２０１２年第３１期 ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ Ｏ高校讲坛０ 科技信息 构建学生模型关键问题的研究 马宜青 （宁夏医科大学理学院宁夏银川 ７５０００４） 【摘要】如何有效评价学生的学习状态以及学生认知水平的表达，是建立智能导学系统的一个难点。本文主要基于认知水平和学习偏好 的学生模型，对认知水平评价模型进行了完善；综合考虑了常用的获取学习偏好的途径，提出了本系统获取学习偏好的方法。 【关键词１学生模型；认知水平；学习偏好 ０引言 目标分为如下六类：①知道②领会③应用④分析⑤综合⑥评价。在实 学生模型以一种计算机可识别的、易修改的、可扩展并且易检索 际教学中．往往只考虑前五种 的形式呈现，它是系统中学习者的抽象表示．记录了学生的基本信息 （２）评价指标的权重 以及认知水平信息。目前，粗糙集、模糊集、向量、网格、贝叶斯网络、 对量规中各评价指标的权重（分数）进行合理的设置不但可以帮 图、本体论、与或树等大量技术广泛应用于学生模型的建立。［ｔｌ 助有效地评价．还可以引导学生把握好努力的方向．起到目标导向的 作用。评价指标的权重设计与教学目标的侧重点有直接的关系。 １ 基于认知水平和学习偏好的学生模型 （３）认知水平评价模型的建立 系统采用三元组作为评价模型 １．１建立智能导学系统中的学生模型时．应主要考虑学生以下三个 Ｃ＝（Ｄ，Ｅ，Ｍ） 特征：认知水平、学习目标、学习偏好目 其中，Ｄ＝（ｄ ，ｄ。，ｄ３，ｄ ，ｄ ），每一个元素分别代表五种能力的权值， （１ 学生的认知水平 这个值由领域专家给出。权值的具体计算方法如下：请Ｌ位专家，分别 系统要根据学生的学习水平的变化不断更新认知水平值．并且教 对某个元知识点给出一个权值．利用集中趋势的测度来确定最终的权 学模块要根据确切的学生认知水平来做决策．以制定学生的下一个学 ￡ 习目标。 ∑ｄｉ （２）学生的学习目标 值，即 ＝』 一。 ，Ｊ 确定一个学生的学习目标．这属于人工智能领域中的规划识别问 结合实际教学经验及本课程性质，本系统中Ｄ＝（０．１，０．３，０．３，０．２。 题 为了从一个学生的行为推断出其计划．假设学生的每一个动作都 是为全局目标考虑后作出的行为 Ｏ．１）。 Ｅ＝（ｅ ，ｅ ，ｅ，，ｅ４），综合学生的认知能力评价以及考试成绩，将表现 （３）学生的学习偏好 从“好”到“差”分为四个级别，Ｅ中每一个元素分别对应一种评价．参 不同的学习风格具有不同的学习偏好。学生往往有不同的学习偏 好．如对字体、图片或教学资料呈现方式的特别偏好。 照语言变量的可能值的范围．语言变量“评价”包含的模糊子集为：优 秀、好、中等、差 １．２研究【 嗨学生模型中涉及的数据分三层管理 评价矩阵Ｍ通过以下四步建立完成： （１）运转层．负责信息的存储、管理、检索，该层主要涉及学生的基 考虑到区分度及《计算机文化基础》课程的特点，本系统将试题题 本信息。 目类型划分为单选、多选、判断三类。在试卷形成之前，由领域知识专 （２）分析策略层．负责信息分析，包括认知与获取、评价等。 家．按题目类型分别定义每道题考查的认知能力等级（知道、领会、应 （３）诊断策略层．负责交互策略和计划，决策支持等。主要涉及诊 用、分析、综合）并给出权重值，用矩阵Ｆ 来表示（ｍ表示某类题目的 断分析．在学生模型中对应适应性学习模型、学生交互模型等；诊断策 数量）。 略层的信息主要用于决策支持和交互规划等。 ①按题目类型建立成绩记录表 本系统的学生模型基本结构包括：学生描述、学习偏好、认知水 学生完成测试后，根据学生答题情况．为每类题目建立测试成绩 平、交互记录 与大多数研究按照信息在学生学习过程中是否发生改 表，用矩阵Ｎ 来表示（ｍ表示某类题目的数量），初始值所有元素设 变将学生模型划分为动态和静态模型不同，本文结合ＣＳＬＳ模型［３１和 置为０。 Ａｇｎｉｅｓｚｋａ Ｌａｎｄｏｗｓｋａ的三层管理思想Ⅲ．提出本系统学生模型的结构， 记录每道题目对应的五种认知能力值，记为 如图１—１所示 ，１题目答对 ｒｌｉ￣－＇１ ０题目未作答 【一１题目答错 ②建立元知识点认知能力矩阵Ｍ 三类题目作答正确率向量构成认知能力矩阵Ｍ。对研究∞中相关 公式进行修正．通过如下方法建立元知识点认知能力矩阵Ｍ： 学生答完第ｉ类题目（ｉ：ｌ，２，３），成绩记录表Ｎｉ即形成；认知能力 图１—１系统学生模型结构 的正确率向量Ｍｉ＝（ｍｌ，ｍ２，１１５１３，Ｉ１１４，ｎｌ５，ｍ６），其中ｎｌｉ∈【０，１】，表示某种认 Ｆｉｇ．１—１ Ｔｈｅ Ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ Ｓｔｕｄｅｎｔ Ｍｏｄｅｌ 知能力的正确率 ｍ・＝ （１）＋ｒ０（一１）＋ｒｏ（Ｏ） 公式（１—１） ２构建学生模型的关键问题 其中 ．（１）代表第ｉ种认知能力对应的答对的题目数量；ｒ，．（一１）代 ２．１认知水平评价模型的构建 表第ｉ种认知能力对应的答错的题目数量； （０）代表第ｉ种认知能力 如何估算学生的认知水平．是智能导学系统研究的一个热点。研 对应的学生未作答的题目数量。 究者从不同的角度对认知水平的估算进行了研究，常用的是应用贝叶 ③定义三类题型的权值：ｗ１代表单选题的权值，本系统取Ｏ３； 斯方法以及模糊集理论。研究Ｈ 选取在模糊集理论之上建立的 ２代表多选题的权值，本系统取０．５，ｗ３代表判断题的权值，本系统 Ｓｈｅｒｌｏｃｋ ＩＩ算法进行认知能力估算：研究 采用逐步逼近法进行学生 取０．２。 认知能力的评估与测定 随着认知能力维度的细分，系统复杂性增加， ④在学生进行测试后计算认知能力评价矩阵 评价矩阵的优势凸显。在研究ｎ中，创新能力被划分为３级、１２维度考 最后．在学生学习完某个元知识点后．计算学生综合认知能力值 量．作者将评价矩阵应用于创新能力的评估，取得了良好的效果。本系 Ａ 统应用模糊集理论．采用评价矩阵来估算学生认知能力。 ５ （１ 认知水平的分类 Ａ＝∑ｂｉｘｄｉ 公式（１－２） ｉ １ 美国著名的教育学家与心理学家布鲁姆（Ｂ．Ｓ．Ｂ１ｏｏｍ）将人的认知 ，， 学习偏好的获取 （下转第２８５页） 科技信息 ０高校讲坛０ ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ ２０１２年第３１期 表３描述性统计量 类型 进校经费 立项数 申报数 高。表明立项数越多，进校经费越高。 样本数 ９ ９ ９ 年度均值 ６９．１００ ７０．６６７ ２０９．１ｌ１ 标准差 ４８．１８７ ２４．４７４ １１０．４３６ ３由研究结果引发的思考 国家级、部省级科研项目立项数和进校经费额是高校的科研水平 和科研能力的重要标志 特别对于地方院校科研工作来说更是重中之 重。由于项目申报数、立项数与进校经费数成正线性相关的关系。地方 院校要在国家级和部省级项目上有所突破，要做到以下几点：一要鼓 励教师申报项目。报了项目才有立项的希望．不报就根本没有希望。Ａ 校在２０１１年采取了一项激励措施：凡是申报国家级项目的教师，不管 是否立项．学校都奖励１０００元。在这个措施的激励下．Ａ校２０１１年国 家社科基金项目申报数由２０１０年的１９项增至２０１１年的４５项：国家 自科基金项目申报数由２０１０年的６项增至２０１１年的１６项 这为该 校２０１１年国家社科基金重点项目实现零的突破打下了坚实基础。二 要在申请书的论证上下功夫 可让申报项目的教师提前做好准备．早 点把申报书交到学校来．学校组织相关专家或聘请校外专家专门批阅 指导．有针对性地指导申报教师反复修改２—３次。通过多次修改的论 证充分的申报书才有竞争实力。２０１２年Ａ校的国家社科基金项目申 报时．请对口支援学校的专家进行相应指导后．该校在２０１２年国家社 科基金项目评审中，有３个项目获得立项 达到该校历年来 国家级项 目立项数最高峰。三要保持信息畅通 在项目申报的过程中 要及时下 发相关申报信息．让教师们有充足的时间准备 对于一些常规性的国 家级、部省级项目，可以提前做好预通知。提醒申报者，提前做好申请 书的论证。四是学校在项目配套激励方面要有针对性。要提高国家级、 部省级项目的配套经费。特别是对于国家级及部省级立项不资助的项 目，更要有相关的激励措施。如Ａ校近２年省社科基金项目申报数由 ２０１０年的８７项降到２０１１年的６９项 这与表２中Ａ校对部省级立项 不资助的项目资助额由２００８年的１万元降为２０１０年的０．５万元密 切相关。由于Ａ校近几年省社科基金立项资助的项目只不过３－４项． 其余１Ｏ余项均为立项不资助项目 故而部分教师有放弃省社科基金 项目申报的趋势。 ［责任编辑：王静］ 表４相关系数矩阵 控制变量 无 进校经费 相关系数 Ｐ值 进校经费 １．０００ 立项数 ０．８７９ ０．００２ 申报数 Ｏ．７１７ ０．０３０ 立项数 相关系数 Ｐ值 ０．８７９ ０．００２ １．００Ｏ Ｏ ８１０ ０．００８ 申报数 相关系数 Ｐ值 Ｏ．７１７ ０．０３０ Ｏ．８１０ ０．０ｏ８ １．ｏ００ 申报数 进校经费 相关系数 Ｐ值 １．０００ ０．７３０ ０．０４０ 立项数 相关系数 Ｐ值 ０．７３０ ０．０４０ １＿０ｏＯ 由表４的偏相关分析结果可知．进校经费数与立项数之间的 Ｐｅａｒｓｏｎ相关系数为０．８７９．概率Ｐ值为０．００２：申报数与立项数之间的 相关系数为０．８１０．概率Ｐ值为０．００８：申报数与进校经费数之间的相 关系数为０．７１７．概率Ｐ值为０．０３０，都具有较强的线性相关关系．且都 为正相关。表明项目申报数越多．立项数就越多，进校经费也越高 从偏相关系数来看。当固定项目申报数时，进校经费数和立项数 的相关系数为Ｏ．７３０．概率值Ｐ为Ｏ．０４０，在显著性水平为０．０５的条件 下，进校经费与立项数之间仍存在较强的正线性关系，显著性水平较 （上接第２９２页）学习风格是指学习者身上一贯表现的带有个性 特征的学习方式和学习倾向。口】具有不同学习风格的学习者．往往具有 不同的学习偏好。本系统将Ｆｅｌｄｅｒ—Ｓｉｌｖｅｒｍａｎ量表“输入维度”的值作 为学习偏好的值集，即学习偏好Ｐ＝（Ｐ ，Ｐ目 ，Ｐ ，Ｐ ）。 （１）获取学习偏好的初始值 要求学生完成Ｆｅｌｄｅｒ—Ｓｉｌｖｅｒｍａｎ量表，依据研究 。学生只需完成 前三道题目，获得学生学习偏好的初始值。例如．学生学习偏好为文 本，则初始偏好集Ｐ日＝｛Ｏ．８４，０，０，Ｏ１。 （２）依据学习效果．基于相关规则更新学生学习偏好值 以以下两个规则为例．假设学生初始偏好为文本 规则１： ＩＦ学生不知道问题答案ＴＨＥＮ为学生展示文本材料 ＩＦ展示了文本材料ＡＮＤ学生给出的答案是正确的 ＴＨＥＮ Ｐ￡ 的值增加０．１ 规则２： ＩＦ学生不知道问题答案ＴＨＥＮ为学生展示文本材料 ＩＦ展示了文本材料ＡＮＤ学生给出的答案是错误的ＴＨＥＮ ＩＦ展示了图片材料ＡＮＤ学生给出的答案是正确的 ＴＨＥＮ Ｐ目 的值增加０．１ 当学生完成测试或考试后，依据最终偏好集Ｐｒ中Ｐ文本，Ｐ目 Ｐ ， ，的方法。这些方法对智能导学系统中学生模型的构建．具有参考意 义。 【参考文献】 ［１］Ａｇｎｉｅｓｚｋａ Ｌａｎｄｏｗｓｋａ，Ｓｔｕｄｅｎｔ Ｍｏｄｅｌ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ Ｐｅｄａｇｏｇｉｃａｌ Ｖｉｒｔｕａｌ Ｍｅｎｔｏｒｓ，ｉｎ ｔｈｅ ２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ２０１０ＩＥＥＥ：Ｇｄａｎｓｋ，Ｐｏｌａｎｄ．６１—６４． ， ［２］Ｐｅｔｅｒ Ｂｒｕｓｉｌｏｖｓｋｙ．Ａｄａｐｔｉｖｅ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｗｅｂ—ｂａｓｅｄ Ｅｄｕｃａｔｉｏｎａｌ Ｓｙｓｔｅｍｓ［Ｊ］． Ａｒｔｉｉｆｃｉｌａ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｅｄｕｃａｔｉｏｎ，２００３，１３：１５９—１７２． ［３］张剑平，陈仕品，张家华．网络学习及其适应性学习支持系统研究ｆＭ１．北京：科 学出版社．２０１０． ［４］张婧．基于多Ａｇｅｎｔ的智能网络教学系统模型研究［Ｄ】．南昌：华东交通大学， ２００７． ［５］谢祥志．基于Ｗｅｂ和Ａｇｅｎｔ的智能实验教学系统的研究与实现［Ｄ】．西安：西 安科技大学 ２００６． ［６］李慧明．基于Ｗｅｂ和多Ａｇｅｎｔ的智能教学系统的研究和设计［ＤＩ＿长春：吉林 大学．２００７． ［７］Ｈｏｎｇ－Ｂｏ Ｌｉ，Ｌａｎ Ｙａｎｇ，Ｄａｏ—Ｊｉａｎ Ｙａｎｇ，Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｆｕｚｚｙ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｅｔｂｏｄ ｉｎ Ｅｖａｌｕａｔｉｏｎ Ｓｙｓｔｅｍ ｏｆ Ｃｏｌｌｅｇｅ Ｓｔｕｄｅｎｔｓ ｌｎｎｏｖａｔｉｎ Ａｂｉａｌｉｔｙ． ．ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅ—Ｂｕｓｉｎｅｓｓ ａｎｄ Ｅ—Ｇｏｖｅｒｎｍｅｎｔ２０１０．ＩＥＥＥ．２５６５— ２５６７ ［８］Ｒｏｎｇ—Ｍｅｉ Ｚｈａｎｇ，Ｌｉｎｇ－Ｌｉｎｇ Ｌｉｕ．ＲＥＳＥＡＲＣＨ ＯＮ ＩＮＴＥＲＮＥＴ ＩＮＴＥＬＬＩＧＥＮＴ ＩＵＴ０ＲＩＮＧ ＳＹＳ ｒＥＭ ＢＡＳＥＤ ＯＮ ＭＡＳ ＡＮＤ ＤＡＴＡ ＭＩＮＩＮＧ．Ｐｒｏｅｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｐ 的值来判断学生的学习偏好 ３结束语 通过建立学生模型，智能导学系统能够推断出学生是否掌握了当 前学习的知识点，进而开展下一步有针对性、个性化的教学 本文基于 认知水平和学习偏好的学生模型，对认知水平评价模型进行了完善： 综合考虑了常用的获取学习偏好的途径，提出了本系统获取学习偏好 Ｅｉ曲ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ．Ｂａｏｄｉｎｇ： ＩＥＥＥ，２００９：２８８—２９１． 【９３ａ．Ｌａｔｈａｍ，Ｋ．Ｃｒｏｃｋｅｔｔ，Ｄ．Ｍｃｌｅａｎ．Ｕｓｉｎｇ Ｌｅａｒｎｉｎｇ Ｓｔｙｌｅｓ ｔｏ Ｅｎｈａｎｃｅ Ｃｏｍｐｕｔｅ— ｒｉｓｅｄ Ｌｅａｒｎｉｎｇ Ｓｙｓｔｅｍｓ．ｔｈｅ ２００９ Ａｎｎｕａ１ Ｒｅｓｅａｒｃｈ Ｓｔｕｄｅｎｔ Ｃｏｎｆｅｒｅｎｃｅ．Ｍａｎｃｈｅｓｔｅｒ ＵＫ：Ｍａｎｃｈｅｓｔｅｒ Ｍｅｔｒｏｐｏｌｉｔａｎ Ｕｎｉｖｅｒｓｉｔｙ．２００９． ［责任编辑：王静］