基于个性化教育资源主动推送服务模型应用研究
徐承俊 舒红群 舒静倩 张兰晴 张墨青
个性化教育的核心理念是尊重学习者个体差异，使教育服务主动适应学习者的独特需求、认知基础与学习风格，从而实现因材施教和学生的全面发展。然而，当前教育资源的建设与服务模式仍在一定程度上滞后于技术发展，因此，构建一个能够深度感知学习者状态、动态理解资源特征、并主动提供智能化推荐服务的模型，已成为推动教育高质量发展、促进教育实质公平的关键课题。本研究立足于这一现实需求，探索并构建一个高效的个性化教育资源。
一、研究现状
（一）学习者模型研究现状。学习者模型是表征学习者特征、实现个性化服务的基础。国内外学者从不同维度对其进行了构建与研究。其一，基于行为记录的学习者模型。这类研究主要通过分析用户的可观测行为（如页面停留时间、点击流、访问路径等） 来间接推断其兴趣偏好，例如通过构建浏览兴趣矩阵或应用神经网络模型建立行为与兴趣的关联。其二，基于认知的学习者模型。此类模型更关注学习者的内在认知状态，如知识掌握水平、认知能力等，通常通过测试成绩、交互评价等信息进行动态更新。其三，综合心理特征的学习者模型。这类研究进一步考虑了学习风格、自我效能感、学习动机等个性与情绪因素对学习过程的影响，力图构建更全面的学习者画像。尽管现有研究取得了丰硕成果，但多数模型或侧重于行为、或侧重于认知，未能有效整合多源异构特征，更缺乏对特征间复杂关联关系的深入挖掘与形式化表征。
（二）教育资源模型研究现状。教育资源模型的核心在于解决资源的规范化表示与语义化描述问题。国际上已提出如 IMS-LD、LOM、SCORM 等一系列元数据标准，为资源的共享与互操作提供了基础。在表示方法上，本体、语义网络、XML 等技术被广泛应用，以增强计算机对资源语义的理解能力。然而，当前资源模型的建设多从资源提供者的视角出发，强调技术的规范性与系统性，却忽视了从资源使用者（学习者）视角的可理解性与易用性，导致资源的语义标注与学习者的实际认知和理解之间存在鸿沟。
（三）资源主动推送服务研究。资源主动推送是一种以用户为中心的服务范式，其关键技术是推荐系统。在教育领域，相关研究多集中于对协同过滤、内容推荐等经典算法的应用与改进，关注点常在提升推荐的准确性与召回率。然而，教育推荐场景具有其特殊性，它不仅要求“精准”，更要求“适宜”，即推荐需符合学习者的认知规律与心理状态。现有研究对教育情境的特殊性、学习者心理机制以及资源与学习者间深层次动态交互关系的考量仍显不足。
二、研究模型构建
（一）基于张量的学习者模型构建。为克服传统学习者模型维度单一、关联性弱的缺陷，本研究引入张量（Tensor）这一数学工具作为多维特征融合的载体。将学习者的静态属性（如学科基础、学习风格）、动态行为（如点击序列、作业完成情况） 以及情境信息（如学习时间、设备）等多个维度的数据组织成一个高阶张量结构。通过张量分解技术，可以有效地挖掘潜藏在多维数据背后的复杂模式与关联关系，从而实现对学生特征的深度刻画与动态更新，为精准推荐奠定坚实基础。
（二）融合社会标注的教育资源模型构建。为增强资源描述的可理解性与实用性，本研究在传统元数据规范的基础上，引入了社会标注（Social Tagging）机制。允许学习者以自由关键词的形式对资源进行标注、评分和评论，这些大众智慧（Collective Intelligence）有效补充了形式化元数据，使资源标签更贴近用户的自然语言和真实感知。进一步，利用社会网络分析技术对标签之间的共现、关联关系进行分析，构建出反映大众认知结构的资源语义网络模型，提升了资源组织的灵活性与语义丰富度。
（三） 基于张量分解的资源—学习者映射与推送机制。核心推送机制建立在“学习者—资源”交互张量的基础之上。该张量综合表达了不同特征的学习者对不同类型资源的交互历史（如学习时长、测试成绩、评分等）。本研究采用高阶奇异值分解（High-Order Singular Value Decomposition, HOSVD）算法对该张量进行降维与分解，从而挖掘出学习者群体、资源群体以及各类特征之间的潜在关联因子。
基于分解得到的潜在因子向量，可以精准预测任意一个学习者对未曾接触过的资源的偏好程度。系统根据预测评分的高低，主动地将最相关的资源在合适的时机推送给学习者，实现真正的个性化主动服务。该算法天然地支持多维度信息融合，能够很好地适应教育场景的复杂性。
三、实验设计与分析
（一）数据来源与预处理。实验数据来源于中国中部某高校的在线学习平台，包含55,365名学生在15门在线课程中的学习行为记录（如登录、视频观看、作业提交、测验成绩等）以及课程资源元数据。首先对数据进行清洗，去除无效与冗余信息；随后，依据分析框架，对学生和资源的属性进行筛选与量化，构建实验所需的基础数据集。
（二）实验设置与评价指标。为验证模型有效性，本研究设计了对比实验。将本文提出的基于张量分解的推荐模型（Our Model）与两种经典推荐算法进行对比：基于项目的协同过滤（Item-Based CF）和基于矩阵分解的推荐（MF）。
实验采用留出法（Hold-out）划分训练集与测试集。推荐性能采用信息检索领域广泛使用的三个指标进行综合评价：
准确率（Precision）：预测正确的正例占所有预测为正例的比例；
召回率（Recall）：预测正确的正例占所有真实正例的比例；
F1 值（F1-Score）：准确率与召回率的调和平均数，是综合衡量模型性能的指标。
（三）结果与分析。三种模型在测试集上的性能对比结果如表1所示。
表1 不同推荐模型性能对比
模型
准确率（Precision） 召回率（Recall） F1值（F1- Score）
Item-Based CF 0.423 0.381 0.401Matrix Factorization (MF) 0.467 0.412 0.438
Our Model 0.532 0.489 0.510
实验结果表明，本研究提出的模型在三项指标上均显著优于两种基线方法。这充分证明了引入张量模型来融合多维度特征、并利用高阶分解挖掘潜在关联的有效性。该模型能够更全面地理解学习者与资源的特性，从而做出更精准的推荐决策，有效提升了个性化教育服务的质量。
四、结论与展望
本研究针对个性化教育资源服务中的关键问题，设计并实现了一个基于张量分解的主动推送服务模型。通过理论分析与实验验证，证实了该模型在提升推荐准确性和服务有效性方面的优势。
未来的研究工作将从以下几个方面展开：首先，将进一步探索更高效、可扩展的张量计算算法，以应对更大规模的教育数据。其次，将深化对学习者瞬时学习状态与情感变化的感知，使推送服务更具情境智能。最后，将推动模型在移动学习、虚拟学习社区等更多元化的教育场景中的落地应用，持续验证并完善其效能。
（作者单位：江西师范高等专科学校。课题：江西省教育厅科学技术研究项目 〈基于个性化教育资源主动推送服务模型应用研究〉，课题编号：GJJ203204）