一种基于K最近邻算法的智能推荐系统，旨在促进自主学习并减轻在线高等教育的认知负担

《COMPUTERS and EDUCATION》：An intelligent recommender system based on K-nearest neighbors to foster self-regulated learning and reduce cognitive load in online higher education

个性化AI推荐系统在数据库课程中提升自我调节学习能力与学习效果

　　随着全球高等教育机构日益重视在线学习系统，这些系统在提升教学质量与提供灵活的教育资源获取方面发挥了重要作用。然而，尽管在线学习具备诸多优势，如学习资源的可访问性和学习时间的自由度，其仍然面临一些关键挑战。其中，个性化学习支持的缺乏被视为主要障碍之一。传统的“一刀切”式教学模式忽视了学习者在认知能力、学习风格和学习目标上的多样性，导致学生难以有效地调控自己的学习过程。对于那些学习能力较弱的学生而言，缺乏针对性的指导更容易引发认知过载、学习动力下降、参与度降低，甚至导致学习退缩。

为了解决这一问题，本研究提出了一种基于K近邻（KNN）算法的交互式自我调节学习系统，旨在为大学学生提供个性化的学习路径推荐。该系统由四个核心组件构成：内容管理系统（CMS）、评估系统、推荐系统和用户界面应用。这些组件共同作用，以实现更有效的学习支持。通过在台湾北部某大学的“数据库系统导论”课程中实施该系统，并与仅具备基本AI自我调节学习功能的对照组进行比较，研究评估了该系统的感知有效性及其对学习者行为、自我调节学习能力、学习成果和认知负荷的影响。

自我调节学习（SRL）作为一种重要的学习能力，使学生能够自主地规划、监控和调整学习活动，以实现其设定的学习目标。SRL不仅有助于提高学习动机和学习成效，还对学习者在在线环境中的持续参与和合作能力具有深远影响。在缺乏直接教师互动的在线学习中，SRL的能力显得尤为重要，因为学生必须依靠自身的主动性与自律性来完成学习任务。研究表明，具备高度学习动机或较强的自我学习能力的学生更倾向于运用SRL策略，并在学习过程中保持较高的自我驱动力。

在在线学习环境中，学习者的参与度、学习行为和认知负荷密切相关。高度的参与度不仅有助于学习者更深入地理解课程内容，还能增强其与学习材料及同侪之间的互动，从而提升学习质量与自信心。此外，参与度的提高也有助于学习者更好地运用元认知策略，如目标设定、学习进度监测和行为调整，从而实现更有效的学习过程。值得注意的是，SRL在减轻认知负荷方面也发挥了重要作用，它帮助学习者更高效地处理信息，避免因信息过载而影响学习效果。

尽管在线学习提供了灵活和便捷的教育方式，但如何在缺乏教师直接指导的情况下培养学生的SRL能力仍然是一个挑战。研究发现，课程设计的合理性、教师与学生之间的互动程度以及学习平台的易用性都会显著影响学习效果。然而，现有的许多在线学习系统在这些方面存在不足，尤其是在个性化学习路径的构建上。部分系统仅关注于提供即时反馈或使用人工智能技术优化学习体验，但忽略了学习过程中输入和输出两个关键维度的系统化整合。

在输入方面，当前研究对基于学习者个人特征（如学习风格、学习成果和认知能力）进行分类的研究仍然有限。这种分类对于实现更精准的个性化学习路径至关重要，因为它可以帮助系统识别不同学生的需求，并据此提供定制化的学习建议。KNN算法作为一种机器学习技术，具备将学生分组的能力，但其在个性化学习系统中的应用尚未得到充分开发。通过结合KNN算法与人工智能技术，本研究提出了一种新的方法，以更系统地分类学习者，并为其量身定制学习路径。

在输出方面，大多数现有的学习系统仅提供详细的反馈，而未能进一步发展为强大的推荐系统。这种局限性使得学习者在学习过程中难以获得系统化的学习路径规划与目标设定支持，从而影响其自我调节学习能力的发展。本研究设计的系统不仅提供即时反馈，还通过推荐系统帮助学习者制定个性化学习路径，使他们能够更有效地设定学习目标、监测学习进度并调整学习策略。

为了验证该系统的有效性，研究在“数据库系统导论”课程中进行了实验。实验采用准实验设计，将80名本科生分为实验组和对照组，每组40人。实验组使用的是基于KNN算法的个性化推荐系统，而对照组则使用了仅具备基本AI支持的自我调节学习系统。通过对比两组学生的学习成果、自我调节学习能力、学习行为和认知负荷，研究评估了该系统的实际应用效果。

实验结果显示，使用PAIRS-SRL系统的实验组学生在学习成果、自我调节学习能力和认知负荷方面均表现出显著优势。首先，实验组学生在课程成绩上优于对照组，表明个性化学习路径推荐有助于提高学习效果。其次，实验组学生在自我调节学习技能方面表现更为出色，包括目标设定、学习进度监测和学习策略调整等能力。这些技能的提升不仅有助于学生在学习过程中保持更高的学习动机，还能增强其在面对复杂学习任务时的适应能力。

此外，实验组学生的学习行为也发生了积极变化。他们在学习过程中表现出更高的参与度和主动性，更愿意探索学习资源并进行自我反思。这些行为的变化进一步支持了系统在提升学习者自我调节能力方面的有效性。同时，系统在减轻认知负荷方面也取得了显著成效，学生在学习过程中感到的压力和负担明显减少，这表明个性化学习路径能够帮助学习者更高效地处理信息，从而提升整体学习体验。

研究还指出，虽然PAIRS-SRL系统在实验中取得了良好的效果，但其应用仍面临一些限制。首先，研究样本规模较小，仅限于“数据库系统导论”这一门课程，因此其结论可能无法完全推广到其他学科或更广泛的学习环境中。其次，实验是在真实的课堂环境中进行的，这使得完全随机分组变得困难，可能影响研究结果的客观性。此外，研究主要关注于学习成果和自我调节学习能力的提升，但对学习者长期学习行为的追踪和分析仍需进一步研究。

尽管存在上述局限，本研究仍为在线学习环境中的个性化学习路径推荐提供了有价值的参考。通过结合人工智能技术与KNN算法，系统能够更精准地识别学习者的需求，并为其提供量身定制的学习支持。这种支持不仅有助于提高学习效率，还能增强学习者的自主性与参与度，从而促进其在在线学习环境中的长期发展。

未来的研究可以进一步探索如何将个性化学习路径推荐系统应用于更多学科和更广泛的学习群体。此外，研究还可以关注如何通过技术手段优化学习者的互动体验，使系统不仅能够提供个性化推荐，还能增强学习者之间的协作与交流。同时，系统设计者应考虑如何在不影响学习者自主性的前提下，提供适当的引导与支持，以确保学习者能够在自主学习的过程中保持动力与方向感。

综上所述，本研究提出的PAIRS-SRL系统在提升学生自我调节学习能力方面具有显著优势。通过结合人工智能技术与KNN算法，系统能够为学习者提供个性化的学习路径推荐，从而增强其学习动机、学习成效和认知负荷管理能力。然而，系统的应用仍需进一步扩展与优化，以适应更广泛的学习需求和教育环境。未来的研究可以结合更多元化的数据来源，进一步完善系统的推荐机制，并探索其在不同学习场景中的适用性。通过持续的技术创新与教育理论的结合，个性化学习路径推荐系统有望成为在线学习环境中不可或缺的支持工具，帮助学习者实现更高效、更自主的学习体验。