網絡智能教學系統中雙層學生模型的設計

　　【摘 要】
　　 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。
　　【關鍵詞】 學生模型；智能教學系統；Hopfield神經網絡
　　
　　【中圖分類號】 G434 【文獻標識碼】 A 【文章編號】 １００９—４５８ｘ（２０11）12—００645—０4
　　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={Knowle