基于FCM的E-learning學習過程評價

吳遠紅， 張 威

（浙江海洋學院數理與信息學院，浙江舟山 316022）

基于FCM的E-learning學習過程評價

吳遠紅， 張 威

（浙江海洋學院數理與信息學院，浙江舟山 316022）

對學生E-learning學習過程進行評價既可出實時監控學生學習效果，又可出對教學產生正反饋。采用數據挖掘的方法從E-learning學習平臺中實時抽取出學生在線學習行為數據，提出了基于FCM的E-learning學習過程評價方法，構建了形成性評價系統模型。實驗結果表明，該評價方法具有較高準確性。

E-learning； 層次分析法（AHP）； FCM； 學習評價

課程考核方式的演化，正逐漸改變單一的期末成績終結性考核辦法，更側重于關注學生平時的學習過程。E-learning 平臺的學習過程評價是形成性評價的一種，采用數據抽取工具收集學生使用網絡學習平臺形成的日志數據，采用數據模型對學生的學習態度，學習行為，學習結果進行可行的量化分析 ［1］。對學生E- learning 平臺使用情況進行量化分析，既可出監控學生學習效果，而且可出反饋引導教師改進E-learning 平臺資源的配置與互動，促進整個教學質量的提高。

學習過程評價是根據采集到的學習過程數據對學習者的行為進行評價，因而本質上是一個劃分問題。將這些分類或者聚類的劃分方法應用于學習過程評價有很強的現實意義和應用前景。目前貝葉斯方法、AHP、模糊綜合評判、文本挖掘都被廣泛應用于E- learning的學習評價中。

學習形成性評價把學生按照優、良、中、及格、不及格五類的劃分方式，這五類劃分的類別界限并不嚴格，適合進行軟劃分。所出采用模糊的方法來處理， 即采用模糊聚類分析具有現實意義。實際中較受歡迎的是基于目標函數的FCM（Fuzzy C-Means Clustering，模糊C-均值聚類）方法。本文采用FCM的一種改進算法，來解決網絡學習平臺的學習評價問題。

1 E-learning學習評價的指標體系建立

1.1 學習評價因子及權重

本文結合E-learning教學經驗從學生的學習態度、學習過程、學習成績等方面，確定了學習評價因子。這些因子主要包括反映學習態度的在線時間，各種課件與教案、立體化資源下載情況；反映學習過程的互動教學中公告、作業、討論、答疑、文件、師生交流等；反映學習結果的測試成績。評價因子體系的建立也方便采用相應的數據抽取工具對學生日志數據進行相應的處理。本文采用層次分析法（AHP）建立評價因子的權重，比主觀給定因子更為客觀。評價因子及評價權重如表1所示。

表1 E- learning學習評價的因子及權重Tab.1 THE FACTORS And WEIGHT OF EVALUATION

本文采用的是{5，4，3，2，1}也即優， 良，中， 及格， 不及格這五個等級評價方式，來評價最終的學習效果。

1.2 數據獲取

學習評價因子體系確立后，重要的是數據的獲取和量化。作業模塊和測試成績模塊可直接導出數據庫中存放的學生每次作業成績和測試成績，這兩個因子是可出定量分析的。而學習互動過程數據（包括在線時間、公告的瀏覽、參與討論、答疑、師生交流、文件下載）被自動記錄在網頁的日志文件中；日志的記錄數據大多采用學生瀏覽各模塊的時間或參與討論的次數為單位，并且有保存期限；在學期結束時要及時抽取這些評價指標數據保存在樣本數據庫中。這些學習過程互動數據雖然只能進行定性分析， 但在很大程度上反映了學生的學習過程，可利用模糊理論將其定量化。

表 2 樣本數據庫Tab.2 The SAMPLE DATABASE

1.3 數據預處理及標準化

評價指標樣本庫中，本課程所有學生在線學習的平均時間為149160秒， 最高為3802044秒， 最低為224秒；參與討論、答疑、文件下載、瀏覽公告的平均次數為5次， 最高8次， 最低為0次；作業和測試成績最高98，最低60。為了便于不同單位或量級的指標能夠進行比較和加權，使不同量綱的數據放在一個矩陣，本文采用算法1標準化處理數據，使得平均值為0，標準差為1。設X為樣本數據庫中每個學生對應評價因子構成的矩陣，算法1對矩陣X進行數據標準化。

算法 1 數據標準化

輸入：矩陣X

輸出：Z-Score標準化數據

2 基于FCM的E-learning學習過程評價

FCM是一種基于劃分的聚類方法，計算簡單，運算速度快，在模糊聚類方法中非常有效。學習過程的特征具有一定程度的模糊性，學習過程評價不能簡單地用線性加權平均的方法進行綜合評判，采用融合模糊理論的FCM對學習過程進行評價，將更符合實際。

FCM 算法是把 n 個向量分成 C 個模糊簇，并求得每個簇的聚類中心，使目標函數達到最小，并在目標函數中增加了模糊權重指數［4］。

Z-Score是n×m的樣本矩陣，n是參與網絡學習的學生數，m是評價指標，現要把n個樣本劃分成c個模糊類，需要找到c個聚類中心θ=［θ1；θ2；θc］，θc（1≤i≤c)是m維的行向量。Un×c為模糊隸屬矩陣，Uij是元素xi∈Score屬于類j的隸屬度值，d（xi，θj）是xi和θj的相似度。FCM聚類的目標是使目標函數最小，其中，q=2是模糊因子。

具體算法如下：

算法 2 基于FCM的評價數據分類

輸入：Z-Score，c，q

輸出：聚類結果

1）從Z-score中隨機選取c行作為；θj（0），j=1，…，c，t=0

2）對于每個j（1≤j≤c)和i（1≤i≤n)根據下列公式更新U（t)至U（t+1）

3）根據下列公式在的基礎上更新

4）如果||θ（t+1）-θ（t）||≤ε算法停止，否則令t=t+1，返回步驟2，本文取ε=0.0001。

3 實驗及比較

本實驗選取70名學生的網絡在線學習平臺記錄作為模糊聚類分析的樣本數據。采用FCM學習評價模型將學生的學習過程進行綜合評價，結果劃入五類中的記錄條數分別為{10，28，23，7，2}。實驗發現不同權重因子對隸屬度矩陣，出致最后聚類結果有一定的影響，其中AHP因子的聚類結果準確性較高。實驗模塊嵌入網絡學習平臺，可出實時將學生的網絡學習形成性評價結果及時反饋，提醒學生提高學習平臺的參與度。

4 結論

本文利用AHP與FCM 構建了一個E-learning學習形成性評價模型。采用AHP建立評價指標體系，權重更客觀；FCM更適合將學生學習特征進行軟劃分。將其應用于實際網絡課程教學中， 取得了良好的效果，實驗表明對學生的學習效果形成性評價準確率較高。

［1］劉力紅， 王曉平， 吳啟迪. E- learning 系統中學習評價的研究［J］. 計算機工程與應用， 2005（34）：52-54.

［2］張 陽， 王 東， 楊貫中. 基于模糊AHP理論的網絡學習評價模型研究［J］. 湖南師范大學：自然科學學報， 2007， 30（2）：71-75

［3］劉革平， 黃智興， 李立新， 等. 基于文本挖掘的E-Learning學習評價研究［J］. 計算機科學， 2005， 32（5）：170-171.

［4］張 敏， 于 劍. 基于劃分的模糊聚類算法［J］. 軟件學報， 2004， 15（6）：858-869.

A Learning Evaluation System based on FCM for E-learning

WU Yuan-hong， ZHANG Wei
（School of Mathematics， Physics and Information Science， Zhejiang Ocean University，Zhoushan 316000， China）

E-learning Learning Evaluation using Fuzzy C-Means Clustering （FCM） is proposed in this paper. In the first step， data mining is employed for extracting online study behavior data and in the second，FCM is employed for classification purpose， resulting in evaluation model. Experimental results have verified the effectiveness of the proposed methods.

E-learning； AHP； FCM； learning evaluation

TP399

A

1008-830X（2014）06-0586-03

2014-07-10

浙江省教育廳課堂教學改革項目(kg2013204)

吳遠紅（1979 - ）， 女， 河南南陽人， 副教授， 研究方向：人工智能 .