網(wǎng)絡(luò)智能教學(xué)系統(tǒng)中雙層學(xué)生模型的設(shè)計(jì)

1、    網(wǎng)絡(luò)智能教學(xué)系統(tǒng)中雙層學(xué)生模型的設(shè)計(jì)        摘要：本文探討了在網(wǎng)絡(luò)智能教學(xué)系統(tǒng)中建立一個(gè)雙層動(dòng)態(tài)學(xué)生模型的方法，模型的初始層采用復(fù)合認(rèn)知型學(xué)生模型，高級(jí)層利用hopfield神經(jīng)網(wǎng)絡(luò)算法，在初始層數(shù)據(jù)的基礎(chǔ)上加入興趣、愛(ài)好、知識(shí)狀態(tài)、學(xué)習(xí)歷史等信息進(jìn)行評(píng)價(jià)、分類(lèi)。該模型克服了單一學(xué)生模型結(jié)構(gòu)數(shù)據(jù)處理的障礙，能夠靈活、全面地對(duì)學(xué)生的學(xué)習(xí)特征進(jìn)行分析，有效改善了智能網(wǎng)絡(luò)教學(xué)系統(tǒng)的教學(xué)決策過(guò)程。    關(guān)鍵詞：學(xué)生模型，智能教學(xué)系統(tǒng)，hopfield神經(jīng)網(wǎng)絡(luò)  &#

2、160; 中圖分類(lèi)號(hào)：g434  文獻(xiàn)標(biāo)識(shí)碼：a  文章編號(hào)：1009-458x（2011）12-00645-04    引言    目前，網(wǎng)絡(luò)教學(xué)系統(tǒng)正向著智能化的方向發(fā)展，智能化的主要目標(biāo)是解決現(xiàn)代遠(yuǎn)程教學(xué)中的個(gè)別化教學(xué)問(wèn)題，提高系統(tǒng)對(duì)學(xué)生的適應(yīng)性和針對(duì)性1。    網(wǎng)絡(luò)智能教學(xué)系統(tǒng)中的學(xué)生模型（student model）是個(gè)別化教學(xué)決策的依據(jù)，是適應(yīng)性教學(xué)中“因材施教”的“材”的量化標(biāo)準(zhǔn)。學(xué)生模型是指在智能教學(xué)系統(tǒng)中根據(jù)需求構(gòu)造出的一種能可靠表示學(xué)生認(rèn)知特征的數(shù)據(jù)結(jié)構(gòu)，記錄著學(xué)

3、生對(duì)知識(shí)的掌握程度和個(gè)人的學(xué)習(xí)水平，是學(xué)生知識(shí)結(jié)構(gòu)和認(rèn)知特征的反映。學(xué)生模型一般依據(jù)學(xué)生和系統(tǒng)之間的交互及應(yīng)答歷史而形成，可以根據(jù)學(xué)生的學(xué)習(xí)情況動(dòng)態(tài)地修改。    在國(guó)外的相關(guān)研究中，有的學(xué)者用貝葉斯網(wǎng)絡(luò)建立學(xué)生模型，進(jìn)行個(gè)性化教學(xué)推理2；有的學(xué)者利用對(duì)話來(lái)獲得學(xué)生對(duì)領(lǐng)域知識(shí)的掌握程度，從中分析學(xué)生學(xué)習(xí)的速度、掌握程度以及記憶能力，采用一定策略對(duì)學(xué)生實(shí)施個(gè)別化教學(xué)3；也有的學(xué)者通過(guò)對(duì)學(xué)生學(xué)習(xí)某個(gè)主題的評(píng)價(jià)，來(lái)判斷該學(xué)生是否可以進(jìn)入下一個(gè)主題的學(xué)習(xí)4。在國(guó)內(nèi)，劉宇，解月光對(duì) celts11學(xué)習(xí)者模型規(guī)范進(jìn)行了取舍、組合，利用模糊評(píng)價(jià)方法對(duì)學(xué)生的認(rèn)知能力進(jìn)行評(píng)判5。在

4、最近的研究中，孫中紅提出基于決策樹(shù)的遺傳算法，將學(xué)生的學(xué)習(xí)標(biāo)準(zhǔn)、興趣、愛(ài)好、知識(shí)狀態(tài)、學(xué)習(xí)歷史、心理因素和認(rèn)知能力等信息進(jìn)行數(shù)據(jù)挖掘和分類(lèi)，從而構(gòu)建一個(gè)綜合覆蓋模型、偏差模型、認(rèn)知型模型或是幾種模型組合的全面學(xué)生模型1。郭富強(qiáng)從學(xué)習(xí)者個(gè)體學(xué)習(xí)情況和學(xué)習(xí)需求出發(fā)，在研究分析影響學(xué)習(xí)者的學(xué)習(xí)基礎(chǔ)、認(rèn)知能力、心理因素的基礎(chǔ)上，設(shè)計(jì)了學(xué)生模型，并給出了學(xué)生模型的動(dòng)態(tài)調(diào)整算法6。    本文設(shè)計(jì)的雙層動(dòng)態(tài)學(xué)生模型是基于網(wǎng)絡(luò)的sql查詢(xún)語(yǔ)言智能教學(xué)系統(tǒng)，它采用任務(wù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)方式，以模擬在線實(shí)驗(yàn)為平臺(tái)，同時(shí)提供學(xué)習(xí)資源、實(shí)例演示與綜合測(cè)試等服務(wù)。sqllearning學(xué)習(xí)

5、系統(tǒng)因其實(shí)驗(yàn)交互、智能引導(dǎo)等特點(diǎn)在實(shí)踐應(yīng)用中取得了較好的效果。    一、雙層動(dòng)態(tài)學(xué)生模型的工作原理    在sqllearning中雙層動(dòng)態(tài)學(xué)生模型的工作原理如圖1所示，學(xué)生登錄系統(tǒng)后，利用雙層動(dòng)態(tài)學(xué)生模型智能引導(dǎo)學(xué)生的實(shí)驗(yàn)、學(xué)習(xí)、測(cè)試等活動(dòng)，系統(tǒng)一般選用學(xué)生模型的高級(jí)層驅(qū)動(dòng)相應(yīng)數(shù)據(jù)庫(kù)，生成用戶(hù)的個(gè)性化實(shí)驗(yàn)任務(wù)、測(cè)試題目、學(xué)習(xí)資源等，而對(duì)于    未經(jīng)高級(jí)層處理或網(wǎng)絡(luò)條件不允許進(jìn)行高級(jí)層處理的學(xué)生模型則選用初始層參數(shù)。    一般來(lái)說(shuō)，高級(jí)層的處理過(guò)程是在搜集了一定量的初始

6、層學(xué)生模型參數(shù)后，經(jīng)hopfield網(wǎng)絡(luò)處理生成標(biāo)準(zhǔn)化模型庫(kù)，進(jìn)行評(píng)價(jià)、分類(lèi)，并將結(jié)果取樣到樣本庫(kù)、存儲(chǔ)到評(píng)價(jià)庫(kù)的過(guò)程。    二、初始層復(fù)合認(rèn)知型學(xué)生模型    初始層采用輕量化數(shù)據(jù)設(shè)計(jì)，結(jié)合認(rèn)知型學(xué)生模型的特點(diǎn)，在sqllearning系統(tǒng)中設(shè)計(jì)了如下的數(shù)據(jù)結(jié)構(gòu)來(lái)記錄學(xué)生的認(rèn)知能力：    smknowledge，comprehension，application，analysis，synthesis，evaluation，correctrate，exaccuracy。  

7、0; 其中，knowledge、comprehension、application、analysis、synthesis、evaluation依次為識(shí)記、理解、應(yīng)用、分析、綜合、評(píng)價(jià)6項(xiàng)認(rèn)知能力參數(shù)，exaccuracy，correctrate分別對(duì)應(yīng)實(shí)驗(yàn)正確率、測(cè)試正確率。    初始層學(xué)生模型的參數(shù)由系統(tǒng)與用戶(hù)的交互形成，在sqllearning系統(tǒng)中主要通過(guò)資源學(xué)習(xí)、平時(shí)實(shí)驗(yàn)、綜合測(cè)試等活動(dòng)來(lái)記錄。需要說(shuō)明的是，系統(tǒng)在設(shè)計(jì)實(shí)驗(yàn)任務(wù)與綜合測(cè)試題目時(shí)，每項(xiàng)均進(jìn)行了認(rèn)知改造，也就是每個(gè)項(xiàng)目均設(shè)有認(rèn)知能力觀測(cè)點(diǎn)，如果測(cè)試項(xiàng)目通過(guò)，則該認(rèn)知能力觀測(cè)點(diǎn)記為1，未通過(guò)記為

8、1，未測(cè)試記為0，所以學(xué)生的每一次活動(dòng)都有反應(yīng)一項(xiàng)或幾項(xiàng)認(rèn)知能力的參數(shù)記錄在學(xué)生模型庫(kù)中。    從改造后的測(cè)試項(xiàng)目中可以匯總得到學(xué)生各項(xiàng)認(rèn)知能力的信息，在矢量式si（1，2，3，4，56）中，i代表某項(xiàng)認(rèn)知能力的正確率，其中，0i6，0jn，n為該學(xué)生進(jìn)行的所有測(cè)試題數(shù)量。    rij（1）代表第i項(xiàng)認(rèn)知能力到目前為止的測(cè)試中所答對(duì)的次數(shù)。    rij（1）代表第i項(xiàng)認(rèn)知能力到目前為止的所有測(cè)試中答錯(cuò)的次數(shù)。    每個(gè)學(xué)生的認(rèn)知能力i的平均值會(huì)隨時(shí)更新到學(xué)生模型庫(kù)中，

9、同樣每次的測(cè)試與練習(xí)正確率correctrate，exaccuracy也會(huì)以平均正確率更新到學(xué)生模型庫(kù)中。    在實(shí)際應(yīng)用中，若遇到新注冊(cè)人數(shù)較多、服務(wù)器負(fù)擔(dān)較重、網(wǎng)絡(luò)不暢等制約條件，可以對(duì)初始層模型參數(shù)進(jìn)行簡(jiǎn)單加權(quán)評(píng)價(jià)、分類(lèi)，在犧牲部分評(píng)定準(zhǔn)確性的基礎(chǔ)上保證系統(tǒng)正常運(yùn)行。    三、高級(jí)層利用hopfield神經(jīng)網(wǎng)絡(luò)處理    根據(jù)初始層的復(fù)合認(rèn)知型學(xué)生模型，橫向?qū)Ρ缺姸嘤脩?hù)的學(xué)習(xí)數(shù)據(jù)，挖掘出初始層學(xué)生模型中的有用信息，對(duì)學(xué)生模型進(jìn)行細(xì)致的刻畫(huà)與分類(lèi)，是高級(jí)層學(xué)生模型構(gòu)造的關(guān)鍵。在這里將初始層模型的數(shù)

10、據(jù)，加上興趣、愛(ài)好、知識(shí)狀態(tài)、學(xué)習(xí)歷史等作為高級(jí)層學(xué)生模型分類(lèi)的生成要素。    1hopfield神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)    在高級(jí)層中，將若干個(gè)典型的、理想的學(xué)生模型對(duì)應(yīng)的初始層學(xué)習(xí)數(shù)據(jù)、興趣、愛(ài)好、知識(shí)狀態(tài)、學(xué)習(xí)歷史等作為hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，hopfield神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程即為典型的學(xué)生模型的數(shù)據(jù)要素逐漸趨近于hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)的過(guò)程。學(xué)習(xí)完成后，hopfield神經(jīng)網(wǎng)絡(luò)儲(chǔ)存的平衡點(diǎn)即為各種學(xué)生模型所對(duì)應(yīng)的數(shù)據(jù)要素。當(dāng)需要判定學(xué)生模型時(shí)，hopfield神經(jīng)網(wǎng)絡(luò)即利用其聯(lián)想記憶能力逐漸趨近于某個(gè)儲(chǔ)存的平衡

11、點(diǎn)，當(dāng)狀態(tài)不再改變時(shí)，此時(shí)平衡點(diǎn)所對(duì)應(yīng)的狀態(tài)即為待判定的學(xué)生模型。具體算法設(shè)計(jì)步驟如下：    步驟1：設(shè)計(jì)理想的學(xué)生模型評(píng)價(jià)指標(biāo)    從初始層的每類(lèi)學(xué)生模型中隨機(jī)選取樣本，按類(lèi)匯總以各分量的平均值作為理想學(xué)生模型的評(píng)價(jià)指標(biāo)，如表1所示。    步驟2：為理想的學(xué)生模型評(píng)價(jià)指標(biāo)編碼    由于hopfield網(wǎng)絡(luò)神經(jīng)元的輸出只取1和-1，所以將評(píng)價(jià)指標(biāo)映射為神經(jīng)元的狀態(tài)時(shí)，需要對(duì)其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為“1”，否則設(shè)為“-1

12、”。理想的4個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如表2所列，其中表示神經(jīng)元狀態(tài)為“1”，即大于或等于對(duì)應(yīng)等級(jí)的理想評(píng)價(jià)指標(biāo)值，反之用表示。    設(shè)有5個(gè)待分類(lèi)的學(xué)生模型，提取信息后有表3所示的學(xué)習(xí)數(shù)據(jù)。    根據(jù)上述編碼規(guī)則得到對(duì)應(yīng)的編碼，如圖2所示。    步驟4：利用matlab中神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)創(chuàng)建hopfield網(wǎng)絡(luò)，對(duì)表1中的標(biāo)準(zhǔn)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。    步驟5：利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)高級(jí)層的待分類(lèi)數(shù)據(jù)仿真、分類(lèi)，分類(lèi)結(jié)果如圖3所示。    2hopf

13、ield神經(jīng)網(wǎng)絡(luò)算法在網(wǎng)絡(luò)環(huán)境中的實(shí)現(xiàn)    hopfield神經(jīng)網(wǎng)絡(luò)算法處理高級(jí)層學(xué)生模型基于matlab710o（r2010a）實(shí)現(xiàn)，在網(wǎng)絡(luò)環(huán)境中，網(wǎng)頁(yè)功能模塊基于visual studio 2010開(kāi)發(fā)。具體實(shí)現(xiàn)步驟如下：    步驟1基于matlab實(shí)現(xiàn)hopfield神經(jīng)網(wǎng)絡(luò)算法，偽碼如下：    functionrehop_ddm（）    %連接數(shù)據(jù)庫(kù)，獲取高級(jí)層模型庫(kù)數(shù)據(jù)aa，獲取樣本庫(kù)數(shù)據(jù)bb    代碼a  

14、;  %將獲取的數(shù)據(jù)轉(zhuǎn)變預(yù)處理    mx，mysize（aa）    bx，bysize（bb）    %為高級(jí)層模型庫(kù)、樣本庫(kù)中的數(shù)據(jù)編碼    代碼b    %創(chuàng)建hopfield神經(jīng)網(wǎng)絡(luò)    netnewhop（bz）；    %仿真、分類(lèi)、評(píng)價(jià)    ysim（net，mx4，15，a）；%a為最后待處理的數(shù)據(jù)  &

15、#160; for ml：mx    for n1：4    if y15（：，（m一1）4n）0 0 0 0 0 00 0 0 0 0'    % 更新評(píng)價(jià)庫(kù)中的評(píng)價(jià)結(jié)果    update （conn，'pjk'，'myrank'），n，strcat（'where myid'，num2str（m）    commit（conn）    end &#

16、160;  end    end    end    步驟2deployment fornet assembly制作 dll組件    將matlab中編寫(xiě)的函數(shù)用deployment tool工具進(jìn)行編譯，生成net assembly動(dòng)態(tài)鏈接庫(kù) hop_ddmdll文件。    步驟3將上述生成的hop_ddmdll文件和 mwarraydll復(fù)制到vs項(xiàng)目的bin文件夾下，在 vs2010的aspnet項(xiàng)目中添力口對(duì)hop_ddmd

17、ll和 mwarraydll的引用。    步驟4混合編程，在網(wǎng)頁(yè)中調(diào)用。    hop_ddmmyhop dm_insnew hop_ddmmyhop（）；   將myhop類(lèi)實(shí)例化    dm_inshop_ddm（）；   調(diào)用hop_ddm方法    結(jié)束語(yǔ)    本文結(jié)合實(shí)際應(yīng)用的sqllearning系統(tǒng)探討了網(wǎng)絡(luò)智能教學(xué)系統(tǒng)中一個(gè)雙層動(dòng)態(tài)學(xué)生模型的構(gòu)建方法，重點(diǎn)闡述了高級(jí)層中hopfield神

18、經(jīng)網(wǎng)絡(luò)算法原理及其在網(wǎng)頁(yè)中的實(shí)現(xiàn)方法。為驗(yàn)證學(xué)生模型的有效性，2011年上半學(xué)期將忻州師范學(xué)院計(jì)算機(jī)系2008級(jí)248名學(xué)生隨機(jī)分為兩組，實(shí)驗(yàn)組168名學(xué)生采用如圖4所示的sqllearning實(shí)驗(yàn)教學(xué)環(huán)境；對(duì)照組的80名學(xué)生則采用真實(shí)上機(jī)實(shí)驗(yàn)環(huán)境。在學(xué)習(xí)時(shí)間等同的情況下，對(duì)4份測(cè)試，成績(jī)?nèi)绫?所列，實(shí)驗(yàn)組學(xué)生平均成績(jī)比對(duì)照組高出1629%。在隨后針對(duì)學(xué)生模型認(rèn)可度的調(diào)查中，收到有效問(wèn)卷152份，其中非常認(rèn)可、認(rèn)可、不認(rèn)可的學(xué)生人數(shù)分別為109、38、5，學(xué)生模型的分類(lèi)結(jié)果在受測(cè)試學(xué)生中的認(rèn)可度達(dá)967%。    參考文獻(xiàn)：    1

19、 孫中紅，個(gè)性化智能網(wǎng)絡(luò)教學(xué)系統(tǒng)中學(xué)生模型的研究j中國(guó)電化教育，2009，（10）：107110    2 peng -kiat pek，kim -leng pohusing decision networks for adaptive tutoring dbolhttp：wwwericedgovericdocsdata ericdocs2sqlcontent_storage_010000019b80172a8epdf    3 yujian zhou martha wevensa practical student model in an intelligent tutoring s