無所不在學習導引問題

由於在無所不在的學習環境中，學習者從原本的虛擬數位學習環境，回歸到實際的 空間中進行學習，若是缺乏適合的導引機制，學習者將不知何去何從，而且也可能因為 沒有規劃適合的學習路徑，造成在有限時間內無法達成學習目標，導致學習成效不彰。

因此本研究期望設計一個有效率的演算法提供學習者適合的學習引導，提升學習者在情 境感知無所不在學習環境中的學習效益。

3.1.1 問題分析

在設計解題方法前，我們必須先將整個學習環境作明確的定義。假設在一個學習環 境中，散佈著許多個學習點，每個學習點同一時間有使用人數的上限，而兩個學習點之 間，有路徑直接相通，學習者在其上移動需要一段的時間。當學習者到達新的一個學習 點時，需要停留一段時間進行學習活動，而學習完畢後，就可以獲得一定的學習效益值。

在此假設每個學習者學習獲得效益為百分之百。

我們以蝴蝶生態園區為例子說明之。假設園區依照不同種類的蝴蝶生態需求劃分為 五個生態區域，分別為「鳳蝶區」、「斑蝶區」、「灰蝶區」、「蛺蝶區」、「蔭蝶區」，其學 習環境示意圖如圖 3.1。

每個學習者身上都配戴了一個可攜式上網設備，且已建構一個學習導引系統，此系 統可以依照學習者目前所在的位置、各學習點即時的學習人數負載情況，透過可攜式上

網設備導引學習者前往下個學習點，讓學習者在限制的總學習時間內，得到最大的學習 效益值。

我們可將每一個學習點視為圖上的一個頂點(Vertex)，而學習點之間的路徑視為圖 上的一個邊(Edge)。且兩兩學習點之間都有路徑(Path)相通，那麼整個環境即可視為一 個無向的連通圖(Complete Connected Graph)。

圖 3.1 蝴蝶生態園區之學習環境示意圖

 G (V,E)為一個連通的無向加權圖。

 Pi  (V,E)為 G 上的學習者 i 的學習路徑(Path)。

 ^ _

  E

e Cost e

ETi ( )為 iP 上所有邊的時間花費之和。

 ^

 

 V

v Cost v

VTi ( )為所有學習點的時間花費之和。

 ^

V

v Gain )(v 為所有學習點的目標權重值之和。

在無所不在學習環境圖中，目標是在條件限制下，找出學習獲益極大化的路徑。即

LTi VTi

ETi   的條件限制下，極大化 (  ( ))

V v

v Gain

Avg _。

3.1.2 參數分析

根據黃國禎[11]的研究發現，在一般的情境感測無所不在的環境中，可歸納出五類 型的參數，「學習者個人情境的感知」、「學習環境參數的感知」、「行動學習載具的感應

器所回傳的信息」、「資料庫取得的個人資料與學習歷程」、「資料庫取得的環境資料」， 而本研究中將最直接影響到學習路徑導引的參數分為三類，「學習環境參數」、「學習 點參數」以及「學習者參數」，詳述如下：

1. 學習環境參數

這類參數是與整個學習環境相關的全域參數，且在學習環境開始啟動後為常數型 態，主要有以下六個參數：

(1) n：學習點總數。在學習環境中學習點的數目，且nN。

(2) Cj：學習點編號。代表在學習環境中編號為 j 的學習點，且 j  N，j ≦ n。

(3) E_i,j：Ci 與 Cj 中間相連的路徑，且i , jN，i, jn，i j。

(4) ti,j：Ci到 Cj 的移動時間。單位為分鐘，且i , jN，i, jn，i  j。

(5) LT：學習時間總限制。學習者在學習環境中停留的時間限制，單位為分鐘，LT N。 (6) S：限制飽和率。由於每個學習點均有學習人數限制，為了容納未經導引而進入學

習點之學習者，需要預留空間，因此我們設定了限制飽和率，以最大容納人數乘以 限制飽和率為人數限制條件，在學習點的人數到達此人數限制條件時，則不再導引 學習者進入此學習點，S[0,1]

2. 學習點參數

這類型的參數是與學習點有相關性的，可分為兩種參數－靜態參數以及動態參數。

學習環境開始啟動後，固定參數數值不再變動，而動態參數在學習者進出任何一個學習 點時，將會有所變動，學習點的6個參數如下：

(1) PLj：學習點之人數限制。代表學習點 Cj 人數限制， j  N，j ≦ n。

(2) Gj：學習點之學習效益。代表學習點 Cj 之學習效益，越重要的學習點之學習效益 數值越大，此參數可由教師依當次教學主題設定之， j  N，j ≦ n。在本研究 中也代表此「可獲得的學習效益」。

(3) Tj：預估學習時間。代表學習點 Cj 的預估學習時間，單位為分鐘， j  N，j ≦ n。

(4) Mj：目前位於學習點上之學習人數。代表學習點 Cj 目前點上人數，此參數為動態 參數，即此參數會因學習環境的即時變化而改變， j  N，j ≦ n，M_j PL_j。 (5) Rj：目前學習點之飽和率。代表學習點 Cj 目前點上飽和百分比，為動態參數，

j j

j PL R n j

j

M





N， ， ，Rj  [0,1]。

(6) Fj：目前學習點之額滿指標。代表學習點 Cj 目前點上人數是否額滿，為動態參數，

j  N，j ≦ n，if Rj< S，Fj= 0 , if Rj= S，Fj= 1。

3. 學習者參數

與學習者相關的基本參數，包括：

(1)CT：已花費時間。代表學習者自開始學習至目前已花費之時間，單位為分鐘，為 動態參數且CT N，CT LT。

(2) TPj：學習點之已學習時間。代表學習者自進入學習點 Cj之已花費時間，基本單位 為分鐘，為動態參數且 j  N，j ≦ n。

以上敘述的 14 個參數，是整個學習導引演算法中主要考量的因素。本研究嘗試以 學習效益值與時間花費為主要考量，設計出學習評估函數。再以學習評估函數與貪婪演 算法結合，提出一套「目標極大化學習導引演算法」(Maximized Objective Learning Guiding Algorithm，簡稱 MOLGA)。另外，我們也以基因演算法為基礎，提出一成適合 無 所 不 在 學 習 環 境 的 「 學 習 導 引 基 因 演 算 法 」 (Genetic Algorithm For Ubiquitous Learning，簡稱 GAFUL)，以下四小節將會對兩個演算法做詳細的介紹。