论文摘要
随着网络技术的不断发展和教育技术的日益更新,现代远程教育（Modern Distance Education）的教育模式也正在发生改变,个性化、自主化以及协同学习（Cooperative Learning）等逐渐成为网络教育者和学习者追求的目标,如学习资源的自动提供,个性化学习方案的自动生成,学习服务（e-Learning Service）的自动发现,以及学习效果的自我评估。如何快速准确地发现教学过程中所需要的学习服务是影响教学效果的关键。传统的基于UDDI（Universal Description, Discovery, and Integration）的学习服务发现所采用的发现机制局限于关键字的匹配,是一种静态匹配的方式,尽管查找速度比较快,但自动化程度不高,而且不能保证找到所有满足需求的学习服务。由于本体（Ontology）具有共享、可重用等特点,有良好的概念层次结构及对逻辑推理的有效支持,且能从语义和知识的层次上描述信息系统的概念模型,成为语义网的重要技术之一。特别是基于OWL（Web Ontology Language）的本体技术可应用于网络教育,使得学习服务的描述具有语义信息,所以基于OWL-S（OWL for Service）的学习服务发现能够较好地克服UDDI匹配的弱点,提高学习服务发现的质量。然而该方法也还存在准确度低和效率低的问题,故论文结合本体论,应用二部图、粗糙集和用户满意度等理论,对学习服务发现算法进行了深入的研究。基于二部图（Bipartite Graph）的学习服务发现算法是把请求学习服务和发布学习服务的属性集分别作为二部图的顶点集,所有匹配属性之间的连线为边,边的权是属性匹配度,先把学习服务匹配问题转换为二部图的最优完全匹配问题,然后通过最优完全匹配问题的求解,实现学习服务的匹配,最终达到学习服务的发现。由于粗糙集理论（Rough Sets Theory,RST）可用于处理不精确、不一致、不完整的各种不完备信息,并从中发现隐含的知识,揭示潜在的规律,因此它特别适用于不要求精确数值结果的不确定性问题。基于RST的学习服务发现算法就是结合本体技术,把RST应用到学习服务发现当中。该算法是在学习服务匹配之前应用RST进行三步预处理操作:①规范化请求学习服务;②根据请求学习服务对发布学习服务进行不相关属性约减;③根据请求学习服务对发布学习服务进行依赖属性约减。其中的不相关属性约减和依赖属性约减可大大减少匹配的数量,从而提高学习服务发现的效率。然而,尽管采用了这些帮助提高学习服务发现查准率（Precision）、查全率（Recall）和效率（Efficiency）的算法,也只能尽快准确地查找到与学习者请求相匹配的学习服务,关键还在于学习服务本身的发现。在现有的学习服务发现系统中,根据学习者的请求能够找到一些学习服务,而且匹配度很高,但是学习者并不一定满意,这里的原因很多,其中一个主要原因就是现有的算法都只把学习服务自身的属性匹配度作为衡量学习服务匹配效果优劣的唯一指标,没有考虑到学习者的感受,这在一定程度上限制了学习服务发现系统性能的提高。因此本论文引入了用户满意度（User Satisfaction,US）的概念,提出了一种基于用户满意度的学习服务发现算法,该算法是把学习者对系统返回给他的学习服务的评价作为反馈信息,并设定一个修正函数,以动态更新发布学习服务的各个属性的匹配度权值,这不仅从客观上提高了学习服务的查准率,而且还从主观上提高了学习者对服务发现结果的满意程度。论文最后给出了一个CSCL原型系统,该系统集成了学习服务发现算法,学习者可以在该系统中进行协同学习,学习剧本包含有对所需学习服务信息的描述,学习者在学习过程中所需要的学习服务都可以由系统自动发现。