个性化智能网络教学系统的学生模型构建

个性化智能网络教学系统的学生模型构建

一、个别化和个人化近年来，智能教学系统（iii）成为教育技术研究的重要领域。目前，智能教育体系的主要研究热点包括学生模式、课程体系、在线合作学习、语言学对话、智能教育体系评估等。智能教学系统的主要目标是要解决现代远程教学中的个别化教学问题,提高教学系统对学生的适应性和针对性。为增强教学系统的个性化教学,国外许多学者提出了许多不同的个性化教学的解决方案:利用贝叶斯网络建立学生模型,并利用教学过程中的信息反馈进行推理,预测学生下一步行为的个性化教学解决方案;利用对话来获得关于学生对某领域知识的掌握程度,从而对学生进行个别化教学的系统;利用学生模型来分析学生的学习能力,即分析学生学习知识的快慢和对所学知识的掌握程度以及学生的记忆能力,分析学生对所学知识点的持久记忆程度,采用一定策略对学生实施个别化教学;通过对学生学习某个主题的评价,来判断该学生是否可以进入下一个主题的学习。国内也有许多学者对个性化的网络教学系统进行了大量研究,其中有不少学者对学生模型进行了研究。二、学生学习过程模型学生模型之所以成为智能教学系统的主要研究热点之一,是因为学生模型是个性化智能网络教学系统的核心和关键部分,是实施个性化教学的基础,它反映了系统对学生的了解程度,为智能化教学中教学目标、教学策略及教学内容的实现提供了依据。根据数据的生命周期及其在教学活动中的功能和作用,并考虑到系统的易维护性,学生模型可以分成静态模型、动态模型和评价与错误诊断模型三类。其中静态模型主要记录学生注册时的一些基本信息,如姓名、班级、学号和学习标准等学生信息,这些信息在系统运行过程中是相对稳定的;动态模型则记录学生在学习过程中动态建立起来的,或者会发生变化的信息,如用户的访问日志、答疑情况、考试信息、学习进展情况和知识掌握水平等信息;评价与错误诊断模型是分析学生当前存在哪些错误概念,并给出学习评价的部分,其目的是使系统能够进一步得出针对学习者的更具体的知识掌握程度以及发生学习错误的根源,为开展补救教学提供依据和切入点。有的研究提出了一个两层动态学生模型,认为学生模型是智能教学系统的核心部分,是智能教学系统制定个性化教学策略与学习策略的依据,有的研究则采用的是纠错诊断模型。根据学生知识表示方法的不同,学生模型可分为三类:覆盖模型、偏差模型和认知型模型。文献对偏差学生模型进行了研究,文献建立了一个综合了偏差和覆盖两种模型的学生模型,文献[10-12]都建立了认知型学生模型。三、基于偏差模型的学习模型不同的学生模型代表着不同的学习理论基础。在我国教育界,行为主义学习理论一直占据着重要的地位。尽管人们也意识到行为主义学习理论的缺陷,知道应该按照认知主义学习理论来指导教学,但基于前者的教学可操作性更强、更容易,所以基于行为主义学习理论的教学是十分普遍的。在此类教学实践基础上建立的智能教学系统,相应的学生模型就是覆盖学生模型。它的特点是:只考虑学生做题的对错,如果在学习某个知识点时,做题的正确率低于一定的比例(比如60%)就让学生重复学习该知识点。由于没有对学生所犯的错误进行分析,所以没法给出有针对性的学习指导,学生简单重复学习的后果往往是错误的重犯!由于根本不知道错误的原因,自然找不到解决的办法。这样不断循环的后果往往就是学生对学习失去了兴趣,对自己失去了信心。为了克服以上问题,有经验的教师对学生所犯的错误进行分析、总结,对照正确的解题方法,得出不同的错误类型所对应的缺陷。这样,学生只要针对相应的薄弱环节再学习,学习就更有针对性,学习效果自然就会比较好,基于这种教学活动的智能教学系统的学生模型就会使用偏差模型。一般来说,偏差模型刻画了学生常犯的错误和掌握知识过程中的错误行为。要了解学生的认知能力和认知过程,以及弄清楚学生的认知能力在学习过程中的作用,就需要建立学生的认知模型。多年来人们一直致力于人类认知过程的研究,尽管取得了一些成绩,但人类的认知过程是一个十分复杂的问题,因此要建立理想的学生认知模型在现阶段只是一个理想。在实际应用中,人们往往基于布鲁姆的认知理论建立相对简单、实用的学生认知模型。目前的学生认知模型主要是刻画学生的认知能力,按照美国著名教育心理学家布鲁姆的“教育目标分类”理论,认知能力的目标按智力活动的复杂程度可划分为六个等级:识记、领会、运用、分析、综合、评价。而我国学者倾向于将六级目标概括为两个范畴:第一个范畴为记忆知识,如果测试题只要求学生几乎按教材原样回忆知识,则所测得的是学生的记忆能力;第二个范畴为领会与运用知识,凡测试题与学生原先学习的情景有程度不同的变化,则所测得的是学生领会和运用知识的能力。运用又包括简单运用(相当于布鲁姆的运用)和综合运用(相当于布鲁姆分析、综合、评价)。要了解学生的学习基础,或者说学生的学习掌握水平,我们可以通过对学生进行测试,建立覆盖模型得到。通过对测试结果进行分析,可以获得学生对每个知识的掌握情况。通常的做法是用一个二维的向量描述它:(知识点,掌握程度(分数))。一般来说一门课程由多个单元组成,每个单元又有多个小节,每个小节包含多个知识点。要考虑学生对一门课程的掌握情况,可以通过对各个知识点的掌握情况进行加权运算得到。但覆盖模型只适合于描述陈述性知识和简单的过程性知识的学习情况,不便于描述复杂的过程性知识的学习情况。同时,为了对学生的学习过程进行诊断,我们还要建立偏差模型。为了建立偏差模型,需要由领域专家对每一个知识点设置若干个可能出现的错误。学生每做错一道题,必然对应错误集中的一个或几个。覆盖模型可用一个二维的向量描述它:(知识点,错误类型)。目前流行的做法是建立综合覆盖模型和偏差模型的学生模型。通过将覆盖模型和偏差模型相结合,不仅可以获得学生对某一知识点的掌握情况,而且还可以分析学生对当前知识点存在哪些错误认识,从而进一步得出更具体的掌握程度指标以及错误的根源,在此基础上可以对学生发生的错误进行定位,为下一步的教学提供依据和切入点。学生模型是一个动态的模型,它需要随着学生的学习活动的进行而动态更新,从而准确地反映学生对知识点的理解掌握情况。综合覆盖型和偏差型的学生模型的修改与更新在学生的学习过程中不断进行,在学生浏览学习知识点阶段,学生模型在学习情况表中为每个学过的知识点建立知识点掌握程度向量并初始化,同时在学习进度表中记录学习各知识点的先后顺序,形成知识点学习路径。在学生进行练习、测试阶段,通过学生答题情况,学生模型修改试题所考察知识点的掌握程度值,并在错误概念表中记录学生答题出错的知识点以及错误类型。四、对每种学生模型的分析和判断学习过程是一个十分复杂的过程,既涉及认知因素,又涉及情感和心理因素。上述几类学生模型各有优缺点,适合在不同的情况下使用,既不能全面否定,也不能盲目地、片面地用哪一类,到底哪种学生模型最适合学生,这要通过对学生的各种信息进行分析以后才能决定。因此,本文试图建立综合覆盖模型、偏差模型、认知模型的全面的学生模型,使学生在个性化智能教学过程中,通过对学生信息进行数据挖掘和分类,获得学生学习特征,根据不同学生模型的特点,来决定使用哪一种学生模型,或是几种学生模型的综合,也就是最适合学生的学生模型,以达到因材施教。(一)学习集的属性及分类本文采用基于决策树的遗传算法对用户的学习标准、兴趣、爱好、知识状态、学习历史、心理因素和认知能力等信息进行快速而有效的数据挖掘和分类,把学生模型分为覆盖模型、偏差模型、认知型模型或是几种模型的组合,为教师Agent的个性化备课提供先决条件。假设当前需要进行数据分类的学生的学习标准、兴趣、爱好、知识状态、学习历史、心理因素和认知能力等信息是数据库D,表示为D={D1,D2,……,Dm},Di称为数据元组(i=1,2,…..,m),代表用户的学习标准、兴趣、爱好、知识状态、学习历史、心理因素和认知能力等信息,其中m=|A|。我们把描述数据库D中的数据元组所需要的不同属性的集合记为A={A1,A2,……,Ak}。Ai称为第i种属性(i=1,2,…,k),其中k称为A的属性长度,以认知能力元组为例,如表1所示,Ai代表表1中认知能力元组的六种属性之一。表1中某种属性Ai可以用Bi个值进行描述,即{a[i,1],a[i,2],….,a[i,Bi]}。表1中每种属性用3个值进行描述,对题号对应的题目答对者记为1,答错者记为-1,不答者记为0。决策树分类就是通过一个有限的训练集S(哿D)进行有指导学习而建立的一个预测模型,用以描述数据库D,即对D中的数据进行预测分类。以表2实例为例,假设当前训练集T1哿D,T1代表认知能力,k代表认知能力的种类,k=6,B1、B2、B3、B4、B5、B6分别代表识记能力、理解能力、应用能力、分析能力、综合能力和评价能力,K1、K2分别代表两种预测分类。决策树上的每一个结点说明了对认知能力的某个属性的测试值,并且该结点的每一个后继分支对应于该属性的一个可能性。任一条从根节点到叶子节点的路径表示D(T1哿D)的一条if-then分类规则。如果T1的属性长度为k,关于T1的决策树的长度≤k,则这条分类规则可由if-then结构来描述。Ifp1andp2and….pk-1thenpk。其中pi(I=1,2,…k-1)表示判定命题,分别对应于属性Bi的测试值,D=T1∪T2…∪Tn,如图1所示。(二)遗传算法计算基于以上决策树的数学模型,学生Agent采用了改进的遗传算法对用户的学习标准、兴趣、爱好、知识状态、学习历史、心理因素和认知能力等信息进行快速而有效的数据挖掘和分类,将学生模型分为覆盖模型、偏差模型、认知模型或者是几种学生模型的组合。以下是遗传算法的计算步骤:步骤1:根据相应的分类规则,将学生初始信息进行预测分类,得到一个新类的集合,并求出每个新类的适应度值。步骤2:(1)以正比于适应度值的概率从新类集合中选择两个新类;(2)根据交换率进行交换操作;(3)根据变异率进行变异操作;(4)重复(1)到(4)直至生成足够的新类组成新类的集合。步骤3:重复步骤2和步骤3,直至满足覆盖模型、偏差模型、认知模型或者是几种学生模型的组合的学习