研究背景與動機

在緒論章節中共分三個部份，第一節描述過去針對推薦系統相關研究之背景 與動機。第二節描述本研究之研究目的，主要是針對學習者新增學習領域時，實 作一套智慧型推薦學習服務學習系統，並於開發完成後進行學習者滿意度分析。

第三節則說明本研究之研究範圍限制。

第一節 研究背景與動機

網際網路資訊技術已蓬勃發展與普及，根據資策會電子商務應用推廣中心 FIND 研究群的調查，台灣地區經常上網人口已突破千萬人(FIND，2008)。隨著 寬頻網路及個人電腦使用率快速增加，而使網路學習(Web-base Learning)逐漸盛 行。伴隨著網路成熟與快速發展，越來越多的資料散佈於網路中，篩選機制便開 始產生，其中又以搜尋引擎為眾所皆知。然而搜尋引擎再仔細的比對，也可能因 為使用者所輸入之關鍵字不夠精確等外在因素而需再由使用者一一目視比對。有 鑑於此，推薦機制便油然而生。若將篩選機制比喻成被動的搜尋，那麼推薦機制 便是自動的搜尋，在使用者不指定關鍵字的情況下，系統仍能給予其可能想看的 資訊，這正是推薦機制的主要目的。在自動給予推薦的背後，必須先取得一些使 用者自身的資訊或是其他使用者的記錄，經過推薦演算方法歸納出一個規則並給 予推薦資訊。

一般來說，目前的推薦系統會先取得使用者的資料，之後才能進而給予適當 的推薦。取得資料的方式常用的有顯性評比(Explicit Rating)與隱性評比(Implicit Rating)兩種(Morita & Shinoda, 1994)。欲取得顯示評比最簡單與直接的方式便是 給予使用者填寫問卷，好處在於資料具有一定的正確性，但相對也是造成使用者 的負荷。例如課程的分類相當廣泛，當類型過於龐大時，使用者可能會忽略或缺 乏耐心以致隨便填寫。而隱性評比的優缺點確也剛好與顯示評比互補。隱性評比 則是以使用者在網站中的瀏覽資訊。例如使用者在網站中閱讀了某課程，此點閱 記錄將在使用者可能不知情的情況下被系統自動記錄下來，系統再以此記錄判斷

使用者是否對於該課程有某種程度的喜好。此評比方式能有效降低使用者的評比 負荷，但卻也使得準確性產生疑慮。當系統取得一定的評比資料量後，便可利用 其資料產生過濾與篩選網路資料的動作。當我們在處理大量資料時，就會利用過 濾系統(Filtering System)來幫助篩選，便可迅速得到只有我們想要看的資料，因 此過濾系統也被稱為推薦系統(Recommender System)。推薦系統基本上分為兩 類，一類為內容導向式推薦系統(Content-based Approach)，另一類為合作式推薦 系統(Collaborative Approach)(Terveen, Hill, Amento, McDonald & Creter, 1997)。

內容導向式推薦是一種比較使用者的興趣和目標物內容之間的相關性來給 予推薦的方法。舉例來說，一個美食網站社群網站，當使用者設定其要求查詢之 條件為「小吃」，不論網站的資料量有數千或數萬筆，所查詢出之結果將會只有 跟「小吃」相關之文件。查詢的條件並不只限於單一字詞，包括一般布林運算式 皆能使用，並可依照使用者的興趣與目標內容之間的相關程度給予不同的權重 比，以更符合使用者的需求(O'Connor & Herlocker, 1999)。過去以內容導向式推 薦機制為基礎來發展的推薦系統有許多，例如 NewsWeeder(Lang, 1995)、

InfoFinder(Krulwich & Burkey, 1997)等。NewsWeeder 為一文章評比推薦系統，

它透過網頁瀏覽器將過去使用者的評比資料彙整分析後，再推薦給其他尚未看過 這些文章的使用者。而 InfoFinder 不同的是它是使用經驗式(heuristic)搜尋來取 得有意義的片語，同時再透過訊息資料集或其他線上資料，使得它不需要太多相 關文件樣本，便可快速找到使用者的本身興趣資訊來比對。而合作式推薦是先找 尋與使用者有相同興趣的其他鄰近夥伴(Nearest Neighbors)，每一位被找到的鄰 近夥伴與使用者之間皆存在著一個權重值，而每一位鄰近夥伴與資料庫中的每個 項目亦存在著對此項目之喜好權重值。經由這兩項關係，進而求得使用者較有興 趣的項目(Terveen, 1997)。合作式推薦系統主要是找到與使用者喜好度相似的其 他使用者資訊進行推薦，採用此方法的有 GroupLens 與 Siteseer。GroupLens 是 將 Netnews 新聞網站中的文章讓使用者做評比，並蒐集所有的評比加以分析，再 以分析結果為依據將所有使用分群，之後去參考同一群所提出之建議來給予推

薦。Siteseer 也可以被稱為個人化網站瀏覽工具。它是一個利用書籤(bookmark) 進行推薦的網站推薦系統，主要是透過使用者的網路書籤來計算出使用者與使用 者之間的同好度，他們認為使用者將一網站加入書籤代表其使用對此一網站具有 一定程度的肯定，便可視為一個可信賴的隱性評比(Rucker & Polanco, 1997)。

目前推薦系統大致上可分為上述的兩類，而有許多推薦方法是依照這兩類再 做 延 伸 或 混 合 使 用 。 經 常 見 的 推 薦 方 法 有 非 個 人 化 推 薦 (Non-Personalized Recommendation)、屬性式推薦(Attribute-based Recommendation)、物品關聯式推 薦 (Item-to-Item Correlation) 及 人 物 關 聯 式 推 薦 (People-to-People Correlation)(Schafer, Konstan & Riedl, 1999)。非個人化推薦是採用最熱門的推 薦，又稱為 TOP-N 法則，此法較普遍使用於廣告或入口網站，所有使用者皆被 推薦相同的結果。屬性式推薦亦可稱為內容導向式推薦，使用者需給予條件方能 得到推薦。物品關聯式推薦主要是將物品與物品之間建立其關連，當使用者對其 中一項物品產生興趣時，與之關連性高的其他物品也隨之被推薦。而人物關聯式 推薦亦可稱為合作式推薦，與前者不同的是此法將人與人建立其關聯性，用人的 關聯性找出推薦者，這樣的方法能有較多樣的推薦。

近年來數位學習也成為許多國家政府發展重點之一，如台灣推動「二兆雙星」

計劃，使數位學習等相關議題逐漸受到重視，再加上網路逐漸成熟及教學數位化 後，推薦系統開始轉向教學用途。推薦系統早期用於商業較多，好比購物網站中 商品相關推薦或是廣告，例如亞馬遜書店的推薦系統，當您購買某本書後，系統 會主動將此書籍的資訊告知另一位與您相近的使用者。而網路學習同樣也可以運 用類似此推薦機制以提升學習效益(管怡婷，2004)。目前已有的相關研究如在線 上學習系統透過資料探勘技術建構推薦學習(莊俊賢，2006)，概念是以利用商用 推薦方法運用於線上學習平台，以資料探勘方法找出課程與課程之間的學習關聯 法則提供給使用者。另外還有運用類神經網路與資料探勘技術於網路教學課程推 薦機制之研究(邱永祥，2003)，此研究是結合類神經網路與資料探勘技術，並針 對網路教學提出一個以使用者為導向之推薦學習機制，並達成具社群特質、關係

特質及使用者分群效率高等成果。以教材內容導向為主的推薦機制之研究(簡士 堯，2004 )，其所建立網路教材推薦系統亦可協助學習者迅速掌握學習需求。而 以學習風格為考量的推薦學習(管怡婷，2004)，也利用推薦學習技術提高推薦的 準確性。在行動學習整合進推薦系統中之研究中，利用行動裝置發展行動學習系 統，並與推薦系統整合，創造更好的線上學習學習環境(Andronico, Carbonaro, Casadei, Colazzo, Molinari & Ronchetti, 2003)。利用推薦機制影響線上學習系統之 研究，其發展具有找到相關網站內容能力的系統，採用觀察學習者的學習及蒐集 評級來產生適性化的教材予以推薦(Tang & McCalla, 2003)。

當推薦系統不斷的在發展之中，同時對於資料本身的規格也是被受重視的。

在網路學習平台的不斷增加，而數位教材尚未統一之規範下，使得教材無法流通 於網路中的每個平台。目前數位教材的製作上仍需耗費非常高的人力與時間，若 教材無統一格式，將無法重覆使用，便難以有效降低製作成本。因應此問題，

SCORM(Sharable Content Object Reference Model)的課程標準便產生。SCORM 是 由美國國防部與白宮科技會於 1997 年所聯合推動的 ADL 計畫中提出的，其主要 目標為建立共通性的架構，以達成學習工具與內容之共通性目標(鍾依萍，

2004)。因此，本研究也將會依據教材標準統一以及可跨平台之理念，採用 SCORM 標準去製訂相關推薦教材內容。

我們從過去推薦學習系統相關研究中發現(邱永祥，2003；莊俊賢，2006；

簡士堯，2004；管怡婷，2003；Andronico, Carbonaro, Casadei, Colazzo, Molinari &

Ronchetti, 2003；Tang & McCalla, 2003)，推薦學習通常以分析過去學生修課記錄 或分析使用者於網站中點閱記錄，或是如何取得更多資料探勘之前置資料為主，

但從未有研究對當學習者增加學習領域或增加學習興趣時之推薦的議題探討。例 如當一位學習者於教學網站中學習資訊課程，目前的學者研究方向是在資訊課程 中該如何使學習者得到更精確的資訊相關教材之推薦，而推薦演算法的計算下，

學習者還是無法得到新增領域或興趣高度的相關學習教材之推薦。

在文檔中 智慧型推薦學習服務系統之研究 (頁 9-13)