教育数字媒体内容适配系统框架

5．3．3 教育数字媒体内容适配系统框架

1．教育资源的组成与学习对象元数据

中国网络教育技术标准（CELTS）中的“教育资源建设技术规范”（CELTS－41）将网络教育资源定义为基于网络之上的教育资源，它除了应该具有一般教育资源的特点和层次结构之外，还应该适应网络的特点和发展。而学习对象（learning object）指对象化的网络教育资源，它是在结合面向对象的计算机科学思想以及有关教学理论的基础上产生的一种计算机辅助教学构件。教学设计者可以建立各种粒度的、能在不同学习环境下多次重复使用的数字化教学构件（学习内容）。

学习对象元数据（learning object metadata，LOM）指的是关于学习对象的数据。它使得用户可以根据已知的各种属性值来精确定位和获取教育资源或知识，提供比查看内容本身更多的有用信息。学习对象元数据信息模型通过定义一个通用的概念数据模型，保证学习对象元数据的绑定之间有较高程度的语义互操作性，使不同绑定之间的转换变得简单、直接。该模型为学习者、教育者或教育系统等对学习对象的查找、评估、获取和使用提供支持，以促进学习对象的共享和互换。

2．教育数字媒体内容适配系统架构

教育数字媒体内容适配系统框架如图5－13所示，该框架在逻辑结构上由两层组成：学习对象适配层和多媒体内容适配层。它们分别对应学习对象的自适应传输控制机制和组成学习对象的多媒体内容的自适应传输控制机制。

教育数字媒体内容适配系统框架每层主要功能模块如下。

图5－13 教育数字媒体内容适配系统框架

1）上下文描述管理器

上下文描述管理器负责学生端和内容提供端之间的信息交换和管理：学习者信息描述和MPEG－21DIA信息描述。前者描述的学习者信息包括学习者档案、学习者模型和学习环境。后者描述系统环境的条件和约束，如学习者终端能力、资源传输时的网络特性、移动会话等。学习者描述管理器和DIA描述管理器把描述的内容分别存储到相应的学习者元数据库和DIA描述数据库中。

2）教育数字媒体内容适配引擎

教育数字媒体内容适配引擎共有两层，且每层包括两种适配子引擎。子引擎的结构非常相似，由两个逻辑模块———资源适配引擎和描述适配引擎组成。描述适配引擎执行元数据信息的适配，如学习对象或数字媒体内容的元数据信息。

3）教育数字媒体内容库

教育数字媒体内容适配系统框架中有四种数据库，用来存储教育资源和相关信息。学习对象数据库和教育数字媒体内容对象数据库用来存储两适配层中的实际内容，扩展学习对象元数据库和数字项数据库用来存储相应的元数据信息。

该框架中上下文描述管理器从学习者客户端接收到描述学习环境条件和学习者偏好的各种上下文信息后，将它们传送到教育数字媒体内容适配引擎。这时适配引擎根据所提供的上下文信息决定最佳的适配方法。经过一定的适配操作之后，教育数字媒体内容被传送到学习者处，适配后的元数据信息被存储下来，更新相应的数据库。

4）扩展的学习对象元数据模型

虽然学习技术标准委员会（LTSC）和全球合作学习标准联盟（IMS）等国际标准组织制定的学习对象元数据标准可以很好地表达学习对象的各种信息，但它们仅针对在非移动设备上进行的普通学习和培训方式，而不适合移动学习和非正式的学习方法。因此，有必要对其进行扩展以适应各种学习环境。考虑到学习者创建的某些学习对象可能会被其他学习者共享和验证，并由于学习地点的变化而受到一定的限制，相关文献在LOM标准的“权利”类中加入了一些元素对其进行扩展，但仍然缺乏足够的元素来支持多媒体教育资源的适配过程。因此我们通过在LOM标准的技术类“Technical”中增加“适配质量”等元素来扩展LOM标准。相关定义如表5－1所示。需要特别指出的是，学习对象和作者可以为其定义多个质量参数元素，每个质量参数的优先级可以在学习过程中由作者或学习者来重新定义。基于此扩展的LOM模型，我们可以将学习对象的适配质量与多媒体适配质量相整合。

表5－1 教育数字媒体内容适配对LOM的扩展

5）MPEG－21DIA描述

数字项适配是MPEG－21的主要部分，它可以使网络按照用户需求来提供终端资源，不同用户团体可以创建和共享多媒体内容，使得这些内容具有协商好的质量、可靠性和适应性，使多媒体应用系统连接不同的终端用户。因为教育资源通常包含大量的多媒体内容，所以我们将MPEG－21DIA引入到适配框架中，解决多媒体内容的适配问题。其中，具体应用了两类DIA描述工具。

第一类是使用环境描述工具，表示对网络终端容量、网络特性和自然环境特征的影响。这类工具提供多维的有关学习环境和资源传输网络的描述信息。

第二类是资源描述工具，主要针对多媒体资源如视频、音频、图像等。在本书提出的框架模型中，我们利用BSD／gBSD工具，为多媒体资源提供了一种基于XML的描述。与具体描述二进制多媒体资源的编码语法结构不同，BSD／gBSD更多的是在较高的语义层进行描述。在多媒体适配引擎中，基于最佳适配策略，利用XSLT对原始BSD／gBSD进行转换。通过转换后的新描述信息，很容易生成适配的多媒体内容。通过引入BSD／gBSD工具，适配框架实现了轻量的和灵活的多媒体教育资源适配机制。

6）适配过程

如图5－13所示，从左向右的箭头表示教育数字媒体内容资源适配的工作流程。当学习者向教育数字媒体内容管理系统发送一个资源请求时，学习者客户端将首先收集相关的学习环境上下文信息，然后将其发送给部署在教育数字媒体内容提供端的上下文描述管理器。上下文描述管理器可将收到的描述信息存入数据库并对已有信息进行更新。

接着，上下文描述信息和学习者的请求被进一步发送到教育数字媒体内容适配引擎。如果被请求的教育数字媒体内容不适合当前的学习环境，则执行两个适配层上的适配处理进程。

（1）学习对象适配层。这一层的适配主要指学习对象的合理选择，即根据学习者的偏好和资源请求来选取，但与学习环境无关。适配引擎根据上下文描述和学习对象元数据为学习者提供合适的学习对象。例如，一个人正在参观一个飞机展览。他在参观一架20世纪40年代的战斗机展品后，想进一步了解与它同时期的其他战斗机的情况。学习对象适配引擎将首先更新元数据信息，如位置和用户的设备能力，并推断学习者可能想了解所有20世纪40年代生产的战斗机的信息。适配引擎进一步根据学习者的偏好和由学习环境描述信息提供的其他学习者的能力，过滤不符合要求的学习对象。但是，在本层的适配过程中，我们并未考虑学习环境和资源传输网络的约束条件，因为某些不能满足这些约束条件的学习对象可以通过下面的媒体内容适配层进行调整以适应环境的要求。

（2）媒体内容适配层。该适配层的目标是通过满足学习环境的技术需求来呈现学习对象和数字媒体内容。这些技术需求包括终端能力（如显示器大小、颜色深度）、网络特性（如网络带宽、丢包率）等。如果原始的学习对象和数字媒体内容不能满足这些约束条件，则需要用到一些多媒体转换编码方法，改变多媒体内容的格式和技术属性等。有效的转换编码方式包括图像尺寸缩小、视频帧率减小、颜色深度降低、比特率压缩等。但是，数字媒体内容的转码会导致多媒体质量的下降。在转码方法与学习对象的选择两方面之间需要进行权衡，以保证最优的适配质量。另外，适配引擎要考虑包含在教育数字媒体内容资源中的所有媒体内容的适配要求，获得一个全局最优的适配结果。

经过以上两层的适配处理过程后，适配后的教育数字媒体内容会被传输到学习者端。很明显，该教育数字媒体内容同时满足了学习者的需求和学习环境的约束条件。

3．适配决策

1）综合适配质量

最终的教育数字媒体内容资源适配质量不仅取决于低层数字媒体对象的适配质量，还取决于正确、合理地选择适合学习需求的学习对象。然而，这两种层次的学习内容的质量评价指标和方法显然有所不同。例如：学习对象选择的适配质量可以用所选择的学习对象与学习者偏好、学习需求的相关度来衡量，而图像／视频等数字媒体内容的适配质量则用峰值信噪比（PSNR）、图像大小、颜色等参数来评价。因此，我们通过定义一种综合质量评价机制来解决高层学习对象和低层数字媒体对象间的质量评价不一致的问题。

首先，我们讨论低层数字媒体对象的适配质量。基于对传统的学习对象元数据模型进行的扩展，学习对象的创作者可以为学习对象指定其关注的多种质量参数。由于低层的数字媒体对象也可以被看成是一种最小的学习对象，即原子学习对象，因此含于高层学习对象内的多媒体对象也可以被指定质量参数。对于第i个质量参数，我们定义QVmin（i）为其最小允许取值，QVmax（i）为其最大允许取值，QV（i）为适配后的质量参数值。然后，以第i个质量参数来评价适配后的数字媒体内容，可以定义适配质量评估指标QV_e（i）。QV_e（i）是一种抽象指标，为学习者提供了一种具有实际意义的质量评价，因为学习者通常对实际的质量参数值并不十分感兴趣，但对质量参数值的变化程度则比较敏感。假设质量模型采用一阶模型或二阶模型，可以得到QV_e（i）的计算公式如下。

一阶模型：二阶模型：

对于数字媒体学习对象的多个质量参数，我们定义一个整体质量评估指标QVge来评价适配后的学习对象，考虑到质量参数的优先级或者权重Wi，设有L个不同的质量参数，则可用式（5－3）计算QVge：

此处的QVge即为执行某一转码操作后的数字媒体对象的适配质量评价指标。从QVge的定义过程来看，它应是一个归一化参数。至此，对于每一种可能的适配操作O_j，都可以通过QV_ge（j）来评价学习对象的适配质量。

另一方面，我们可以定义一个归一化的相关度参数R（k），其中k表示第k个与当前学习者需求或学习状态相关的学习对象。

最后，我们可以得到学习对象经过适配操作O_j后的综合适配质量：

式（5－4）既反映了学习对象选择过程的适配质量，也反映了数字媒体转码处理对适配质量的影响。

2）适配决策算法

通过综合适配质量评价指标，我们将适配决策建模为：并且对于所有可能的i，满足

其中，m为所有将被传递给学习者的相关学习对象的总数，C（i）为执行适配操作O_j后第i个限制参数实际达到的值，C_context（i）则为学习环境所允许的最大限制参数值。

我们可以简单地采用贪婪算法来获得适配决策。

首先，可以找出所有满足环境约束条件的适配操作，其中也包括将某些学习对象从传输队列中排除。虽然排除学习对象的操作会释放一定的限制资源并可能导致满足条件的适配操作数目增加，但可能的适配操作数目依然十分有限，因此，采取贪婪算法仍然是可行的。

然后，对于每一个候选的适配操作O_j，计算所有将传输的学习对象的平均综合适配质量，并将结果以降序的形式排列。此处的n是变化的，因为某些候选适配操作可能会将一些学习对象排除在传输队列之外。

最后，适配决策即为选择综合适配质量平均值最高的适配操作进行该教育数字媒体内容资源的适配。

从以上的决策算法中可以看出，在满足学习者需求和学习环境的技术要求的前提下，平均综合适配质量得到了尽可能好的保证。