0 引 言

远程教育经过长期的发展逐渐显示出以下趋势：以学习者为中心、实时反馈、各领域先进技术的融合、个性化学习以及开放性的终身教育[1]。自适应学习是提高学习效果的一种有效方式，即学习内容的选择和呈现方式能够满足学习者的学习个性化需求。但由于学习者的学习风格、学习偏好等各不相同导致自适应学习系统仍然面临许多困难。

刚刚入秋的时候，中国石油集团公司党组召开扩大会议，学习贯彻习近平总书记重要批示，专题研究部署加大国内油气勘探开发力度。中国石化和中国海油也召开管理层会议，研究部署相关工作，确保油气储量产量。

学习者模型反映了学习者的学习情况，包括学习进度、对知识的理解程度、存在的认识偏差以及与预定目标之间存在的差距，是系统识别和区分学习者学习特性的重要依据。自适应学习强调以学习者为中心，因此获取学习者的学习特性并准确表述就显得极为重要[2]。自适应系统通过识别学习者的学习特性，根据学习者的知识水平和认知能力来推送相应的学习内容，根据学习者的学习需求及喜好来提供个性化指导，激发学习者兴趣。掌握学习者的初始知识水平和认知能力可以保证学习活动有效进行，另一方面，学习者的学习需要受动机的推动，因此，从学习的有效性出发，学习者的知识水平(knowledge level)、认知能力(cognitive ability)和偏好信息(preference information)[3-4]这三类特征是最基本的且不可或缺的。为提高自适应学习效率，使自适应系统更好地感知学习者的学习特性，提出了“KCP学习者模型”。其次，根据布鲁姆的教育目标和霍华德·加德纳的多元智能理论给出“KCP学习者模型”三个组成特征项的表示方法。

综上所述，临床治疗口腔溃疡采用双黄连口服液联合盐酸雷尼替丁胶囊能够显著提升疗效，促进患者症状更快速地改善，同时安全性高，具有较高的临床应用价值[6]。

1 KCP学习者模型设计

自适应系统利用学习者模型来准确描述学习者的知识水平、认知能力和偏好信息，提高系统辅助学习的自适应性，实现个性化学习。自适应系统服务于学习者，学习者模型设计的目的是为学习者的个性化学习提供依据和规则[5]。因此要将先进的教育理念和现代教育技术充分结合，尊重不同学习者的学习需求和学习特点，使学习者能够得到丰富的学习资源，以及个性化的指导和实时的反馈。

为了使自适应系统能够更好地满足学习者的个性化学习需求，学习者模型需要具有以下特点：

2.4.4 提取回收率试验 按“2.4.3”项下方法配制ATV低、中、高质量浓度（1.25、6.25、25.00 ng/mL）的血浆样本，每个浓度平行配制6份，同法预处理后进样，测得ATV与内标的峰面积比值（Y1）；另取空白血浆，同法预处理后加入适量ATV对照品溶液，进样，测得ATV与内标的峰面积比值（Y空白）。按公式Y1/Y空白×100%计算提取回收率。结果显示，ATV低、中、高质量浓度血浆样本的平均提取回收率分别为88.30%、91.46%、87.64%，RSD均小于11%（n＝6）。

随着现代技术的发展，在椰果采摘机的原理层面也逐渐走上多样和高科技化。在传动方面，大多采用效率较高、灵活多变的液压传动；在对果实的识别定位方面，正在逐渐地使用红外线遥感技术和光谱感应技术完成定位；在剪切方面，一改传统的镰刀剪法，而是采用多齿形自动剪切。同时，因为采摘果实的末端执行器的基本结构取决于工作对象的特征以及工作方式，所以在设计采摘执行器之前，要综合考虑采摘对象的生物特征、机械特性和理化特性，到目前为止，末端执行器都是专用的。为了避免碰伤果实，大多数的采摘末端的部位采用尼龙或橡胶材料。如果是工作在固定的工作路径上，则采用单片机编程来控制，效率较高。

该模型主要包括学习者的知识水平、认知能力以及学习偏好信息，具体描述如下：

(2)根据学习者的学习特性，自适应地提供适合学习者且能激发学习者兴趣的个性化指导。

(3)所建立的模型需要根据学习者的学习状况，不断主动完善模型。

根据以上原则设计的“KCP学习者模型”如图1所示。

 

图1 KCP学习者模型

(1)作为自适应系统，为学习者推送个性化学习资源的依据。系统通过获取学习者的学习特性，根据学习者的认知水平、认知能力和偏好信息，相应地推送适合学习者的学习内容。

目前南宁市污水处理能力不足，在无降雨时污水大部分可截污进入处理，雨水基本上仍为雨污合流，不能满足城市工业废水及生活污水完全处理。根据调查，南宁市区内18条内河的出口目前均为排污出江口，出口处水质除四塘江为Ⅲ类外，其余为Ⅳ～Ⅴ类，致使城区内河遭受严重污染，极大影响河道的可持续发展和城市景观建设。

认知能力是指对认知活动的自我调节和管理技巧。在教与学的活动中，学生自己感知记忆、思维、理解、想象的方法，预计自己操作的成绩，以及自我反馈学习效果，这都是“认知能力”的具体表现[7]。文中介绍的认知能力具体包括：观察、抽象、归纳、记忆、计算、分析、想象以及逻辑思维能力。

偏好信息是指学习过程中学习者表现出来的习惯、喜好的相对稳定的个性化学习活动方式[8]，包括背景材料偏好、学习策略偏好、系统功能偏好、资源呈现偏好、学习时间偏好等信息。

2 KCP学习者模型的表示方法研究

2.1 知识水平表示方法

根据布鲁姆的教育目标，对每个知识点的掌握程度都可以用参数ti来表示，具体方法如图2所示。

 

图2 知识水平表示方法

根据图3定义：C={(c1,l1),…,(ci,li),…,(c8,l8)}，其中ci为第i种认知能力，li为第i种认知能力的水平值，且0<li<1。

2.2 认知能力表示方法

根据霍华德·加德纳的多元智能理论，认知能力有多种类型，这些认知能力水平可以用li表示，具体方法如图3所示。

牛瘤胃积食是由于牛一次性采食大量粗饲料或精饲料，导致牛瘤胃体积迅速增加，胃壁严重扩张，使瘤胃正常的消化机能和运动机能紊乱的一种前胃疾病[3]。发病后，患病牛食欲停止，鼻镜干燥，反刍停止，先是嗳气不断，随后逐渐停止，腰背拱起，不断回头顾腹，摇尾呻吟，左下腹部轻度膨大，眼结膜充血发绀。触诊瘤胃，患病牛表现出抗拒，瘤胃内容物间有如石块，轻轻按压，留有指痕。用手叩诊瘤胃呈现浊音，呼吸急促，排便次数减少，粪便干燥，外观呈现紫黑色，恶臭难闻。个别患病牛会继发出现肠臌胀。发病严重的患病牛，机体逐渐脱水，不能正常行走，行走中左右摇摆，四肢震颤，心律不齐，全身衰竭，卧地不起，严重的会导致衰竭死亡。

  

图3 认知能力表示方法

根据图2定义：K={(k1,t1),…,(ki,ti),…,(kn,tn)}，其中ki表示第i个知识点，ti表示第i个知识点的掌握程度，ti∈T，T={0，1，2，3，4，5，6}，“0”表示学习者对该知识点完全不了解。

2.3 偏好信息表示方法

偏好信息表示方法具体如图4所示。

 

图4 偏好信息表示方法

定义：P=<Pb,Ps,Pt,Pf,Pp>，其中Pb表示背景材料偏好(教育、艺术、科幻等)；Ps表示学习策略偏好(直观演示式、探究式、协作式等)；Pt表示学习时间；Pf表示系统功能偏好(用系统功能的使用频度表示)；Pp表示资源呈现方式偏好(文字、视频、ppt演示等)。γ表示喜好程度，且0<γ<1。

3 KCP学习者模型特征值获取方法研究

3.1 知识水平特征值获取方法

通过对学习者进行一系列测试，获取知识水平特征值。根据布鲁姆的教育目标，对知识的掌握水平分为知道、领会、应用、分析、综合、评价六类。在对学习者进行测试时，所测试题也相对应有知识水平标识[9-10]，即测试题考查了学习者对一项或多项知识水平的掌握情况，如表1所示。

 

表1 知识水平矢量表

  

题号布鲁姆的教育目标(知识水平)知道领会应用分析综合评价1010000200-1-10030010004000110

若学习者回答正确所测试题的某项知识水平，则记为1，回答错误则记为-1，对于试题未涉及的知识水平或学习者没有参加测试，则记为0。

根据知识水平矢量表可以计算出各项知识水平hi的正确使用率r(hi)：

大数据时代的到来影响着我国各个领域的发函，构建“数据库”是新时期企业提高竞争实力的关键。对于财务管理领域而言，首先应转变管理理念，制定明确化的转型和发展计划，便于更好地适应大数据时代，为企业发展提供动力。

 

(1)

其中，Nhi(1)与Nhi(-1)分别表示学习者在测试中对知识水平hi回答正确和回答错误的次数。

因此，可以得到学习者对某一知识的的掌握程度矢量：

R={r(h1),r(h2),…,r(h6)}

(2)

所以可以计算出学习者对某项知识的综合掌握能力，即知识水平L(k)：

*Ci

(3)

其中，Ci为某项知识水平在该知识点下的权值，Ci的初始值由专家确定，经过一定数量的学习测试之后可进行动态调整。

3.2 认知能力特征值获取方法

根据霍华德·加德纳的多元智能理论，将认知能力概括为下面几种类型，分别为：观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力以及想象能力[11]。为估算出学习者的认知能力，设计测试题类型为：

她慢慢拿下了墨镜。我不敢去看她的眼睛，尽管我曾多次想象那是一双什么样的眼睛，此刻在面对它的时候，我却失了勇气。

(4)

其中，Ai为所测认知能力类别；Qi为题目类型；γ为该题型的难度系数，值域为[0～1];β为该题目的难度系数，值域为[0～1];D为该题的标准答案，由专家给出。

TEST=(Ai,Qi,γ,β,D)

例如，要测试学习者的归纳能力(A1)和想象能力(A7)，设计试题类型如下：

F(p)=S/S'

TEST(2)=(A1,Q2,γ2,β2,D2)

TEST(3)=(A7,Q3,γ3,β3,D3)

TEST(4)=(A7,Q4,γ4,β4,D4)

对每一道测试题Ti，学习者都会有一个回答与之对应，测试后可获得学习者答题集合：

第二，今天我们强调现实题材创作，在习总书记的批示下做这部戏，是特别应该，特别及时。今年是改革开放40周年，改革开放40周年对中国的改变我不用重复了，而且刚才提到安徽小岗村，一个是农业改革，一个是工业改革，我觉得这两个是同一个级别的题材。

知识水平是指学习者个体在知识获取方面的情况，包括知识缺陷、所掌握的知识水平等[6]。即学习者对各个相关知识的掌握程度，根据布鲁姆的认知目标分类可将掌握的程度划分为六个等级：识记、理解、应用、分析、综合以及评价。

就LISP网络b而言，IP承载网的数据包在被隧道路由器接收后进行了解封并被转发，此时，若出口处的ACL控制列表检验出数据包的源地址不是EID1，则会对其进行遗弃处理。与此同时，网络b的数据包也会被隧道路由器接收，此时，入口处的ACL控制列表则会不接收目的地址为EID1的数据包[5]。这样一来，LISP网络b只会接收来自节点X的数据包，具体流程如下：

 

(5)

那么，估算学习者认知能力水平L(C)的公式为：

*γi*βi]

(6)

3.3 偏好特征值获取方法

学习者偏好特征值获取方法分两步进行：第一，通过学习者的注册信息、量表或学习者上传等方式采集学习者偏好特征的静态值，之后通过直接、间接匹配、运算等方法来对这些原始数据进行处理，得到学习者的静态偏好特征值[12-13]；第二，通过挖掘学习者在学习时的行为，如搜索关键词、浏览网页的类型等，提取学习者的动态偏好特征[14]。

学习者在学习过程中，浏览网页的频率为该页面的点击率。一般的，如果该页面的点击率越高，就认为学习者较为偏好该页面。点击率公式为：

TEST(1)=(A1,Q1,γ1,β1,D1)

(7)

其中，S为学习过程中点击页面p的次数；S'为学习者学习过程中所点击页面的次数总和。

学习者在学习过程中，访问页面的时间也是偏好特征的一个体现[15]，访问时间可由页面的信息量决定。假设页面p中有资源集合ri={r1,r2,…,rn}，相对应的访问时间集合ti={t1,t2,…,tn}，可得访问时间公式为：

T(p)=α+∑(ri/n)

(8)

其中，α表示在当前页面中学习者访问的有效时间。

点击率和访问时间都可以体现出学习者的学习偏好，所以综合两者得出学习者的动态偏好特征P(p)如下：

肺炎Ⅰ号保留灌肠对RSV感染模型大鼠TNF-α、IL-6的干预影响 … ………… 徐月红，等(9):1050

2.2.4 课程设置 有些学校的课程安排不太合理，也容易引起学生课堂问题行为。常见的是课程设置问题有：难度偏大，学生不易接受，导致厌学；理论知识过多而实践操作较少，课程安排不合理，引发课堂问题行为也在所难免。

P(p)=k*F(p)+(1-k)*T(p)

杏雨书屋是日本收藏敦煌文献最丰富的单位，总数达775号之多。羽田亨购买的李盛铎旧藏430余件敦煌写本精品构成了杏雨书屋藏品的主体，后来杏雨书屋又通过其他途径陆续增加收藏。究其来源，除李盛铎之外，还有购自富冈谦藏、清野谦次、高楠顺次郎等人之旧藏，以及以往学界鲜有提及的廉泉、吴芝瑛夫妇旧藏和向燊旧藏[7]。内容包括宗教典籍、历日、四部典籍、官府文书、社会经济文书等多个门类。

(9)

变形后得：

P(p)=k**

(10)

其中，k为调节参数，取值范围为0～1。

4 实例测试及效果综合分析

KCP学习者模型包含学习者的知识水平、认知能力以及学习偏好，作为自适应学习系统推送学习的依据，能够更加精准地为学习者推送学习资源，所以对学习者模型实施效果的评价需要依托于自适应学习系统。实验针对60名自适应系统学习者进行调查，将60名学习者均分为A、B、C三组，从用户满意度、考试成绩优秀率(考试成绩85分以上)两个维度对使用KCP学习者模型的自适应系统和传统自适应学习系统进行对比评价，评价结果如表2所示。

 

表2 评价结果

  

用户满意度学习者成绩优秀率(85分以上)KCP比传统好两者差不多KCP不如传统KCP自适应系统传统自适应系统A组0.850.10.050.50.15B组0.750.10.150.350.2C组0.90.050.050.40.1

从表2中可以得出以下结论：相比于传统自适应学习系统，用户对KCP自适应系统的满意度更高；在学习者成绩优秀率(85分以上)方面，KCP自适应系统明显高于传统自适应学习系统。

5 结束语

文中提出了“KCP学习者模型”，模型包括学习者的知识水平、认知能力以及学习偏好信息，并将其应用到自适应学习系统中；运用算法量化表示出学习者模型的各个特征值，为自适应系统感知学习者的学习特性奠定基础；最后，对比分析当前传统自适应学习系统与使用“KCP学习者模型”的自适应学习系统的学习效果，从用户满意度以及学习者成绩优秀率两方面分析验证了该模型的可行性，能够使自适应学习系统更好地感知学习者学习特性，提高学习效率。

参考文献：

[1] 赵倩莹.网络学习者模型构建及其个性化学习服务研究[D].成都:四川师范大学,2013.

[2] 李唯实.个性化教育中的学习者模型技术研究[D].长沙:国防科学技术大学,2011.

[3] JIA Bing, ZHONG Shaochun,WANG Wei,et al.The construction and evolution of learner model in adaptive learning system[C]//International conference on computer technology and development.[s.l.]：IEEE, 2009:148-152.

[4] 贾 冰.自适应学习系统中学习者模型的表示及特征值获取方法研究[D].长春:东北师范大学,2010.

[5] CAKULA S,SEDLENIECE M.Development of a personalized e-learning model using methods of ontology[J].Procedia Computer Science,2013,26:113-120.

[6] 许 波,张结魁,周 军.基于行为分析的用户兴趣建模[J].情报杂志,2009,28(6):166-169.

[7] 姜 强,赵 蔚,王续迪.自适应学习系统中用户模型和知识模型本体参考规范的设计[J].现代远距离教育,2011(1):61-65.

[8] 尹春晖,邓 伟.基于用户浏览行为分析的用户兴趣获取[J].计算机技术与发展,2008,18(5):37-39.

[9] TIMUR S.Examining cognitive structures of prospective preschool teachers concerning the subject “force and motion”[J].Educational Sciences:Theory and Practice,2012,12(4):3039-3049.

[10] KIM Y S,YUM B J.Recommender system based on click stream data using association rule mining[J].Expert Systems with Application,2011,38(10):13320-13327.

[11] 马佳佳,熊才平,丁继红,等.面向学习过程的个性化资源推荐服务策略研究[J].中国教育信息化,2016(5):29-33.

[12] 李 宝,张文兰.智慧教育环境下学习资源推送服务模型的构建[J].远程教育杂志,2015,33(3):41-48.

[13] 姜 强,赵 蔚,王朋娇,等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):85-92.

[14] 张 舸,周东岱,葛情情.自适应学习系统中学习者特征模型及建模方法述评[J].现代教育技术,2012,22(5):77-82.

[15] CHRYSAFIADI K,VIRVOU M.Evaluating the integration of fuzzy logic into the student model of a web-based learning environment[J].Expert Systems with Applications,2012,39(18):13127-13134.