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 <context(1)>AND <context(2)>...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 <actions> 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·