智能評價的研究型網絡教學平臺設計與應用

柳 虹

（浙江經濟職業技術學院 黨委、院長辦公室，浙江 杭州，310018）

《國家中長期教育改革和發展規劃綱要（2010－2020）》中在強調創新人才培養模式及倡導啟發探究式教學的同時，將構建數字化教育服務體系視為提高教學質量的重要手段，通過數字化教育教學體系和優質教育資源的共建共享，促進了教育內容方法和手段的現代化，增強了學生探究協作學習的能力，從而全面提高了人才培養質量。

通過對國內現有的研究型網絡教學平臺的研究發現［1－3］，目前主要存在以下問題及改進需求：

（1）現有平臺多以具體課程為例進行設計應用，適用性較窄，平臺需對研究性教學模式中的通用性模塊進行設計，這要求系統功能構架和技術構架需要良好模塊化，以滿足教學通用性需求；

（2）平臺的研究與應用主要集中在教學過程的數字化及管理方面，對于教學效果評價操作性不強，因此，平臺需對學生學習效果提供智能評價功能，為教師提供改革的決策依據；

（3）網絡教學是課堂教學的網絡化延續，當前的平臺缺乏互動性設計，目前要求系統能夠從實際教學出發，提供統一的交互性強的教學設計及功能支持；

（4）學習評價的設計采集海量的數據量，這就要求系統采用數據挖掘技術，以提高數據利用的效率。針對上述問題及需求，本文闡述了基于學習智能評價的研究型網絡教學平臺的設計與應用，為教學方式、方法改革提供了一個服務支撐平臺。

1 總體框架設計

根據對現有平臺不足之處的總結，以及實際需求的分析，首先對系統構架進行了設計，總體設計框圖如圖1所示。

圖1 總體設計框圖

系統的主要功能設計包括：用戶管理、角色權限、機構管理、系統日志管理、新聞動態管理、答疑模塊、互動論壇管理、主題任務管理、作業管理、教學班管理、資源管理、課程建設管理、數據挖掘組件、算法集成組件及智能分析支持管理等。系統的核心是學生教學參與情況數據庫，它是建立在學生通過教學平臺參與主題任務模塊、答疑模塊、資源訪問情況、系統登錄情況、在線測試得分情況、作業得分情況等條件下提取而來。這些數據通過數據挖掘機進行數據挖取，與專家知識共同形成知識庫，通過學生學習效果評價算法組件對學生在教學平臺的參與和學習成果方面給予評價，并以直觀的統計報表方式供教師及學生查詢，為教師教學方法改革及學生調整自我學習方式提供了輔助決策支持。同時研究型網絡教學平臺具有互動教學、新聞動態、資源共享、課程資源建設等常規教學平臺的功能。

2 功能分析和建模

2.1 功能分析

針對基于學習智能評價的研究型網絡教學平臺的功能需求，獨特的功能設計如下：

（1）具有三維屬性的角色訪問控制功能。在本項目中，數據范圍及角色設置不同，對于不同角色進行評價及反饋信息是不同的，對于教師給予最全的客觀信息，對于學生則側重給予鼓勵提示內容；又如對資源訪問不同角色權限也不同，即不同的角色擁有不同資源大小的下載權限。因此在傳統的RBAC模型的2個維度屬性——對象和操作的基礎上引入了范圍（scopes）這樣一個新的維度屬性。通過這三者的組合來體現功能權限與數據權限的區別和聯系，從而為系統提供了更為靈活的角色訪問控制策略，提升了系統適應性［4］。

（2）研究型教學流程模式設計。研究型教學流程模式包括教師規定任務或主題、學生分組、組內討論或自主學習、教師指導、成果展示及評價幾個內容，其具體流程如圖2所示。

本系統中設計的研究型教學流程除了提供常規的基于主題任務驅動式的教學模式之外，學生可以利用網絡教學平臺的資源欄目進行自主學習。教師和學生可以對照學生學習效果智能分析評價結果進行教學方式和自我學習方式的調整。

（3）智能推理機組件。通過獲取專家知識庫中的知識，結合學生學習效果評價算法計算出的數值，對學生參與程度、學習效果進行評價，推理出學生所花時間是否足夠、目前學習效果是否理想、是否需要改進學習方法、對課程的哪些章節內容掌握的還不夠。

圖2 研究型教學流程設計圖

2.2 學生學習效果評價算法模型

在進行學生學習效果評價時需對學生學習效果評價建立評價模型，對于這種交互性分析模型，最早由Henri提出，他從交互言論的視角分析了交互特征，并提出了分析模型，將交互分為5個維度：參與、互動、社交、元認知和認知［5］。該分析模型為人們進行交互文本的分析搭建了一個基本框架。Marcos等人也認為交互分析方法和工具是為了增強協作學習，為意識、規則或評價提供支持，而它們將依賴于參與者在協作過程中所扮演的角色，并據此提出了一個交互分析框架［6］。根據Henri的在線交互學習的5個維度，結合學生在教學平臺上參與互動教學的情況，筆者將學習評價設計為：在線學習時間、互動答疑次數、資源訪問情況、研究型教學任務參與情況、作業情況和平臺上參與互動情況6個緯度，根據評價算法模型結合專家知識推理出學生在這6個緯度上的參與及學習效果情況。以下對這兩種評價算法模型進行說明。

（1）學生課程參與度。學生參與度為學生參與教學的活躍程度，一般可分為：非常活躍、活躍、較活躍、一般、不活躍，學生參與度算法如下

式（1）中：N＝6，Pi為學生在教學平臺某項教學情形上的 參 與 度，P1學習時間＝ P個人在線時間/P平臺最長在線時間，P2互動次數＝ P個人次數/ P平臺最多疑次數， P3資源訪問＝P個人資源訪問次數/P平臺最多訪問次數， P4任務參與＝ P 個人參與任務次數/P平臺做多參與次數， P5作業＝ P個人作業提交情況/P平臺最多提交情況， P6在線測試＝ P個人在線測試時間/P平臺最長在線測試時間。上述學生在每個教學情形上的參與度是本人在該教學情形上的參與情況與在相同層次的學生該教學情形上做的最好的情況的比值，該比值作為個人在該項教學情形的參與度。以相對值作為比對標準，主要考慮到不同學習對象由于學習層次、教學資源、教學環境、專業、年級等存在較大差異，通過相對比較值可保證評價結果的相對客觀。

（2）學生學習效果評價計算，公式如下

式（2）中：N＝3；Ri為學生在教學平臺某項得分項目上的獲得的效果，R1為作業得分情況，R2為在線測試得分情況，R3為任務得分情況。計算方法比較一致，以作業得分R1為例進行說明如下

式（3）中：Si為每次作業得分，Ti為每次作業的總分，其他得分項目效果評價算法類似式（3）所列算法。

3 關鍵技術

本平臺在開發過程中涉及到的技術難點有層次化設計、FSSH柔性構架設計。

3.1 層次化設計技術

基于學習效果智能評價的研究型網絡教學平臺要求有很好的安全保障機制，本研究采用具有數據隔離、維護方便等優點的層次化設計技術來解決，如圖3所示。

圖3 層次結構圖

由圖3可知：系統設計分為縱向和橫向層次設計。縱向層次設計為用戶層、軟件層以及物理硬件層，其中系統的核心為軟件層；橫向層次設計為數據層、數據綜合管理層、映射策略層、邏輯業務層、系統接口層以及用戶的視圖層等，此外還有系統安全保障機制和數據標準規范。系統的層次化設計有助于系統的安全性以及維護的便捷性。

3.2 FSSH柔性構架設計技術

研究型網絡教學平臺是師生互動的支撐平臺，是課程教學的網絡延續，是高互動性和人性化的統一管理，這對RBLMS（基于學習效果智能評價的研究型網絡教學平臺）提出了較高要求，即要求系統不但具有很強的耦合性，同時要求具有很好的交互性。為解決該難點問題，課題組創新性地開發了FSSH技術。

FSSH（Flex－Struts－Spring－Hibernate）是表示層－業務層－持久層的綜合性框架，即利用了Java EE開發平臺上最為流行的 Web層（flex、struts）、業務邏輯層（spring）及數據持久層（hibernate）的幾種應用框架設計形成的輕量級軟件架構。

（1）Web層：Web層采用了Flex技術和Struts技術，Flex是一種富客戶端技術即RIA（rich internet application）［7－12］。采用 MXML、ActionScript和 Flex類庫編寫，編譯后以SWF文件運行于客戶端。它具有高度互動性和豐富的用戶體驗。通過Flex技術能減少跳轉等待時間，提高了系統的易用性。Struts是基于模型－視圖－控制器（model－view－control，MVC）的Web應用開發框架［10－12］，其工作機理參見文獻［10］，在本系統中起著承上啟下的作用，向上為RBLMS的Web業務應用模塊提供數據通信服務，向下實現與Spring框架實現有機整合。

（2）業務邏輯層：業務邏輯層采用了Spring框架技術。Spring是一個輕量級的IoC和AOP容器框架，通過IoC（inversion of control，控制翻轉）技術將RBLMS各業務邏輯模塊實現解耦［13］，通過AOP（aspect oriented programming）技術將RBLMS核心業務邏輯從日志、安全、事物等功能提升分離出來。

（3）數據層：數據層采用了Hibernate對象/關系映射（ORM）技術，將Hibernate主要對象和數據庫表之間建立起一個映射關系，只需通過操作這些對象和Hibernate提供的一些基本類，就可達到訪問數據庫的目的。整合后的FSSH架構設計圖如圖4所示。

4 應用實例分析

本系統從2012年開始試運行，2013年正式投入應用。應用實例分析——以學生自我學習效果評價為例，以一個應用本平臺進行驗證性應用的教學班為例，根據學生學習效果評價算法模型得出該教學班學生學習參與度和學習效果計算結果，抽取5位學生為例，結果如表1所示。

圖4 系統技術構架設計圖

表1 學生學習參與度與學習效果計算結果

根據推理機得出的學生學習評價結果為：學生A非常活躍，學習效果好，學習方法正確；學生B較為活躍，學習效果較好，應適當調整學習方法；學生C較活躍，學習效果良好，需要加強參與度和調整學習方法；學生D活躍度一般，學習效果較好，學習方法正確，建議提高學習參與度；學生E活躍度差，學習效果差，建議加大學習投入，調整學習方式。在樣本量不是很大的情況下，該智能推理結果與參與度高的學生學習效果相對較好的實際情況相一致。

5 結束語

具有學習效果智能評價機制的研究型網絡教學平臺是基于互聯網的高級應用性教學軟件，實例分析結果證明：通過對學生學習效果智能評價分析，教師能夠調整教學方式，學生能夠調整自主學習方法，對網絡教學平臺教學效果的改善起到了一定的幫助。從系統實際運行情況發現：學習效果評價指標范圍越寬及指標數量越多，學生學習效果評價結果的差異越明顯，也越有利于判斷和評價，但各指標所占權重也相對越難判斷，從而導致偏離實際的可能性也越大。因此，系統還需進一步完善學生學習效果評價指標體系和專家知識庫建設，進一步細化開發推理機，使之更趨現實，從而為學生提供更接近實際與更具參考價值的指導意見。隨著研究的不斷深入，本系統將得到不斷升級和應用。

（

）

［1］黃新斌.我國高校精品課程研究的進展［J］.當代教育科學，2010（17）：26－29.

［2］田華，魏登峰，孟琦.網絡協作學習評價指標體系的開發與實踐［J］.電化教育研究，2010（7）：73－76，81.

［3］何鵬，邱建林，顧翔.基于Blog與RSS的主動探究式教學平臺設計［J］.計算機工程與設計，2010，31（17）：3932－3936.

［4］Ferraiolo D F，Kuhn R.Role－based access controls［C］//Proc of the 15th NIST－NCSC National Computer Security Conference.1992.

［5］張潤芝.CSCL 評價技術的新趨勢［J］.中國電化教育，2009（5）：32－37.

［6］趙建華.CSCL研究的現狀及發展趨勢［J］.中國電化教育，2009（5）：7－14.

［7］Tapper J，Talbot J.Adobe Flex 2：Training from the Source［M］.USA：Adobe Press，2006.

［8］Yakov Fain.Rich Internet Applications with Adobe Flex ＆Java［M］.USA：SYS－CON MEDIA，2007.

［9］Brown C E.The Essential Guide to Flex2with ActionScript3［M］.USA：Apress，2007.

［10］郭廣軍，羊四清，戴經國，等.基于Struts框架的 Web應用開發技術研究［J］.計算機應用與軟件，2007，24（9）：209－212.

［11］戒偉，張雙.精通Struts－Java流行服務器、框架、工具及整合應用［M］.北京：人民郵電出版社，2006.

［12］余福生.基于Struts與Hibernate的合肥市勞動和社會保障業務信息系統設計［D］.合肥：合肥工業大學，2007.

［13］Craig Walls.Spring in Action［M］.北京：人民郵電出版社，2007.