高校在线课程平台积累了大量学习资源,但学生找到“适合自己当前水平”的材料仍然依赖教师推荐或关键词搜索。某校 2025 年春季学期的平台日志显示,资源详情页的平均访问深度为 1.7 页,收藏率不足 4%,说明大量资源未被有效触达。基于学习者行为与知识掌握程度做个性化推荐,可以提升资源利用率,也能为教师提供学情参考。
理论意义在于把协同过滤与知识图谱结合,缓解冷启动与可解释性不足的问题;实践意义在于形成一套可在校内平台快速接入的推荐服务。
国外教育推荐研究经历了三个阶段:早期的基于内容过滤(依据资源标签与课程大纲匹配),中期的协同过滤(依据学习者行为相似度),近五年的知识追踪与图神经网络(依据知识掌握序列建模)。代表性工作如 Knowledge Tracing 系列模型,能够在题目级别预测掌握概率,但需要较大规模的作答数据。
国内研究更多聚焦工程落地,常见做法是“协同过滤 + 规则兜底”,在高校图书馆与在线课程平台有较多应用;不足在于:① 冷启动阶段推荐质量差;② 推荐结果缺乏解释,学生不信任;③ 与课程知识点的对应关系弱,推荐内容与当前学习进度脱节。
因此本文的切入点是:以课程知识点图谱为骨架,把协同过滤的结果映射到“当前章节的相邻知识点”上,并给出推荐理由(如“因为你刚完成了第 3 章,这门资源覆盖了 3.2 节的难点”)。
本文要解决四个问题:① 如何构建课程知识点图谱并与资源建立映射;② 如何在行为数据稀疏时给出可用推荐;③ 如何生成可读的推荐解释;④ 系统在真实班级规模下的性能表现如何。
对应功能模块:资源管理、知识点图谱管理、行为采集、推荐引擎、解释生成、后台统计。角色分为学生、教师、管理员三类。
采用“文献研究—需求分析—系统设计—原型实现—实验评估”的路线。技术栈定为 Spring Boot 3 + MySQL 8 + Redis + Vue 3;推荐算法采用“ItemCF 为主 + 知识点邻接兜底”的混合策略,冷启动阶段使用教师标注的难度与章节顺序做规则推荐。
评估方法:选取两门课程、约 240 名学生,进行四周的 A/B 测试,对照组使用原有搜索,实验组使用推荐服务;指标为资源点击率、收藏率、周活跃资源数,并用问卷测量感知有用性(5 点量表)。
| 周次 | 任务 | 交付物 |
|---|---|---|
| 1–2 | 文献阅读与需求调研 | 文献综述初稿、需求清单 |
| 3–4 | 知识点图谱与数据模型设计 | E-R 图、表结构、图谱样例 |
| 5–7 | 后端服务与推荐引擎开发 | 可运行接口、单元测试 |
| 8–9 | 前端开发与联调 | 学生端与教师端页面 |
| 10–11 | A/B 测试与数据收集 | 测试报告、原始数据 |
| 12–14 | 论文撰写与修改 | 初稿、查重报告、定稿 |
一套可部署的推荐服务原型、一份 A/B 测试报告、一篇 1.2 万字的学位论文,以及一套知识点—资源映射的标注规范(可供后续课程复用)。