隨著基于Web的現(xiàn)代遠(yuǎn)程教育的發(fā)展，模擬教師的智能，按學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)狀態(tài)動(dòng)態(tài)導(dǎo)航學(xué)習(xí)內(nèi)容，提供個(gè)性化教學(xué)服務(wù)，已成為開發(fā)遠(yuǎn)程教育系統(tǒng)的需求。

目前，國內(nèi)外研究人員已開展了學(xué)習(xí)系統(tǒng)的自適應(yīng)性研究，并取得了一定的成果。系統(tǒng)自適應(yīng)性的關(guān)鍵是實(shí)現(xiàn)對學(xué)習(xí)者學(xué)習(xí)情況的診斷和資源推薦，通常采用分析學(xué)習(xí)者的學(xué)習(xí)特征與資源特征間關(guān)系的方式。Brusilovsky[1]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者的學(xué)習(xí)能力進(jìn)行學(xué)習(xí)情況診斷和資源推薦。CHEN C M等[2]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者能力和學(xué)習(xí)資料的難度推薦資源。WANG H C等[3]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者特征和學(xué)習(xí)資源特征的最大相似度匹配策略進(jìn)行學(xué)習(xí)者情況的診斷和資源推薦。知識(shí)是分層次的，以知識(shí)點(diǎn)來推進(jìn)整個(gè)學(xué)習(xí)過程，更符合認(rèn)知規(guī)律。但上述系統(tǒng)未考慮某一知識(shí)點(diǎn)對整個(gè)單元知識(shí)體系的影響，忽略了從流媒體對象的角度考察學(xué)習(xí)者交互式請求的學(xué)習(xí)特征，不能充分反映學(xué)習(xí)者的學(xué)習(xí)適應(yīng)性。此外，由客觀題測試得到的測試結(jié)果并不能充分反映學(xué)習(xí)者的學(xué)習(xí)情況。因此，本文從學(xué)習(xí)者學(xué)習(xí)特征、知識(shí)點(diǎn)類別和測試結(jié)果出發(fā)，預(yù)測學(xué)習(xí)者的學(xué)習(xí)情況和知識(shí)水平，并根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況與學(xué)習(xí)者的知識(shí)水平最大匹配策略推薦學(xué)習(xí)資源。

1 學(xué)習(xí)者流媒體點(diǎn)播自適應(yīng)性診斷

對于學(xué)習(xí)者學(xué)習(xí)某一單元的流媒體課件后是否能進(jìn)入下一單元的預(yù)測屬于數(shù)據(jù)挖掘和人工智能的范疇。

1.1 自適應(yīng)點(diǎn)播實(shí)現(xiàn)過程

自適應(yīng)點(diǎn)播系統(tǒng)模型如圖1所示。系統(tǒng)定期或觸發(fā)式地檢查服務(wù)器日志，從服務(wù)器向用戶流化數(shù)據(jù)時(shí)產(chǎn)生的流化日志條目和用戶對流化到緩存的數(shù)據(jù)進(jìn)行訪問時(shí)產(chǎn)生的播放日志條目中了解用戶訪問流媒體課件的情況，如用戶的IP地址、訪問ID、訪問的視頻名稱、起始時(shí)間、觀看視頻的時(shí)間以及前跳、暫停、后跳交互請求等[4]。經(jīng)過一個(gè)單元的學(xué)習(xí)后，得到一張學(xué)習(xí)過程記錄表，其形式如表1所示。系統(tǒng)根據(jù)學(xué)習(xí)特征自動(dòng)診斷學(xué)習(xí)者學(xué)習(xí)情況，即內(nèi)容容易、內(nèi)容較難、內(nèi)容難。

學(xué)習(xí)者學(xué)習(xí)一個(gè)單元后進(jìn)入單元測試，并自動(dòng)生成單元成績測試表，如表2所示。系統(tǒng)根據(jù)各類知識(shí)點(diǎn)成績預(yù)測學(xué)習(xí)者擁有該單元的知識(shí)水平，即水平高、水平一般、水平較低、水平極低。

系統(tǒng)自適應(yīng)地設(shè)置視頻點(diǎn)播導(dǎo)航及相關(guān)資源的調(diào)整策略如下：

　R1：IF學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容難and(學(xué)習(xí)者當(dāng)前的知識(shí)水平極低or低)THEN點(diǎn)播導(dǎo)航為前驅(qū)視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。
R2：IF學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容難and(學(xué)習(xí)者當(dāng)前的知識(shí)水平一般or高)THEN導(dǎo)航為當(dāng)前單元練習(xí)測試及提供相應(yīng)學(xué)習(xí)資源鏈接。
R3：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易)and(學(xué)習(xí)者當(dāng)前的知識(shí)水平極低）THEN點(diǎn)播導(dǎo)航為當(dāng)前視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。
R4：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易）and(學(xué)習(xí)者當(dāng)前的知識(shí)水平較低）THEN導(dǎo)航為當(dāng)前單元練習(xí)測試及提供相應(yīng)學(xué)習(xí)資源鏈接。
R5：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易)and(學(xué)習(xí)者當(dāng)前的知識(shí)水平一般or高)THEN點(diǎn)播導(dǎo)航為后繼視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。

1.2 樸素貝葉斯分類器

對學(xué)習(xí)者學(xué)習(xí)情況和知識(shí)水平分類診斷需要進(jìn)行數(shù)據(jù)挖掘。常用的分類預(yù)測方法很多，貝葉斯分類法因簡單易行、分類效果較好而被廣泛應(yīng)用。

由于Wkj≥1，所以用式(3)比式(2)更能突顯重要屬性對分類的影響。基于概率加權(quán)的樸素貝葉斯分類算法如下：
(1)數(shù)據(jù)預(yù)處理，從成績表中選取訓(xùn)練樣本和測試樣本。
(2)掃描訓(xùn)練集生成統(tǒng)計(jì)表，統(tǒng)計(jì)具備某種知識(shí)水平時(shí)各類知識(shí)點(diǎn)的不同分?jǐn)?shù)段的樣本數(shù)，以及各類知識(shí)點(diǎn)的不同分?jǐn)?shù)段的樣本數(shù)。
(3)概率參數(shù)學(xué)習(xí)，生成概率表。
(4)權(quán)值參數(shù)學(xué)習(xí)，計(jì)算屬性Xk的權(quán)Wkj。
(5)生成加權(quán)貝葉斯分類器，按式(3)生成概率表及權(quán)值列表。
(6)調(diào)用概率表及權(quán)值列表得分類結(jié)果。


2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的有效性，基于校園局域網(wǎng)環(huán)境，對23名學(xué)習(xí)者學(xué)習(xí)網(wǎng)絡(luò)基礎(chǔ)、C#程序設(shè)計(jì)兩門課程流媒體課件的部分?jǐn)?shù)據(jù)，用樸素貝葉斯分類法NB、概率加權(quán)的貝葉斯分類法PWNB、加入時(shí)序的貝葉斯分類法TNB進(jìn)行測試，結(jié)果如表3所示。結(jié)果表明，上述貝葉斯分類器預(yù)測學(xué)習(xí)者的學(xué)習(xí)情況和知識(shí)水平的算法簡單有效，根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況與學(xué)習(xí)者的知識(shí)水平最大匹配策略推薦資源的方法可行。

以上討論了學(xué)習(xí)系統(tǒng)中自適應(yīng)流媒體點(diǎn)播系統(tǒng)的實(shí)現(xiàn)過程及學(xué)習(xí)者學(xué)習(xí)情況、知識(shí)水平的診斷流程，設(shè)計(jì)了一個(gè)自適應(yīng)流媒體點(diǎn)播系統(tǒng)模型，重點(diǎn)討論了貝葉斯分類算法，并應(yīng)用于實(shí)際教學(xué)。通過學(xué)習(xí)者學(xué)習(xí)過程中反饋的數(shù)據(jù)，評估系統(tǒng)及算法設(shè)計(jì)的合理性、科學(xué)性。