第３２卷第２期 Ｖ０１．３２ Ｎｏ．２ 长春师范学院学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｃｈａｎｇｃｈｕｎ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒｌａ Ｓｃｉｅｎｃｅ） ２０１３年４月 Ａｐｒ．２０１３ 一种基于个体趋势分析和评价算法的 个性化学习模式 张春飞 ，李万龙 ，魏久鸿 （１．吉林大学计算机科学与技术学院，吉林长春１３００６２； ２．长春工业大学计算机科学与工程学院，吉林长春１ ３００１２） 【摘要】针对传统Ｅ—ｌｅａｒｎｉｎｇ系统的不足，本文提出了一个新的基于推拉模式的交互式个性化学习评 价环境。在拉模式中，通过信息采集和分析算法来发现学习过程中的弱点。在推模式中，选择合适 的算法来建立个性化的学习评价模型。最后通过决策树理论提供给用户合理的建议。实验结果表明 了本文所提出的评价算法的有效性和准确性。 【关键词】个性化学习；评估环境；电子学习；推拉模式；趋势分析 【中图分类号】ＴＰ３０１ ［文献标识码】Ａ 【文章编号】１００８—１７８Ｘ（２０１３）０２—００２６—０６ 当今社会，人们越来越重视教育的投入，据不完全统计，每年世界各类组织用于教育培训的费用高达 ２５０＇［Ｌ美元【１１。传统的学习过程仅仅局限于书本和课堂，显然已不适应今天教育的快速发展。Ｅ—ｌｅａｒｎｉｎｇ环境 允许学习者在模拟实验室中进行实验【２ｊ，观看视频和在线学习其他国家的语言ｆ３１。Ｅ—ｌｅａｒｎｉｎｇ系统可以概括为 一个基一］＝ｗｅｂ的系统，通过用户在线通讯技术来实现学习者与学习系统的交互［４１。目前，它主要是指网上课 程的学习。不同的基于ｗｅｂ的学习管理系统已经发展到在线对学习者的学习过程进行全程实时帮助。传统 的网络教学环境缺乏用户与系统的交互，不能智能地分析和评估教育资源，从而导致不能根据学习者的学 习水平制定个性化的学习指导［５１。根据学习者的学习层次提供合适的交互的学习环境能够追踪学习者的学习 特点，从而提供个性化的学习课程Ｉ６１。当学习者带着相同的学习请求再次登录该系统时，个性化的学习推荐 模型便自动生成了。通过分析学习日志信息，为学习者提供个性化的学习资源。而且这些算法可以识别学 习者的兴趣和偏好，从而在无处不在的网络环境中为学习者创建自适应的学习内容 。 本文给出了一种个性化的学习评价环境，并提出一种新的称为推拉模式的Ｅ—ｌｅａｒｎｉｎｇ模式。在拉模式 中，数据采集和分析技术用于挖掘个人的学习信息。在推模式中，利用决策树理论和个性趋势分析算法来 分现学习过程中薄弱环节，从而给用户提供合理的学习建议。 １ 系统结构和框架 考虑到传统的网络教学环境的不足之处，基于推拉模式的思想提出了一个交互式的个性化Ｅ—ｌｅａｒｎｉｎｇ系 统框架。推和拉模式可以有效地提高用户与系统之间的交互性。 １．１拉模式：信息采集和分析 信息采集和分析模块的主要功能是在ＬＡＮ范围内从所有节点收集和分析个性化的学习信息。这些信息 资源主要包括注册信息、登录状态、学习状态以及网络日志等。系统的数据挖掘模块动态地生成相应的记 录，从而提供一个更好的交互式的学习环境，帮助学生方便地查询他们的学习情况。基于这些个性化的分 ［收稿日期】２０１３－０１—０６ 【基金项目】吉林省教育厅“十二五”科学技术研究项目（２０１１１０１ ｏ 【作者简介】张春飞（１９７９－），男，河北张家口人，吉林大学计算机科学与技术学院讲师，博士，从事人工智能及分布式计算研 究。 ・２６・ 析信息，系统能够提供学习者的智能评估情况，以及用于改善教学环境的合理建议。信息的采集和分析的 过程主要依赖：ｆ：ＬＡＮ￣的不同的ａｇｅｎｔ节点。本文给出了一个面向教育的动态点击流采集算法。Ａｇｅｎｔ结点将 收集所有的数据信息来构建数据库中的表，进而进行个性化的分析和评估。 １．２推模式：评估和建议 推模式的主要任务是选择合适的算法来建立个性化的学习评估模型。信息分析和评估模块如图１所示。 应用决策树理论和个性趋势分析算法来评估学习者的学习现状，并提供给他们合理的建议。评价结果存放 在一个表中，称为ＰＬＡＴ表，即个性学习推荐表。 图１个性化的评价和推荐模块 ２算法与设计 ２．１个性化评估：个性趋势分析算法 为了更好地了解学习者的状态，本文引入个性趋势分析算法，基于对一个人的学习状态评估和考试结 果，能够预测该学习者的学习趋势。学习趋势能够表现出，如果该学生继续当前的学习方法、进度和状态， 那么在下一阶段的学习中，会得到什么样的结果。通过分析趋势预测的结果，系统可以及时调整教学方法 和策略，以保证在其下一个学习阶段能达到更好的学习效果。个性趋势分析算法分为以下几个部分： ２．１．１归一化数据 原始数据如表１所示。对于各种各样的评估数据，该算法只选择与系统相关的几个数据集，并且将其 归一化成０～１０范围内的数据，作为下一次数学分析的基础。假设当前有ｎ个数据集，如果算法选择其中的 ｍ个数据集，算法的预测深度为下，则它应该满足０＜下＜ｍ＜ｎ。 表１原始数据集表 Ｘ１ １ ２ Ｘ２ Ｘ Ｘ Ｎ ・２７・ ２．１．２原始数据处理 ｙｉ【】＝（［ ｉ（ 广ｍｉ＋１）一 （ｍｉｎ）＋１］，Ｉｘｉ ｎｉ—ｍｉ＋２） （ｍｉｎ）＋１］，…，［纸（ ｍ ） （ｍｉｎ）＋１］， …， （ 一ｍ ＋ｍ ） （ｍｉｎ）＋１］）＝（ （１）， （２），…，ｙ￣ｏ（ｋ），…，ｙ￣ｏ（ｍ ））． （ｍｉｎ）＝ｍｉｎ（ｘ （ｎ 一，ｎ ＋１），ｘｉ（ｎ —ｍ ＋２），…，ｘｉ（ｎ —ｍ ＋ｍｉ））． （ｉ）累积转换 盹 ｙ‘ ｙ （１），（ （１） （２））），…，ｙ／ｏ（ｓ），…，∑ （ｓ） ＝（ｙＣｉｏｌ （１），ｙ（ｉｌｏ （２），…，ｙ‘ ’（ ），…， ’（ｍ ）） ｋ ），‘ （ ）：∑ｙｉｏ（ｓ）－ｙ‘ （ 一１）＋ｙ （ ）． ｓ＝ｌ （ｉｉ）平均值转换 （ｚ （２），ｚ￣ｏ（３），…，ｚ （ ），…，ｚ￣（ｍｉ））， （ ）： ，其中Ｊｊ｝：２，３，…，ｍ ２．１．３计算功能 ∑ （ ）ｙｉｏ（ｋ）一ｍ 一１）∑（ｚ （ ） （ ）） ０＝上Ｌ—— 『＿———— Ｌ——一． ｍｉ－１）∑（ｚ （ ））ｚ一（∑Ｚｉｏ（ ）） ｋ＝２ ＝２ ∑ｙｉｏ（ｋ）∑ （ ））２．∑ （ ） （Ｚｉｏ（ｋ）ｙｉｏ（ｋ）） “∞＝土 —— Ｌ —— 一 ———一． （ １）∑（Ｚｉｏ（ｋ））２（∑ （ ）） （ ＋１）：（ （１）一 ） ＋ ，其中ｋ＝ｌ，２，…， ｍｆ＋１），…，ｍ ＋￣－－１）． Ｕ／ｏ （ ）＝弛 （ ）一 （ 一１），其中ｋ＝２，３，…，‰（ｍ ＋１），…，ｍ ＋ ）． （１）＝ （１）＝ｙ／ｏ（１）． 互∞ｎｌ－ｍ 十 ）＝多 ｏ（ ）慨 （ｍｉｎ）一１，其中ｋ＝２，３，…，ｍｉ，（ｍ ＋１），…，（ｍ ＋丁）・ 口 ｌ（ ）＝ （凡 —ｍ 十 ）一互 （ｎｉ－ｍ ＋ ）， 中ｋ＝２，３，…，ｍｉ． ２．１．４评估和预测 ｆｉ）ＭＳＥ（均方误差） ∑施（ ） 上， ｍ ；一ｌ广 ， ｆｉｉ）￣ｇ值 ｃ ． （ｒ （ｉｉｉ）最小误差率 （ ） Ｉ＜０．６４７５０＂ ） ｐ难 ｍ 一１ 通过以上的计算，数据评估和预测值如表２所示。 ・２８・ （７） （８） （１０） 表２评估和预测表 ｐｌｏ Ｃｉｏ ｘ ｎｉ＋１） ｉ ｎ，＋２） ｎ ＋ Ｘ Ｘ Ｘ 在表２中，ｐ砌的值越大越好，Ｃｉｏ的值越小越好，它们是对当前原始数据的评估。从互 ｎｉ＋１）￣ＩＪｘ ｎｉ＋下）是 对该组数据集在下一阶段预测的结果。这表明学习者目前的学习状态，及在未来可能达到的学习效果。 表３预测等级表 Ｐｒｅｄｉｃｔｉｏｎ ｒｍｉｎｇ Ｐｉ０ ＣｉＯ Ｌｅｖｅｌ １ ｐ￣ｅ＞０．９５ Ｃｉｏ＜０．３５ ｅＬｖｅｌ ２ ｐｉｏ＞０．８０ Ｃｉｏ＜０．５０ ｅＬｖｅｌ ３ ｐ￣ｏ＞０．７０ Ｃｌｏ＜０．６５ ｅＬｖｅｌ４ Ｐｍ≤０．７０ ０ｍ≥０．６５ 表３是预测等级表，Ｌｅｖｅｌｌ是最好的预测结果，它表明如果学习者保持目前的学习状态，将能够保持一 个好的学习趋势。相对来说，Ｌｅｖｅｌ４是最坏的情况。学习者必须调整学习方法和策略，以扭转当前的不良 的学习情况。 ２．２学科评估：决策树分析算法 在推模式下，决策树理论用来对－－Ｉ＇－］学科进行分析，并且对学习者的学习信息进行评估。在决策树的 构建过程中，信息增益方法通常用于帮助确定生成决策树的分枝。假设集合Ｅ＝Ｆ ×Ｆ２×…×Ｆ 是一个ｎ维有 限的向量空间，其中Ｆ悬一个有限的离散符号，Ｅ中的元素Ｖｊ∈Ｆｊ，ｊ＝１，２，…，ｎ。设ＰＥ和ＮＥ是Ｅ中的两 个实例的子集，分别称为正样例集和负样例集，其大小分别为Ｐ和Ｎ。决策树算法是基于以下两个假设进 行的。 在向量空间Ｅ中，对于任意集合的一个正确的决策树的分类概率同Ｅ中的正样例集和负样例集的概率是 一致的。构建一个决策树来制定正确的决定所需的信息集合如下： ， ）＝一—ｐ 十ｎ ｌ。ｇｚ—Ｐ ＋ｎ Ｄ＋ 一 ｌｏｇ２一 Ｄ＋ｒｔ． （１２） 如果以属性Ａ作为决策树的根，Ａ具有Ｖ个值（Ｖ ，Ｖ ，…，ｖｖ），它将Ｅ分为ｖ个子集（Ｅ ，Ｅ：，…，Ｅｖ）， 假设Ｅｊ中包含有 个正样例集和 个负样例集，那么Ｅ 子集所需的期望信息就是，（ ），从而使属性Ａ作 为根的信息熵表示为： Ｅ（Ａ）＝∑ ， ）． （１３） 将Ａ作为根节点的信息增益是：Ｇａｉｎ（Ａ）＝Ｉ（ｐ，ｎ）一Ｅ（Ａ）。选择Ｇａｉｎ（Ａ）的最大值，也就是说，选择Ｅ（Ａ）取最 小值的属性Ａ 作为根节点。对Ａ 的不同取值对应的Ｅ的Ｖ个子集Ｅｉ递归调用上述过程生成Ａ 的一组子节点 Ｂ１，Ｂ２，…，Ｂ 。 ３实验和分析 ３．１评价：个性趋势分析算法 在个性趋势分析算法实验中，我们选择了两个学生的相同数据集，每一个都含有１０个原始数据，选择 其中９个进行计算，算法的预测深度为３，原始数据如表４所示。 ・２９・ 表４两名学生相同类别的原始数据表 Ｎ Ｘｌ Ｘ２ １ ６．１５ ７．２ ２ ６．８ ７．５ ３ ７＿３ ８３ ４ ７．８ ８．８５ ５ ８．５ ７．４ ６ ８－２ ６．７５ ７ ８．４ ６．２ ８ ８＿８５ ７．１ ９ ９．１ ６．６ １Ｏ ９－３ ６．１ 计算结果如表５所示。根据表３的预测等级，在这个类别中，学生１有一个非常好的数据样本，他对应的 等级为Ｌｅｖｅｌｌ，个人学习趋势处于上升阶段。学生２的数据不够理想，他对应的等级为Ｌｅｖｅｌ３，他的学习趋 势处于下降阶段，因此，如果他不能改变目前的学习方法策略，那么将来获取知识的情况会更加糟糕。 表５预测结果表 ｐ Ｘ Ｘ２ ｌ ０．７５ ｅｌ０ ０．２８８ ０．５６２ ＾＿（ｎ ＋１） ９．７２８ ５．９７６ ｘ。（ｎｉ＋２） １０．０９７ ５．８３７ 。（ｎ，＋３） １０．４９５ ５．７２１ ３．２推荐：决策树分析 在学科评估实验中，决策树算法用于提供教学推荐。选择五门课程的１６０个考试成绩作为测试集来评估 学生的情况。测试成绩如表６所示。 表６五门课程成绩表 １Ｄ Ｕｓｅｒｌ Ｕｓｅｒ２ Ｃｏｕｒｓｅ１ ８６ ８４ Ｃｏｕｒｓｅ２ ８６ ８８ Ｃｏｕｒｓｅ３ ８７ ８９ Ｃｏｕｒｓｅ４ ６５ ９１ Ｃｏｕｒｓｅ５ ８７ ８８ 将１６０条记录全部作为训练集，并将这些记录分为Ａ、Ｂ两个层次，如表７所示。 表７分数统计表 Ｃｏｕｒｓｅ１ Ａ Ｂ Ｃｏｕｒｓｅ２ ８２ ７８ Ｃｏｕｒｓｅ３ ３８ １２２ Ｃｏｕｒｓｅ４ ５７ １０３ Ｃｏｕｒｓｅ５ ３９ １２１ ３２ １２８ 因此，算法可以得￣１］Ｃｏｕｒｓｅｌ所需的信息： Ｉ（３２，１２８）＝一 ｌ。 ３２ 一 ｌ。 １２ ８＝２５７ １２ ．Ｅ（ＣｏＭｒｓｅ２）＝ ２８ ＋５４，（２８５４）＋ ，，（４，７４）＝６．７６８４ Ｇａｉｎ（Ｃｏｕｒｓｅ２）＝，（３２，１２８）一Ｅ（Ｃｏｕｒｓｅ２）＝２．５７１２—６．７６８４＝一４．１７９２ Ｇａｉｎ（Ｃｏｕｒｓｅ３）＝，（３２，１２８）一Ｅ（Ｃｏｕｒｓｅ３）＝一３．１１３７ Ｇａｉｎ（Ｃｏｕｒｓｅ４）＝，（３２，１２８）一Ｅ（Ｃｏｕｒｓｅ４）＝１．０４９１ Ｇａｉｎ（Ｃｏｕｒｓｅ５）＝，（３２，１２８）一Ｅ（Ｃｏｕｒｓｅ５）＝一６．５３ １４ 基于以上决策树理论分析，算法的计算过程主要遵循以下规则： （１）ＩＦ ｃｏｕｒｓｅｓ ４ ｉｓ Ｂ ＴＨＥＮ ｃｏｕｒｓｅ １ ｉｓ ｕｓｕａｌｌｙ Ｂ． ・３０・ Ａｃｃｕｒａｃｙ＝（１０３—１２）／１２８＝７１．１％Ｃｏｖｅｒａｇｅ＝９１／１６０＝５６．９％ （２）ＩＦ ｃｏｕｒｓｅ４ ｉｓ Ａ ａｎｄ ｃｏｕｒｓｅ ３ ｉｓ Ｂ ＴＨＥＮ ｃｏｕｒｓｅ １ ｉｓ ｕｓｕａｌｌｙ Ｂ． Ａｃｃｕｒａｃｙ＝ｆ１０３－１２）／１２８＝７１．１％Ｃｏｖｅｒａｇｅ＝９１／１６０＝５６．９％ ｆ３）ＩＦ ｃｏｕｒｓｅｓ ４ ｉｓ Ａ ａｎｄ ｃｏｕｒｓｅ ３ ｉｓ Ａ ＴＨＥＮ ｃｏｕｒｓｅ １ ｉｓ ｕｓｕａｌｌｙ Ａ． Ａｃｃｕｒａｃｙ＝ｆ１．３—１２）／１２８＝７１．１％ Ｃｏｖｅｒａｇｅ＝９１／１６０＝５６．９％ 依据以上规则，使用该系统的教师可以适时地调整和改进他们的课程和教学策略，以取得最佳的教学 效果。 ５结语 基于教学过程中的推拉模式，本文提出了一个基于Ａｇｅｎｔ的交互式个性化学习评估模型。引人个性趋势 分析算法，设计了个性分析和评估模块，用于满足不同用户的交互性和个性化需要。实验结果证实该评估 算法的有效性和准确性。然而，信息采集的效率和个性化评估的准确性等问题仍需将来的进一步完善。 【参考文献】 【１】Ｒ．Ｊｏｈｎｓｏｎ，Ｓ．Ｈｏｒｎｉｋ，Ｅ．Ｓａｌａｓ．Ａｎ ｅｍｐｉｉｒｃａｌ ｅｘａｍｉｎａｔｉｏｎ ｏｆ ｆａｃｔｏｒｓ ｃｏｎｔｒｉｂｕｔｉｎｇ ｔｏ ｔｈｅ ｃｒｅａｔｉｏｎ ｏｆ ｓｕｃｃｅｓｓｆｕｌ ｅ－ｌｅａｒｎｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔｓ 『Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎ—Ｃｏｍｐｕｔｅｒ Ｓｔｕｄｉｅｓ，２００８（６６）：３５６—３６９． 【２］Ｈ＿Ｊ．Ｇｉｂｂｏｎｓ，Ｃ．Ｅｖａｎｓ，Ａ．Ｐａｙｎｅ．Ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎｓ ｉｍｐｒｏｖｅ ｕｎｉｖｅｒｓｉｔｙ ｉｎｓｔｒｕｃｔｉｏｎａｌ Ｍ）ｏｒａｔｏｒｉｅｓ［Ｊ］．Ｃｅｌｌ Ｂｉｏｌｏｇｙ Ｅｄｕｃａｔｉｏｎ，２００４（３） ２６３—２６９． 【３】Ｈ．Ｙ．Ｘｕ，Ｙ．Ｆｅｎｇ．Ｄｅｓｉｇｎ ａｎｄ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｎ Ｅ－ｌｅａｒｎｉｎｇ Ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ Ａｇｅｎｔ ａｎｄ ｉｎｔｅｇｒａｔｅｄ ｗｉｔｈ ｓｔｕｄｙ ｃｏｎｔｅｘｔ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ，２００９（３０）：５ １５－５２０． ［４］路鹏，周东岱，解月光．面ＮＥ—ｌｅａｍｉｎｇ４］ｆ￣域的软件体系结构设计ＩＪｌＩ．中国电化教育，２０１１（１９７）：１２５—１３１． ［５】Ｑ．Ｊ．Ｗａｎｇ，Ｒ．Ｍ．Ｓｈｅｎ．Ｓｔｕｄｉｅｓ ｏｎ Ｗｅｂ Ｍｉｎｉｎｇ Ｂａｓｅｄ Ｉｎｔｅｌｌｉｇｅｎｔ ａｎｄ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｄｉｓｔａｎｃｅ ｌｅａｒｎｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０００（２６）：１５７－１５９． 【６】蓝雯飞，郑波尽．基于资源整合的Ｅ—Ｌｅａｒｎｉｎｇ系统研究【Ｊ】＿计算机应用与软件，２０１ １（３）：５３—５７． 【７］李好，杨贯中．基于本体的Ｅ—ｋａｍｉｎｇ课程构建【Ｊ］．计算机工程与设计，２０１０（４）：８８１—８８４． 【８］Ａ．Ｒａｅ，Ｙ．Ｋ．Ｄｗｉｖｅｄｉ．Ｗｅｂ－ｂａｓｅｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｓｙｓｔｅｍ ｏｆ Ｉｎｓｔｒｕｃｔｉｏｎ：Ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ ｔｅａｃｈｉｎｇ ｍａｔｈｅｍａｔｉｃｓ ｉｎ ａｎ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ［Ｃ］．Ｉｎｔ．Ｊ．ｏｆ Ｗｅｂ－ｂａｓｅｄ Ｌｅａｒｎｉｎｇ ａｎｄ Ｔｅａｃｈｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ．２００７（１）：３６—３９． Ａ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｌｅａｒｎｉｎｇ Ｐａｔｔｅｒｎ Ｂａｓｅｄ ｏｎ Ｉｎｄｉｖｉｄｕａｌ Ｔｒｅｎｄ Ａｎａｌｙｓｉｓ ａｎｄ Ｅｖａｌｕａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ＺＨＡＮＧ Ｃｈｕｎ一 ｉ ，ＬＩ Ｗａｎ—ｌｏｎｆ，ＷＥＩ Ｊｉｕ—ｈｏｎｇ （１．Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ Ｊｉｌｉｎ １ ３００６２，Ｃｈｉｎａ； ２．Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈａｎｇｃｈｕｎ Ｊｉｌｉｎ １ ３００ １ ２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｗｅａｋｎｅｓｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ Ｅ—ｌｅａｒｎｉｎｇ ｓｙｓｔｅｍ，ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａ ｎｅｗ ｉｎｔｅｒａｃｔｉｖｅ ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ｅｖａｌｕａｔｉｏｎ ｅｎｖｉｒｏｎｍｅｎｔ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｐｕｓｈ—ｐｕｌｌ ｐａｔｔｅｒｎ．Ｉｎ ｔｈｅ ｐｕｌｌ ｐａｔｔｅｒｎ，ｉｎｆｏｒｍａｔｉｏｎ ｃｏｌｌｅｃｔｉｏｎ ａｎｄ ａｎａｌｙｓｉｓ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｄｉｓｃｏｖｅｒ ｔｈｅ ｗｅａｋｎｅｓｓｅｓ ｉｎ ｌｅａｒｎｉｎｇ ｐｒｏｃｅｓｓ．Ｉｎ ｔｈｅ ｐｕｓｈ ｐａｔｔｅｒｎ，ｔｈｅ ａｐｐｒｏｐｒｉａｔｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｓｅｌｅｃｔｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ ｔｈｅ ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅ１．Ａｔ ｌａｓｔ，ｓｏｍｅ ｒｅａｓｏｎａｂｌｅ ｐｒｏｐｏｓａｌｓ ａｒｅ ｐｒｏｖｉｄｅｄ ｔｏ ｕｓｅｒｓ ｔｈｒｏｕｇｈ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｔｈｅｏｒｙ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ａｎｄ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｅｖａｌｕａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｋｅｙ ｗｏｒｄｓ：ｐｅｒｓｏｎａｌｉｚｅｄ ｌｅａｒｎｉｎｇ；ｅｖａｌｕａｔｉｏｎ ｅｎｖｉｒｏｎｍｅｎｔ；Ｅ－ｌｅａｒｎｉｎｇ；ｐｕｓｈ——ｐｕｌｌ ｐａｔｔｅｒｎ；ｔｒｅｎｄ ａｎａｌｙｓｉｓ ・３１・
