基于學(xué)生個性化需求的英語在線學(xué)習(xí)系統(tǒng)

劉燕

（西安培華學(xué)院，陜西 西安 710125）

1 引言

英語作為三大學(xué)科之一，在學(xué)生的學(xué)習(xí)中占據(jù)了相當(dāng)重要的地位，所以在英語的學(xué)習(xí)過程中，信息技術(shù)的重要性越來越重。隨著互聯(lián)網(wǎng)發(fā)展興起的在線學(xué)習(xí)平臺打破了傳統(tǒng)的教育形式，因其不受時間、地點及課程內(nèi)容等限制逐漸發(fā)展成為全球化的學(xué)習(xí)新模式[1-3]。線上學(xué)習(xí)具有一定的娛樂性、互動性、獨特性和游戲性等優(yōu)勢，可激發(fā)學(xué)生的學(xué)習(xí)動機(jī)，通過人機(jī)互動更好的解決各種問題，讓學(xué)生充分體驗到學(xué)習(xí)的滿足感和勝利感[4-5]。但是隨著在線教育的發(fā)展，簡單的交互學(xué)習(xí)已不能滿足學(xué)生學(xué)習(xí)興趣的需求，個性化需求的在線學(xué)習(xí)呼聲越來越大[6]。

有學(xué)者提出了基于深度學(xué)習(xí)的智能教學(xué)系統(tǒng)，通過線上個性化學(xué)習(xí)和線下課堂質(zhì)量相結(jié)合的方式，實現(xiàn)提升學(xué)生學(xué)習(xí)效率的目的[7]；有學(xué)者提出了基于B/S架構(gòu)的在線開放課程系統(tǒng)，通過網(wǎng)絡(luò)和大數(shù)據(jù)信息處理技術(shù)進(jìn)行英語學(xué)習(xí)資源的開發(fā)和推薦，結(jié)合APP 及軟件系統(tǒng)實現(xiàn)在線英語學(xué)習(xí)目的，能夠提升英語教學(xué)質(zhì)量，改善自主學(xué)習(xí)的效果[8]。雖然這兩個系統(tǒng)都能實現(xiàn)英語在線學(xué)習(xí)的目的，但是對于學(xué)生個性化需求的關(guān)注度稍弱一些。為了更好的激發(fā)學(xué)生自主學(xué)習(xí)興趣，本文設(shè)計了基于學(xué)生個性化需求的英語在線學(xué)習(xí)系統(tǒng)，能精準(zhǔn)快速的向?qū)W生推薦其最感興趣的英語學(xué)習(xí)內(nèi)容，并通過本系統(tǒng)的學(xué)習(xí)，有效提升學(xué)生的學(xué)習(xí)效果。

2 基于學(xué)生個性化需求的英語在線學(xué)習(xí)系統(tǒng)

2.1 個性化英語在線學(xué)習(xí)系統(tǒng)架構(gòu)

個性化教學(xué)的出發(fā)點是強(qiáng)調(diào)個別差異，中心是學(xué)生的興趣與需求，學(xué)生的學(xué)習(xí)能力和個性為發(fā)展目標(biāo)，以此為核心思想，構(gòu)建的基于學(xué)生個性化需求的英語在線學(xué)習(xí)系統(tǒng)架構(gòu)如圖1所示。由圖1可知，本系統(tǒng)主要由三個模塊構(gòu)成，分別為學(xué)生興趣管理模塊、課程資源管理模塊及個性化推薦模塊。學(xué)生興趣管理模塊采集學(xué)生對英語學(xué)習(xí)興趣，根據(jù)采集的信息進(jìn)行興趣特征關(guān)鍵詞提取，經(jīng)過對關(guān)鍵詞的處理構(gòu)建學(xué)生初始興趣模型，然后以學(xué)生英語學(xué)習(xí)過程中隱式反饋信息對學(xué)生興趣模型進(jìn)行更新，獲取學(xué)生英語學(xué)習(xí)興趣需求的特征向量[9-10]。課程資源管理的主要功能是組織和管理學(xué)生英語學(xué)習(xí)的相關(guān)資源，同時對課程資源的特征向量構(gòu)建模型，結(jié)合課程資源組成課程資源庫，獲取學(xué)生英語學(xué)習(xí)文本的特征向量[11-12]。個性化推薦模塊匹配前兩個模塊中的特征向量，通過個性化遺傳算法，將具有較大相似度的英語學(xué)習(xí)文本推薦給相關(guān)個性化需求的學(xué)生。

圖1 系統(tǒng)架構(gòu)圖

2.2 學(xué)生興趣管理模塊

在個性化英語學(xué)習(xí)系統(tǒng)中，收集學(xué)生的興趣信息是關(guān)鍵所在，對收集的興趣信息通過學(xué)生興趣管理模塊進(jìn)行從無結(jié)構(gòu)形式向計算機(jī)可理解的結(jié)構(gòu)化形式進(jìn)行轉(zhuǎn)換。反映學(xué)生真實興趣的能力和計算能力為該模塊的表示方法。針對系統(tǒng)中所有因素和條件的綜合權(quán)衡，選取基于向量空間模型的表示法用于表示學(xué)生興趣特征，將其表示成n維特征向量，即：

式中，p1表示學(xué)生的興趣節(jié)點，tn表示興趣關(guān)鍵詞，wi表示興趣權(quán)重，權(quán)重wi表示學(xué)生對關(guān)鍵詞感興趣的程度。

2.3 課程資源管理模塊

處理系統(tǒng)提供的學(xué)習(xí)材料為課程資源管理模塊的主要功能。課程資源管理模塊同樣采用基于向量空間模型的表示法。

(1) 分詞學(xué)習(xí)文本d，初步過濾噪聲詞語，將低頻和高頻等停用詞去掉，得到n個關(guān)鍵詞，構(gòu)建一個n維向量{p1，p2，L，pn}，其中，pj=(tj，wj)，n≥j≥1，tj表示關(guān)鍵詞，wj表示學(xué)習(xí)文本d中出現(xiàn)關(guān)鍵詞的次數(shù)，N=wj。

(2) 對關(guān)鍵詞進(jìn)行同義詞處理，如果同義詞庫中的關(guān)鍵詞是同義詞，n維向量中的tj替換成t，假設(shè)n維特征向量中存在(t，wp)和(t，wq)，將其合并成(t，wp+wq)，得到m維特征向量(n≥m)。

(3) 用W(tj，d)替代m維特征向量中每個p1(m≥j≥1)中的wj值，關(guān)鍵詞tj在學(xué)習(xí)文本d中的權(quán)重值為W(tj，d)，采用TF-IDF計算方法，公式為：

(4) 其中，tf(tj，d)=wj/N表示關(guān)鍵詞tj在學(xué)習(xí)文本d中出現(xiàn)的頻率，如果tj出現(xiàn)在d的文件主題描述中，則tf(tj，d)=(wj+2)/(N+2)，Nd表示該章節(jié)的學(xué)習(xí)文本總數(shù)，表示包含tj的學(xué)習(xí)文本數(shù)，表示歸一化因子。

2.4 個性化推薦模塊

個性化推薦模塊提取的學(xué)生興趣向量通過學(xué)生興趣管理從學(xué)生興趣庫中獲取，根據(jù)從課程資源管理庫中采集的學(xué)習(xí)文本特征向量，對每篇文本和學(xué)生興趣向量的相似度進(jìn)行計算，基于每篇文本和學(xué)生興趣向量的相似度結(jié)果按降序方式排序，讓學(xué)生根據(jù)相似度最大的前6 篇文本進(jìn)行自主選擇，學(xué)習(xí)文本d和學(xué)生興趣向量h之間的相似度采用余弦夾角進(jìn)行度量，即：

學(xué)習(xí)文本中章節(jié)內(nèi)容決定學(xué)生興趣向量中專業(yè)關(guān)鍵詞，所以學(xué)生興趣向量和學(xué)習(xí)文本的相似度〉0，向量之間包含的關(guān)鍵詞個數(shù)越多，表示向量之間的相似度越大，反之越小。

2.5 個性化遺傳算法

2.5.1 初始化種群

初始種群是任意生成A×B的種群，表示群內(nèi)課程資源的數(shù)量，其中，種群規(guī)模用A描述，個體長度用B描述。

2.5.2 評價函數(shù)

染色體好壞的標(biāo)準(zhǔn)通過評價模型進(jìn)行評判，利用學(xué)生興趣模型中的關(guān)鍵詞及其權(quán)重來表示每個染色體中的特征項，個體越好，越能更好的反映課程資源內(nèi)容，也就是課程資源有著偏高的個體相似度。基于此，課程資源的其它個體也能度量個體的適應(yīng)度，相似度與適應(yīng)度成正比，公式為：

其中，C表示課程資源文本特征向量，T表示學(xué)習(xí)者興趣特征。

本文的推薦技術(shù)為基于內(nèi)容的推薦，推薦的原理是根據(jù)興趣管理模塊和資源管理模塊中T和C的相似度進(jìn)行推薦。本文采用向量夾角余弦的距離計算T和C的相似度，即：

其中，V為特征權(quán)重。

按從大到小的順序進(jìn)行相似度排列，將排列前幾位的英語學(xué)習(xí)文本推薦給學(xué)生。

2.5.3 遺傳操作

傳統(tǒng)遺傳算法屬于盲目性質(zhì)，即父代被剛生的子代所代替，即使子代質(zhì)量不如父代，也同樣會取代父代的位置，導(dǎo)致質(zhì)量較好的染色體遺失，為了保證所有染色體都是質(zhì)量較好的，所以通過改進(jìn)的選擇算子對選擇范圍進(jìn)行擴(kuò)大，確保父代和子代具有相等的生存機(jī)會，無論父代還是子代，下一代父代必須選取適應(yīng)度大的進(jìn)行下一代的遺傳進(jìn)化。

交叉：遺傳算法中的特有特征是具有原始性的交叉操作，該操作可將父代優(yōu)良基因遺傳給子代，交叉原理是先從交配池中選擇需要進(jìn)行交配的一對個體，兩個配對的個體在交叉位置進(jìn)行各自內(nèi)容的交換，兩個新的個體就此形成，基于個體基因是根據(jù)特征項與其權(quán)重的構(gòu)成，所以選用插入交叉算子方式進(jìn)行操作，具體操作步驟如圖2 所示。由圖2 可知，交叉操作的步驟是先進(jìn)行父代的隨機(jī)選擇，再根據(jù)父代中的插入點插入基因片段，之后對重讀的基因進(jìn)行刪除，即完成了遺傳算法的交叉操作。

圖2 交叉操作示意圖

變異：染色體上的比例信息為u*K+w*G，其中K用以描述特征項權(quán)重，G用以描述基因效能，u、w表示調(diào)節(jié)參數(shù)，根據(jù)比例信息，利用輪盤賭的形式任意得到某個基因后刪除，新的原始后代即產(chǎn)生，通過變異率，變異算子改變選擇的染色體上的基因特征，以此保證種群的差異性，有效提升遺傳算法的搜索效率。

3 實驗結(jié)果與分析

以某大學(xué)英語系二年級三個班共152 名學(xué)生為研究對象，開展基于學(xué)生個性化需求的英語在線學(xué)習(xí)系統(tǒng)研究，為了驗證本文系統(tǒng)的有效性和優(yōu)越性，分別與基于深度學(xué)習(xí)的智能教學(xué)系統(tǒng)和基于B/S架構(gòu)的在線開放課程系統(tǒng)進(jìn)行比較。假設(shè)所有學(xué)生對基礎(chǔ)英語、高級英語、報刊選讀、英語寫作、英語視聽及翻譯理論與實踐六大課程需求度最高，根據(jù)一對一采集，學(xué)生實際需求如表1所示。

表1 學(xué)生英語課程需求度調(diào)查統(tǒng)計表

參考以上學(xué)生需求統(tǒng)計結(jié)果，針對學(xué)習(xí)系統(tǒng)對學(xué)生個性化需求的推薦準(zhǔn)確率為標(biāo)準(zhǔn)進(jìn)行三個系統(tǒng)的性能比較，其結(jié)果如圖3 所示。由圖3 可知，本文系統(tǒng)進(jìn)行三個班級的六項英語課程推薦的準(zhǔn)確率都高于對比系統(tǒng)，本文系統(tǒng)對于滿足學(xué)生英語在線學(xué)習(xí)的個性化需求準(zhǔn)確率最高，與其它兩種對比系統(tǒng)相比具有明顯的優(yōu)勢。幾乎所有學(xué)生都表示可以通過本文系統(tǒng)精準(zhǔn)找到自己感興趣的課程內(nèi)容并進(jìn)行學(xué)習(xí)。表明以個別差異為出發(fā)點的系統(tǒng)能精準(zhǔn)捕捉到學(xué)生的個性化需求，對學(xué)生的學(xué)習(xí)興趣有一定的促進(jìn)作用。

圖3 系統(tǒng)推薦準(zhǔn)確率對比示意圖

為了進(jìn)一步驗證本文系統(tǒng)的適用性，針對學(xué)生課程需求的推薦時間進(jìn)行對比實驗，結(jié)果如圖4所示。由圖4可知，本文系統(tǒng)在推薦時間上具有明顯的優(yōu)勢，兩個對比系統(tǒng)在推薦過程中，隨著數(shù)據(jù)的增多，推薦時間也相應(yīng)提升，并且穩(wěn)定性不高，波動較大，雖然本文系統(tǒng)推薦時間也隨著數(shù)據(jù)的增多而微弱增多，但是波動很小，說明采用本文系統(tǒng)進(jìn)行的個性化需求推薦具有更快速的優(yōu)勢。在現(xiàn)今普及互聯(lián)網(wǎng)的時代，速度快也就意味著市場歡迎度高，系統(tǒng)的適用性相對越廣泛。

圖4 推薦時間

為了驗證本文系統(tǒng)在學(xué)生在線學(xué)習(xí)效果上的表現(xiàn)，對參與學(xué)習(xí)的所有學(xué)生進(jìn)行為期三個月的學(xué)習(xí)效果跟蹤，并以試卷考試的形式對學(xué)習(xí)效果進(jìn)行檢驗，所有學(xué)生學(xué)習(xí)前后的各科平均分如表2 所示。由表2 可知，學(xué)生在應(yīng)用本文系統(tǒng)之后，每門課程學(xué)生的及格人數(shù)都有明顯增多，由于基礎(chǔ)英語是每個學(xué)生必學(xué)課程，學(xué)生的基礎(chǔ)普遍較好，但是通過本文系統(tǒng)學(xué)習(xí)之后，成績依然有14%的提升率，說明本文系統(tǒng)無論是對學(xué)生的個性化需求滿足方面，還是對學(xué)生學(xué)習(xí)效果提升方面都有較顯著的優(yōu)勢，表明本文系統(tǒng)在學(xué)生的英語學(xué)習(xí)上具有很好的適用性和優(yōu)越性。

表2 學(xué)生在線學(xué)習(xí)效果統(tǒng)計表

4 結(jié)束語

本文系統(tǒng)以學(xué)生興趣為中心可以通過學(xué)生當(dāng)前的個性化需求為學(xué)生推薦學(xué)習(xí)的相關(guān)內(nèi)容，并且能夠提供個性化的決策支持及相關(guān)信息服務(wù)，提高課程推薦速度，提升學(xué)生學(xué)習(xí)質(zhì)量，最終實現(xiàn)個性化在線學(xué)習(xí)目的。在后續(xù)研究中，需要對學(xué)習(xí)模型和課程資源模型進(jìn)行進(jìn)一步改進(jìn)，避免出現(xiàn)錯誤或重復(fù)推薦學(xué)習(xí)資源的問題，確保為學(xué)生提供更具人性化的在線學(xué)習(xí)服務(wù)。