本体技术在远程教育中的应用概述

【摘 要】

本体能够有效地表现概念层次模型，它作为一种有效的建模工具正被广泛地应用于众多领域。本文在介绍本体概念的基础上，讨论了其在远程教育中的应用，主要包括现阶段应用较多的个性化资源推荐、自适应学习系统构建、智能答疑系统，并对其重点的实现技术和整体架构进行了具体分析。

【关键词】 本体；远程教育；远程学习者

【中图分类号】 G434 【文献标识码】 A 【文章编号】 １００９―４５８ｘ（２０12）02―００17―０4

随着网络技术的快速发展，如何为网络用户提供及时、个性化和有效的服务成为重要的研究课题。本体作为一种有效的概念建模工具受到了普遍的关注，并且在远程教育领域也得到了大力的发展和应用。本文从整体上梳理了本体技术在远程教育中的应用研究情况并分析了其三个重要的应用。

一、本体概述

本体（ontology）原本是一个哲学概念，后被引入人工智能、知识管理和计算机领域。最普遍引用的概念是“本体是共享概念模型的明确的形式化规范说明。”[1] 主要包括四层含义[2]：概念模型（conceptualization）指通过抽象出客观世界中的一些现象的相关概念而得到的模型；明确性（explicit）指所使用的概念及其约束条件都有明确的定义；形式化（formal）指本体是计算机可读的（即能被计算机处理）；共享性（share）指本体中体现的是共同认可的知识，反映的是相关领域公认的概念集。

本体具有构建良好的概念体系和逻辑推理能力，它支持知识的重用，提高了系统间的互操作；使基于知识的检索成为可能，并极大地改善了查全率和查准率。此外，本体在语义Web中的应用使网络上的资源附加上了计算机可以理解的内容，是解决语义层次上网络资源共享和交换的基础。

世界范围内研究本体的权威机构有：德国卡尔斯鲁厄大学（AIFB）（注重对本体的基础理论研究）、英国曼彻斯特大学（University of Manchester）和美国斯坦福大学（Stanford University）。此外还有英国开放大学的知识媒体研究所（KMI），主要研究语义网和知识服务，同时也是欧洲NeOn项目的重要参与者。国内的研究机构主要有中国科学院计算技术研究所、东南大学计算机系、上海交通大学和清华大学。国内研究比较偏向于技术，如本体建模、本体匹配、本体映射和推理算法等，多领域结合的应用项目少之又少。

二、本体在远程教育中的主要应用

远程教育为计算机应用研究提供了一个广阔的平台，智能、虚拟现实、网格技术等都极大地促进了远程教学系统的优化并在一定程度上改进了资源的利用效率。近年，远程教育越来越注重个性化、智能化服务，对学习系统的功能也提出了越来越高的要求，但系统平台中的概念语义异构、资源重用率不高、匹配和推理能力差等问题却一直未能得到有效解决，成为限制其进一步发展的技术瓶颈。而有良好概念表示和推理能力的本体技术的出现恰能有效地克服这些技术障碍，正成为远程教育中技术应用的研究热点。本体在远程教育中的应用研究很多，有网络资源组织管理、智能搜索服务、个性化的资源推荐、自适应学习系统构建、智能答疑系统等。网络资源组织管理以本体、知识管理为基础，涉及多领域知识；智能搜索则是一个应用广泛的技术问题，本文对这两方面暂不做讨论，主要对现阶段研究较多、与远程教育结合紧密的个性化的资源推荐、自适应学习系统构建、智能答疑系统进行重点论述。

（一）学习资源的个性化推荐

网络技术的发展使学习资源呈现多样化、数字化，加之网络教育的普及、招生数量逐年攀升，学生的信息迷航与教师支持服务不足日趋明显，而依赖本体技术实现的个性化推荐正可以很好地支持教育的个性化，极大地改善学生的信息迷航、提高学习效率。

个性化推荐服务就是指信息检索、网站系统或其他应用系统根据发现的用户喜好，以推荐的方式动态地为用户提供观看内容或浏览建议，简单地说，就是为用户提供一对一的服务和指导，它是个性化服务的高级阶段[3]。这种推荐机制以学习者本体和课程知识本体为基础，通过一定的推荐机制和算法实现。在个性化推荐中，如何使用推荐算法从语义层次上构建学习者模型、为学习者推荐合适的学习内容是目前的研究热点与难点。

1. 个性化的学习者模型研究

为了实现个性化推荐服务，首先需要跟踪和学习用户的兴趣和行为，即学习者本体模型构建。根据学习者知识表示方法的不同，学习者模型可分为如下几类[4]：覆盖模型是将学习者要学习的领域知识及其约束关系表示成一个有向知识结构图，学习者的学习状态被看作是此图的子图，学习过程被看作是子图对原图的逼近过程；偏差模型是通过把学习者的错误概念表示为领域专家知识的偏差而获得学习者行为的模型；认知模型是基于美国心理学家布鲁姆的认知理论发展起来的学生模型。学习历史法是对学习者学习活动过程中的有关信息数据进行记录并把这些记录作为判断学习者个性特征的重要依据。

一般在实际应用中可综合两者或两者以上的类型，Gomes等就提出学生模型包括静态数据（个人、个性、认知、教学和偏好）和动态数据（学习进度、学习状态等）[5]。Essalmi等对教学方法、先决条件、学习风格、学习动机、媒体要求及语言偏好进行了整合[6]。

对以上模型类型进行选择或综合采用后，便可以建立基于本体的学习者模型。但还需注意的是学习者的兴趣、爱好、知识学习等会随着学习进行而发生改变，因此模型需具备一定的自学能力。

2. 资源推荐算法

根据推荐时系统所采用的对用户特征描述和推荐依据的不同，推荐方法大致分为[7]：基于规则的推荐、基于信息过滤的推荐、基于效用的推荐和基于知识的推荐。其中，基于信息过滤的推荐又分为基于内容的推荐和协同过滤推荐。另外还有结合了两种以上推荐技术的组合推荐。

基于规则的方法是通过规则来决定不同情况下如何推荐资源对象，其本质上是一个if-then语句。基于内容的推荐是目前个性化推荐服务的主流，协同过滤推荐也是研究较多的推荐技术。

3. 个性化推荐系统研究现状

国内外个性化推荐研究很多，但大都应用在电子商务领域，如Amazon，eBay等，在教育领域中研究相对较少。国外对个性化系统的研究有：麻省理工大学的Lieberman开发了个性化浏览辅助智能体Letizia[8]，卡内基・梅隆大学的Joachims等推出了个性化推荐智能体Webwatcher[9]，加利福尼亚大学的Pazzani和Billsus推出的个性化智能体syskin&webert[10]，斯坦福大学提出的基于内容的协同推荐原型系统FAB[11]等等，它们均采用不同的推荐算法或综合多种不同算法。

国内学术界对个性化服务的研究起步相对晚一些，但也有了较多研究成果，并构建了一些个性化推荐的原型系统。如：清华大学推出的一种混合推荐原型系统――Open Bookmark[12]， CNKI和万方数据库为读者提供的相似资源推荐功能等。

个性化资源推荐系统研究是当前基于本体远程教育研究的热点，也取得了较好的研究成果，但对学习者模型、推荐算法以及问题资源的匹配仍需深入。

（二）自适应学习系统的构建

美国研究者Brusilovsky在1996年提出了自适应超媒体系统（Adaptive Hypermedia System，AHS）的概念，其中自适应是指系统中的所有超媒体能够通过用户模型体现用户特征，并且系统根据用户模型的特征反馈适合于用户需求的可视化资源或者提供个性化的导航支持[13]。

简单地说，自适应学习系统是根据学习者模型，智能地为学习者提供自适应的学习资源。它跟个性化推荐系统实现的功能基本一致，甚至在许多研究工作中将两个术语一起使用。但两者是有差异的，自适应学习系统强调系统完整性，而个性化推荐往往作为一个功能嵌入到系统的某个模块，如学习资源、作业区等。在研究与应用中将两者界定清楚是十分必要的。不过此处也可以看出本体技术应用是整体系统和局部技术共同发展的，本身还存在一些技术难关，如何使推荐算法更完善、实现系统整体的推荐性都是研究者密切关心的。

鉴于自适应学习和个性化推荐的核心算法一致，在此不再赘述，重点突出其系统性。

1. 自适应学习系统一般结构

不同的研究者提出的模型不尽相同，本文以刘志勇[14]的自适应学习系统结构图为例，如图1，此图屏蔽了一些外在的架构，较好地表现了自适应学习的作用机理。

在学生进入系统学习时，系统会根据学习者模型了解学生的学习能力和认知能力等特征，然后从知识库和资源库中提取出适合学习者的学习内容（内容的组织和编排也会显示出自适应的特性）。学习者在学习过程中可以借助一定的学习工具辅助学习，在遇到问题时可以去交流区（也基于本体构建），随时获得适应性的服务。最后系统会对学习结果进行评价，同时根据评价结果对系统进行自我更新，包括学习者模型、本体库和推荐算法的更新等，以保证系统良好的自适应性。

2. 自适应学习系统的研究

对自适应学习系统的研究很多，尤其欧洲和美国的一些研究项目都有了丰富的成果。德国特里尔大学的ELM小组的开发的ELM-ART II会依据用户模型帮助其找到“最优学习路径”，但学习者可以服从系统决定，也可以自主决定，系统会信任学习者的选择[16]。AHAM（Adaptive Hypermedia Application Model）能够自适应地呈现多个内容，是基于前一版本AHA!的改进[17]。ApeLS构建学习者模型和元数据标注，为不同风格的学习者提供不同的学习页面[18]。 国内由清华大学、华南师范大学、中央电大和电大在线共同研发的LAGrid已经成功应用于电大的学习评价，并取得很好的效果[19]。

这些系统为适应性学习提供了基础架构与支撑，但在这些支撑之上如何为学习者提供适应性学习还少有研究[20]，如何从教育的角度补充技术研究的不足正成为研究者的一个新视角。

（三）智能答疑系统

智能答疑系统主要是对学习者在学习过程中遇到的疑问给予在线解答。远程教育师生分离，需要及时有效的交互消除学生的孤独感，智能答疑系统不仅能有效减轻远程教师的工作量，还能做到及时准确。

智能答疑系统应支持自然语言的提问、自动检索问题并呈现有效答案，能够通过学习自动扩展和更新答案知识库。这使学生在学习时能够使用自己熟悉的方式表达问题，并能够及时获得与问题较为相关的反馈答案[21]。

1. 智能答疑系统的一般模型

此处采用宗裕朋[22]的系统模型做分析，如图2，该模型引用率较高、具有一定的代表性。智能答疑系统工作的大致流程是：首先语法分析部分将用户的问题经过自然语言转换、分词、语义标注等处理后找出对应的问题模式进行匹配，然后基于领域本体库将其映射成本体语义块。如果无法实现直接映射，则根据语义相似度的高低选择最为接近的问题的答案输出。在智能答疑系统中，核心的算法便是问题匹配和语义相似度计算。

能通过本体和问题模式库找到对应问题时，便可以使用转移网络来查找答案。对于匹配不成功的问题可以采用语义相似度进行模糊匹配。语义相似度主要是计算用户提问与模式库中问题的相似度，若高于已设定好的语义相似度阈值，则认为该库中的问题同提问是接近的，便可返回此答案。

2. 智能答疑系统研究

国外比较著名的有美国的AskJeeves和麻省理工学院的自动问答系统。国内上海交通大学的远程教育中心设计开发的Answerweb自动答疑系统已初步具备了智能答疑功能，如果智能答疑查找失败就会进入到人工答疑模块，然后将新问题添加到库中。相比之下，国内的智能答疑系统技术还不成熟，大多作为平台的一个功能模块，而国外多作为一个独立的系统研发，同时也可以看出国内对其的重视程度不足。智能答疑系统还是一个比较难的技术课题，但它的研究将为远程教育平台功能带来大的突破。

三、总结

本体的研究和应用总体来说还是一个新兴的研究领域，在远程教育中的应用研究也刚刚起步，还有许多的问题需要研究和解决。本文尝试对远程教育中的本体应用研究进行一个系统的梳理，借以理清其现阶段的研究发展现状，把握研究的全局态势和后续研究方向。

个性化资源推荐与自适应学习系统主要实现了学习系统的个性化功能，智能答疑则主要实现了系统智能交互，解决了远程教育中师生比较小带来的矛盾。从实现上看，个性化推荐和自适应学习系统已有较多应用并取得很好的效果，而智能答疑的技术实现相对较难，很多还在试验、测试阶段。此外，从国内的智能答疑系统研究情况看，除技术难关外，研究思路也有局限，国内将答疑作为平台的一个子功能模块，在强调系统整体功能时难免有所疏漏。

本体作为一种有效的概念建模工具，在远程教育中的应用不止上述几点，如多学科的交叉（如网络资源组织管理等）、更加细致的小功能等。相比大的研究机构，研究者可以选择小功能研究，用细心与创新来推动本体的新应用与远程学习平台的完善。另一方面，由于远程学习所面临和研究的问题在许多行业和场所都存在，如卓越网中的图书推荐功能等，相关的研究成果可以很容易实现多个场景的转化使用[23]。此外，现阶段对本体技术的远程教育应用研究主要来自于教育技术和计算机科学的研究者，前者关注教育理念，后者关注技术，如何把教育新理念和技术优势结合起来，也将是下一步的研究方向。

参考文献

[1] Studer R, Benjamins V R, Fensel D. Knowledge Engineering：Principles and Methods[J]. Data and Knowledge Engineering, 1998, 25(1-2): 161-197.

[2] 邓志鸿，唐世渭，张铭等. Ontology研究综述[J]. 北京大学学报（自然科学版），2002，38（5）：730-738.

[3] 颜端武. 面向知识服务的智能推荐系统研究[D]. 南京：南京理工大学，2007：6-7.

[4] 周竹荣. 基于语义的教学网格门户研究[D]. 重庆：西南大学，2008：23-26.

[5] Gomes P, et al. Using Ontologies for elearning personalization[A]. Proceedings of the 3rd E-learning Conference-Computer Science Education[C]. Coimbra: 2006.

[6] Essalmi F, et al. A Multi-Parameters Personalization Approach of Learning Scenarios[A]. Proceedings of the Seventh IEEE International Conference on Advanced Learning Technologies(ICALT2007)[C]. IEEE2007: 2007.

[7] 曹正强. 基于本体的学习资源推荐应用研究[D]. 重庆：西南大学， 2010：2-4.

[8] Henry L. Letizia an Agent that Assists Web Browsing[A]. Proceedings of the International Joint Conference on Artificial Intelligence[C]. Montreal: 1995, 97-102.

[9] Joachims T, et al. WebWatcher: A Tour Guide for the World Wide Web[A]. Proceedings of 15th International Joini Conference on Artificial Intelligence(IJCAI-97)[C]. Nogoya: 1997.

[10] Pazzani M, Muramatsu J, Billsus D. Syskill & Webert: Identifying interesting web sites[A]. Proceedings of 13th National Conference on Artificial Intelligence (AAAI 96) [C]. California: 1996.

[11] Balabanoviｃ′ M, Shoham Y. Fab: Content-Based,Collaborative Recommnendation[J]. Communications of the ACM, 1997, 40(3):66-72.

[12] 冯翱，刘斌，卢增祥等. OpenBookmark――基于Agent的信息过滤系统[J]. 清华大学学报（自然科学版），2001，（3）：85-88.

[13] Brusilovsky P. Methods and techniques of adaptive hypermedia[J]. User Modeling and User Adapted Interaction, 1996, (6): 87-129.

[14][15] 刘志勇. 基于本体的自适应学习方法及应用研究[D]. 长春：吉林大学，2010：36-38.

[16] Weber G, Brusilovsky P. ELM-ART: An Adaptive Versatile System for Web-based Instruction[J]. International Journal of Artificial Intelligence in Education, 2001, (12): 351-384.

[17] Paul De Bra, et al. AHA! meets AHAM [J]. Lecture Notes in Computer Science, 2002, 388-391.

[18] Conlan O. The Multi-Model, Metadata Driven Approach to Personalised e Learning Services[D]. Dublin: University of Dublin,Trinity College, 2005, 93-97.

[19] 王冬青. 基于网格环境的远程学习评价研究[D]. 广州：华南师范大学，2005：116-119.

[20] 曾玲. 基于本体的适应性学习系统（OBALS）之系统模型[D]. 广州：华南师范大学，2007：6-8.

[21] 胡娜. 远程教育中智能答疑系统的设计与实现[D]. 北京：北京交通大学，2007：1-2.

[22] 宗裕朋. 基于本体的中文智能答疑系统研究与实现[D]. 上海：上海交通大学，2007：7-9.

[23] 吴飞，吴兵，申志斌. 新一代网络教学平台特征和技术难点的分析与探讨[J]. 开放教育研究，2009，（1）：10-20.

收稿日期： ２０11－10－15

作者简介：陈琨，在读硕士；张秀梅，博士，副教授，硕士导师。

华南师范大学教育信息技术学院（510631）。