□ 郝耀軍 王建國 趙青杉

網絡智能教學系統中雙層學生模型的設計*

□ 郝耀軍 王建國 趙青杉

本文探討了在網絡智能教學系統中建立一個雙層動態學生模型的方法，模型的初始層采用復合認知型學生模型，高級層利用Hopfield神經網絡算法，在初始層數據的基礎上加入興趣、愛好、知識狀態、學習歷史等信息進行評價、分類。該模型克服了單一學生模型結構數據處理的障礙，能夠靈活、全面地對學生的學習特征進行分析，有效改善了智能網絡教學系統的教學決策過程。

學生模型；智能教學系統；Hopfield神經網絡

引言

目前，網絡教學系統正向著智能化的方向發展，智能化的主要目標是解決現代遠程教學中的個別化教學問題，提高系統對學生的適應性和針對性[1]。

網絡智能教學系統中的學生模型（Student Model）是個別化教學決策的依據，是適應性教學中“因材施教”的“材”的量化標準。學生模型是指在智能教學系統中根據需求構造出的一種能可靠表示學生認知特征的數據結構，記錄著學生對知識的掌握程度和個人的學習水平，是學生知識結構和認知特征的反映。學生模型一般依據學生和系統之間的交互及應答歷史而形成，可以根據學生的學習情況動態地修改。

在國外的相關研究中，有的學者用貝葉斯網絡建立學生模型，進行個性化教學推理[2]；有的學者利用對話來獲得學生對領域知識的掌握程度，從中分析學生學習的速度、掌握程度以及記憶能力，采用一定策略對學生實施個別化教學[3]；也有的學者通過對學生學習某個主題的評價，來判斷該學生是否可以進入下一個主題的學習[4]。在國內，劉宇，解月光對CELTS-11學習者模型規范進行了取舍、組合，利用模糊評價方法對學生的認知能力進行評判[5]。在最近的研究中，孫中紅提出基于決策樹的遺傳算法，將學生的學習標準、興趣、愛好、知識狀態、學習歷史、心理因素和認知能力等信息進行數據挖掘和分類，從而構建一個綜合覆蓋模型、偏差模型、認知型模型或是幾種模型組合的全面學生模型[1]。郭富強從學習者個體學習情況和學習需求出發，在研究分析影響學習者的學習基礎、認知能力、心理因素的基礎上，設計了學生模型，并給出了學生模型的動態調整算法[6]。

本文設計的雙層動態學生模型是基于網絡的SQL查詢語言智能教學系統，它采用任務驅動的個性化學習方式，以模擬在線實驗為平臺，同時提供學習資源、實例演示與綜合測試等服務。SQLlearning學習系統因其實驗交互、智能引導等特點在實踐應用中取得了較好的效果。

一、雙層動態學生模型的工作原理

在SQLlearning中雙層動態學生模型的工作原理如圖1所示，學生登錄系統后，利用雙層動態學生模型智能引導學生的實驗、學習、測試等活動，系統一般選用學生模型的高級層驅動相應數據庫，生成用戶的個性化實驗任務、測試題目、學習資源等，而對于未經高級層處理或網絡條件不允許進行高級層處理的學生模型則選用初始層參數。

一般來說，高級層的處理過程是在搜集了一定量的初始層學生模型參數后，經Hopfield網絡處理生成標準化模型庫，進行評價、分類，并將結果取樣到樣本庫、存儲到評價庫的過程。

二、初始層——復合認知型學生模型

初始層采用輕量化數據設計，結合認知型學生模型的特點，在SQLlearning系統中設計了如下的數據結構來記錄學生的認知能力：

SM={Knowledge,Comprehension，Application，Analysis，Synthesis,Evaluation,CorrectRate,ExAccuracy}。

其中，Knowledge、Comprehension、Application、Analysis、Synthesis、 Evaluation依次為識記、理解、應用、分析、綜合、評價6項認知能力參數，ExAccuracy，CorrectRate分別對應實驗正確率、測試正確率。

初始層學生模型的參數由系統與用戶的交互形成，在SQLlearning系統中主要通過資源學習、平時實驗、綜合測試等活動來記錄。需要說明的是，系統在設計實驗任務與綜合測試題目時，每項均進行了認知改造,也就是每個項目均設有認知能力觀測點，如果測試項目通過，則該認知能力觀測點記為1，未通過記為-1，未測試記為0，所以學生的每一次活動都有反應一項或幾項認知能力的參數記錄在學生模型庫中。

從改造后的測試項目中可以匯總得到學生各項認知能力的信息，在矢量式si=(a1，a2，a3，a4，a5，a6)中，ai代表某項認知能力的正確率，其中，0＜=i＜=6，0＜=j＜=n，n 為該學生進行的所有測試題數量。

Rij(1)代表第i項認知能力到目前為止的測試中所答對的次數。

Rij(-1)代表第i項認知能力到目前為止的所有測試中答錯的次數。

每個學生的認知能力ai的平均值會隨時更新到學生模型庫中，同樣每次的測試與練習正確率CorrectRate，ExAccuracy也會以平均正確率更新到學生模型庫中。

在實際應用中，若遇到新注冊人數較多、服務器負擔較重、網絡不暢等制約條件，可以對初始層模型參數進行簡單加權評價、分類，在犧牲部分評定準確性的基礎上保證系統正常運行。

三、高級層——利用Hopfield神經網絡處理

根據初始層的復合認知型學生模型，橫向對比眾多用戶的學習數據，挖掘出初始層學生模型中的有用信息，對學生模型進行細致的刻畫與分類，是高級層學生模型構造的關鍵。在這里將初始層模型的數據，加上興趣、愛好、知識狀態、學習歷史等作為高級層學生模型分類的生成要素。

1.Hopfield神經網絡算法設計

在高級層中，將若干個典型的、理想的學生模型對應的初始層學習數據、興趣、愛好、知識狀態、學習歷史等作為Hopfield神經網絡的平衡點，Hopfield神經網絡學習過程即為典型的學生模型的數據要素逐漸趨近于Hopfield神經網絡的平衡點的過程。學習完成后，Hopfield神經網絡儲存的平衡點即為各種學生模型所對應的數據要素。當需要判定學生模型時，Hopfield神經網絡即利用其聯想記憶能力逐漸趨近于某個儲存的平衡點，當狀態不再改變時，此時平衡點所對應的狀態即為待判定的學生模型。具體算法設計步驟如下：

步驟1：設計理想的學生模型評價指標

從初始層的每類學生模型中隨機選取樣本，按類匯總以各分量的平均值作為理想學生模型的評價指標，如表1所示。

步驟2：為理想的學生模型評價指標編碼

由于Hopfield網絡神經元的輸出只取1和-1，所以將評價指標映射為神經元的狀態時，需要對其進行編碼。編碼規則為：當大于或等于某個等級的指標時，對應的神經元狀態設為“1”，否則設為“-1”。理想的4個等級評價指標編碼如表2所列，其中·表示神經元狀態為“1”，即大于或等于對應等級的理想評價指標值，反之用○表示。

表1 SQLlearning系統從初始層選取的理想樣本

表2 理想的評價指標編碼

步驟3：為待分類的學生模型評價指標編碼

設有5個待分類的學生模型，提取信息后有表3所示的學習數據。

表3 SQLlearning高級層中待分類的數據

根據上述編碼規則得到對應的編碼，如圖2所示。

圖2 SQLlearning高級層待分類數據的編碼

步驟4：利用MATLAB中神經網絡工具箱函數創建Hopfield網絡，對表1中的標準樣本數據進行訓練。

圖3 SQLlearning高級層數據的分類結果

步驟5：利用訓練好的網絡對高級層的待分類數據仿真、分類，分類結果如圖3所示。

2.Hopfield神經網絡算法在網絡環境中的實現

Hopfield神經網絡算法處理高級層學生模型基于Matlab 7.10.0(R2010a)實現，在網絡環境中，網頁功能模塊基于Visual Studio 2010開發。具體實現步驟如下 ：

步驟1.基于Matlab實現Hopfield神經網絡算法，偽碼如下：

步驟2.Deployment for.NET Assembly制作dll組件

將Matlab中編寫的函數用Deployment Tool工具進行編譯，生成 .NET Assembly動態鏈接庫hop_ddm.dll文件。

步驟3.將上述生成的hop_ddm.dll文件和MWArray.dll復制到vs項目的bin文件夾下，在VS2010的 asp.net項目中添加對 hop_ddm.dll和MWArray.dll的引用。

步驟4.混合編程，在網頁中調用。

結束語

本文結合實際應用的SQLlearning系統探討了網絡智能教學系統中一個雙層動態學生模型的構建方法，重點闡述了高級層中Hopfield神經網絡算法原理及其在網頁中的實現方法。為驗證學生模型的有效性，2011年上半學期將忻州師范學院計算機系2008級248名學生隨機分為兩組，實驗組168名學生采用如圖4所示的SQLlearning實驗教學環境；對照組的80名學生則采用真實上機實驗環境。在學習時間等同的情況下，對4份測試，成績如表4所列，實驗組學生平均成績比對照組高出16.29%。在隨后針對學生模型認可度的調查中，收到有效問卷152份，其中非常認可、認可、不認可的學生人數分別為109、38、5，學生模型的分類結果在受測試學生中的認可度達96.7%。

表4 測試成績表

[1]孫中紅.個性化智能網絡教學系統中學生模型的研究[J].中國電化教育，2009，（10）：107-110.

[2]Peng-Kiat Pek,Kim-Leng Poh.Using Decision Networks for Adaptive Tutoring[DB/OL].http://www.eric.ed.gov/ERICDocs/data/ericdocs2sql/content_storage_01/0000019b/80/17/2a/8e.pdf.

[3]Yujian Zhou Martha W.Evens.A Practical Student Model in an Intelligent Tutoring System[DB/OL].http://www.cs.iit.edu/～circsim/documents/yzitai99.pdf.

[4]Mia K.Stern and Beverly Park Woolf.Curriculum Sequencing in a Web-based Tutor [DB/OL].http://www.springerlink.com/index/4MBNT2BNUMKB3A2G.pdf.

[5]劉宇，解月光.動態學生模型與智能支持服務研究[J].中國電化教育，2006，（10）：94-98.

[6]郭富強.智能教學系統中動態學生模型的研究與設計[J].中國電化教育，2011，（1）：119-123.

[7]郝耀軍，程國忠.基于在線實驗的SQL語言智能教學系統的設計與實現[J].現代遠距離教育，2007，（1）：76-78.

[8]史峰，王小川，郁磊等.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[9]陳仕品，張劍平.適應性學習支持系統的學生模型研究[J].中國電化教育，2010，（5）：112-117.

2011－08－25

郝耀軍，講師，碩士；王建國；趙青杉。忻州師范學院計算機系（034000）。

責任編輯 柯 南

Student model in an online intelligent tutoring system (ITS)is the foundation for individualized teaching decision making,and a qualitative standard for learner customized teaching in adaptive tutoring.This study explores the methodology to construct a dynamic student model in an online ITS,consisting of a basic level and a higher level.The basic level deals mainly with students’cognitive abilities,while the higher level involves evaluation and classification of interests,hobbies,knowledge status,and education background of students.This new model can provide flexible and thorough analysis about students’characteristics,and improve the decision making system of ITS.This double-leveled model has been successfully experimented in the SQLlearning system.

Design of Double-leveled Student Model in an Online Intelligent Tutoring System

Hao Yaojun,Wang Jianguo and Zhao Qingshan

student model;intelligent tutoring system;Hopfield neural network;MATLAB

G434

A

1009—458x（2011）12—00645—04

*受山西省高等學校科技研究開發項目“基于虛擬人情緒的智能學習支持系統的研究與開發”（項目編號：20111124） 基金資助。