1、面向价值发现的学习资源描述方案:以LRMI 元数据为例 许哲 祝智庭 华东师范大学教育信息技术学系 华东师范大学开放教育学院暨上海数字化教育装备工程技术研究中心 摘 要： 随着信息技术和开放理念在资源领域的发展, 如何构建良好资源生态, 挖掘潜在价值成为资源建设与应用中一个研究热点。从强调“内容为王”到关注“情境为上帝”业已成为数字化资源的价值取向。在教育资源领域, 应用元数据标记以实现资源在网络中的可发现性, 追求“价值发现”已经成为教育资源库建设的新目标, 期望从“人找资源”变为“资源随人”。LRMI 元数据是面向价值发现的学习资源描述方案的典范, 它对三大搜索引擎巨头Google、Yah
2、oo、Bing 发起的 Schema.org 元数据词汇框架进行拓展, 以提供符合教育特定需求的术语, 同时增加资源在网络中的可发现性, 优化资源的搜索结果。该文论述了当前学习资源价值的新诉求, 以 LRMI 案例作为代表, 总结了当前资源搜索的现实需求, 分析了 LRMI 元数据的工作机制和当前学习资源库建设中的元数据描述方案。在 LRMI 中, 元数据实现了对资源的基本描述, 而伴生数据则通过提供额外的情境信息, 与元数据相互补充共同完成了对资源的完整表示。同时, 连通利益相关者、学习资源、学习注册中心、情境信息构成一个良好生态系统, 也为未来学习分析和开放教育资源发展提供了潜在的解决方案
3、。关键词： LRMI; 学习资源; 价值发现; 学习注册中心; 元数据; 作者简介：许哲:在读博士, 研究方向为数字化教育资源应用、电子课本技术标准、网络教育 (xuzhe_) 。作者简介：祝智庭:教授, 博士, 博士生导师, 华东师范大学开放教育学院院长, 研究方向为教育信息化理论与系统规划、数字化教育系统架构与技术标准、信息化教育创新、面向信息化的教师专业发展、网络远程教育、技术哲学与信息文化等 () 。收稿日期：2014 年 8 月 31 日基金：教育部英特尔信息技术专项科研基金“云服务模式下的教室与智能终端技术” (项目编号:MOE-INTEL-2012-05) A Value-fin
4、ding Oriented Scheme for Specifying Learning Resources: Taking LRMI As an ExampleXu Zhe Zhu Zhiting Department of Education Information Technology, East China Normal University; School of Open Learning and Education, and Shanghai Engineering Research Center of Digital Education Equipment, East China
5、 Normal University; Abstract： In recent years, the value of educational resource has been shifting from “content is King” to “context is the God”. Using metadata to facilitate the discovery of online resources and construct value-finding paradigm has aroused continued attention in educational resour
6、ce development for the purpose of leading traditional “people finding resources” mode to “resources following people” way. LRMI metadata is the representative in value-finding oriented scheme for specifying learning resources, which extends the Schema.org metadata vocabulary initiated by the search
7、engines Google, Yahoo and Bing in order to meet educational specific needs, enhancing discoverability and optimizing search. This article starts with introducing new value proposition, then analyzes requirements, mechanism and schema in LRMI metadata. Furthermore, bridging stakeholders, learning res
8、ources, learning registry and learning context would help to build a good ecosystem which also provides a potential support for learning analysis and open educational resource research.Keyword： LRMI; Learning Resources; Value-Finding; Learning Registry; Metadata; Received： 2014 年 8 月 31 日一、背景高质量的教学资
9、源是有效学习的一个重要部分。伴随着信息技术在教育领域的深入应用, 教师和学生在教与学中被赋予了更多的自由度和选择性来确认其个体所需的资源、策略或服务等。众多教育工作者积极地投入到分享信息和思想的行动中, 无论是以传统课堂的形式, 还是以虚拟学习社区的形式。同时, 越来越多的个体或团体参与到资源建设中, 无论是以商业形式还是非盈利模式。一方面, 教师与资源可得的鸿沟越来越小, 而另一方面, 与有效资源的鸿沟却为人所诟病。对资源有效性的认定不再仅仅在于资源本身所能解决的学习问题, 也在于在教学中资源的情境性和适应性使用。在网络使得搜索教育资源越来越简单容易的同时, 在浩淼的网络世界中寻找出符合特定
10、需求的资源却是一个极大的挑战1。因此, Internet 应用界曾经流行的成语“内容为王” (Content is the king) 已经转化为“情境为上帝” (Context is the god) 。在教育资源领域, 应用元数据标记以实现资源在网络中的可发现性, 追求“价值发现”已经成为教育资源库建设的新目标, 期望从“人找资源”变为“资源随人”。随着信息技术和开放理念在资源领域的发展, 如何构建良好资源生态, 发掘潜在价值成为资源建设与应用中一个获得广泛共鸣的话题。尤其是近年来, 开放教育资源获得迅速的发展, 使得这一问题变得愈发迫切。开放教育资源的巨大前景在于实现高质量学习资源的访问
11、, 但是两个尚待解决的问题成为发挥该优势的阻碍, 即资源的可发现性和为特定学习者定位合适的资源2-4。在开放教育资源发展之初, 非营利组织知识共享 (Creative Commons, 简称 CC) 期望在未来几年通过推动通用学习词汇的开发和应用来平衡来利用这一机会。与此同时, 随着数字化学习资源的发展, 对通用元数据词汇的需求也越来越迫切, 对其投资也越来越大, 比如美国劳工部在 TAACCCT 项目上投入了 20 亿, 创建一个通用的元数据架构以促进学习资源向提供个性化学习服务发展, 以最大化释放开放教育资源的潜力, 发挥在线学习的优势, 成为领域内获得共识的一个解决方案。学习资源元数据计
12、划 (Learning ResourceMetadata Initiative, 以下简称LRMI) 便是基于这一发展需求而启动的, 以满足在网络资源日益丰富的现状下, 促进教育资源搜索和发现, 实现网络上学习资源的标记和组织。它使得教育者不仅仅可以通过物理属性来寻找资源, 还可以通过教学特定的属性和教学策略来发现资源。通过为教育者提供此种方式来提升发现资源的能力, 在支持差异化教学、个性化教学, 甚至为学生提供关于匹配其需求的资源和服务。一方面, 学习者享有更高的学习自主权, 另一方面, 师生在不同程度上享有对学习数据的自治权。而且, 通过行业标准化降低资源成本, 通过提升资源可见性为拓展教
13、育内容市场, 解决各利益团体对资源标准化描述的需求。二、学习资源价值新诉求:从“内容为王”到“情境至上”(一) 新技术环境下的学习转变近 20 年来, 互联网上的学习资源呈几何级数增长, 在网络接入的前提下, 任何人都可以发现资源和使用资源。它使得学习者享有了相对公平的信息获取渠道, 同时掌握了更多潜在的学习机会。Alvin Toffler 指出, 21 世纪的文盲不再是那些不能读写的人, 而是那些不能学习 (Learn) , 不能遗忘 (Unlearn) , 不能再学习 (Relearn) 的人5。新技术时代促进了数字化学习范式的变化, Tom Vander Ark 在其发布的白皮书中提出“
14、未来的学习是个性化的、适应性的和能力本位的”6。在这种新学习环境下, 几大显著的转变包括:学习体验从间断性转换为持续性, 学习内容从指派接受到主动获取, 开发者角色从内容传递转换为内容监管, 学习规模从单一形式到规模灵活, 绩效考量从学位指标到整体信用, 学习反馈从分数等级到持续反馈, 学习空间从报告大厅到协作空间, 等等诸如之类的变化。与此同时, 学习正在从学习机构组织的形式转变为“学习流”7。在过去, 学习主要由学校这种稳定的机构来进行组织, 并且作为一种接受教育和促进社会发展的主要渠道。目前, 这种形式发生了巨大的变化, 学习可以被理解为一种“流” (Flow) , 也就是说学习资源不再
15、是匮乏的而是能够广泛获取的, 学习机会是丰富的, 而且学习者逐步掌握了在这种学习流之中进退自如。而保障学习顺畅地“流”动, 则离不开过程性信息在其中的贯通, 过程性信息是学生在特定情境下学习状态的特征性描述。同时, 学习不再作为一种简单的人与内容间的交互, 而是放在一个复杂的学习生态系统中, 在特定情境中实现从数据、信息、知识到智慧的跃迁。作为学习过程中所强调的知识, 它不是一个客体, 认识、学习和认知是社会建构, 并表现在人们的行动中和共同体的互动中。通过这些行动, 认知得以进行, 或得以展开, 或得以建构8。从传统课堂中的情境化学习到数字化环境中的情境自适应学习, 情境已经成为促进深度学习
16、、个性化学习、差异化学习不可或缺的要素。此外, 作为一种社会活动的意义建构, 学习者在特定情境下的对话, 如动作、评价、互动等尽管无法物理地呈现, 但其对意义建构也具有极其重要的作用9。但是, 整合新技术的学习环境则使得过去那些呈现对话信息, 可以作为特定情境下的生成性信息被记录甚至分析。(二) 学习资源发展的价值走向与此相应, 人们对数字化学习内容的诉求也发生了新的变化, 学习资源不再是仅仅局限于在“内容为王”层面, 而是通过“情境为大”以实现价值最大化。当前, 数字化学习资源往往是价值显性确定的, 学习内容往往被封闭在一个线性的、固定的传输包里, 以单一的教学策略应用于单一的学习情境中。其
17、价值在于满足了基本的课程学习需求以及与特定系统之间的兼容性, 学习内容的内在价值由开发者来控制, 在使用中难以增值。相比之, 新一代的学习内容则是由粒度化的学习对象组成, 它将内容和表现进行了清晰的分离, 并且能够被重组和重构以满足不同情景的需求和组成不同学习形式。其价值在于资源的可发现性、可重用性、可修改性, 以及对象本质上所能解决的技能或知识。这种学习对象作为一种社会资产, 可以进行定制以符合特定学习者的需求, 而不是仅仅面向特定系统。与第一代的内容相比, 第二代的内容主要表现在:从铁板一块的、线性的学习资源, 转变为粒度化的和适应性的学习对象;从 Web 1.0 时代静态内容转变为 We
18、b X.0 时代动态化和可重用的内容;由技术人员开发的内容转变为由团体开发且可进化的资源;由没有标签信息且在服务器上很难找到的信息转变为到在整个资源组织体系中标签化的和可搜索的资源;由满足单一的目标和情境到适用于多个情境的应用;由集成组件的包装到分层结构组织;由专有交付平台到开放标准和互操作平台10。从数字化学习资源技术的角度来看, 学习对象情境化描述日益得以重视也反映了这一趋势, 从 DC 元数据到 LOM 元数据的发展即是资源发展中教育情境丰富的一个例证, 而随着数字化学习技术的日益成熟和学习环境的日益发展, 情境信息也日益丰富和复杂, 比如有研究者提出了数字化学习环境下的情境化学习对象,
19、 将情境界定为:主题情境、教法情境、学习者情境、组织情境、历史性/统计性情境, 试图以此对资源情境信息进行拓展和描述11。学习对象的这种转变, 赋予了学习内容在满足简单知识传递之外的更多潜在价值, 内容的可发现性为用户提供了能够找到解决特定问题的内容的渠道;情境性使得用户可以通过寻找和修改资源满足不同的学习需求;内容的重用性, 使得情境变化时可以以灵活的方式部署内容, 同时使用丰富的教学设计模型;学习内容的价值与人的体验相关联, 从不同层面上吸引用户在认知、情感、社交等方面的投入。(三) 利益相关者的价值诉求如之前所言, 下一代学习资源的建设是在一个良性的生态系统下, 各个利益相关者积极参与贡
20、献, 既成为发现价值的主体, 同时又是资源发展中的获益者, 而不同利益团体具有着不同的价值诉求。服务体现着价值, 从学习者和家长的角度而言, 这些价值是:所提供的服务如何能够帮助学习者做得更好, 学习者如何使自己异于他人;基于个体特征的学习者如何获得所需资源, 在资格考试中如何达优。从教育者和教育机构的角度而言, 这些价值是:所提供的服务如何满足学习者日益多样化的需求;如何让学习者获得丰富的资源和工具。从内容提供商和出版商的视角看, 价值表现为:如何提供相一致的产品来解决学生日益多样化的需求;如何充分利用所拥有的教育资产;在一个学习对象日益盛行的教育环境中, 如何使其产品价值更加明显;在不损失
21、独特之处的前提下, 如何利用新的商业模式来转变组织12。尤其是在三类主导群体:内容消费者、内容监管者、内容提供者之间贯通, 使得显性价值直接传递, 隐形价值易于发现, 实现各自的现实需求。(四) 当前资源描述中的问题在当前资源共建共享的现状下, 个体或团体积极主动地分享对促进教育资源发展有积极推动作用。但是在面临分享的时候, 用户涉及到对资源进行描述, 以便其他人能够找到资源并且确定该资源是否是他们所需要的。这意味着, 用户需要元数据对资源的教育特性进行标记。由于学习资源往往是形式、规格不一的, 不同的用户需要不同的资源来满足特定情境的需求, 所以, 对教育资源进行统一描述比较困难。在此情况下
22、, 利用元数据进行资源描述成为一种有效的解决方案, 但是当前元数据方案繁多。在使用不同元数据模式和词汇库的系统中很难进行数据交换, 这也导致了教育资源孤岛现象严重。信息孤岛的问题当前已达成共识, 但在面向价值发现的资源建设趋势中, 更值得关注的是:现有的社会媒体发展和在线学习技术赋予用户更多的自由权对资源进行分享和评价, 而当前的元数据模式并不善于获取用户交互信息。在此种情况下, 很多可用的数据和情景信息丢失了, 而这些恰恰是学习资源潜在价值的体现。UNESCO 高等教育中开放教育资源指南中提出13:开放教育资源所具备的具有变革能力的潜能在于, 通过同伴评价过程来提升学习资源的质量, 以实现学
23、习资源的情境化、个性化和本地化应用。数字化资源的不断丰富使得资源发展甚至比传统性资源更具有挑战性。未来学习资源的发展框架越来越趋向于从数字化教育生态环境构建的维度来思考, 以标准来规范资源建设, 是多年来数字化学习领域致力推动的一项工作。伴随着不同的资源形态的发展, 与其对应的标准建设也在同步进行, 从学习对象元数据标准、开放教育资源标准、电子课本资源标准, 等等, 无一不顺应着这一趋势。构建形式丰富、支持个性化学习探索的资源已然达成共识, 但是在这种人人可共享资源、人人愿共享资源、人人可寻找资源的形势下, 以面向价值发现为宗旨, 解决高质资源的可发现性和情境化问题, 是未来资源建设的一种必然
24、方向。三、面向价值发现的资源描述方案:以 LRMI 项目为例在数字化学习内容发展趋势从关注资源建设到关注知识习得, 从教育机构导向转变为以学习者为中心, 从关注媒体开发到关注学习内容的浸润性, 从被动接受资源到强调主动发现知识这一趋势下14, 2011 年 Creative Commons 和 AEP宣布启动 LRMI 项目, 并提出了“为下一代学习内容而准备”这一口号, 旨在使得获取资源变得更加简单和便利, 以符合不同用户不同情境下的特定学习要求。在三股力 量的共同 推动下该 项目得以 发展: (1) 从课程标准而言, 目前Common Core StateStandard (美国共同核心州
25、立标准http:/corestandards.org) 在美国 45 个州, DC 和 3 个地区广泛采用; (2) Schema.org (Google, Bing, Yahoo 启动的一项网络元数据框架项目) 启动提供了直接刺激, 三大搜索引擎巨头对未来资源发展的技术支持为 LRMI 未来的应用提供了应用前提; (3) 学习注册中心成为构建资源生态的趋势, 教育领域对Learning Registry 的重视为 LMRI 提供了必要的技术环境; (4) 已有数字化教育资源在元数据方面的研究为当前 LMRI 项目提供了基础, 如 IEEE LOM, Dublin Core, SCORM 等。
26、(一) LRMI 项目需求调研分析为了进一步确认利益相关者的需求和资源发现中出现的问题, LRMI 从 2012 年到 2014 年连续三年开展年度调研报告。2012 和 2013 年面向教师的调研中1516, 46.8%和 43.7%的用户分别每周至少数次在网上搜索教学资源, 25.8%和30.5%的用户每天都搜索教学资源。在对搜索结果的满意度中, 2013 年调研表明用户整体满意程度上升到 87.6%, 对搜索结果“总是满意”从 2012 年 24.6%上升到 2013 年 35.5%。在线搜索中面临的主要问题, 2012 (64.8%) 和 2013 (66%) 年的调研均表明搜索结果中
27、有太多的无关内容。87.6% (2012) 和 86.6% (2013) 的用户表示如果搜索引擎能够根据标准化的指标, 比如年级、学科、以及媒体类型等对结果过滤, 对搜索结果的满意度将会提高。在 2012、2013 年面向出版商的调研中1718, 86.8%和 89.7%认为在线资源的能见度对其市场非常关键。对其产品在线能见度的整体满意从 53.5%上升到62.1% 。但是, 表达“很满意”的群体从 8.9%下降到 6.9%。认为用户“很难”或“有些难”搜索到其产品的指标从 57.1%上升到 73.6%。两次调研中 65%和64.8%的用户相续认为为了改进可见性, 将来肯定或“很可能”推行新的
28、元数据标准。85%和 88.7%的用户认为如果主流搜索引擎使用 LMRI 框架, 那么他们也更倾向于使用。教师和出版商一致认为, 教育资源的搜索条件, 最重要的是内容/学科、年级、符合标准的程度。2014 年的报告再一次对先前调研结果进行了支持19, 即教师需要更快地找到所需的学习资源, 而学习资源提供商需要在互联网上提高自己的可见性。65.7%的教育者认为出版商应该使用元数据对资源进行描述以实现精确的在线搜索。77.9%的人认为出版商应该告知所提供的资源已经被标记。在线教育社区越来越意识到元数据在应用中的潜能。(二) LRMI 元数据的工作机制1.核心术语(1) 元数据词汇元数据为资源发布提
29、供了形式化描述的可能性, 有利于控制资源的完整生命周期。同时它提供了一种可靠的模式, 使得不同的利益相关者形成一致理解。一个元数据词汇或架构申明了一个概念或术语集和与其相关的定义和关系。它是表达对象属性的元素及其语义信息的集合, 术语通常包括了元素、属性和限定符, 它以语法为基础, 以编目规则为条件, 基于一致的语义和语法20。通过对词汇和语义进行规范, 可以保证描述标记中信息检索的一致性和唯一性, 从而提升检索效率。更富有意义的是, 在开放关联的结构化语义网络中, 词汇表不再是以往孤立地存在于特定系统内部, 而是作为一种关联数据类型融入资源环境当中, 发挥规范控制作用, 实现各种服务用途的工
30、具价值21。创建元数据即“元标记” (Metatagging) , 每一标记均是一个与学习资源相关的属性。教育资源的开发者以元标记来促进资源在系统中的可发现性, 但目前不同的教育内容开发者所使用的内容标记方式不尽相同, 并没有一个一致的方式从不同的出版商处获搜索资源。元标记在教育中的另一用途是学习资源和课程标准间的关联。一些具有前瞻性的出版商以标准为依据来指导其内容开发过程。(2) 伴生数据伴生数据 (Paradata) 是一种特殊的元数据信息, 它被称为提升资源价值的数据, 可以对资源在何种情境下、如何被使用的数据进行记录和交换。传统的元数据是以分类信息来描述限定的, 而伴生数据强调的则是交
31、互式信息, 强调的是动作, 它是用户在与学习对象的互动中产生的信息, 此类信息不是预先设置的, 而是在过程中产生的22。伴生数据可分为三类, 包括:标记型伴生数据, 如加入标记、推荐、讨论、评论、评分等;动作型伴生数据, 如点击、浏览、下载、分享等;教学型伴生数据, 如修改、发表、应用等。同时, 在资源使用过程中, 用户数据也可以被记录, 例如用户的年龄、教育层次、地理信息等23。识别教育资源的情境是资源搜索中的一个难题, 对用户而言, 在发现和使用教育资源时, 情境是有效利用资源的一个关键。用户通过搜索引擎可以方便地找到教育资源, 但是却对“谁使用了这些资源”“这些资源以何种方式在使用”“这
32、些资源在何种情境下使用”“这些资源的使用结果如何”等等的情境信息知之甚少24。在现有的元数据标准体系内, 对资源的教育特性和情境进行描述很难实施。在这种情况下, 通过伴生数据的形式来描述特定信息成为一种可行的解决方案。有些伴生数据直接由用户的有意行为而产生, 如收藏资源、给资源投票等, 有些是资源使用过程中无意产生的, 如热点资源、下载统计、资源链接等等。(3) Schema.org 词汇集Schema.org 是由 Bing, Google, Yahoo!和 Yandex (俄罗斯的搜索引擎http:/ 几大搜索引擎 2011 年 6 月联合发起的一项技术行动, 旨在使网页索引方式变得更加容
33、易, 从而提供复杂精准的搜索服务。Schema.org 为网页上的结构化数据标记提供了一套通用模式, 站点管理员应用这些模式来标记页面, 以多数搜索服务可识别的方式来公开机器可读的结构化数据25。同理, 教育资源出版商可以在网页中插入机器可读的信息, 来帮助搜索引擎理解页面中文本的含义。当网页标记包括了嵌入的能被搜索引擎理解的 LRMI/Schema.org 元数据, 搜索结果将会更加丰富, 使用户更容易在网络上搜索到相关信息。Schema.org 定义了一个常用概念的词汇库, 它包括两个部分: (1) 本体库, 例如资源类型和特征、资源关系以及约束信息的词汇库; (2) 以机器可读形式的信息
34、表达, 包括微数据、JSON-LD 等。利用 Schema.org 词汇可以优化搜索结果, 比如, 可以对同名事物进行区分, 在结果页面优先显示最为相关的信息, 搜索结果可以通过属性过滤等26。此外, Schema.org 也考虑到了现有标准中所支持的微格式或词汇, 而且为其提供了必要的支持。HTML 5 为网络开发者提供了更丰富的情境支持, 使其内容为搜索引擎所用, 为网络上的内容提供了一个更加丰富的、机器可读的表征。Schema.org 借助 HTML 5 日益普及这一有利条件, 以更大的灵活性来对网页内容进行组织, 如文章、菜单导航、页脚、视频等等。譬如说, 在某学习资源平台上有关于某公
35、开课的详细信息, 平台管理者可以使用 Schema.org 的词汇库对该资源进行描述, 包括:开课时间、开课教师、开课学校、选课要求、考核形式, 等等。平台的用户可以清楚地了解与该课程相关的细节信息, 同时也能更好地利用搜索引擎找到这些信息。(4) 学习注册中心学习注册中心 (Learning Registry) 是美国教育部与国防部共同建立的一项专案, 旨在建立资源开放共享架构, 它是实现 LMRI 项目的技术支撑环境。它是一个点对点的、开源的、分布式内容发布网络, 可以存储和转发学习资源信息。它与一般的资源库不同, 本身并不存放任何信息或连接, 而是存放元数据和伴生数据, 并邀请出版商、内
36、容提供者、教育工作者等群体实现跨系统跨平台的教育资源共享27。学习注册中心具备四方面的功能28:a.发现资源:使用一个特定的知识体系, 发现合适有效的资源以满足特定情境的需求;b.分享资源:任何人可以分享任何他们认为有价值的学习资源, 且没有复杂的技术限制, 任何人都可以使用这些资源;c.使用资源:在收集所有关于一个资源“如何、是何、何时、在哪、被谁、为何使用”的数据, 可以简单地使用资源;d.增强资源:支持反馈回路, 数据挖掘和数据挖掘, 从而增强知识集为所有用户提供一个丰富、健壮、全面的数据集。学习注册中心是一个技术基础设施, 允许数据进行流动。它存储了上述两类元数据:数字资源的元数据层和
37、资源如何使用的伴生数据层。这些元数据存储在一个模式自由的数据库中。学习注册中心需要开发者在节点网络中开发有用的服务和应用29。LR 技术架构是真正的以一种创新方式来解决棘手的问题, 用于管理和分享学习资源描述及情境性数据。目前, 美国很多主要的公私立资源入口网站都已经参与到学习注册中心中, 以此种方式提高其资源的可发现性。学习注册中心的主要使用者是程序开发者, 他们利用 API 可以开发各种不同的应用和搜索工具;同时教育工作者和学生也可以轻松搜索到跨资源库的内容, 通过一站访问从而定位导航到关联的资源平台中。而且, 学习注册中心提供了有用的资源工具来帮助教师实现对资源的标记和标记, 教师可以像
38、收藏网页一样将其推荐到学习注册中心信息库中。2.LRMI 工作机制LRMI 中元数据的主要工作流程分为: (1) 标记:用户使用开放资源标记工具为教育资源创建 LRMI 元数据信息; (2) 发布:学习资源的标记信息发布到学习资源注册系统, 同时也嵌入在相应的页面中, 使得资源更加易于被发现; (3) 搜索:通过信息检索, 用户可以更快速搜索和访问 LRMI 元数据标记的学习内容。(1) LRMI 工作流程一个完整的工作流程如下页图 1 所示。资源的出版商开发教育资源, 利用元数据标注工具对学习资源元数据进行标记, 并发布存储到学习注册中心节点上, 平台中的专家将资源与相应的课程标准相比对,
39、以保证资源的质量。与此同时, 与该资源相关的伴生数据具有机器可读的标识符, 其信息也进入学习注册中心中。通过使用应用程序, 如学习管理平台等, 可以获取使用这些伴生数据。教师在搜索符合课程标准的学习资源时, 学习注册中心基于其所使用的标准, 为教师提供建议, 同时以情境适当的方式呈现给用户。当教师将所查找的资源整合入课程中为其所用时, 这一行为作为伴生信息被获取, 并且将该伴生数据提供给学习注册中心。这些伴生信息作为学习资源的过程性信息, 在实时的分享、聚合、分析中, 能够提供更好的搜索和资源推荐服务。尽管学习注册中心存储了资源的各种该信息, 但是在进行资源信息登记时学习注册中心并不提供审核过
40、滤的服务, 人们可以任意分享学习资源, 并对资源进行标记。图 1 LRMI 工作流程 下载原图学习注册中心索引 (Learning Registry Index) 提供了应用程序的搜索接口, 可以用于查找元数据和伴生数据。它配合学习注册中心而建, 用于解决数字化工具的可搜索性问题, 同时提供了学习工具的对接 API, 作为一项开源服务发布。其典型的应用包括学习地图编辑工具, 用于帮助课程专家来生成学习路径。长期以来, 在受限的时间段内, 教师所面临的挑战之一是确定学生的需求。当寻求符合学习者学习风格和学习需求的资源的同时, 教师面临的另一任务是寻找与课程标准相一致的学习资料。在这一过程中, 学
41、习注册中心中的信息遵循同伴分享协议 (Peer-sharing Protocol) , 学习注册中心作为 LRMI 计划运作的技术支撑环境, 提供了活动通知和第三方声明等信息。当新的元数据到达时, 会发送通知给应用程序, 这些信息除了由内容出版商提供外, 主要由使用者实体贡献。例如, 教师能够评论学习内容, 并且评论如何在教师情境下使用它们, 并且注册中心旨在获取信息, 例如学习资源多久与学习课程标准来核准一次。(2) 以微数据实现资源的结构化描述LMRI 元数据词汇是基于 Schema.org 进行拓展完成的, 而 Schema.org 本身是基于微数据 (Microdata) 而建立的30
42、。微数据通过在网页上添加结构化数据, 为人们提供了一种新方式来添加一些语义信息。将 Schema.org 词汇表与微数据结合起来使用, 可以在已有的内容上嵌套语义描述信息以及对 HTML 5 进行拓展31。微数据完成了可拓展性和简易性间的一种平衡, 它是新的 HTML 5 标准的核心之一。作为一种新的轻量级的语义元语法 (Meta-syntax) , 它通过使用属性来定义数据的“名称取值”对, 通过这种直接访问结构化数据的方式, 使得搜索引擎理解网页上的信息并且将相关的信息提供给用户, 此外, 搜索引擎、网页爬虫和浏览器能够从网页上提取和处理微数据, 并且利用它为用户提供更加丰富的搜索体验32。目前微数据表示包括简单的五个属性组合:itemscope, itemprop, itemref, itemtype 和 itemid, 属性通过“name-value”表示。属性的名称可以是一个词或者一个 URL 链接, 值则是属性要素的取值。由于微数据是机器可读的, 使用词汇意味着其他人也能理解其中属性的含义。使用词汇意味着对内容而言, 微数据是一个轻量级的 API。一个以普通标签表示的页面信息如 下33:
