在线学习资源的推荐策略研究

    陈燕贞 赖瑞麟

    摘 要:在线学习已成为“互联网+教育”的重要形成,是传统教育教学的有益补充。面对日益发展的在线教育市场,如何实现在线学习资源的有效推荐,是提高产品市场竞争力的重要保障。本文立足在线学习资源的特点,阐述了在线学习资源推荐的意义及问题,并在此基础之上,从细分目标群体、实现精准推荐等方面,具体阐述了在线学习资源的推荐策略,强化精准服务的有效构建。

    关键词:在线学习资源; 精准理念; 推荐策略

    中图分类号:G642? ? ? ? ? ? ? 文献标识码:A ? 文章编号:1006-3315(2020)9-099-002

    在“互联网+”的时代背景之下,在线教育的不断发展,成为“互联网+教育”的重要发展模式。因此,在线学习成为传统学习方式的有益补充,特别是在大数据时期,在线学习资源的共享性、精准推送等特质,极大地满足了消费者的需求。当前,在线学习市场竞争日益激烈,在线资源的精准、高效推荐,直接关系到在线资源的使用效率及质量。因此,在笔者看来,在线学习资源的推荐,关键在于细分目标群体,在精准推荐的视域中,提高在线学习资源的使用价值,以更好地建立资源产品与消费者群体的有效匹配关系。本文立足对在线学习资源推荐的研究,就如何在关系构建中,实现在线学习资源的精准性、个性化推荐,做如下具体阐述。

    一、在线学习资源推荐的重要性

    基于在线学习资源的有效推荐,是构建良好学习目标的重要导向。当前,在线学习资源日益丰富,如何在推荐中,实现学习资源的有效导入,关系到学习资源的实施质量。因此,构建在线资源有效推荐,其重要性表现为:

    (一)在线学习资源推荐是精准服务的重要保障

    在线学习资源的丰富性,为消费者提供多样化选择。但如何在精准导入中,实现资源与消费者的有效匹配,是提高资源导入效能的重要保障。因此,在线学习资源的有效推荐,能够更好地提高资源导入的精准性,通过消费者的不同学习需求,提供更加精准的学习服务。首先,在线学习资源推荐,能够从资源匹配、资源导入等维度中,强化学习资源与消費者的匹配度,满足消费者的学习需求;其次,在线学习资源推荐的实施,能够从消费者角度出发,优化在线学习服务模式,能够在更加良性的互动交流中,提高资源导入服务的有效性,实现更加个性化、精准性服务;再次,在线学习处于相对被动的状态,如何更好地激发消费者的主动性,强化学习资源与消费者需求的有效对接,关系到学习的实效性。在线学习资源的推荐实施,能够更好地从供需关系中,构建资源精准导入的切入口,让平台的学习资源供给,满足消费者的学习需求,这就是一种精准的有效服务。

    (二)在线学习资源推荐是资源细分的重要措施

    在多元化的在线教育市场,细分的学习群体,更加强调有效资源推荐的重要性,这关系到消费者资源选择行为的发生。一方面,通过在线学习资源的有效推荐,能够更好地立足细分学习群体,在定向服务、个性化资源导入等方式中,满足消费者的实际需求;另一方面,在多元化的资源环境之下,消费者对于学习资源的需求面更加广泛,同时也强调服务质量的精细化,在这种高要求的服务需求中,资源推荐服务的有效实施,关系到服务质量,也进一步要求在线推荐服务要对资源进行细分,在细分中找准推荐点,让资源与消费者形成供需层面的有效匹配,这是在线学习资源推荐的重要着力点,也是其重要效能发挥的重要保障。

    二、在线学习资源推荐中存在的问题

    当前,在线学习资源推荐,已成为在线学习资源供给匹配的重要措施,也是强化在线学习质量的重要保障。但是,在实施中发现,在线学习资源推荐的“局限性”“狭窄性”,极大地影响了在线学习资源的推荐效能,也不利于消费者对精准性服务质量的需求供给。因此,具体而言,在线学习资源推荐的实施中,其主要存在以下几个方面的突出问题:

    (一)在线推荐方式单一,服务质量欠缺

    在激烈的市场竞争中,良好的在线推荐方式,是强化学习资源构建的重要保障。但是,在线学习资源推荐“同质化”严重,在很大程度上影响了推荐效果。首先,在线推荐方式单一,在单一的推荐中,难以满足不同消费者的服务需求。特别是对于“00后”“10后”学习群体,在线学习资源推荐的服务需求,更加强调精准性、个性化,单一的推荐方式,显然难以满足消费者的服务需求;其次,在先推荐方式缺乏有效创新,陈旧的推荐方式,缺乏良好实施效果的有效构建。如,在推荐服务中,平台主要基于消费者选择服务,实现在线资源推荐,缺乏“大数据”服务构建的有效实施。因此,在线学习资源推荐的有效实施,应注重多样化推荐方式的科学构建,为在线学习资源推荐服务提供有力保障。

    (二)推荐服务效能不足,精准服务欠缺

    精准服务是构建有效服务的重要基础。但是,在线资源推荐服务存在服务效能不足的问题,特别是精准服务的欠缺,影响到在线资源推荐的有效性。首先,在线学习资源推荐服务效能不足,在新媒体载体平台的运用与开发中比较欠缺,导致推荐服务品平台载体狭窄等问题。如,在线推荐学习资源推荐缺乏“微信平台”“抖音”平台等的应用,推荐服务路径的狭窄性,难以形成良好的服务效果;其次,在线推荐服务视角狭窄,在与消费的服务对接中,过于强调资源的有效性,对于资源与消费者的匹配度构建不足,这是导致推荐服务效能不足的重要原因;再次,在线学习资源推荐,需要在精准服务构建中,强化精准资源导入的有效性。而在实际当中,在线学习资源推荐服务的精准性不足,对于个性化的精准服务供给相对短缺,对消费者的服务需求难以有效保障。因此,在线学习资源的推荐服务,应在服务效能的提高中,不断地保障服务的精准性,为高效推荐服务,提供良好的环境条件,提高精准在线推荐服务质量。

    三、在线学习资源推荐的策略

    在线学习资源推荐,对资源的“精准”导入、市场细分提供了有效载体,也是强化资源开发应用的重要保障。在笔者看来,在线学习资源推荐的科学实施,关键在于如何立足“细分群体”,在多目标的构建中,实现资源精准导入,提高资源推荐的有效性。因此,具体而言,在线学习资源推荐的科学实施,可以从以下几个方面有效开展:

    (一)细分目标群体,实施多目标化推荐策略

    在线资源的有效推荐,关键在于如何更好地面向不同消费群体,制定相应的推线策略,以保障在线资源推荐契合消费者的实际需求。因此,实施多目标化推荐策略,旨在针对不同的消费群体,基于其学习所需,形成与之匹配的在线资源推荐策略,让推荐成为促进资源产品与消费者有效互动的重要纽带。首先,在线学习资源要细分资源板块,在于消费群体的对接中,更好地试下资源的有效导入。面向初中学生,在线学习资源的推荐策略,更集中于“高效”“轻松”学,作为学生课堂学习的有益补充,才能更好地契合消费者的实践需求。在推荐策略中,可以推荐消费者“基础知识大总结”“课后拓展练习”“知识综合实践”等资源内容,让学生能够基于自身的学习情况合理选择,让推荐更加“贴心”,提高推荐的有效性;其次,多目标推荐策略的实施,关键在于如何基于目标群体,实现推荐与需求有效融合,才能够更好地让消费者接受推荐,形成正向的行为引导。为此,在目标群体的细分中,要从多目标问题的分析中,将不同消费群体的消费行为、学习需求等要素进行综合研判,进而更好地制定与之相需求的在线学习资源;再次,建立多目标推荐目标体系,提高推荐的有效性。例如,在多维度要素的目标导向下,通过消费者学习资源特征库,实现“学习资源水平适应度最佳”“学习资源类型偏好度最大”,保障推荐的有效性。

    (二)实现精准导向,实现资源与消费群体有效匹配

    精准推荐是在线学习资源推荐的重要策略,能够更好地实现资源与消费群体的全方位匹配,保障推荐的科学有效性。面对不同的消费个体,个性化的推荐方式,就是精准推荐的重要策略,能够基于个体的阅读行为、兴趣爱好、学习成绩情况,实现更加精准的资源推荐,让推荐更好地契合需求。此外,精准推荐的实现,关键在于如何抓住精准“要素”,将资源推荐与消费群体的行为特征相结合,并且从消费者的自身实际出发,让消费者的学习能力、时间要求等因素,都成为实现精准推进的决定因子。因此,实现精准导向下的在线资源推荐,就要从不同维度的需求与行为特征中,更好地将资源与消费者进行匹配,保障有所需求的最大程度满足。例如,在个性化消费时代,在线资源精准推荐,可以从个性化维度出发,基于个体的消费行为及需求,制定与之匹配的小测策略,让内容匹配学习需求;让时间等因素匹配学习限制,进而更好地在个性化学习资源的推荐中,获得消费者好感。如基于精准推荐下的个体推荐策略,能够在“定制”的模式中,基于消费者的兴趣、喜欢的学习时长、喜欢的媒介类型等内容,制定与之相应的推荐资源,进而在消费特征挖掘中,实现个体推荐下的精准实施。

    综上所述,在线学习作为现代教育教学的重要方式,是对传统学习方法的补充,能够更好地满足不同群体对“学”的需求。在本文探讨中,在线学习资源推荐,应立足“高效”“精准”原则,在资源推荐中提高资源与消费者的匹配度,让推荐成为产品走向消费者的“贴心”之举。本文研究得出,在线学习资源的推荐,关键在于细分目标群体,在实施多目标化推荐策略中,满足不同消费群体需求;通过实现精准导向,在资源与消费群体有效匹配中,提高推荐的有效性。

    基金項目:(1)广州市哲学社会科学发展“十三五”规划2019年度共建课题(2019GZGJ108);(2)广东省哲学社会科学“十三五”规划2017年度学科共建项目(GD17XJY10);(3)广东省教育厅2016年重点平台及科研,特色创新类教育科研项目(2016GXJK113)

    参考文献:

    [1]程岩.在线学习中基于群体智能的学习路径推荐方法[J]系统管理学报,2017,20(2):232-237

    [2]李浩君,张广,王万良,等.基于多维特征差异的个性化学习资源推荐方法[J]系统工程理论与实践,2017,37(11):2995-3005

    [3]汤小月,余伟,李石君.D3 MOPSO:一种基于用户偏好的元搜索排序聚合演化方法[J]计算机研究与发展,2017,54(8):1665-1681

    [4]包昊罡,李艳燕 ,郑娅峰.面向大规模在线学习的社会化推荐模型与方法[J]现代远程教育研究,2018,12(3):94-103

    [5]刘江.在线学习资源推荐的实施路径研究[J]系统工程理论与实践,2017,24(11):138-139