適應性網絡學習決策系統

摘要:該文對如何提高學習者的學習效率，實現個性化學習的問題，提出了基于貝葉斯方法和區間數多屬性決策方法的適應性網絡學習決策系統，并對該系統的結構、功能和實現的方法進行了初步說明。

關鍵詞:學習決策系統; 貝葉斯方法; 區間數多屬性決策

中圖分類號:TP18文獻標識碼:A文章編號:1009-3044(2009)33-9161-03

Adaptive Learning Decision-making System

CHEN Qiong

(Nanjing University of Finance Economics， Nanjing 210046， China)

Abstract: This article on how to improve learner's learning efficiency， to achieve personalized learning problem， a Bayesian approach and interval multiple attribute decision making methods of adaptive learning decision-making system， and the system structure， function and methods to achieve a preliminary note.

Key words: learning decision-making system; bayes network; interval multiple attribute decision making

建構主義認為，知識不是通過教師傳授得到的，而是學習者在一定的情境即社會文化背景下，借助其他人(包括教師和學習伙伴)的幫助，利用必要的學習資料，通過意義構建的方式而獲得。隨著信息化、網絡化的發展，為了充分發揮學習者的主動性、積極性、創造性，體現學習者的主體地位，本文提出了建立一種適應性網絡學習決策系統。

1 決策系統圖及功能說明

1.1 適應性網絡學習決策系統

基于Internet的網絡學習決策系統是一種客戶、服務器結構的典型Internet應用。客戶端主要用來作為與用戶進行交互的工具，常用的客戶端為瀏覽器。主要的邏輯計算和數據存儲在服務器端實現。服務器常常是并發的、異步的。

圖1是基與網絡學習決策的系統結構圖，用戶通過瀏覽器向服務器發出決策請求，WEB服務器接受請求后，調用數據庫中用戶信息和知識庫中知識信息，對學生模型進行初始化;根據學生模型的參數，WEB服務器再調用知識庫中的學習策略，給出學習模型中與用戶相對應的學習策略，并通過對象調用數據庫中的推理規則推出學生模型的參數，WEB服務器將根據學生模型參數找到與決策模型向匹配的決策，然后用戶端獲得HTML文檔形式的決策項后表現給用戶，并將用戶新信息返還給服務器，以便進行下一步決策。當決策結束后，得出的用戶表現信息和用戶決策信息將用于更新學生模型和決策模型，同時將各個參數存入數據庫的用戶信息和決策資料里，以備下一次進行決策。

1.2 系統的功能說明

網絡學習決策系統由5個模塊組成，即由知識庫、數據庫、知識獲取、推理機及人機交互界面。知識庫中儲存學習(教學)知識信息、學習或教學策略、教學經驗、推理規則，它是推理機制的基礎;數據庫中儲存用戶信息、各種試題、教學評估資料、決策資料;推理機是控制、協調整個決策系統的，并根據當前數據庫中學習者的信息、教師的教學信息，應用知識庫中的知識按照確定的推理規則進行推理;知識獲取部分是學習者根據自己的學習情況對內容進行修改、刪除或擴充;人機交互界面是用戶與計算機對話的媒介，由注冊或登陸及身份選擇、內容選擇、方式選擇等幾部分組成，它在一定程度上反映了系統是否真正體現了以學習者為中心的原則。因此可以看出決策系統實現了以下幾個功能:

1) 網絡學習功能:是本決策系統一個重要思想，學習者通過網絡學習子系統，根據自己本身的實際情況在系統的輔助下選擇不同的方式學習:獨立學習、在線協同學習、聽課學習。

2) 網絡教學功能:教師通過網絡教學系統里的可視化界面編輯器對教學設計策略庫、教學模版庫及媒體進行有效的修改、擴充。

3) 檢測功能:在線檢測子系統是由身份確認庫、試題庫及抽題策略庫構成。身份確認庫中確定有該用戶的信息后，通過在線檢測子系統它會自動生成一套符合用戶身份的試題給用戶做，進行在線檢測，然后把用戶新的信息再次輸入到數據庫中進行更新。

4) 決策功能:通過檢測功能的檢測后，系統把用戶新的信息輸入到Web服務器里與學生模型進行比較分析，然后根據分析的結果在與決策模型中相匹配的決策，通過WEB服務器調用在把信息以HTML文檔形式顯示給用戶看。

2 系統功能模塊的實現

1) 貝葉斯網絡是一種有向無環圖，其結點代表了人們所關心的變量，結點之間的連接代表了變量之間的因果關系，變量間影響的程度由網絡中依附在父—子結點上的條件概率來表示。

學生模型的作用就是為系統提供關于學生對知識掌握情況的準確信息，以便教學策略部分能夠及時、準確做出決斷，并從決策模型中給出相應的決策，返還給用戶。

利用貝葉斯網絡來建立測試項與學生能力之間的關系模型，并通過更新來達到不斷了解的目的。學生對于某種技能的掌握程度采用技能水平上的概率分布來表現。這里給出了貝葉斯建模方法，通過限制學生的模型表現知識的復雜性和用來建立學生模型的概念網絡的復雜性，使得網絡的更新時間可以與輸入數據項的數據量呈線性關系，需要擁有的先驗知識的數量也減少了，同時對于輸入項來說，也可以模塊化處理，以便于添加或刪除不必更改模型參數或算法。

我們將每個學習者從幾個方面進行抽象為一個特征向量，每一維分別對應一個因素，利用結點的各屬性之間的條件依賴關系和樣本得出的條件概率，得出聯合概率后，就可以對屬性的后驗概率進行更新;圖2是抽象出來的學習者的貝葉斯網絡結點圖。

其中:1性別;2年齡;3學歷;4身份;5所處行業;6學習內容;7認知規律;8應用型知識;9理論型知識;10圖形動畫知識;11提示語反饋;12結論性展示;13多媒體方式展示;14知識型策略;15能力型策略。

從圖2中可以看出，不同身份的學習者由于自身的認識水平不同，因此系統就要根據模型來推理一下目前這個學習者的認知水平如何，最后才能根據所測出認知水平的參數對應學習策略中的具體策略，以英語為能力型策略的貝葉斯網絡模型的更新步驟如下:

首先，簡化方法在于把問題歸類。將問題的難度分為幾個等級，難度相近的問題歸于一類，然后把答對某類難度問題的條件概率與可能的技能水平聯系起來。通過把問題歸入不同的類，使同類難度的問題都有同樣的條件概率參數。

其次，把問題難度等級與技能等級聯系起來，如有4個技能等級:高中、四級、六級、托福，則可有3個相關的問題分類如:四級、六級、托福。

最后，減少條件概率參數的方法是利用技能分類的過渡性:假如某用戶已達到特定水平級，則理想情況他只能回答這一水平級以及低于這一級的所有問題。

失誤率s和猜中概率g:s和g都是比較小的數字，如果我們選擇問題有m個選項，則取g=1/m是一個較好的選擇。

如果g=0.25，s=0.1。考察四級題目如表2所示。

表1、表2中，第一行是學生的實際技能水平，貝葉斯網絡就是通過表1，推理學生技能在不同等級的概率分布。

S失誤率——用戶答錯應知道問題的概率;g猜中率——用戶答對自己所不知道問題的概率;現在給出從表中數據中提取決定決定技能水平的概率分布的等式;

表現數據e的條件下，用戶等級的單一離散概率變量X為:

(1)

(2)

這里xj(=1…4)是特定的學生技能等級，e是某一個用戶表現數據，P(e/X=xj)表示某一個難度的問題，在用戶級別是xj的條件下，出現數據e的概率。P(e)表示對于特定難度的問題，表現數據e出現的概率。

(3)

(4)

由(3)、(4)兩式構成貝葉斯推理公式，P(e | X=xj)由上表根據s和g的取值給出。

2) 決策是人類的一項基本活動，是人們基于自己的知識、經歷、偏好等行為準則與手段進行探索、判斷與決策的過程。現實生活中的決策往往是多準則決策，包括多目標決策和多屬性決策，而本系統采用的則是區間數多屬性決策方法。

考慮一個系統會對學習者進行據測問題的提示，通常采用學習態度u1、學習狀況u2 和學習方法u3這3個屬性作為決策指標，設有5個方案xi(i=1，2，3，4，5)將被決策，并假定屬性的權重向量為w=(0.4，0.4，0.2)，決策者以區間數這種不確定形式給出了5個方案的屬性值，其規劃決策矩陣如表3。

為了對各方案進行排序，利用公式求出zi(w)(i=1，2，3，4，5)兩兩比較的可能度矩陣P，利用公式求得矩陣P的排序向量v，由排序向量V及矩陣的P 的可能度，得到區間數zi(w)(i=1，2，3，4，5)的排序，即能表示出方案間的具有可能度的優序關系，則相應5個方案的排序為:

從而得出結論，x2的決策策略最適合學習者現在學習模型下的決策方法。

3 實驗結果

本文對130名網絡適應學習者進行了決策系統的測試，測試的結果如圖3所示。

從圖3中可以看出貝葉斯方法的正確率可以達到93.7%，本方法與其他方法的統計分析比較，發現不論在最高正確率，還是在同一個正確率要求下的錯誤率方法比較，貝葉斯方法都有一定的優勢。

4 結束語

基于貝葉斯的網絡學習決策系統中，系統會根據學習者的自身情況為其準備不同的學習方式、不同難度的教學內容進行輔助學習;當學習完成時，系統又會通過檢測功能確定學習者新的認知水平，作為下一次登陸學習時為其學習準備依據，并向學習者提供進一步的決策意見。網絡學習決策系統畢竟是一個涉及多學科的復雜知識系統，發展過程中尚存在未能解決的問題，如:系統的核心技術中數據庫的推理機制等。