質(zhì)的課程資源推薦服務(wù)，不利于學(xué)習(xí)者根據(jù)已掌握的知識(shí)結(jié)構(gòu)選擇相應(yīng)的知識(shí)學(xué)習(xí)路徑。學(xué)習(xí)者的在線學(xué)習(xí)效果和效率很難得到提升，從而出現(xiàn)低完成率和高輟學(xué)率的問題[7]。③由于缺乏有效的課程資源評(píng)價(jià)機(jī)制，導(dǎo)致MOOC課程的低質(zhì)量重復(fù)建設(shè)，直接影響了MOOC課程學(xué)習(xí)的效率和效果。

面對(duì)MOOC課程資源總量的快速增長(zhǎng)及其更新速度的不斷加快，如何在海量MOOC課程資源及其相關(guān)學(xué)習(xí)資源中發(fā)現(xiàn)、重構(gòu)和推薦最符合學(xué)習(xí)者深度學(xué)習(xí)需求的多模態(tài)學(xué)習(xí)資源，通過提供精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)促進(jìn)學(xué)習(xí)者的深度學(xué)習(xí)，已成為當(dāng)前教育信息化亟待解決的關(guān)鍵問題。為此，本研究以提高M(jìn)OOC課程的學(xué)習(xí)效果和學(xué)習(xí)效率為目標(biāo)，以學(xué)習(xí)者的深度學(xué)習(xí)需求為出發(fā)點(diǎn)，提出了一種基于多模態(tài)知識(shí)圖譜的個(gè)性化MOOC課程重構(gòu)方法。

一 多模態(tài)知識(shí)圖譜

MOOC課程包含微視頻（含視頻字幕和講義）、測(cè)驗(yàn)作業(yè)、問題討論記錄等多種模態(tài)的知識(shí)內(nèi)容表達(dá)，是一個(gè)由視頻、語音、圖像和文本構(gòu)成的多模態(tài)系統(tǒng)。面向多模態(tài)MOOC課程的知識(shí)圖譜，是以所抽取的課程資源中的知識(shí)實(shí)體為節(jié)點(diǎn)，依據(jù)知識(shí)實(shí)體之間的層級(jí)關(guān)系（如表1所示）生成“知識(shí)實(shí)體—關(guān)系—知識(shí)實(shí)體”三元組，并根據(jù)這些三元組生成表示MOOC課程知識(shí)實(shí)體之間相互關(guān)系的多模態(tài)知識(shí)圖譜。其中，知識(shí)實(shí)體是體現(xiàn)MOOC課程微視頻主要內(nèi)容的核心概念，其余模態(tài)的MOOC課程資源（如測(cè)驗(yàn)作業(yè)、問題討論記錄等）根據(jù)其包含的核心概念將其歸為某一個(gè)知識(shí)實(shí)體的屬性。知識(shí)實(shí)體之間的層級(jí)關(guān)系表示學(xué)習(xí)者在學(xué)習(xí)某一門MOOC課程時(shí)的先后順序以及知識(shí)實(shí)體之間的相關(guān)性[7]。依據(jù)微視頻資源的目錄結(jié)構(gòu)，以課程名為起始節(jié)點(diǎn)，以知識(shí)實(shí)體所在的節(jié)點(diǎn)與起始節(jié)點(diǎn)及其相關(guān)節(jié)點(diǎn)之間的關(guān)系表示MOOC課程中不同知識(shí)實(shí)體之間的層級(jí)關(guān)系。

表1 知識(shí)實(shí)體之間的關(guān)系定義

以“C語言程序設(shè)計(jì)”MOOC課程中的部分知識(shí)實(shí)體為例，可構(gòu)建如圖1所示的多模態(tài)知識(shí)圖譜。相鄰兩個(gè)不同級(jí)別的知識(shí)實(shí)體之間是父子關(guān)系。在兩個(gè)同級(jí)知識(shí)實(shí)體中，左側(cè)的知識(shí)實(shí)體和右側(cè)的知識(shí)實(shí)體是先驗(yàn)后繼關(guān)系或平行關(guān)系。在三級(jí)知識(shí)實(shí)體中，若左側(cè)的知識(shí)實(shí)體和右側(cè)的知識(shí)實(shí)體不存在先驗(yàn)后繼關(guān)系，則為平行關(guān)系，如“標(biāo)準(zhǔn)庫函數(shù)”和“嵌套調(diào)用”；否則為相關(guān)關(guān)系，如“嵌套調(diào)用”和“自定義函數(shù)”。

圖1 “C語言程序設(shè)計(jì)”MOOC課程部分資源生成的多模態(tài)知識(shí)圖譜

多模態(tài)知識(shí)圖譜具有關(guān)聯(lián)性、結(jié)構(gòu)性和導(dǎo)航性，能夠?yàn)镸OOC課程重構(gòu)提供以知識(shí)實(shí)體為核心的、非線性方式組織的多模態(tài)課程資源。MOOC課程重構(gòu)是以面向MOOC課程的多模態(tài)知識(shí)圖譜為基礎(chǔ)，通過以知識(shí)實(shí)體及其相互之間的關(guān)系為依據(jù)的多模態(tài)課程資源的跨平臺(tái)檢索與融合，重新構(gòu)建MOOC課程資源組織結(jié)構(gòu)的過程。因此，多模態(tài)知識(shí)圖譜的生成是MOOC課程重構(gòu)的關(guān)鍵。

二 面向MOOC課程重構(gòu)的多模態(tài)知識(shí)圖譜生成

面向MOOC課程重構(gòu)的多模態(tài)知識(shí)圖譜生成，包括面向?qū)W科的知識(shí)實(shí)體語料庫構(gòu)建、面向MOOC課程資源的知識(shí)實(shí)體識(shí)別及其關(guān)系抽取、多模態(tài)知識(shí)圖譜的生成。

1 面向?qū)W科的知識(shí)實(shí)體語料庫構(gòu)建

相同主題的多個(gè)MOOC課程是一個(gè)由教師和學(xué)生創(chuàng)造的學(xué)科知識(shí)庫，教師精心設(shè)計(jì)的課程資源描述文本（如微視頻標(biāo)題及其字幕、測(cè)驗(yàn)作業(yè)問題、課件內(nèi)容等）體現(xiàn)了某一個(gè)學(xué)科的知識(shí)實(shí)體。由于面向?qū)W科的知識(shí)實(shí)體通常是名詞性的詞組或短語，本研究采用如圖2所示的知識(shí)實(shí)體語料庫構(gòu)建方法，從MOOC課程資源描述中自動(dòng)抽取針對(duì)不同學(xué)科的中文短語作為學(xué)科知識(shí)實(shí)體，減少人工創(chuàng)建學(xué)科知識(shí)實(shí)體語料庫的重復(fù)勞動(dòng)。

圖2 基于MOOC課程的學(xué)科知識(shí)實(shí)體語料庫構(gòu)建

基于MOOC課程的學(xué)科知識(shí)實(shí)體語料庫構(gòu)建步驟為：①將MOOC課程資源描述文本作為學(xué)科知識(shí)描述文本進(jìn)行輸入。②分別以漢語言處理包HanLP提供的中文分詞模型和詞性標(biāo)注模型為基礎(chǔ)，采用平均感知機(jī)算法完成中文分詞和詞性標(biāo)注。因?yàn)槠骄兄獧C(jī)算法是一種二分類算法，能夠解決訓(xùn)練過程中由于學(xué)習(xí)率參數(shù)過大所引起的訓(xùn)練過程中出現(xiàn)的震蕩問題。③基于哈爾濱工業(yè)大學(xué)停用詞詞庫和詞性標(biāo)注結(jié)果，過濾其中包含的停用詞。④詞頻統(tǒng)計(jì)包括一階詞語和二階短語的頻次統(tǒng)計(jì)，一階詞語的頻次是指每個(gè)詞在學(xué)科知識(shí)描述文本中出現(xiàn)的次數(shù)，二階短語的頻次是指“數(shù)據(jù)→類型”、“控制→結(jié)構(gòu)”這類二階詞串連續(xù)出現(xiàn)的頻次。⑤采用基于互信息和左右熵的中文多詞表達(dá)提取算法，從過濾掉停用詞的文本分詞結(jié)果中自動(dòng)發(fā)現(xiàn)固定短語，即自動(dòng)抽取固定多詞表達(dá)串。⑥對(duì)自動(dòng)抽取的多詞表達(dá)串進(jìn)行人工調(diào)優(yōu)，刪除一些錯(cuò)誤的自動(dòng)抽取結(jié)果，從而得到面向某個(gè)學(xué)科的知識(shí)實(shí)體語料庫[8]。⑥將所構(gòu)建的學(xué)科知識(shí)實(shí)體語料庫添加到現(xiàn)代漢語標(biāo)注語料庫中，通過增量訓(xùn)練方式訓(xùn)練新的分詞模型和詞性標(biāo)注模型，提高面向?qū)W科的中文分詞和詞性標(biāo)注的精度。

2 面向MOOC課程資源的知識(shí)實(shí)體識(shí)別及其關(guān)系抽取

（1）知識(shí)實(shí)體的識(shí)別

Skip-gram向量模型是一個(gè)具有三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的詞向量計(jì)算模型，輸出的詞向量可用于詞語語義相似度計(jì)算、語義查詢等[9]。BiLSTM-CRF是一個(gè)基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（BiLSTM）和條件隨機(jī)場(chǎng)（Conditional Random Fields，CRF）構(gòu)成的命名實(shí)體識(shí)別模型，利用深度神經(jīng)網(wǎng)絡(luò)提取特征，避免人工定義和提取特征的問題，包括Look-up層、BiLSTM層和CRF層[10]。為自動(dòng)識(shí)別表示MOOC課程資源內(nèi)容的知識(shí)實(shí)體，本研究設(shè)計(jì)了如圖3所示的面向MOOC課程資源的學(xué)科知識(shí)實(shí)體識(shí)別模型。

面向MOOC課程資源的學(xué)科知識(shí)實(shí)體識(shí)別步驟為：①基于中文分詞語料庫（如Sighan05分詞語料、搜狗分類互聯(lián)網(wǎng)語料庫）和學(xué)科知識(shí)實(shí)體語料庫，訓(xùn)練Skip-gram詞向量模型；②利用基于學(xué)科知識(shí)實(shí)體語料庫增量訓(xùn)練的分詞模型對(duì)MOOC課程資源的描述文本進(jìn)行分詞標(biāo)注，并利用訓(xùn)練得到的Skip-gram詞向量模型預(yù)測(cè)資源描述文本中每個(gè)詞串的詞向量，并對(duì)得到的詞向量利用層次Softmax算法進(jìn)行歸一化處理，所輸出的詞向量可用于詞語語義相似度計(jì)算、語義查詢等；③以Skip-gram模型預(yù)測(cè)得到的詞向量表示的句子作為輸入，Look-up層將每個(gè)詞向量映射到低維空間，然后將低維度表示的每個(gè)詞向量輸入到BiLSTM層，由BiLSTM層自動(dòng)提取句子特征和詞特征。最后，CRF層根據(jù)所提取的特征對(duì)知識(shí)實(shí)體進(jìn)行標(biāo)注，輸出自動(dòng)識(shí)別的MOOC課程資源相關(guān)的知識(shí)實(shí)體。

圖3 面向MOOC課程資源的學(xué)科知識(shí)實(shí)體識(shí)別

（2）知識(shí)實(shí)體的關(guān)系抽取與表示

知識(shí)實(shí)體關(guān)系是其對(duì)應(yīng)MOOC課程資源之前層級(jí)關(guān)系的映射，采用三級(jí)知識(shí)實(shí)體表示方法即可描述多模態(tài)知識(shí)圖譜中的一個(gè)MOOC課程資源及其相互之間的關(guān)系，從而基于多模態(tài)知識(shí)圖譜重構(gòu)MOOC課程，其步驟為：①從MOOC課程資源目錄的第一級(jí)標(biāo)題和第二級(jí)標(biāo)題中抽取知識(shí)實(shí)體，分別作為第一級(jí)知識(shí)實(shí)體1和第二級(jí)知識(shí)實(shí)體2，用來描述學(xué)習(xí)者的學(xué)習(xí)目標(biāo)和學(xué)習(xí)需求；從微視頻及其字幕中抽取知識(shí)實(shí)體作為第三級(jí)知識(shí)實(shí)體3，用來標(biāo)識(shí)某一個(gè)MOOC課程資源及其屬性。②將知識(shí)實(shí)體的來源（如微視頻標(biāo)題、測(cè)驗(yàn)作業(yè)問題或問題討論的主題）及其所屬M(fèi)OOC課程資源目錄中的層級(jí)關(guān)系，作為該知識(shí)實(shí)體之間的初始關(guān)系。由于每個(gè)教師對(duì)同一門課程的教學(xué)內(nèi)容組織順序不同，來自多個(gè)相同主題的MOOC課程的同一個(gè)知識(shí)實(shí)體可能具有不同的層級(jí)關(guān)系，首先對(duì)這個(gè)知識(shí)實(shí)體的子知識(shí)實(shí)體及其屬性進(jìn)行融合，然后以出現(xiàn)頻次最高的層級(jí)關(guān)系作為融合后的新知識(shí)實(shí)體的層級(jí)關(guān)系。

3 多模態(tài)知識(shí)圖譜的生成

假設(shè)針對(duì)某一個(gè)主題的MOOC課程群是由個(gè)核心內(nèi)容相同的MOOC課程C組成，表示為={C}，=1，2，…，。每個(gè)MOOC課程C由個(gè)三級(jí)知識(shí)實(shí)體K=[k1，k2，k3]及其屬性來描述，[a，b，c]表示該每級(jí)知識(shí)實(shí)體與起始節(jié)點(diǎn)（課程名）的距離，其對(duì)應(yīng)的詞向量為v=[v1，v2，v3]。該MOOC課程群對(duì)應(yīng)的多模態(tài)知識(shí)圖譜使用一個(gè)有向圖（，）來表示，={K}表示從不同MOOC課程提取的三級(jí)知識(shí)實(shí)體的集合，R∈表示兩個(gè)知識(shí)實(shí)體K和K之間的層級(jí)關(guān)系。R=0表示平行關(guān)系，否則表示先驗(yàn)后繼關(guān)系，即R＞0表示知識(shí)實(shí)體K是K的前提，否則表示知識(shí)實(shí)體K是學(xué)習(xí)K的前提。因此，面向MOOC課程重構(gòu)的多模態(tài)知識(shí)圖譜生成步驟如下：

①創(chuàng)建一個(gè)用于存儲(chǔ)多模態(tài)知識(shí)圖譜的一個(gè)有向圖={L}，=1，2，…，，節(jié)點(diǎn)L包含一個(gè)三級(jí)知識(shí)實(shí)體[l1，l2，l3]及其層級(jí)關(guān)系屬性[a，b，c]和詞向量[v1，v2，v3]。

②從個(gè)MOOC課程C組成的課程群中取出一個(gè)課程C，然后從C中取出一個(gè)知識(shí)實(shí)體K=[k1，k2，k3]，其層級(jí)關(guān)系屬性依次為[a，b，c]，每級(jí)知識(shí)實(shí)體的詞向量分為[v1，v2，v3]。

③若起始節(jié)點(diǎn)的子節(jié)點(diǎn)中存在v1= v1的節(jié)點(diǎn)，則執(zhí)行步驟④；否則將K作為起始節(jié)點(diǎn)的子節(jié)點(diǎn)插入，并使插入后的二級(jí)知識(shí)實(shí)體的層級(jí)關(guān)系屬性保持非遞減順序。

④若存在滿足v2=v2的二級(jí)節(jié)點(diǎn)，則執(zhí)行步驟⑤；否則將K以l1為子節(jié)點(diǎn)插入，并使插入后l1的子知識(shí)實(shí)體的第三級(jí)關(guān)系屬性保持非遞減順序。

⑤若v3=v3，則將K對(duì)應(yīng)的課程資源融合到L葉子節(jié)點(diǎn)的知識(shí)實(shí)體屬性中；否則將知識(shí)實(shí)體K插入中，插入后l2的子知識(shí)實(shí)體的第三級(jí)關(guān)系屬性依然保持非遞減排序。

⑥迭代執(zhí)行步驟②③④⑤，直到所有課程中的知識(shí)實(shí)體都添加到多模態(tài)知識(shí)圖譜中。

三 基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)

完成面向MOOC課程群的多模態(tài)知識(shí)圖譜構(gòu)建之后，即可依據(jù)相關(guān)MOOC課程資源中所包含的知識(shí)實(shí)體在多模態(tài)知識(shí)圖譜中所處的節(jié)點(diǎn)位置以及知識(shí)實(shí)體之間的關(guān)系，進(jìn)行跨MOOC課程的資源檢索和融合，將分布于不同MOOC平臺(tái)的多個(gè)內(nèi)容相同的課程重構(gòu)為一個(gè)組織結(jié)構(gòu)合理、資源豐富的新MOOC課程，如圖4所示。

圖4 基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)

基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)步驟為：①學(xué)習(xí)者根據(jù)一級(jí)知識(shí)實(shí)體及其子知識(shí)實(shí)體確定深度學(xué)習(xí)目標(biāo)；②MOOC平臺(tái)從學(xué)習(xí)者所設(shè)定的學(xué)習(xí)目標(biāo)中抽取知識(shí)實(shí)體，并采用所訓(xùn)練的Skip-gram詞向量模型計(jì)算其詞向量，以這些詞向量為檢索對(duì)象在多模態(tài)知識(shí)圖譜中查找相應(yīng)的知識(shí)實(shí)體節(jié)點(diǎn)，根據(jù)檢索得到的知識(shí)節(jié)點(diǎn)及其層級(jí)關(guān)系，通過MOOC課程資源的跨平臺(tái)融合重構(gòu)面向?qū)W習(xí)者深度學(xué)習(xí)需求的個(gè)性化MOOC課程；③根據(jù)重構(gòu)的MOOC課程知識(shí)實(shí)體之間的層級(jí)關(guān)系生成初始學(xué)習(xí)路徑，為學(xué)習(xí)者提供在線學(xué)習(xí)導(dǎo)航服務(wù)，避免學(xué)習(xí)者因知識(shí)結(jié)構(gòu)復(fù)雜而迷失學(xué)習(xí)方向甚至終止學(xué)習(xí)過程。

在學(xué)習(xí)具體的知識(shí)內(nèi)容時(shí)，根據(jù)學(xué)習(xí)者的學(xué)習(xí)特征，采用基于矩陣分解的協(xié)同過濾算法[11]為學(xué)習(xí)者推薦優(yōu)質(zhì)的多模態(tài)課程資源（如微視頻、測(cè)驗(yàn)、問題討論記錄等），解決評(píng)價(jià)缺失的MOOC課程資源的在線推薦問題，節(jié)省學(xué)習(xí)者在海量資源中搜索和甄別優(yōu)質(zhì)學(xué)習(xí)資源的時(shí)間。當(dāng)學(xué)習(xí)者在作業(yè)測(cè)驗(yàn)中遇到困難時(shí)，為其推薦在線學(xué)習(xí)交流服務(wù)（如教師和助教答疑、生生交流等）或提示其學(xué)習(xí)相關(guān)課程內(nèi)容，提高M(jìn)OOC課程重構(gòu)服務(wù)于深度學(xué)習(xí)的能力和水平。為提高優(yōu)質(zhì)課程資源推薦的準(zhǔn)確度，學(xué)習(xí)者對(duì)MOOC課程資源的評(píng)價(jià)將反饋到MOOC課程重構(gòu)流程中，通過完善MOOC課程資源的評(píng)價(jià)信息，自動(dòng)過濾部分質(zhì)量較低的課程資源，提高重構(gòu)后MOOC課程資源的質(zhì)量和課程資源推薦服務(wù)的準(zhǔn)確度。同時(shí)，根據(jù)學(xué)習(xí)過程中的形成性評(píng)價(jià)分析學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，動(dòng)態(tài)調(diào)整學(xué)習(xí)路徑，使學(xué)習(xí)者高效地完成預(yù)定的深度學(xué)習(xí)目標(biāo)。

由此可見，MOOC課程重構(gòu)的本質(zhì)是以多模態(tài)知識(shí)圖譜為基礎(chǔ)，以知識(shí)實(shí)體為核心融合分布于不同平臺(tái)的各種優(yōu)質(zhì)課程資源，通過重構(gòu)融合后的課程資源之間的層級(jí)關(guān)系，以學(xué)習(xí)者的深度學(xué)習(xí)需求為主導(dǎo)進(jìn)行動(dòng)態(tài)學(xué)習(xí)路徑規(guī)劃與實(shí)時(shí)優(yōu)質(zhì)課程資源推薦，為學(xué)習(xí)者提供個(gè)性化的MOOC課程，以滿足差異學(xué)習(xí)個(gè)體的深度學(xué)習(xí)需求。MOOC課程重構(gòu)的目標(biāo)是優(yōu)化在線學(xué)習(xí)過程和課程資源的智能服務(wù)模式，提高M(jìn)OOC課程的服務(wù)水平和學(xué)習(xí)者的在線學(xué)習(xí)效率，幫助學(xué)習(xí)者利用MOOC課程資源有效開展深度學(xué)習(xí)。

四 案例分析

本研究以中國大學(xué)MOOC和學(xué)堂在線兩個(gè)MOOC平臺(tái)上的“C語言程序設(shè)計(jì)”課程為例，實(shí)現(xiàn)了一種基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)的原型系統(tǒng)。將320名未修讀過“C語言程序設(shè)計(jì)”的大一學(xué)生隨機(jī)分為人數(shù)相等的兩組進(jìn)行測(cè)試：A組通過原型系統(tǒng)，采用MOOC課程重構(gòu)的方法進(jìn)行在線學(xué)習(xí)，B組學(xué)生隨機(jī)選擇一門相應(yīng)的MOOC課程進(jìn)行在線學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，A組的輟學(xué)率降低了27.1%，課程考核合格率提升了19.5%，且通過課程考核學(xué)生的平均在線學(xué)習(xí)時(shí)間減少了28.7%。這是因?yàn)镸OOC課程重構(gòu)能夠幫助學(xué)習(xí)者高效獲取優(yōu)質(zhì)課程資源、優(yōu)化在線學(xué)習(xí)路徑、及時(shí)提供學(xué)習(xí)輔導(dǎo)服務(wù)，從而提高了學(xué)習(xí)者的學(xué)習(xí)效率和學(xué)習(xí)效果。

[1]汪基德,王超然.信息技術(shù)與深度學(xué)習(xí):信息技術(shù)教育研究新進(jìn)展——中國教育技術(shù)協(xié)會(huì)信息技術(shù)教育專業(yè)委員會(huì)第十三屆學(xué)術(shù)年會(huì)綜述[J].電化教育研究,2017,(11):121-123、128.

[2]張剛要,沈大為.理解MOOCs的完成率:歸因與挑戰(zhàn)[J].中國電化教育,2017,(12):82-89.

[3]徐振國,張冠文,石林,等.MOOC學(xué)習(xí)者輟學(xué)行為的影響因素研究[J].現(xiàn)代教育技術(shù),2017,(9):100-106.

[4]王雪宇,鄒剛,李驍.基于MOOC數(shù)據(jù)的學(xué)習(xí)者輟課預(yù)測(cè)研究[J].現(xiàn)代教育技術(shù),2017,(6):94-100.

[5]段金菊.基于社會(huì)性知識(shí)網(wǎng)絡(luò)的cMOOC學(xué)習(xí)設(shè)計(jì)[J].電化教育研究,2017,(11):49-55.

[6]楊琳,吳鵬澤.面向深度學(xué)習(xí)的電子教材設(shè)計(jì)與開發(fā)策略[J].中國電化教育,2017,(9):78-84.

[7]劉紅晶,譚良.基于教師視角的SPOC課程知識(shí)地圖構(gòu)建方法研究[J].電化教育研究,2017,(9):64-70.

[8]劉榮,王奕凱.利用統(tǒng)計(jì)量和語言學(xué)規(guī)則提取多字詞表達(dá)[J].太原理工大學(xué)學(xué)報(bào),2011,(2):133-137.

[9]Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[A]. Proceedings of advances in neural information processing systems[C]. Nevada: Curran Associates, 2013:3111-3119.

[10]Dong C, Zhang J, Zong C, et al. Character-based LSTM-CRF with radical-level features for Chinese Nnmed entity recognition[A].International conference on computer processing of oriental languages[C]. Kunmin: Springer-Verlag, 2016:239-250.

[11]He X G, Liao L Z, Zhang H W, et al. Neural collaborative filtering[A]. Proceedings of World Wide Web[C]. Perth: ACM, 2017:173-182.

Reconstruction of MOOC Courses based on Multimodal Knowledge Map from the Perspective of Deep Learning

WANG Liang

In consideration of the online learners’ deep learning needs, this article firstly extracted the knowledge entities and their hierarchical relationships contained in MOOC course resources from different platforms, and then constructed a multimodal knowledge map with the “knowledge entity-relationship- knowledge entity” triplet as the core. Secondly, the personalized MOOC courses oriented to learners’ deep learning needs were reconstructed through the resource integration of multiple MOOC courses with the same content. Finally, the dynamic learning path was generated according to the learning objectives set by online learners. It could recommend high-quality course resources to online learners, solve the problems of learning navigation of MOOC courses and cross-platform integration of high-quality course resources. The experimental results showed that the reconstruction of MOOC based on multimodal knowledge map could reduce the dropout ratio of MOOC courses, and improve the learning effectiveness and learning efficiency of online learners.

MOOC course; multi-modal knowledge map; course reconstruction; learning path

G40-057

A

1009—8097（2018）10—0100—07

10.3969/j.issn.1009-8097.2018.10.015

本文為江蘇省教育科學(xué)“十三五”規(guī)劃2018年度課題“深度學(xué)習(xí)視角下基于多模態(tài)知識(shí)圖譜的MOOC課程重構(gòu)研究”（項(xiàng)目編號(hào)：C-b/2018/01/19）的階段性研究成果。

王亮，在讀博士，研究方向?yàn)閿?shù)字化學(xué)習(xí)與高等教育管理，郵箱為7802825@qq.com。

2018年4月28日

編輯：小西