第9卷第1期 智能系统学报 Vol.9 No.1 2014年2月 CAAI Transactions on Intelligent Systems Feb.2014 D0:10.3969/j.issn.1673-4785.201304024 网络出版地址：http://www.cnki.net/kcms/doi/10.3969/j.issn.1673-4785.201304024.html 上下文感知驱动的自适应个性化学习及交互 蒋艳荣，李卫华，杨劲涛 (广东工业大学计算机学院，广东广州510006) 摘要：根据不同的学习上下文环境提供合适的学习内容、方式和交互，并在上下文发生变化时进行适应性的调整， 是智能教学系统近年来的研究难点之一。为此，提出一种上下文感知驱动的具有适应性的个性化学习及交互方法。 首先讨论上下文及其对学习与交互过程的作用和影响机制。然后提出一种以知识图为中心的个性化学习，介绍了 学习图的生成算法和操作算子、基于知识图的自适应学习导航及符合用户个性特点和需要的学习序列生成方法。 最后对交互行为进行分类，讨论交互行为的实现。原型系统的应用结果验证了所提方法的可行性和有效性，在适应 性和个性化学习方面能够较好地满足用户的学习需求。 关键词：上下文感知计算：个性化学习：适应性；交互：智能教学系统 中图分类号：TP391文献标志码：A文章编号：1673-4785(2014)01-0060-09 中文引用格式：蒋艳荣，李卫华，杨劲涛.上下文感知驱动的自适应个性化学习及交互[J].智能系统学报，2014,9(1)：60-68. 英文引用格式：JIANG Yanrong,LI Weihua,YANG Jintao..Adaptive and personalized learning and interaction driven by context- aware computing[J].CAAI Transactions on Intelligent Systems,2014,9(1):60-68. Adaptive and personalized learning and interaction driven by context-aware computing JIANG Yanrong,LI Weihua,YANG Jintao (School of Computer,Guangdong University of Technology,Guangzhou 510006,China) Abstract:Providing appropriate learning contents,learning style and interaction according to the learning contextu- al environment and adjusting according to its variety are some of the difficulties of the intelligent tutoring system (ITS).Hence an approach to adaptive and personalized learning and interaction driven by context-aware computing is proposed.First,the context and its influence on learning and interaction are discussed.Then an approach to per- sonalized learning centering on the knowledge association map is introduced,including the creation algorithm and operators of the map,the adaptive learning navigation algorithm based on the learning map and the appropriate cur- riculum sequencing generation in accordance with the user's personality characteristics and needs are described in detail.The interaction behaviors are classified and how to realize the interaction behaviors is discussed.Finally,we implemented the proposal in a prototype of the learning system,and the application results indicate its feasibility and effectiveness. Keywords:context-aware computing;personalized learning;adaptability;interaction;intelligent tutoring system 近年来，随着人工智能、认知心理学、计算机科有个性化和适应性，以及良好的人机交互方面，仍然 学等学科在远程智能教育领域的应用及快速发展， 存在着巨大的挑战0，而这对于提高TS的智能性 智能教学系统(intelligent tutoring system,ITS)在知 和应用性极为关键。 识表示、学生模型、教学策略和系统架构等方面取得 与传统的教学系统相比，新一代的远程智能教 了较大的进展)。尽管如此，在如何使得TS更具 育系统（侧重于用户学习，以下简称学习系统），例 如AES[、AWBES]等，更多地强调适应性和个性 收稿日期：2013-04-14.网络出版日期：2014-02-20. 基金项目：国家自然科学基金资助项目(61142012,61171141)：广东 化，要求能够根据学生的学习水平、个人偏好等学习 省科技计划资助项目(2012B010600014.2012B010500025): 广东省创新方法与决策管理系统重点实验室开放课题 特点，调整学习内容和学习方式，以适应每位学生的 (2011A060901001-13B). 通信作者：蒋艳荣.E-mail:yrjiang@(ut.cdu.cm 特点。个性化在提高学生的学习效率和效果方
第 ９ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．１ ２０１４ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０４０２４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｏｉ ／ １０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０４０２４．ｈｔｍｌ 上下文感知驱动的自适应个性化学习及交互 蒋艳荣，李卫华，杨劲涛 （广东工业大学 计算机学院， 广东 广州 ５１０００６） 摘 要：根据不同的学习上下文环境提供合适的学习内容、方式和交互， 并在上下文发生变化时进行适应性的调整， 是智能教学系统近年来的研究难点之一。 为此，提出一种上下文感知驱动的具有适应性的个性化学习及交互方法。 首先讨论上下文及其对学习与交互过程的作用和影响机制。 然后提出一种以知识图为中心的个性化学习，介绍了 学习图的生成算法和操作算子、基于知识图的自适应学习导航及符合用户个性特点和需要的学习序列生成方法。 最后对交互行为进行分类，讨论交互行为的实现。 原型系统的应用结果验证了所提方法的可行性和有效性，在适应 性和个性化学习方面能够较好地满足用户的学习需求。 关键词：上下文感知计算；个性化学习；适应性；交互；智能教学系统 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０１⁃００６０⁃０９ 中文引用格式：蒋艳荣，李卫华，杨劲涛．上下文感知驱动的自适应个性化学习及交互［Ｊ］． 智能系统学报， ２０１４， ９（１）： ６０⁃６８． 英文引用格式：ＪＩＡＮＧ Ｙａｎｒｏｎｇ， ＬＩ Ｗｅｉｈｕａ， ＹＡＮＧ Ｊｉｎｔａｏ． Ａｄａｐｔｉｖｅ ａｎｄ ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｔｅｒａｃｔｉｏｎ ｄｒｉｖｅｎ ｂｙ ｃｏｎｔｅｘｔ⁃ ａｗａｒｅ ｃｏｍｐｕｔｉｎｇ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（１）： ６０⁃６８． Ａｄａｐｔｉｖｅ ａｎｄ ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｔｅｒａｃｔｉｏｎ ｄｒｉｖｅｎ ｂｙ ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｃｏｍｐｕｔｉｎｇ ＪＩＡＮＧ Ｙａｎｒｏｎｇ， ＬＩ Ｗｅｉｈｕａ， ＹＡＮＧ Ｊｉｎｔａｏ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ， Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｇｕａｎｇｚｈｏｕ ５１０００６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｐｒｏｖｉｄｉｎｇ ａｐｐｒｏｐｒｉａｔｅ ｌｅａｒｎｉｎｇ ｃｏｎｔｅｎｔｓ， ｌｅａｒｎｉｎｇ ｓｔｙｌｅ ａｎｄ ｉｎｔｅｒａｃｔｉｏｎ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｌｅａｒｎｉｎｇ ｃｏｎｔｅｘｔｕ⁃ ａｌ ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ａｄｊｕｓｔｉｎｇ ａｃｃｏｒｄｉｎｇ ｔｏ ｉｔｓ ｖａｒｉｅｔｙ ａｒｅ ｓｏｍｅ ｏｆ ｔｈｅ ｄｉｆｆｉｃｕｌｔｉｅｓ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｔｕｔｏｒｉｎｇ ｓｙｓｔｅｍ （ＩＴＳ）． Ｈｅｎｃｅ ａｎ ａｐｐｒｏａｃｈ ｔｏ ａｄａｐｔｉｖｅ ａｎｄ ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｔｅｒａｃｔｉｏｎ ｄｒｉｖｅｎ ｂｙ ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｃｏｍｐｕｔｉｎｇ ｉｓ ｐｒｏｐｏｓｅｄ． Ｆｉｒｓｔ， ｔｈｅ ｃｏｎｔｅｘｔ ａｎｄ ｉｔｓ ｉｎｆｌｕｅｎｃｅ ｏｎ ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｔｅｒａｃｔｉｏｎ ａｒｅ ｄｉｓｃｕｓｓｅｄ． Ｔｈｅｎ ａｎ ａｐｐｒｏａｃｈ ｔｏ ｐｅｒ⁃ ｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ｃｅｎｔｅｒｉｎｇ ｏｎ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ａｓｓｏｃｉａｔｉｏｎ ｍａｐ ｉｓ ｉｎｔｒｏｄｕｃｅｄ， ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｃｒｅａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｎｄ ｏｐｅｒａｔｏｒｓ ｏｆ ｔｈｅ ｍａｐ， ｔｈｅ ａｄａｐｔｉｖｅ ｌｅａｒｎｉｎｇ ｎａｖｉｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ｌｅａｒｎｉｎｇ ｍａｐ ａｎｄ ｔｈｅ ａｐｐｒｏｐｒｉａｔｅ ｃｕｒ⁃ ｒｉｃｕｌｕｍ ｓｅｑｕｅｎｃｉｎｇ ｇｅｎｅｒａｔｉｏｎ ｉｎ ａｃｃｏｒｄａｎｃｅ ｗｉｔｈ ｔｈｅ ｕｓｅｒ＇ｓ ｐｅｒｓｏｎａｌｉｔｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｎｅｅｄｓ ａｒｅ ｄｅｓｃｒｉｂｅｄ ｉｎ ｄｅｔａｉｌ． Ｔｈｅ ｉｎｔｅｒａｃｔｉｏｎ ｂｅｈａｖｉｏｒｓ ａｒｅ ｃｌａｓｓｉｆｉｅｄ ａｎｄ ｈｏｗ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｉｎｔｅｒａｃｔｉｏｎ ｂｅｈａｖｉｏｒｓ ｉｓ ｄｉｓｃｕｓｓｅｄ． Ｆｉｎａｌｌｙ， ｗｅ ｉｍｐｌｅｍｅｎｔｅｄ ｔｈｅ ｐｒｏｐｏｓａｌ ｉｎ ａ ｐｒｏｔｏｔｙｐｅ ｏｆ ｔｈｅ ｌｅａｒｎｉｎｇ ｓｙｓｔｅｍ， ａｎｄ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｉｔｓ ｆｅａｓｉｂｉｌｉｔｙ ａｎｄ ｅｆｆｅｃｔｉｖｅｎｅｓｓ． Ｋｅｙｗｏｒｄｓ：ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｃｏｍｐｕｔｉｎｇ； ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ； ａｄａｐｔａｂｉｌｉｔｙ； ｉｎｔｅｒａｃｔｉｏｎ； ｉｎｔｅｌｌｉｇｅｎｔ ｔｕｔｏｒｉｎｇ ｓｙｓｔｅｍ 收稿日期：２０１３⁃０４⁃１４． 网络出版日期：２０１４⁃０２⁃２０． 基金项目：国家自然科学基金资助项目（ ６１１４２０１２，６１１７１１４１）； 广东 省科技计划资助项目（２０１２Ｂ０１０６０００１４，２０１２Ｂ０１０５０００２５）； 广东省创新方法与决策管理系统重点实验室开放课题 （２０１１Ａ０６０９０１００１⁃１３Ｂ）． 通信作者：蒋艳荣． Ｅ⁃ｍａｉｌ：ｙｒｊｉａｎｇ＠ ｇｄｕｔ．ｅｄｕ．ｃｎ． 近年来， 随着人工智能、认知心理学、计算机科 学等学科在远程智能教育领域的应用及快速发展， 智能教学系统（ｉｎｔｅｌｌｉｇｅｎｔ ｔｕｔｏｒｉｎｇ ｓｙｓｔｅｍ， ＩＴＳ）在知 识表示、学生模型、教学策略和系统架构等方面取得 了较大的进展［１］ 。 尽管如此，在如何使得 ＩＴＳ 更具 有个性化和适应性，以及良好的人机交互方面，仍然 存在着巨大的挑战［１］ ，而这对于提高 ＩＴＳ 的智能性 和应用性极为关键． 与传统的教学系统相比，新一代的远程智能教 育系统（侧重于用户学习，以下简称学习系统），例 如 ＡＩＥＳ ［２］ 、ＡＷＢＥＳ ［３］等，更多地强调适应性和个性 化，要求能够根据学生的学习水平、个人偏好等学习 特点，调整学习内容和学习方式，以适应每位学生的 特点［４］ 。 个性化在提高学生的学习效率和效果方
第1期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·61· 面起着重要的作用)。Bloom6在研究中发现，有 Weiser将透明性称之为一种太自然以至于在使用时 私人教师进行个人指导的学生在掌握学习材料方面 察觉不到的特性)。这就要求在学习的过程中，系 要大大优于通常在课堂学习的学生。而适应性包括 统尽可能少地要求用户显式地输人信息。这需要充 模型、交互和界面的适应性)，个性化与适应性是 分地利用上下文信息，以避免对学习过程不必要的 相互依赖、互为支撑的。研究指出，上下文是实现学 频繁中断。3)与学习交互的集成需要将原始数据 习系统个性化的重要因素[0。因此，能够根据每 处理生成初步的上下文信息，并通过推理得到抽象 位学生的学习特点和不同的上下文环境，提供对应 的具有语义的上下文信息，获得的上下文信息将与 合适的学习内容，并在学习上下文发生变化时及时 学习交互过程进行融合，为学习和交互行为的生成 地调整学习内容和方式，进行相应的改变，成为实现 提供支持。 学习系统智能性和个性化的一个关键。 对上下文的分类有助于理解上下文在学习交互 近年来，上下文感知在许多领域得到了应用，例 中的作用及影响机制。根据学习领域的特点，可以 如普适计算[山、人机交互)、学习系统[o,]等，也 将上下文分类为：1)物理上下文，包括学习者位置 取得了许多进展。岳玮宁在采用上下文感知技术改 (宿舍、教室、图书馆等)、网络(GSM、互联网)、设 善手持移动设备的人机交互方面进行了有益的探 备、当前时间、天气等；2)用户上下文，是与学习者 索2。KM.Lee提出一个上下文感知系统结构，系 相关的基本信息和个性信息，包括姓名、性别、角色、 统采用if-then规则实现上下文感知服务。文献 个人偏好等：3)学习上下文，包括与用户学习有关 [10]针对语言学习提出了一个普适环境下的协作 的各种信息，如用户的学习水平、期望的学习时间 学习支持系统，其中用到了对知识的感知和用户上 学习对象、学习目标、学习状态、学习风格等。不同 下文等。周建智)将本体论引入OUG系统的开 类型的上下文通过作用机制参与学习和交互的决策 发中，以解决已有的学习系统异构性问题和学习服 过程，进而影响到系统的行为与功能。 务难于共享的问题，在显示界面方面，该系统能自适 1.2作用机制 应电脑终端或PDA等手持移动设备。 上下文感知对学习与交互的作用机制可以用图1 已有研究存在的主要问题是：1)侧重于系统某 进行描述，其本质是上下文对学习及交互行为的决策 方面技术的研究，对于将上下文感知计算与学习系 产生影响，进而生成适合当前上下文环境的学习服务。 统的有机集成缺少研究，而这对提高学习系统的适 其中作用机制可分为2种：主动模式和被动模式。 应性，以及提供个性化的学习服务较为关键；2)对 主动模式是在对上下文及感知信息提取特征之 于上下文感知环境下，满足学生的个性需求、适合学 后，对上下文触发规则进行匹配，在满足规则约束的 习特点的个性化学习及交互的研究还较为缺乏。为 条件下，发出对应的触发信号。在触发多条规则的 此，本文提出上下文感知驱动的具有适应性的个性 情况下，会依据优先性进行选择。高层应用接收到 化学习及交互方法。 触发信号之后执行相应的应用。例如，用户在转换 学习场所后，新的地点会触发用户的学习配置环境 1上下文感知 的切换：用户学习时间过长，会触发“学习太久，请 上下文感知是建立具有适应性的个性化学习系 注意休息”的提醒行为（如图1中行为1的触发执 统的一项关键技术，其目的在于实现对学习环境 行)。被动模式可通过统一的上下文访问接口实 (包括信息空间与物理空间)的感知，以在用户没有 现，所有的高层应用要获取上下文，都必须通过这个 发出明确请求的情况下判断何时向用户提供服务， 访问接口。 以及提供何种合适的学习服务。 上下文信息作为输人作用于学习模型，可用于 1.1应用特性及上下文分类 生成满足用户学习需求的个性化学习模型，结合学 与一般的学习系统相比，基于上下文感知的智 习目标、学习状态等上下文的变化，进而对学习模型 能学习系统通常需要具备如下特性：1)前摄性是指 进行调整、优化，生成适合该用户的个性化学习序 在没有用户的请求下就代表用户对未来的目标或问 列，以及进行学习导航等。另外，上下文信息作用于 题做出预期。它能够预计用户的需要并触发自己的 学习交互过程，可以生成适合当时上下文环境的交 合适行为。这需要对用户的习惯、行为模式等信息 互行为，如上下文命令、上下文触发行为和上下文学 有一定的了解。2)透明性是指不被察觉的程度。 习行为，具体见后面章节的讨论
面起着重要的作用［５］ 。 Ｂｌｏｏｍ ［６］ 在研究中发现，有 私人教师进行个人指导的学生在掌握学习材料方面 要大大优于通常在课堂学习的学生。 而适应性包括 模型、交互和界面的适应性［７］ ，个性化与适应性是 相互依赖、互为支撑的。 研究指出，上下文是实现学 习系统个性化的重要因素［８⁃１０］ 。 因此，能够根据每 位学生的学习特点和不同的上下文环境，提供对应 合适的学习内容，并在学习上下文发生变化时及时 地调整学习内容和方式，进行相应的改变，成为实现 学习系统智能性和个性化的一个关键。 近年来，上下文感知在许多领域得到了应用，例 如普适计算［１１］ 、人机交互［１２］ 、学习系统［１０，１３］ 等，也 取得了许多进展。 岳玮宁在采用上下文感知技术改 善手持移动设备的人机交互方面进行了有益的探 索［１２］ 。 Ｋ．Ｍ．Ｌｅｅ 提出一个上下文感知系统结构，系 统采用 ｉｆ⁃ｔｈｅｎ 规则实现上下文感知服务［１４］ 。 文献 ［１０］针对语言学习提出了一个普适环境下的协作 学习支持系统，其中用到了对知识的感知和用户上 下文等。 周建智［１３］ 将本体论引入 ＯＵＬＧ 系统的开 发中，以解决已有的学习系统异构性问题和学习服 务难于共享的问题，在显示界面方面，该系统能自适 应电脑终端或 ＰＤＡ 等手持移动设备。 已有研究存在的主要问题是：１）侧重于系统某 方面技术的研究，对于将上下文感知计算与学习系 统的有机集成缺少研究，而这对提高学习系统的适 应性，以及提供个性化的学习服务较为关键；２） 对 于上下文感知环境下，满足学生的个性需求、适合学 习特点的个性化学习及交互的研究还较为缺乏。 为 此，本文提出上下文感知驱动的具有适应性的个性 化学习及交互方法。 １ 上下文感知 上下文感知是建立具有适应性的个性化学习系 统的一项关键技术，其目的在于实现对学习环境 （包括信息空间与物理空间）的感知，以在用户没有 发出明确请求的情况下判断何时向用户提供服务， 以及提供何种合适的学习服务。 １．１ 应用特性及上下文分类 与一般的学习系统相比，基于上下文感知的智 能学习系统通常需要具备如下特性：１）前摄性是指 在没有用户的请求下就代表用户对未来的目标或问 题做出预期。 它能够预计用户的需要并触发自己的 合适行为。 这需要对用户的习惯、行为模式等信息 有一定的了解。 ２） 透明性是指不被察觉的程度。 Ｗｅｉｓｅｒ 将透明性称之为一种太自然以至于在使用时 察觉不到的特性［１５］ 。 这就要求在学习的过程中，系 统尽可能少地要求用户显式地输入信息。 这需要充 分地利用上下文信息，以避免对学习过程不必要的 频繁中断。 ３）与学习交互的集成需要将原始数据 处理生成初步的上下文信息，并通过推理得到抽象 的具有语义的上下文信息，获得的上下文信息将与 学习交互过程进行融合，为学习和交互行为的生成 提供支持。 对上下文的分类有助于理解上下文在学习交互 中的作用及影响机制。 根据学习领域的特点，可以 将上下文分类为：１） 物理上下文，包括学习者位置 （宿舍、教室、图书馆等）、网络（ＧＳＭ、互联网）、设 备、当前时间、天气等；２） 用户上下文，是与学习者 相关的基本信息和个性信息，包括姓名、性别、角色、 个人偏好等；３） 学习上下文，包括与用户学习有关 的各种信息，如用户的学习水平、期望的学习时间、 学习对象、学习目标、学习状态、学习风格等。 不同 类型的上下文通过作用机制参与学习和交互的决策 过程，进而影响到系统的行为与功能。 １．２ 作用机制 上下文感知对学习与交互的作用机制可以用图 １ 进行描述，其本质是上下文对学习及交互行为的决策 产生影响，进而生成适合当前上下文环境的学习服务。 其中作用机制可分为 ２ 种：主动模式和被动模式。 主动模式是在对上下文及感知信息提取特征之 后，对上下文触发规则进行匹配，在满足规则约束的 条件下，发出对应的触发信号。 在触发多条规则的 情况下，会依据优先性进行选择。 高层应用接收到 触发信号之后执行相应的应用。 例如，用户在转换 学习场所后，新的地点会触发用户的学习配置环境 的切换；用户学习时间过长，会触发“学习太久，请 注意休息”的提醒行为（如图 １ 中行为 １ 的触发执 行）。 被动模式可通过统一的上下文访问接口实 现，所有的高层应用要获取上下文，都必须通过这个 访问接口。 上下文信息作为输入作用于学习模型，可用于 生成满足用户学习需求的个性化学习模型，结合学 习目标、学习状态等上下文的变化，进而对学习模型 进行调整、优化，生成适合该用户的个性化学习序 列，以及进行学习导航等。 另外，上下文信息作用于 学习交互过程，可以生成适合当时上下文环境的交 互行为，如上下文命令、上下文触发行为和上下文学 习行为，具体见后面章节的讨论。 第 １ 期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·６１·
.62. 智能系统学报 第9卷 高层应用 一 f(cmd) 上下文命令 (cmd.ctx) 主动模式 行为1 触发信号 特征提取 上下文触发行为 行为2 触发规则匹配 上下文信息 {学习交互 行为N 配置指令 用户配置信息？ 上下文信息 上次学习状态川 物理上下文 下文学习配国- 学习环境配置！ 用户上下文 学习工具配置： 被动模式 二一二二二一 学习上下文 存取控制 上下文访问接口 获取指令 学习模型 个性化学习模型 1个性化学习 上下文信息 I ctx 学习序列 个性化学习序列 导航 个性化学习导航 图1上下文感知作用机制 Fig.1 Influence mechanism of context-awareness 向树，再考察知识，点之间的前提关系，将有前提关系 2上下文感知环境下的个性化学习 的知识点用箭头连接起来，则可以得到一个有向无 2.1知识表示及领域模型 环图。 定义1（知识点）知识点可以用一个多元组 定义2（知识图）由知识点K通过分解和添加 表示：K=(N,D,A),其中N为知识点的名称，D 前提关系得到的有向无环图，称为知识图，记为 为知识点的基本内容，包括该知识点的定义、描述、 KAG(K),可用多元组表示为KAG(K)=(N,R),其 关键词等，A为知识点的属性，A=(dif,mast),dif是 中N为结点集，R为关系集（边）。在获得了领域知 该知识点的难度系数，mast用来表示对该知识点的 识的不同知识图之后，可以建立该领域知识的模型。 认知要求，mast∈{“识记”，“理解”，“运用”，“综 定义3（领域模型）领域模型为针对某具体领 合”}。 域的知识结构，由知识点与知识点之间的关系组成， 在学习系统中，一门课程的一章、一节、一个算 可以表示为一个集合D={KAG(K,),KAG(K2), 法等都可以作为一个知识点。知识点之间是相互关 …,KAG(K)}。领域模型最简单的形式就是一个 联的，将这种非孤立的关联关系称之为知识点之间 由领域概念及其关系组成的集合。显然，由知识图 的关系。若某知识点B可用于定义、描述或解释另 构成的领域模型是一个网状结构，如果去掉知识点 一知识点A,则称B与A是前提关系(precedence- 之间的前提关系，其主体架构是由知识点构成的森 of),记为p(B,A,9),其中q∈[0,1]为依赖强度，用 林。很明显，越靠近根结点的知识点，其抽象程度越 于描述A对B的依赖程度。直观地看，知识点A需 高，包含的子知识点也越多。这样的组织方式，既便 要在其前提知识点B学习完之后才能进行学习。 于用户理解，又便于知识的管理。在学习的过程中， 对于一个知识点来说，通常可以分解为几个小的子 用户可以提取出其中的任一子图进行学习。 知识点，而子知识点可以分解为更小的子知识点，依 定义4（学习图）学习图LG(K)=(N,R)是 次类推。这种关系称之为subtopic-of关系，记为 关于知识点K一个定义良好的KAG子图，且满足以 s(C,D),表示C是D的子知识点。显然，对某知识 下条件：1)NCN,R,CR;2)对于x,xeN,且y∈ 点K进行逐步分解，可以得到一棵根结点为K的有 V,P(y,x),则有y∈N。显然，学习图有助于实现个
图 １ 上下文感知作用机制 Ｆｉｇ．１ Ｉｎｆｌｕｅｎｃｅ ｍｅｃｈａｎｉｓｍ ｏｆ ｃｏｎｔｅｘｔ⁃ａｗａｒｅｎｅｓｓ ２ 上下文感知环境下的个性化学习 ２．１ 知识表示及领域模型 定义 １（知识点） 知识点可以用一个多元组 表示：Ｋ ＝ （Ｎｋ，Ｄｋ，Ａｋ），其中 Ｎｋ为知识点的名称，Ｄｋ 为知识点的基本内容，包括该知识点的定义、描述、 关键词等，Ａｋ为知识点的属性，Ａｋ ＝ （ｄｉｆ，ｍａｓｔ），ｄｉｆ 是 该知识点的难度系数，ｍａｓｔ 用来表示对该知识点的 认知要求，ｍａｓｔ Î｛“识记”， “ 理解”， “ 运用”， “ 综 合”｝。 在学习系统中，一门课程的一章、一节、一个算 法等都可以作为一个知识点。 知识点之间是相互关 联的，将这种非孤立的关联关系称之为知识点之间 的关系。 若某知识点 Ｂ 可用于定义、描述或解释另 一知识点 Ａ，则称 Ｂ 与 Ａ 是前提关系（ ｐｒｅｃｅｄｅｎｃｅ⁃ ｏｆ），记为 ｐ（Ｂ，Ａ，ｑ），其中 ｑ∈［０，１］为依赖强度，用 于描述 Ａ 对 Ｂ 的依赖程度。 直观地看，知识点 Ａ 需 要在其前提知识点 Ｂ 学习完之后才能进行学习。 对于一个知识点来说，通常可以分解为几个小的子 知识点，而子知识点可以分解为更小的子知识点，依 次类推。 这种关系称之为 ｓｕｂｔｏｐｉｃ⁃ｏｆ 关系， 记为 ｓ（Ｃ，Ｄ），表示 Ｃ 是 Ｄ 的子知识点。 显然，对某知识 点 Ｋ 进行逐步分解，可以得到一棵根结点为 Ｋ 的有 向树，再考察知识点之间的前提关系，将有前提关系 的知识点用箭头连接起来，则可以得到一个有向无 环图。 定义 ２（知识图） 由知识点 Ｋ 通过分解和添加 前提关系得到的有向无环图， 称为知识图， 记为 ＫＡＧ（Ｋ），可用多元组表示为 ＫＡＧ（Ｋ）＝ （Ｎ，Ｒ），其 中 Ｎ 为结点集，Ｒ 为关系集（边）。 在获得了领域知 识的不同知识图之后，可以建立该领域知识的模型。 定义 ３（领域模型） 领域模型为针对某具体领 域的知识结构，由知识点与知识点之间的关系组成， 可以表示为一个集合 Ｄ ＝ ｛ＫＡＧ（Ｋ１ ）， ＫＡＧ（Ｋ２ ）， …，ＫＡＧ（Ｋｎ ）｝。 领域模型最简单的形式就是一个 由领域概念及其关系组成的集合。 显然，由知识图 构成的领域模型是一个网状结构，如果去掉知识点 之间的前提关系，其主体架构是由知识点构成的森 林。 很明显，越靠近根结点的知识点，其抽象程度越 高，包含的子知识点也越多。 这样的组织方式，既便 于用户理解，又便于知识的管理。 在学习的过程中， 用户可以提取出其中的任一子图进行学习。 定义 ４（学习图） 学习图 ＬＧ（Ｋ） ＝ （Ｎｌ，Ｒｌ）是 关于知识点 Ｋ 一个定义良好的 ＫＡＧ 子图，且满足以 下条件：１） Ｎｌ ÌＮ， Ｒｌ ÌＲ；２） 对于"ｘ，ｘ ÎＮｌ，且 ｙ Î Ｎ，ｐ（ｙ，ｘ），则有 ｙ ÎＮｌ。 显然，学习图有助于实现个 ·６２· 智 能 系 统 学 报 第 ９ 卷
第1期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·63. 性化的学习，针对用户给定的学习目标K,将与其关 加入到学习图LG: 联的完备知识点集成起来，生成符合用户学习需求 4)将G中所有与K满足前提关系的结点及其 的知识子图，进而生成个性化的学习序列。 前提关系，加入到学习图LG.方法如下：首先对VK。, 2.2自适应的个性化学习 若结点K满足p(K。,K),则将其标记为1；然后对标 具有适应性的个性化学习是通过知识图及其映 记为1的K,若满足x,s(x,K)为真，且x与K的 射过程实现的。领域模型相当于领域专家的知识图 距离小于阈值p,则将x标记为1：再判断K,的祖先 结构，根据学习目标和需求，可以生成初始的目标知 结点，若K存在祖先结点K,且K与K的距离小于 识图，此图反映了在当前学习状态下要求学生学习 阈值δ，则将K标记为1；接着找到与K的距离最大 的内容及掌握程度。根据学习者的需要，可以通过 且标记为1的祖先结点K,考察其所有的子孙结点 对其结点和关系的增减实现对学习内容和难度的调 x,若x与K的距离小于(6+p),则将此结点x标记 整。在学习过程中，可根据学习者对知识点学习的 为1：最后，将所有标记为1的结点及其关系加入到 评估结果动态改变目标知识图（例如降低难度，删 学习图LG: 减知识点等)，从而建立动态的学习者知识图并存 5)若K的子孙结点K存在满足前提关系的结 入学生模型，这反映了学习者不断变化的认知状态 点x,若p(x,K)为真，则参照步骤4)将相关结点和 和学习能力。因此，整个学习过程是一个不断进行 关系加入到学习图LG: 动态调整的知识图变化过程，如图2所示。 6)返回学习图LG. 领域模型 日标知识图 学习 学习者知识图 显然，以上算法在设定一定的阈值p,8后，向上 可以将与K。一定距离内的祖先结点包括进来，向下 可以将相关联的子孙结点包括进来，其中距离越远 Delete() Modify() ○ 的结点，认为其关联度越小。通过设定不同的阈值， Add0等 学习反馈 可以得到不同范围大小的知识子图，从而适应不同 学习能力的用户。 图2个性化学习 在学习过程中，根据学习者的个性需求和学习 Fig.2 Personalized learning 评估的结果对知识图进行添加、删除等调整操作，是 在此过程中，建立个性化的目标知识图是基础。 实现一定适应性的关键。对知识图的调整主要通过 目标知识图的建立需要考虑到学习上下文，包括学 如下算子实现。 习者的学习水平、学习目标和学习状态等。当学习 定义5(Delete算子)Delete(K)是一元运算 者选择了一个知识点作为学习目标，系统会通过传 符，给定一个学习图LG=(N,R),K∈N,则 递过来的学习状态来确定该学习者是否掌握了该目 Delete(K)运算符允许用户删除学习图LG中任一不 标知识点的所有前提知识。如果该学习者对于前提 感兴趣的知识点K,其运算后得到新的学习图LGN= 知识的学习效果达到要求，则系统会生成一个学习 (N',R),其中N'=N,-({K}UNUN2UN3),N 图LG,作为学习对应知识点的目标知识图。如果该 为知识点K的子孙结点集，N={K'Is(K',K)};N2 学习者还没有掌握所有的前提知识，则系统会将未 为以知识点K为前提的结点集，N2={KIp(K,K)}: 掌握的前提知识加入到学习图LG中。在目标学习 N为被删除的前提结点的子孙结点，即N3={Ix, 图生成之后，系统可以结合学习上下文生成合适的 x∈N2,s(K',x)},考虑到前提关系的传递性，通过 个性化学习序列作为学习建议。个性化的学习图 以上操作，可以使得所有以K为前提的结点及其子 LG(K)的生成算法如下。 孙结点能被删除。新关系集R'=R,-{〈K,K〉IK, 算法1学习图生成算法LGGenerate(G,K)。 K,∈{K}UN,UN2UN3}。 输入：K为要学习的目标知识点，G为包含K 然而，有时需要保留这些具有前提关系的知识 的领域知识图。 点，然后当用户学习到这些知识点时，根据需要加入 输出：生成的学习图LG(K)。 其前提知识点。此时，需要一种不完备的删除操作。 1)初始化，设定阈值p,δ，LG-☑： 定义6(DeleteSubTree算子)DeleteSub 2)G←-G,然后去掉G的所有前提关系； Tree(K)是一元运算符，给定一个学习图LG=(N, 3)将G中K及其子孙结点和关系构成的子树， R,),K∈N,则该算子运算后得到新的学习图LGN=
性化的学习，针对用户给定的学习目标 Ｋ，将与其关 联的完备知识点集成起来，生成符合用户学习需求 的知识子图，进而生成个性化的学习序列。 ２．２ 自适应的个性化学习 具有适应性的个性化学习是通过知识图及其映 射过程实现的。 领域模型相当于领域专家的知识图 结构，根据学习目标和需求，可以生成初始的目标知 识图，此图反映了在当前学习状态下要求学生学习 的内容及掌握程度。 根据学习者的需要，可以通过 对其结点和关系的增减实现对学习内容和难度的调 整。 在学习过程中，可根据学习者对知识点学习的 评估结果动态改变目标知识图（例如降低难度，删 减知识点等），从而建立动态的学习者知识图并存 入学生模型，这反映了学习者不断变化的认知状态 和学习能力。 因此，整个学习过程是一个不断进行 动态调整的知识图变化过程，如图 ２ 所示。 图 ２ 个性化学习 Ｆｉｇ．２ Ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ 在此过程中，建立个性化的目标知识图是基础。 目标知识图的建立需要考虑到学习上下文，包括学 习者的学习水平、学习目标和学习状态等。 当学习 者选择了一个知识点作为学习目标，系统会通过传 递过来的学习状态来确定该学习者是否掌握了该目 标知识点的所有前提知识。 如果该学习者对于前提 知识的学习效果达到要求，则系统会生成一个学习 图 ＬＧ，作为学习对应知识点的目标知识图。 如果该 学习者还没有掌握所有的前提知识，则系统会将未 掌握的前提知识加入到学习图 ＬＧ 中。 在目标学习 图生成之后，系统可以结合学习上下文生成合适的 个性化学习序列作为学习建议。 个性化的学习图 ＬＧ（Ｋ）的生成算法如下。 算法 １ 学习图生成算法 ＬＧＧｅｎｅｒａｔｅ（Ｇ，Ｋ）。 输入： Ｋ 为要学习的目标知识点，Ｇ 为包含 Ｋ 的领域知识图。 输出： 生成的学习图 ＬＧ（Ｋ）。 １）初始化，设定阈值 ρ，δ，ＬＧ←∅； ２）Ｇ′ ←Ｇ，然后去掉 Ｇ′的所有前提关系； ３）将 Ｇ′中 Ｋ 及其子孙结点和关系构成的子树， 加入到学习图 ＬＧ； ４）将 Ｇ 中所有与 Ｋ 满足前提关系的结点及其 前提关系，加入到学习图 ＬＧ．方法如下：首先对"Ｋｐ， 若结点 Ｋｐ满足 ｐ（Ｋｐ，Ｋ），则将其标记为 １；然后对标 记为 １ 的 Ｋｐ，若满足"ｘ，ｓ（ｘ，Ｋｐ）为真，且 ｘ 与 Ｋｐ的 距离小于阈值 ρ，则将 ｘ 标记为 １；再判断 Ｋｐ的祖先 结点，若 Ｋｐ存在祖先结点 Ｋｆ，且 Ｋｆ与 Ｋｐ的距离小于 阈值 δ，则将 Ｋｆ标记为 １； 接着找到与 Ｋｐ的距离最大 且标记为 １ 的祖先结点 Ｋｆ ′，考察其所有的子孙结点 ｘ，若 ｘ 与 Ｋｆ ′的距离小于（ δ＋ρ），则将此结点 ｘ 标记 为 １；最后，将所有标记为 １ 的结点及其关系加入到 学习图 ＬＧ； ５）若 Ｋ 的子孙结点 Ｋｃ存在满足前提关系的结 点 ｘ，若 ｐ（ｘ，Ｋｃ）为真，则参照步骤 ４）将相关结点和 关系加入到学习图 ＬＧ； ６）返回学习图 ＬＧ． 显然，以上算法在设定一定的阈值 ρ，δ 后，向上 可以将与 Ｋｐ一定距离内的祖先结点包括进来，向下 可以将相关联的子孙结点包括进来，其中距离越远 的结点，认为其关联度越小。 通过设定不同的阈值， 可以得到不同范围大小的知识子图，从而适应不同 学习能力的用户。 在学习过程中，根据学习者的个性需求和学习 评估的结果对知识图进行添加、删除等调整操作，是 实现一定适应性的关键。 对知识图的调整主要通过 如下算子实现。 定义 ５（Ｄｅｌｅｔｅ 算子） Ｄｅｌｅｔｅ（Ｋ） 是一元运算 符，给 定 一 个 学 习 图 ＬＧ ＝ （ Ｎｌ， Ｒｌ ）， Ｋ Î Ｎｌ， 则 Ｄｅｌｅｔｅ（Ｋ）运算符允许用户删除学习图 ＬＧ 中任一不 感兴趣的知识点 Ｋ，其运算后得到新的学习图ＬＧＮ＝ （Ｎｌ ′，Ｒｌ ′），其中 Ｎｌ ′ ＝ Ｎｌ －（｛Ｋ｝ ∪Ｎ１ ∪Ｎ２ ∪Ｎ３ ），Ｎ１ 为知识点 Ｋ 的子孙结点集，Ｎ１ ＝ ｛Ｋ′ ｜ ｓ（Ｋ′，Ｋ）｝； Ｎ２ 为以知识点 Ｋ 为前提的结点集，Ｎ２ ＝｛Ｋ′｜ ｐ（Ｋ，Ｋ′）｝； Ｎ３为被删除的前提结点的子孙结点，即 Ｎ３ ＝｛Ｋ′｜ "ｘ， ｘ ÎＮ２ ，ｓ（Ｋ′，ｘ）｝，考虑到前提关系的传递性，通过 以上操作，可以使得所有以 Ｋ 为前提的结点及其子 孙结点能被删除。 新关系集 Ｒｌ ′ ＝ Ｒｌ －｛〈Ｋｉ，Ｋｊ〉 ｜ Ｋｉ， ＫｊÎ｛Ｋ｝∪Ｎ１∪Ｎ２∪Ｎ３ ｝。 然而，有时需要保留这些具有前提关系的知识 点，然后当用户学习到这些知识点时，根据需要加入 其前提知识点。 此时，需要一种不完备的删除操作。 定 义 ６ （ ＤｅｌｅｔｅＳｕｂＴｒｅｅ 算 子 ） ＤｅｌｅｔｅＳｕｂ Ｔｒｅｅ（Ｋ）是一元运算符，给定一个学习图 ＬＧ ＝ （Ｎｌ， Ｒｌ），Ｋ ÎＮｌ，则该算子运算后得到新的学习图ＬＧＮ＝ 第 １ 期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·６３·
64 智能系统学报 第9卷 (N',R),其中N'=N-({K}N),N= 点的选取次序，得到知识点序列List(k); {KIs(K',K)},R'=R-{(K,K〉IK,K∈{KUN}。 3)将知识点序列List(k)转化学习页面序列，具 显然，DeleteSubTree算子仅仅删除了知识点K及其 体过程如下：首先在页面的具体生成中包含前后的 子孙结点，相比较Delete而言是不完备的。 方向导航按钮（直接导航）：其次对于页面中包含的 定义7(Modify算子)Modify(K,At)是二元 其他知识点链接，根据学习者的知识水平对页面上 运算符，K为目标知识点，At为要修改的属性集合， 的超链接进行分类，分别加上不同的标记（如不同 At={(attrl,vall),(atr2,val2),…},根据要修改的 的颜色、字体等)以代表不同的含义（链标记）：然后 属性名（例如名称、描述、难度系数等）对相应的值 根据学习者的当前知识状态，隐藏某些超链接以避 进行修改。 免干扰信息（链隐藏）：最后提供学习图LG(K)和领 定义8(Add算子)Add(K,K2)是二元运算 域知识图的图形展示，用不同的颜色表示不同的知 符，其运算的结果是将知识点K作为孩子结点连接 识掌握程度等信息； 到知识点K2,使得s(K1,K2)为真。 4)对学习者在学习页面上的学习请求（点击链 学习者的学习过程以知识图为中心，在个性化 接等)进行合适的响应。 的学习图生成之后，系统结合学习上下文生成适合 在以上导航过程中，采用了直接导航、链标记和 学习者学习需要和个性特点的学习序列，并对学习 链隐藏技术，同时也提供了领域知识图和当前的学 者的学习过程进行导航。同时学习者的评估结果作 习图的图形界面，作为学习者对其他学习目标的快 为反馈，用于调整和优化其目标学习图，以备下一轮 速入口，以及对自身学习状况的直观表示。另外，还 的学习需要，这样在学习过程中系统与学习者之间 提供了目录树结构的辅助导航，以满足传统导航习 形成了多个学习循环，使得系统逐步接近于最适合 惯的学习者需要。在学习过程中，学习者既可以按 该学生学习特点的优化状态。 照系统提供的学习序列建议进行学习，也可以跳出 2.3自适应学习导航 系统的建议选择新的知识点进行学习。因此有以下 自适应导航的目的是帮助学习者根据其知识状 情况：1)学习者选择的知识点在当前的学习图 态找到一条“最优”的路径以浏览领域知识6)。一 LG(K)中：2)学习者选择的知识点不在当前学习图 般而言有2种方法：一是学习者自己选择的学习内 的范围内。对于第1种情况，系统首先会判断该知 容和安排的学习序列，可以“自由”地浏览所有的学 识点的前提知识点是否已经学习完了，且达到了必 习材料，系统仅仅提供一些建议[6]；二是由系统根 要的掌握程度。如果没有，系统会给出提醒，并转入 据学习者的目标和现有的知识水平自动地生成学习 对其前提知识点的学习：否则会给出提示，并拒绝此 序列，如DCG系统[7]等。显然，太“自由”地浏览会 次学习请求。对第2种情况，系统会保存当前的学 导致学习者获得的指导不够（例如在不具有先导知 习图LG(K)及其页面的状态，并对学习者选择的知 识的情况下学习某知识点)，出现“迷航”现象，而严 识点进行类似的判断。若学习者当前的知识水平满 格地遵循系统提供的学习路径进行学习，则缺乏灵 足对该知识点学习的必要要求，则调用“学习图生 活性。 成算法”生成适合该学习者学习特点的学习图 而知识图具有全局性特征，显然可以用于指导 LG(K),并转入对LG(K)的学习。其后，若学习者 学习者在浏览不同的学习页面时适时定位，因而可 退出对LG(K)的学习，则系统将其状态进行保存， 将以上2种方法进行一定的集成。为此，提出一种 并恢复学习图LG(K)作为当前学习图。 基于知识图的自适应学习导航算法，其主要步骤 在学习过程中，系统会根据学习效果动态地修 如下。 正学习图中各知识点的学习状态，并将不同的学习 1)采用算法1，依据学习上下文将知识图转化 图进行合并，用于对学习过程的控制和对学习者知 为适合学习者学习需要的学习图LG(K); 识状态的直观呈现。 2)根据生成的学习图LG(K),采用结合深度优 2.4学习效果评价 先遍历的拓扑排序方法获得其学习序列Lst(k)。 学习效果评价的目的在于根据学习者对知识点 方法如下：首先去掉LG(K)的前提关系，对其进行 的测试情况，更新用户的知识状态，并将相关的学习 深度优先遍历，得到知识点序列List;再将获得的序 行为数据和测试结果进行保存，用于用户的学习特 列Lst作为启发信息，用于指导拓扑排序过程中结 点获取和知识图的调整，进而生成合适的学习序列
（Ｎｌ ′， Ｒｌ ′）， 其 中 Ｎｌ ′ ＝ Ｎｌ － （｛ Ｋ ｝ ∪ Ｎ１ ）， Ｎ１ ＝ ｛Ｋ′｜ｓ（Ｋ′，Ｋ）｝，Ｒｌ ′＝ Ｒｌ －｛〈Ｋｉ，Ｋｊ〉 ｜ Ｋｉ，ＫｊÎ｛Ｋ｝∪Ｎ１ ｝。 显然，ＤｅｌｅｔｅＳｕｂＴｒｅｅ 算子仅仅删除了知识点 Ｋ 及其 子孙结点，相比较 Ｄｅｌｅｔｅ 而言是不完备的。 定义 ７（Ｍｏｄｉｆｙ 算子） Ｍｏｄｉｆｙ（Ｋ，Ａｔｔ） 是二元 运算符，Ｋ 为目标知识点，Ａｔｔ 为要修改的属性集合， Ａｔｔ ＝ ｛（ａｔｔｒ１，ｖａｌ１），（ａｔｔｒ２，ｖａｌ２），…｝，根据要修改的 属性名（例如名称、描述、难度系数等） 对相应的值 进行修改。 定义 ８（Ａｄｄ 算子） Ａｄｄ（Ｋ１ ，Ｋ２ ）是二元运算 符，其运算的结果是将知识点 Ｋ１作为孩子结点连接 到知识点 Ｋ２ ，使得 ｓ（Ｋ１ ，Ｋ２ ）为真。 学习者的学习过程以知识图为中心，在个性化 的学习图生成之后，系统结合学习上下文生成适合 学习者学习需要和个性特点的学习序列，并对学习 者的学习过程进行导航。 同时学习者的评估结果作 为反馈，用于调整和优化其目标学习图，以备下一轮 的学习需要，这样在学习过程中系统与学习者之间 形成了多个学习循环，使得系统逐步接近于最适合 该学生学习特点的优化状态。 ２．３ 自适应学习导航 自适应导航的目的是帮助学习者根据其知识状 态找到一条“最优”的路径以浏览领域知识［１６］ 。 一 般而言有 ２ 种方法：一是学习者自己选择的学习内 容和安排的学习序列，可以“自由”地浏览所有的学 习材料，系统仅仅提供一些建议［１６］ ；二是由系统根 据学习者的目标和现有的知识水平自动地生成学习 序列，如 ＤＣＧ 系统［１７］等。 显然，太“自由”地浏览会 导致学习者获得的指导不够（例如在不具有先导知 识的情况下学习某知识点），出现“迷航”现象，而严 格地遵循系统提供的学习路径进行学习，则缺乏灵 活性。 而知识图具有全局性特征，显然可以用于指导 学习者在浏览不同的学习页面时适时定位，因而可 将以上 ２ 种方法进行一定的集成。 为此，提出一种 基于知识图的自适应学习导航算法，其主要步骤 如下。 １）采用算法 １，依据学习上下文将知识图转化 为适合学习者学习需要的学习图 ＬＧ（Ｋ）； ２）根据生成的学习图 ＬＧ（Ｋ），采用结合深度优 先遍历的拓扑排序方法获得其学习序列 Ｌｉｓｔ（ ｋ）。 方法如下：首先去掉 ＬＧ（Ｋ）的前提关系，对其进行 深度优先遍历，得到知识点序列 Ｌｉｓｔ；再将获得的序 列 Ｌｉｓｔ 作为启发信息，用于指导拓扑排序过程中结 点的选取次序，得到知识点序列 Ｌｉｓｔ（ｋ）； ３）将知识点序列 Ｌｉｓｔ（ｋ）转化学习页面序列，具 体过程如下：首先在页面的具体生成中包含前后的 方向导航按钮（直接导航）；其次对于页面中包含的 其他知识点链接，根据学习者的知识水平对页面上 的超链接进行分类，分别加上不同的标记（如不同 的颜色、字体等）以代表不同的含义（链标记）；然后 根据学习者的当前知识状态，隐藏某些超链接以避 免干扰信息（链隐藏）；最后提供学习图 ＬＧ（Ｋ）和领 域知识图的图形展示，用不同的颜色表示不同的知 识掌握程度等信息； ４）对学习者在学习页面上的学习请求（点击链 接等）进行合适的响应。 在以上导航过程中，采用了直接导航、链标记和 链隐藏技术，同时也提供了领域知识图和当前的学 习图的图形界面，作为学习者对其他学习目标的快 速入口，以及对自身学习状况的直观表示。 另外，还 提供了目录树结构的辅助导航，以满足传统导航习 惯的学习者需要。 在学习过程中，学习者既可以按 照系统提供的学习序列建议进行学习，也可以跳出 系统的建议选择新的知识点进行学习。 因此有以下 情况：１） 学习者选择的知识点在当前的学习图 ＬＧ（Ｋ）中；２）学习者选择的知识点不在当前学习图 的范围内。 对于第 １ 种情况，系统首先会判断该知 识点的前提知识点是否已经学习完了，且达到了必 要的掌握程度。 如果没有，系统会给出提醒，并转入 对其前提知识点的学习；否则会给出提示，并拒绝此 次学习请求。 对第 ２ 种情况，系统会保存当前的学 习图ＬＧ（Ｋ）及其页面的状态，并对学习者选择的知 识点进行类似的判断。 若学习者当前的知识水平满 足对该知识点学习的必要要求，则调用“学习图生 成算法” 生成适合该学习者学习特点的学习图 ＬＧ（Ｋ′），并转入对 ＬＧ（Ｋ′）的学习。 其后，若学习者 退出对 ＬＧ（Ｋ′）的学习，则系统将其状态进行保存， 并恢复学习图 ＬＧ（Ｋ）作为当前学习图。 在学习过程中，系统会根据学习效果动态地修 正学习图中各知识点的学习状态，并将不同的学习 图进行合并，用于对学习过程的控制和对学习者知 识状态的直观呈现。 ２．４ 学习效果评价 学习效果评价的目的在于根据学习者对知识点 的测试情况，更新用户的知识状态，并将相关的学习 行为数据和测试结果进行保存，用于用户的学习特 点获取和知识图的调整，进而生成合适的学习序列。 ·６４· 智 能 系 统 学 报 第 ９ 卷
第1期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·65. 对用户知识状态的更新，可以采用文献[18]的算法. 信息，而对于一位初学者，则显然可以适当地屏蔽。 例如，对于解答正确的题目，可采用公式S=Sa+ 2)上下文触发行为是由上下文及其变化触发 Sa×P/I0;而对于解答错误的题目，采用公式S..= 的行为，它赋予学习系统在一定条件下自治地执行 Sa-Soa×P/I0,其中P为难度系数。 某些行为的能力，可用于实现对环境变化的快速反 得到学习者的知识状态后，可以结合其学习时 应。一个简单的触发行为由作为前提的上下文和作 间、测试的题目难度和数目，评估其学习能力，用于 为操作的行为来组成，可以简单地表示为P→q。如 其学习模型的更新和个性化学习序列的生成。采用 果在交互中存在触发链，即p→q→…→m,在合理设 如式(1)求得学习能力。 计高效推理机制的情况下，可以很快推导出结论。 C=S×0,+P/T×wa (1) 上下文触发行为采用产生式的形式可表示为 式中：C为学习能力，S为测试的平均成绩，P为测 IF AND ...AND 试中各知识点的平均难度系数，T为学习时间，0，和 context(n)>THEN w为权重，且0，+0n=1。 这个表达式描述了在一定的上下文状态下可以 触发相应的上下文行为。如一条针对学习者学习效 3基于上下文感知的学习交互行为 果的自适应规则为“F学习成绩≤‘及格’AND测 在一个学习过程中，可能交织进行着多个不同 试次数≥3THEN调整学习模式AND提醒”，表示 类型的交互行为，而这些行为的发生贯穿于整个学 在学习者学习效果不理想的情况下，调整其学习模 习过程，并作为其不可或缺的组成部分。因此，有必 式并给予提醒。 要对这些学习交互行为进行分析，包括对其进行分 由于触发行为执行的操作一般比较简单，持续 类和讨论其实现机制。显然，这些交互行为的发生 时间也较短，因此对于中断的其他学习行为没有太 和执行是处于一定上下文环境下的。传统的智能学 大影响。在实际应用中，可对不同场景下用户的交 习系统很少自动地涉及上下文数据，而这对于实现 互行为和上下文环境进行学习，建立起映射关系，并 个性化和前摄性的学习系统是必不可缺的。 应用粗糙集方法对决策表进行约简，得到由特定条 考虑到学习系统的特点，将基于上下文感知的 件直接引起动作的最简规则。 学习交互行为分为3类：上下文命令、上下文触发行 3)上下文学习行为是学习者各种与学习相关 为和上下文学习行为，分别对应于自治水平从低到 的行为在上下文环境下的实现。Ogata9将语言学 高的顺序。 习环境下的学习行为分成8类，例如打开一个链接、 1)上下文命令也可以称之为用户命令的上下 提出问题、回答问题、参与讨论等。将其中的后面几 文参数化，命令的执行结果由具体的上下文环境来 类归类为上下文命令，其他的学习行为包括上下文 决定，不同的上下文可以有不同的执行结果。设原 感知下的学习配置以及对学习内容的浏览、转移、测 来的命令为cmd,则上下文命令可以看成是原始命 试等。 令和上下文(ctr)的函数，即cmd(c)=f(cmd,ctx), 以上下文因素为线索进行资源配置，称之为上 其中上下文作为函数的参数来进行实例化。例如， 下文感知学习配置，它有助于合理地配置资源。例 学习者向某位伙伴发起问题求助，当时的时间是凌 如，当用户从宿舍进入图书馆，则学习系统将学习环 晨0：30，地点为宿舍。那么系统在收到该命令后， 境配置切换为适合图书馆环境的学习要求，恢复上 根据当前的时间、地点等物理上下文信息，以及该伙 次的学习状态，充分利用图书馆的丰富资源等。就 伴的用户上下文（喜欢早睡，没有晚上学习的行为 具体的学习操作而言，重要的是对学习者“打开”知 记录)，将该信息推迟到第2天7：00发送给该用户， 识点的学习链接的处理，而这与具体的上下文有关。 并将推迟的原因推送给命令发出者。而如果换成是 笔者设计了一组相关的上下文规则来进行定义与约 一位经常学习到深夜的用户，则系统会立刻将命令 束，以下是一些上下文规则：如果当前的知识点还未 传送到该用户。 学习，则将对链接的点击转移到学习网页：而如果已 还有一种情况是上下文命令的本身与具体的上 经学习过，则自动显示其学习和考试的历史记录：若 下文环境有关，不同的上下文环境可以决定系统提 该知识点的前提知识还没有学习，则给出提示，并转 供的命令种类。例如，一位经常回答别人问题，且学 入到前提知识的学习界面。采用规则进行处理的好 习成绩较好的学习者，应该给予较多的参与求助的 处是，可以针对系统环境的变化，动态地添加和删除
对用户知识状态的更新，可以采用文献［１８］的算法． 例如，对于解答正确的题目，可采用公式Ｓｎｅｗ ＝ Ｓｏｌｄ ＋ Ｓｏｌｄ ×Ｐ ／ １０； 而对于解答错误的题目，采用公式 Ｓｎｅｗ ＝ Ｓｏｌｄ －Ｓｏｌｄ ×Ｐ ／ １０，其中 Ｐ 为难度系数。 得到学习者的知识状态后，可以结合其学习时 间、测试的题目难度和数目，评估其学习能力，用于 其学习模型的更新和个性化学习序列的生成。 采用 如式（１）求得学习能力。 Ｃ ＝ Ｓ × ｗｓ ＋ Ｐ ／ Ｔ × ｗａ （１） 式中：Ｃ 为学习能力，Ｓ 为测试的平均成绩，Ｐ 为测 试中各知识点的平均难度系数，Ｔ 为学习时间，ｗｓ和 ｗａ为权重，且 ｗｓ ＋ ｗａ ＝ １。 ３ 基于上下文感知的学习交互行为 在一个学习过程中，可能交织进行着多个不同 类型的交互行为，而这些行为的发生贯穿于整个学 习过程，并作为其不可或缺的组成部分。 因此，有必 要对这些学习交互行为进行分析，包括对其进行分 类和讨论其实现机制。 显然，这些交互行为的发生 和执行是处于一定上下文环境下的。 传统的智能学 习系统很少自动地涉及上下文数据，而这对于实现 个性化和前摄性的学习系统是必不可缺的。 考虑到学习系统的特点，将基于上下文感知的 学习交互行为分为 ３ 类：上下文命令、上下文触发行 为和上下文学习行为，分别对应于自治水平从低到 高的顺序。 １）上下文命令也可以称之为用户命令的上下 文参数化，命令的执行结果由具体的上下文环境来 决定，不同的上下文可以有不同的执行结果。 设原 来的命令为 ｃｍｄ，则上下文命令可以看成是原始命 令和上下文（ｃｔｘ）的函数，即 ｃｍｄ（ ｃ） ＝ ｆ（ ｃｍｄ，ｃｔｘ）， 其中上下文作为函数的参数来进行实例化。 例如， 学习者向某位伙伴发起问题求助，当时的时间是凌 晨 ０：３０，地点为宿舍。 那么系统在收到该命令后， 根据当前的时间、地点等物理上下文信息，以及该伙 伴的用户上下文（喜欢早睡，没有晚上学习的行为 记录），将该信息推迟到第 ２ 天 ７：００ 发送给该用户， 并将推迟的原因推送给命令发出者。 而如果换成是 一位经常学习到深夜的用户，则系统会立刻将命令 传送到该用户。 还有一种情况是上下文命令的本身与具体的上 下文环境有关，不同的上下文环境可以决定系统提 供的命令种类。 例如，一位经常回答别人问题，且学 习成绩较好的学习者，应该给予较多的参与求助的 信息，而对于一位初学者，则显然可以适当地屏蔽。 ２）上下文触发行为是由上下文及其变化触发 的行为，它赋予学习系统在一定条件下自治地执行 某些行为的能力，可用于实现对环境变化的快速反 应。 一个简单的触发行为由作为前提的上下文和作 为操作的行为来组成，可以简单地表示为 ｐ→ｑ。 如 果在交互中存在触发链，即 ｐ→ｑ→…→ｍ，在合理设 计高效推理机制的情况下，可以很快推导出结论。 上下文触发行为采用产生式的形式可表示为 ＩＦ ＜ｃｏｎｔｅｘｔ（１）＞ ＡＮＤ ＜ｃｏｎｔｅｘｔ（２） ＞ … ＡＮＤ ＜ ｃｏｎｔｅｘｔ（ｎ）＞ ＴＨＥＮ ＜ａｃｔｉｏｎｓ＞ 这个表达式描述了在一定的上下文状态下可以 触发相应的上下文行为。 如一条针对学习者学习效 果的自适应规则为“ＩＦ 学习成绩≤‘及格’ ＡＮＤ 测 试次数≥３ ＴＨＥＮ 调整学习模式 ＡＮＤ 提醒”，表示 在学习者学习效果不理想的情况下，调整其学习模 式并给予提醒。 由于触发行为执行的操作一般比较简单，持续 时间也较短，因此对于中断的其他学习行为没有太 大影响。 在实际应用中，可对不同场景下用户的交 互行为和上下文环境进行学习，建立起映射关系，并 应用粗糙集方法对决策表进行约简，得到由特定条 件直接引起动作的最简规则。 ３）上下文学习行为是学习者各种与学习相关 的行为在上下文环境下的实现。 Ｏｇａｔａ ［１９］ 将语言学 习环境下的学习行为分成 ８ 类，例如打开一个链接、 提出问题、回答问题、参与讨论等。 将其中的后面几 类归类为上下文命令，其他的学习行为包括上下文 感知下的学习配置以及对学习内容的浏览、转移、测 试等。 以上下文因素为线索进行资源配置，称之为上 下文感知学习配置，它有助于合理地配置资源。 例 如，当用户从宿舍进入图书馆，则学习系统将学习环 境配置切换为适合图书馆环境的学习要求，恢复上 次的学习状态，充分利用图书馆的丰富资源等。 就 具体的学习操作而言，重要的是对学习者“打开”知 识点的学习链接的处理，而这与具体的上下文有关。 笔者设计了一组相关的上下文规则来进行定义与约 束，以下是一些上下文规则：如果当前的知识点还未 学习，则将对链接的点击转移到学习网页；而如果已 经学习过，则自动显示其学习和考试的历史记录；若 该知识点的前提知识还没有学习，则给出提示，并转 入到前提知识的学习界面。 采用规则进行处理的好 处是，可以针对系统环境的变化，动态地添加和删除 第 １ 期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·６５·
·66 智能系统学报 第9卷 上下文规则。 Javascript脚本控制客户端的用户输入。采用CC/PP 识别设备增强系统适应性。下面简单介绍系统流程。 4 系统原型及实现 通过用户的注册获取用户的上下文信息（姓 4.1系统框架 名、学院、系别等)和部分的学习偏好（如学习风格 为了检验所提方法的有效性和可行性，研发了 期望的学习时间等)，并存入上下文数据库。在用 一个面向本科生《数据结构》课程的系统原型，其框 户登录时，获取其设备上下文（移动客户端或计算 架结构如图3所示。系统主要由上下文感知、自适 机)、网络(GSM、互联网)、当前时间、天气等，并推 应个性化学习、自适应导航、上下文学习交互和学习 送给学习控制模块和学习交互模块。如果用户不是 评价5个部分组成。上下文感知部分描述了上下文 首次登陆，则显示上次学习的内容及其知识状态：否 的获取及作用机制，将原始的上下文数据转化为易 则，将知识图以图形和树形结构的方式呈现给用户。 于使用的上下文信息，结合用户的学习个性，生成个 通过获取用户的学习目标等学习上下文，系统自动 性化的学习图，并结合反馈信息对学习图进行调整 生成合适的目标知识图，并提供学习序列建议和调 和优化。在学习过程中，自适应导航可提供灵活的 整操作按钮。在学习过程中，用户可按照此学习序 导航策略，在满足学习者的“自由”浏览的同时，也 列进行浏览和学习，也可以选择其他感兴趣的学习 提供学习序列的建议。最后由学习交互模块负责处 内容，系统将其学习过的内容及其测试情况自动记 理用户的各种上下文环境下的学习行为，提高交互 录到对应的学习者知识图。在学习的整个过程中， 的自然性和智能性。学习评价模块用于获取反馈信 系统会对各种上下文命令进行处理，并在上下文条 息，并进行学习效果评估和及时更新学习者的知识 件满足时，执行合适的上下文触发行为。表1列出 状态，以进行学习的优化和调整。 了原型系统中实现的部分上下文命令。对于用户的 自适应个性化学习 上下文学习交互 其他各种学习行为，则依据约束规则进行处理。对 自适应 学习控制 导航 行为控制 于完成测试的知识点，系统自动更新用户的知识状 个性化学习 上下文命令 态，并依据式(1)更新其学习能力，用于后续的学习 图成生 LGY 序列生成。 上下文触发行为 表1部分上下文命令 学习图优化 学习 上下文学习行为 用户 Table 1 Partial contextual commands 评价 KAG 命令名 描述 系统动作 上下文感知 领域学生 触发器 上下文访问 规则 自动将问题分发给潜在 模型 模型 控制接口 库 帮助者，包括正在学习或 AskQuestion发起求助 者已经学习过同一知识 上下文 上下文 上下文 推理 生成 点的其他学习者。 知识库 环境信息 将回答以适当方式推送 ReplyQuestion参与求助 给求助者。 图3系统架构 将讨论邀请分发给主题 Fig.3 Infrastructure of the prototype StartDiscussion发起讨论圈 相关者，即学习过相同知 4.2原型系统实现 识点的其他学习者。 采用B/S架构进行开发，采用的开发平台为 将参与者排序，并以适当 TakeDiscussion参与讨论圈 JDK1.6+Eclipse3..7,数据库采用SQL Server2005, 方式推送给求助者。 Web服务器采用Apache Tomcat7.0。系统充分地支 查看自身学习状查看自己的知识状态、排 CheckMe 持对上下文的感知和利用，并根据不同的上下文提 况 名、成绩等。 供个性化的学习服务。 查看当前学习人数最多 HotTrends 查看热点 采用Javabean进行服务器端各模块的开发，用 的知识点。 JSP控制用户界面的动态生成。采用Applet实现客 查看在线的其他学习者， GetEnviron 查看周围环境 户端的图形显示及与服务器端的数据交换，用 在线人数，学习方向等
上下文规则。 ４ 系统原型及实现 ４．１ 系统框架 为了检验所提方法的有效性和可行性，研发了 一个面向本科生《数据结构》课程的系统原型，其框 架结构如图 ３ 所示。 系统主要由上下文感知、自适 应个性化学习、自适应导航、上下文学习交互和学习 评价 ５ 个部分组成。 上下文感知部分描述了上下文 的获取及作用机制，将原始的上下文数据转化为易 于使用的上下文信息，结合用户的学习个性，生成个 性化的学习图，并结合反馈信息对学习图进行调整 和优化。 在学习过程中，自适应导航可提供灵活的 导航策略，在满足学习者的“自由” 浏览的同时，也 提供学习序列的建议。 最后由学习交互模块负责处 理用户的各种上下文环境下的学习行为，提高交互 的自然性和智能性。 学习评价模块用于获取反馈信 息，并进行学习效果评估和及时更新学习者的知识 状态，以进行学习的优化和调整。 图 ３ 系统架构 Ｆｉｇ．３ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ｏｆ ｔｈｅ ｐｒｏｔｏｔｙｐｅ ４．２ 原型系统实现 采用 Ｂ ／ Ｓ 架构进行开发，采用的开发平台为 ＪＤＫ１．６ ＋Ｅｃｌｉｐｓｅ３． ７，数据库采用 ＳＱＬ Ｓｅｒｖｅｒ ２００５， Ｗｅｂ 服务器采用 Ａｐａｃｈｅ Ｔｏｍｃａｔ ７．０。 系统充分地支 持对上下文的感知和利用，并根据不同的上下文提 供个性化的学习服务。 采用 Ｊａｖａｂｅａｎ 进行服务器端各模块的开发，用 ＪＳＰ 控制用户界面的动态生成。 采用 Ａｐｐｌｅｔ 实现客 户端的 图 形 显 示 及 与 服 务 器 端 的 数 据 交 换， 用 Ｊａｖａｓｃｒｉｐｔ 脚本控制客户端的用户输入。 采用ＣＣ／ ＰＰ 识别设备增强系统适应性。 下面简单介绍系统流程。 通过用户的注册获取用户的上下文信息（ 姓 名、学院、系别等）和部分的学习偏好（如学习风格、 期望的学习时间等），并存入上下文数据库。 在用 户登录时，获取其设备上下文（移动客户端或计算 机）、网络（ＧＳＭ、互联网）、当前时间、天气等，并推 送给学习控制模块和学习交互模块。 如果用户不是 首次登陆，则显示上次学习的内容及其知识状态；否 则，将知识图以图形和树形结构的方式呈现给用户。 通过获取用户的学习目标等学习上下文，系统自动 生成合适的目标知识图，并提供学习序列建议和调 整操作按钮。 在学习过程中，用户可按照此学习序 列进行浏览和学习，也可以选择其他感兴趣的学习 内容，系统将其学习过的内容及其测试情况自动记 录到对应的学习者知识图。 在学习的整个过程中， 系统会对各种上下文命令进行处理，并在上下文条 件满足时，执行合适的上下文触发行为。 表 １ 列出 了原型系统中实现的部分上下文命令。 对于用户的 其他各种学习行为，则依据约束规则进行处理。 对 于完成测试的知识点，系统自动更新用户的知识状 态，并依据式（１）更新其学习能力，用于后续的学习 序列生成。 表 １ 部分上下文命令 Ｔａｂｌｅ １ Ｐａｒｔｉａｌ ｃｏｎｔｅｘｔｕａｌ ｃｏｍｍａｎｄｓ 命令名 描述 系统动作 ＡｓｋＱｕｅｓｔｉｏｎ 发起求助 自动将问题分发给潜在 帮助者，包括正在学习或 者已经学习过同一知识 点的其他学习者。 ＲｅｐｌｙＱｕｅｓｔｉｏｎ 参与求助 将回答以适当方式推送 给求助者。 ＳｔａｒｔＤｉｓｃｕｓｓｉｏｎ 发起讨论圈 将讨论邀请分发给主题 相关者，即学习过相同知 识点的其他学习者。 ＴａｋｅＤｉｓｃｕｓｓｉｏｎ 参与讨论圈 将参与者排序，并以适当 方式推送给求助者。 ＣｈｅｃｋＭｅ 查看自身学习状 况 查看自己的知识状态、排 名、成绩等。 ＨｏｔＴｒｅｎｄｓ 查看热点 查看当前学习人数最多 的知识点。 ＧｅｔＥｎｖｉｒｏｎ 查看周围环境 查看在线的其他学习者， 在线人数，学习方向等。 ·６６· 智 能 系 统 学 报 第 ９ 卷
第1期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·67. 图4为用户登录后的界面，显示了领域知识图 资源配置。例如，将与图书馆相关的信息，包括该用 和用户点击的知识点的学习状态。图中用不同的颜 户预订的书籍到库、图书馆发布的通知等信息推送 色区分各知识点的学习情况。图5为用户在学习过 到学习界面上方，将与时间相关的提醒信息也进行 程中，选择新的学习目标“二叉树的线索化”后，系 显示，同时给出用户在该地点的历史学习信息，并恢 统自动生成的学习图。图中，虚线箭头为知识点之 复上次的学习状态。 间的前提关系，左边4个节点是已经学习过的知识 发起问愿 点，中间的K612为当前学习的知识点，剩余节点为 关襄知识点： 未学知识点。中间部分为系统给出的学习序列建 回三前如识点，二又树的线常气信13) 议，用户可点击相应的操作按钮进行调整。下面部 国国户入：■ 分为当前知识点的初步介绍，用户可转入对此知识 是交川象： 点的详细学习，另外，也可点击学习序列的某个感兴 趣的知识点进行学习。 用户何 B王儿能时印好铁用学学月系线1 ☒ LhGW 打馨时 图6用户发起问题 本北 Fig.6 Interface of asking questions [装发经]尼置2：委书你学习开线 图4用户登录后的知识图及状态界面 【裙层I:a大自L:时内T阳用有成大g 安空定店意： Fig.4 Interface of KAG and knowledge status after login 值的a [W士A后委州日下中4：行收-天中字清大草时国新：e 时重青屋等边官下力平郑卫在的比 @:三精是 正在学习 R点学习.又利非求四动》 已经学习过 @3化 写香汉表的前店厚美 闲家切拉闲®铜间发码s#桃紫视 fa1回 未学习 图7上下文感知配置 年t带致> Fig.7 Interface of contextual configuration 对知a序洲钠量作，德划们得 5结束语 为了实现个性化的学习和交互，以及提高适应 经新布位二三汉中4+性-之西以级一之 性，引入上下文感知计算，提出一种上下文感知环境 图5学习图及学习界面 下具有适应性的个性化学习及交互方法。详细讨论 Fig.5 Interface of LG and learning 了知识图的生成和操作、以知识图为中心的自适应 学习导航和学习序列生成。通过上下文及其变化对 图6为用户发起提问的界面，所提问题的关联 学习决策和交互的影响，最终生成符合用户学习需 知识点默认为当前知识点，但用户也可以选择输入 要和个性化特点的学习内容、方式和交互行为，以提 其他知识点。在选择问题的转发对象时，默认为由 高用户的体验。为了验证所提方法的可行性和有效 系统根据知识感知上下文自动地选择，但也提供了 性，进行了原型系统的开发，并应用于本单位的《数 用户参与确定的交互方式。 据结构》课程教学中，作为辅助教学的平台，目前原 图7为以物理上下文“location=library&time= 型系统的实际应用效果良好。 13:00”触发的一个上下文感知学习配置的界面。 下一步的工作包括对所提方法进行完善和优 系统根据该上下文预测将来的行为，并进行合理的 化，并针对原型系统的实际应用情况，加强用户界面
图 ４ 为用户登录后的界面，显示了领域知识图 和用户点击的知识点的学习状态。 图中用不同的颜 色区分各知识点的学习情况。 图 ５ 为用户在学习过 程中，选择新的学习目标“二叉树的线索化” 后，系 统自动生成的学习图。 图中，虚线箭头为知识点之 间的前提关系，左边 ４ 个节点是已经学习过的知识 点，中间的 Ｋ６１２ 为当前学习的知识点，剩余节点为 未学知识点。 中间部分为系统给出的学习序列建 议，用户可点击相应的操作按钮进行调整。 下面部 分为当前知识点的初步介绍，用户可转入对此知识 点的详细学习，另外，也可点击学习序列的某个感兴 趣的知识点进行学习。 图 ４ 用户登录后的知识图及状态界面 Ｆｉｇ．４ Ｉｎｔｅｒｆａｃｅ ｏｆ ＫＡＧ ａｎｄ ｋｎｏｗｌｅｄｇｅ ｓｔａｔｕｓ ａｆｔｅｒ ｌｏｇｉｎ 图 ５ 学习图及学习界面 Ｆｉｇ．５ Ｉｎｔｅｒｆａｃｅ ｏｆ ＬＧ ａｎｄ ｌｅａｒｎｉｎｇ 图 ６ 为用户发起提问的界面，所提问题的关联 知识点默认为当前知识点，但用户也可以选择输入 其他知识点。 在选择问题的转发对象时，默认为由 系统根据知识感知上下文自动地选择，但也提供了 用户参与确定的交互方式。 图 ７ 为以物理上下文“ｌｏｃａｔｉｏｎ ＝ ｌｉｂｒａｒｙ ＆ ｔｉｍｅ ＝ １３：００”触发的一个上下文感知学习配置的界面。 系统根据该上下文预测将来的行为，并进行合理的 资源配置。 例如，将与图书馆相关的信息，包括该用 户预订的书籍到库、图书馆发布的通知等信息推送 到学习界面上方，将与时间相关的提醒信息也进行 显示，同时给出用户在该地点的历史学习信息，并恢 复上次的学习状态。 图 ６ 用户发起问题 Ｆｉｇ．６ Ｉｎｔｅｒｆａｃｅ ｏｆ ａｓｋｉｎｇ ｑｕｅｓｔｉｏｎｓ 图 ７ 上下文感知配置 Ｆｉｇ．７ Ｉｎｔｅｒｆａｃｅ ｏｆ ｃｏｎｔｅｘｔｕａｌ ｃｏｎｆｉｇｕｒａｔｉｏｎ ５ 结束语 为了实现个性化的学习和交互，以及提高适应 性，引入上下文感知计算，提出一种上下文感知环境 下具有适应性的个性化学习及交互方法。 详细讨论 了知识图的生成和操作、以知识图为中心的自适应 学习导航和学习序列生成。 通过上下文及其变化对 学习决策和交互的影响，最终生成符合用户学习需 要和个性化特点的学习内容、方式和交互行为，以提 高用户的体验。 为了验证所提方法的可行性和有效 性，进行了原型系统的开发，并应用于本单位的《数 据结构》课程教学中，作为辅助教学的平台，目前原 型系统的实际应用效果良好。 下一步的工作包括对所提方法进行完善和优 化，并针对原型系统的实际应用情况，加强用户界面 第 １ 期 蒋艳荣，等：上下文感知驱动的自适应个性化学习及交互 ·６７·
68 智能系统学报 第9卷 和易用性方面的开发，使其具有更好的人机界面，并 系统模型[J].计算机辅助设计与图形学学报，2005,17 对多种终端接入方式进行应用，进一步提高系统的 (1):74-79. 适用性。 YUE Weining,WANG Yue,WANG Guoping,et al.Ar- chitecture of intelligent interaction systems based on con- 参考文献： text awareness[J].Journal of Computer-Aided Design Computer Graphics,2005,17(1):74-79. [1]许高攀，曾文华，黄翠兰.智能教学系统研究综述[J]计 [13]周建智.以本体论为基础之普适学习格网[D].桃园：中 算机应用研究，2009,26(11)：4019-4022. 原大学，2007. XU Gaopan,ZENG Wenhua,HUANG Cuilan.Research on [14]LEE K M,SOHN B K,KIM J T,et al.An SoC-based intelligent tutoring system[J].Application Research of context-aware system architecture[.Lecture Notes in Ar- Computers,2009,26(11):4019-4022. tificial Intelligence,2004,3215:573-580. [2]IGLESIAS A,MARTINEZ P,ALER R,et al.Reinforce- [15]WEISER M.A computer for the 21st century[J].Scientific ment learning of pedagogical policies in adaptive and intelli- American,1991,265:94-104. gent educational systems[J].Knowledge-Based Systems, [16]WEBER G,SPECHT M.User modeling and adaptive navi- 2009,22(4):266-270. gation support in WWW-based tutoring systems[C]//Pro- [3]BITTENCOURT II,COSTA E,SILVA M,et al.A compu- ceedings of the Sixth International Conference on User tational model for developing semantic web-based education- Modeling.New York,USA:Springer,1997:289-300. al systems[J].Knowledge-Based Systems,2009,22(4): [17]VASSILEVA J.DCG+GTE:dynamic courseware genera- 302.315. tion with teaching expertise[J].Instructional Science, [4]CHEN C M.Personalized e-learning system with self-regula- 1998,26(3/4):317-332. ted learning assisted mechanisms for promoting learning per- [18]周学海，周立，龚育昌，等.自适应超媒体技术及其在智 formance[J].Expert Systems with Applications,2009,36 能化CAI中的应用[J]计算机工程与应用，2001(2)： (5):8816-8829. 102-104. [5]REISER B J,ANDERSON J R,FARRELL R G.Dynamic ZHOU Xuehai,ZHOU Li,GONG Yuchang,et al.Adap- student modeling in an intelligent tutor for LISP program- tive hypermedia technique and its applications in intelligent ming[C]//Proceedings of the 8th International Joint Con- CAI[J].Computer Engineering and Applications,2001 ference on Artificial Intelligence.Los Angeles,USA,1985: (2):102-104. 8-14. [19]0GATA H,YANO Y.Knowledge awareness map for com- [6]BLOOM B S.The 2 Sigma problem:the search for methods puter-supported ubiquitous language-learning [C]//IEEE of group instruction as effective as one-to-one tutoring[J]. International Workshop on Wireless and Mobile Technolo- Educational Researcher,1984,13(6):4-16. gies in Education.Jungli,China,2004:19-26. [7]SANTOS O C,GAUDIOSO E,BARRERA C,et al.ALFA- 作者简介： NET:an adaptive e-learning platform[C]//Proceedings of 蒋艳荣，男，1976年生，讲师，博士， the 2nd International Meeting on Multimedia and Information 主要研究方向为机器智能、上下文感知 Communication Technologies in Education.Badajoz,Spain, 计算、智能交互等。发表学术论文20 2003:1938-1942. 余篇，其中被SCI检索6篇、E/ISTP检 [8]O'KEEFFE I,BRADY A,CONLAN O,et al.Just-in-time 索10余篇。 generation of pedagogically sound,context sensitive person- alized learning experiences[J].International Journal on E. Learning,2006,5(1):113-127. 李卫华，女，1957年生，教授，博士， [9]HONG J,SUH E,KIM J,et al.Context-aware system for 主要研究方向为智能软件、网络信息系 proactive personalized service based on context history[J]. 统、面向Agent计算等，发表学术论文 Expert Systems with Applications,2009,36(14):7448- 40余篇，出版著作多部。 7457. [10]OGATA H,YANO Y.Combining knowledge awareness and information filtering in an open-ended collaborative learning environment[J].International Journal of Artifi- 杨劲涛，男，1971年生，讲师，博士， cial Intelligence in Education,2000,11(1):33-46. 主要研究方向为Wb服务计算、模式识 [11]LUM W Y,LAU F C M.A context-aware decision engine 别、医学图像处理技术等，发表学术论 for content adaptation [J].IEEE Pervasive Computing, 文20余篇。 2002,1(3):41-49. [12]岳玮宁，王悦，汪国平，等.基于上下文感知的智能交互
和易用性方面的开发，使其具有更好的人机界面，并 对多种终端接入方式进行应用，进一步提高系统的 适用性。 参考文献： ［１］许高攀，曾文华，黄翠兰．智能教学系统研究综述［ Ｊ］．计 算机应用研究， ２００９， ２６（１１）： ４０１９⁃４０２２． ＸＵ Ｇａｏｐａｎ， ＺＥＮＧ Ｗｅｎｈｕａ， ＨＵＡＮＧ Ｃｕｉｌａｎ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｔｕｔｏｒｉｎｇ ｓｙｓｔｅｍ ［ Ｊ ］． Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２００９， ２６（１１）： ４０１９⁃４０２２． ［２］ ＩＧＬＥＳＩＡＳ Ａ， ＭＡＲＴＩＮＥＺ Ｐ， ＡＬＥＲ Ｒ， ｅｔ ａｌ． Ｒｅｉｎｆｏｒｃｅ⁃ ｍｅｎｔ ｌｅａｒｎｉｎｇ ｏｆ ｐｅｄａｇｏｇｉｃａｌ ｐｏｌｉｃｉｅｓ ｉｎ ａｄａｐｔｉｖｅ ａｎｄ ｉｎｔｅｌｌｉ⁃ ｇｅｎｔ ｅｄｕｃａｔｉｏｎａｌ ｓｙｓｔｅｍｓ ［ Ｊ］． Ｋｎｏｗｌｅｄｇｅ⁃Ｂａｓｅｄ Ｓｙｓｔｅｍｓ， ２００９， ２２（４）： ２６６⁃２７０． ［３］ＢＩＴＴＥＮＣＯＵＲＴ Ｉ Ｉ， ＣＯＳＴＡ Ｅ， ＳＩＬＶＡ Ｍ， ｅｔ ａｌ． Ａ ｃｏｍｐｕ⁃ ｔａｔｉｏｎａｌ ｍｏｄｅｌ ｆｏｒ ｄｅｖｅｌｏｐｉｎｇ ｓｅｍａｎｔｉｃ ｗｅｂ⁃ｂａｓｅｄ ｅｄｕｃａｔｉｏｎ⁃ ａｌ ｓｙｓｔｅｍｓ［ Ｊ］． Ｋｎｏｗｌｅｄｇｅ⁃Ｂａｓｅｄ Ｓｙｓｔｅｍｓ， ２００９， ２２（ ４）： ３０２⁃３１５． ［４］ＣＨＥＮ Ｃ Ｍ． Ｐｅｒｓｏｎａｌｉｚｅｄ ｅ⁃ｌｅａｒｎｉｎｇ ｓｙｓｔｅｍ ｗｉｔｈ ｓｅｌｆ⁃ｒｅｇｕｌａ⁃ ｔｅｄ ｌｅａｒｎｉｎｇ ａｓｓｉｓｔｅｄ ｍｅｃｈａｎｉｓｍｓ ｆｏｒ ｐｒｏｍｏｔｉｎｇ ｌｅａｒｎｉｎｇ ｐｅｒ⁃ ｆｏｒｍａｎｃｅ［Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００９， ３６ （５）： ８８１６⁃８８２９． ［５］ＲＥＩＳＥＲ Ｂ Ｊ， ＡＮＤＥＲＳＯＮ Ｊ Ｒ， ＦＡＲＲＥＬＬ Ｒ Ｇ． Ｄｙｎａｍｉｃ ｓｔｕｄｅｎｔ ｍｏｄｅｌｉｎｇ ｉｎ ａｎ ｉｎｔｅｌｌｉｇｅｎｔ ｔｕｔｏｒ ｆｏｒ ＬＩＳＰ ｐｒｏｇｒａｍ⁃ ｍｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｌｏｓ Ａｎｇｅｌｅｓ， ＵＳＡ， １９８５： ８⁃１４． ［６］ＢＬＯＯＭ Ｂ Ｓ． Ｔｈｅ ２ Ｓｉｇｍａ ｐｒｏｂｌｅｍ： ｔｈｅ ｓｅａｒｃｈ ｆｏｒ ｍｅｔｈｏｄｓ ｏｆ ｇｒｏｕｐ ｉｎｓｔｒｕｃｔｉｏｎ ａｓ ｅｆｆｅｃｔｉｖｅ ａｓ ｏｎｅ⁃ｔｏ⁃ｏｎｅ ｔｕｔｏｒｉｎｇ［ Ｊ］． Ｅｄｕｃａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈｅｒ， １９８４， １３（６）： ４⁃１６． ［７］ＳＡＮＴＯＳ Ｏ Ｃ， ＧＡＵＤＩＯＳＯ Ｅ， ＢＡＲＲＥＲＡ Ｃ， ｅｔ ａｌ． ＡＬＦＡ⁃ ＮＥＴ： ａｎ ａｄａｐｔｉｖｅ ｅ⁃ｌｅａｒｎｉｎｇ ｐｌａｔｆｏｒｍ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｅｅｔｉｎｇ ｏｎ Ｍｕｌｔｉｍｅｄｉａ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ Ｅｄｕｃａｔｉｏｎ． Ｂａｄａｊｏｚ， Ｓｐａｉｎ， ２００３： １９３８⁃１９４２． ［８］Ｏ′ＫＥＥＦＦＥ Ｉ， ＢＲＡＤＹ Ａ， ＣＯＮＬＡＮ Ｏ， ｅｔ ａｌ． Ｊｕｓｔ⁃ｉｎ⁃ｔｉｍｅ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｐｅｄａｇｏｇｉｃａｌｌｙ ｓｏｕｎｄ， ｃｏｎｔｅｘｔ ｓｅｎｓｉｔｉｖｅ ｐｅｒｓｏｎ⁃ ａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ｅｘｐｅｒｉｅｎｃｅｓ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｎ Ｅ⁃ Ｌｅａｒｎｉｎｇ， ２００６， ５（１）： １１３⁃１２７． ［９］ＨＯＮＧ Ｊ， ＳＵＨ Ｅ， ＫＩＭ Ｊ， ｅｔ ａｌ． Ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｓｙｓｔｅｍ ｆｏｒ ｐｒｏａｃｔｉｖｅ ｐｅｒｓｏｎａｌｉｚｅｄ ｓｅｒｖｉｃｅ ｂａｓｅｄ ｏｎ ｃｏｎｔｅｘｔ ｈｉｓｔｏｒｙ［ Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００９， ３６ （ １４）： ７４４８⁃ ７４５７． ［ １０］ ＯＧＡＴＡ Ｈ， ＹＡＮＯ Ｙ． Ｃｏｍｂｉｎｉｎｇ ｋｎｏｗｌｅｄｇｅ ａｗａｒｅｎｅｓｓ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｉｎ ａｎ ｏｐｅｎ⁃ｅｎｄｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｌｅａｒｎｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｒｔｉｆｉ⁃ ｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｅｄｕｃａｔｉｏｎ， ２０００， １１（１）： ３３⁃４６． ［１１］ＬＵＭ Ｗ Ｙ， ＬＡＵ Ｆ Ｃ Ｍ． Ａ ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｄｅｃｉｓｉｏｎ ｅｎｇｉｎｅ ｆｏｒ ｃｏｎｔｅｎｔ ａｄａｐｔａｔｉｏｎ ［ Ｊ ］． ＩＥＥＥ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ， ２００２， １（３）： ４１⁃４９． ［１２］岳玮宁，王悦，汪国平，等．基于上下文感知的智能交互 系统模型［Ｊ］．计算机辅助设计与图形学学报， ２００５， １７ （１）： ７４⁃７９． ＹＵＥ Ｗｅｉｎｉｎｇ， ＷＡＮＧ Ｙｕｅ， ＷＡＮＧ Ｇｕｏｐｉｎｇ， ｅｔ ａｌ． Ａｒ⁃ ｃｈｉｔｅｃｔｕｒｅ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｉｎｔｅｒａｃｔｉｏｎ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｃｏｎ⁃ ｔｅｘｔ ａｗａｒｅｎｅｓｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ⁃Ａｉｄｅｄ Ｄｅｓｉｇｎ ＆ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ， ２００５， １７（１）： ７４⁃７９． ［１３］周建智．以本体论为基础之普适学习格网［Ｄ］．桃园：中 原大学， ２００７． ［１４］ＬＥＥ Ｋ Ｍ， ＳＯＨＮ Ｂ Ｋ， ＫＩＭ Ｊ Ｔ， ｅｔ ａｌ． Ａｎ ＳｏＣ⁃ｂａｓｅｄ ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｓｙｓｔｅｍ ａｒｃｈｉｔｅｃｔｕｒｅ［Ｊ］． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ａｒ⁃ ｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００４， ３２１５： ５７３⁃５８０． ［１５］ＷＥＩＳＥＲ Ｍ． Ａ ｃｏｍｐｕｔｅｒ ｆｏｒ ｔｈｅ ２１ｓｔ ｃｅｎｔｕｒｙ［Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ Ａｍｅｒｉｃａｎ， １９９１， ２６５： ９４⁃１０４． ［１６］ＷＥＢＥＲ Ｇ， ＳＰＥＣＨＴ Ｍ． Ｕｓｅｒ ｍｏｄｅｌｉｎｇ ａｎｄ ａｄａｐｔｉｖｅ ｎａｖｉ⁃ ｇａｔｉｏｎ ｓｕｐｐｏｒｔ ｉｎ ＷＷＷ⁃ｂａｓｅｄ ｔｕｔｏｒｉｎｇ ｓｙｓｔｅｍｓ［Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｉｘｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｓｅｒ Ｍｏｄｅｌｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ： Ｓｐｒｉｎｇｅｒ， １９９７： ２８９⁃３００． ［１７］ ＶＡＳＳＩＬＥＶＡ Ｊ． ＤＣＧ＋ＧＴＥ： ｄｙｎａｍｉｃ ｃｏｕｒｓｅｗａｒｅ ｇｅｎｅｒａ⁃ ｔｉｏｎ ｗｉｔｈ ｔｅａｃｈｉｎｇ ｅｘｐｅｒｔｉｓｅ ［ Ｊ ］． Ｉｎｓｔｒｕｃｔｉｏｎａｌ Ｓｃｉｅｎｃｅ， １９９８， ２６（３ ／ ４）： ３１７⁃３３２． ［１８］周学海，周立，龚育昌，等．自适应超媒体技术及其在智 能化 ＣＡＩ 中的应用［ Ｊ］．计算机工程与应用， ２００１（２）： １０２⁃１０４． ＺＨＯＵ Ｘｕｅｈａｉ， ＺＨＯＵ Ｌｉ， ＧＯＮＧ Ｙｕｃｈａｎｇ， ｅｔ ａｌ． Ａｄａｐ⁃ ｔｉｖｅ ｈｙｐｅｒｍｅｄｉａ ｔｅｃｈｎｉｑｕｅ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ＣＡＩ［ Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００１ （２）： １０２⁃１０４． ［１９］ＯＧＡＴＡ Ｈ， ＹＡＮＯ Ｙ． Ｋｎｏｗｌｅｄｇｅ ａｗａｒｅｎｅｓｓ ｍａｐ ｆｏｒ ｃｏｍ⁃ ｐｕｔｅｒ⁃ｓｕｐｐｏｒｔｅｄ ｕｂｉｑｕｉｔｏｕｓ ｌａｎｇｕａｇｅ⁃ｌｅａｒｎｉｎｇ ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｗｉｒｅｌｅｓｓ ａｎｄ Ｍｏｂｉｌｅ Ｔｅｃｈｎｏｌｏ⁃ ｇｉｅｓ ｉｎ Ｅｄｕｃａｔｉｏｎ． Ｊｕｎｇｌｉ， Ｃｈｉｎａ， ２００４： １９⁃２６． 作者简介： 蒋艳荣，男，１９７６ 年生，讲师，博士， 主要研究方向为机器智能、上下文感知 计算、智能交互等。 发表学术论文 ２０ 余篇，其中被 ＳＣＩ 检索 ６ 篇、ＥＩ／ ＩＳＴＰ 检 索 １０ 余篇。 李卫华，女，１９５７ 年生，教授，博士， 主要研究方向为智能软件、网络信息系 统、面向 Ａｇｅｎｔ 计算等，发表学术论文 ４０ 余篇，出版著作多部。 杨劲涛，男，１９７１ 年生，讲师，博士， 主要研究方向为 Ｗｅｂ 服务计算、模式识 别、医学图像处理技术等，发表学术论 文 ２０ 余篇。 ·６８· 智 能 系 统 学 报 第 ９ 卷