基于GP-DINA的教師繼續(xù)教育的自適應(yīng)學(xué)習(xí)系統(tǒng)設(shè)計

趙宇丹

(廣州開放大學(xué)，網(wǎng)絡(luò)與信息中心，廣東，廣州 510000)

0 引言

在現(xiàn)有的教育模式的研究中，文獻[1]分析了成人本科學(xué)士學(xué)位英語的教育問題，根據(jù)自適應(yīng)學(xué)習(xí)的工作原理，設(shè)計了成人本科學(xué)士學(xué)位的英語自適應(yīng)學(xué)習(xí)系統(tǒng)。為了保證系統(tǒng)的穩(wěn)定運行，從知識圖譜、認(rèn)知能力測評和推薦引擎3個方面進行了優(yōu)化，最后在北京郵電大學(xué)網(wǎng)絡(luò)教育學(xué)院對系統(tǒng)進行了應(yīng)用，應(yīng)用結(jié)果表明知識圖譜技術(shù)的引入能夠提高成人本科學(xué)士學(xué)位的英語教育效果。但是使用該系統(tǒng)學(xué)習(xí)之前需要對學(xué)生進行測評，只是通過測評的分?jǐn)?shù)來對用戶的掌握程度進行認(rèn)知，這種對用戶的認(rèn)知并不準(zhǔn)確，會導(dǎo)致個性化學(xué)習(xí)的目標(biāo)不準(zhǔn)確。文獻[2]將自適應(yīng)學(xué)習(xí)系統(tǒng)運用到不同風(fēng)格學(xué)習(xí)者的眼動模型研究中，首先根據(jù)自適應(yīng)學(xué)習(xí)原理提出了基于眼動模型的自適應(yīng)學(xué)習(xí)框架，此框架能夠分析不同認(rèn)知風(fēng)格學(xué)習(xí)者的眼動模型差異。考慮到眼動行為中注視總持續(xù)時間和注視點數(shù)量，構(gòu)建了基于眼動追蹤的在線學(xué)習(xí)者認(rèn)知風(fēng)格識別模型。這種方法雖然為自適應(yīng)學(xué)習(xí)系統(tǒng)的應(yīng)用和開發(fā)提供了新的思路，但是無法根據(jù)學(xué)習(xí)者實現(xiàn)多級評分。

基于以上內(nèi)容，本研究根據(jù)教師繼續(xù)教育現(xiàn)狀，結(jié)合互聯(lián)網(wǎng)技術(shù)和人工智能技術(shù)，設(shè)計了一個教師繼續(xù)教育自適應(yīng)學(xué)習(xí)系統(tǒng)。

1 教師繼續(xù)教育自適應(yīng)學(xué)習(xí)系統(tǒng)設(shè)計

教師的繼續(xù)教育應(yīng)該包括兩個方面：知識學(xué)習(xí)和綜合素質(zhì)的培養(yǎng)[3]。因此，相比對學(xué)生的教學(xué)系統(tǒng)，教師的繼續(xù)教育系統(tǒng)會更加復(fù)雜。自適應(yīng)學(xué)習(xí)理念是人工智能與教育領(lǐng)域相互結(jié)合的產(chǎn)物，其目的在于根據(jù)學(xué)習(xí)者的實際情況，推薦適合學(xué)習(xí)者的學(xué)習(xí)任務(wù)或者課程[4]，根據(jù)教師繼續(xù)教育的內(nèi)容，作者設(shè)計了一款自適應(yīng)學(xué)習(xí)系統(tǒng)，其實現(xiàn)過程如圖1所示。

圖1 自適應(yīng)學(xué)習(xí)系統(tǒng)的實現(xiàn)

自適應(yīng)學(xué)習(xí)系統(tǒng)的實現(xiàn)一般分為3個部分：學(xué)習(xí)者認(rèn)知、知識圖譜構(gòu)建和學(xué)習(xí)推薦。

學(xué)習(xí)者的認(rèn)知階段是根據(jù)學(xué)習(xí)者在系統(tǒng)的個性化搜索、學(xué)習(xí)數(shù)據(jù)以及登錄系統(tǒng)所錄入的學(xué)科信息通過GP-DINA模型實現(xiàn)對學(xué)習(xí)者的多級評分，最后通過計算綜合得分來完成對學(xué)習(xí)者的認(rèn)知，這關(guān)系著系統(tǒng)推薦的內(nèi)容和知識圖譜的構(gòu)建，根據(jù)不同風(fēng)格的教師，能夠推薦針對性的學(xué)習(xí)內(nèi)容和課程[5]。

知識圖譜的構(gòu)建主要是根據(jù)教師的學(xué)科分類將學(xué)科的重點知識構(gòu)建成一個圖譜網(wǎng)絡(luò)，是根據(jù)教師繼續(xù)教育目的的。本研究的知識圖譜會增加一些教師的綜合素質(zhì)知識，比如英語水平、普通話水平、身體健康狀況、應(yīng)急事件的處理能力以及多種專業(yè)學(xué)科技能等。每個學(xué)習(xí)者的知識圖譜會根據(jù)教師的專業(yè)能力和綜合素養(yǎng)的不同，通過知識的關(guān)聯(lián)性分析，構(gòu)建個性化的知識圖譜[6]。

學(xué)習(xí)內(nèi)容和課程的推薦采用的是推薦算法，目前應(yīng)用較為廣泛的推薦算法有基于用戶的推薦算法、基于內(nèi)容的推薦算法和基于用戶和內(nèi)容的推薦算法。因為本研究中需要解決的問題是提高教師繼續(xù)教育的質(zhì)量，同時根據(jù)推薦的準(zhǔn)確率，所以選擇了基于用戶行為的協(xié)同過濾推薦算法作為學(xué)習(xí)內(nèi)容推薦手段[7-8]。

2 教師繼續(xù)教育知識圖譜的構(gòu)建

知識圖譜是一種結(jié)構(gòu)化的關(guān)系網(wǎng)，它能夠?qū)嶓w知識與其之間的相互關(guān)系以網(wǎng)絡(luò)圖的形式表現(xiàn)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 知識圖譜結(jié)構(gòu)

為了更好地理解知識圖譜，這里引入一個 “實體-關(guān)系-實體”或者“實體-屬性-屬性值”的三元組來表示知識與知識之間的相互關(guān)系，其中，所有的實體都會有一個獨有的ID標(biāo)識，屬性和屬性值是用來對某一個知識的深度解讀，知識網(wǎng)絡(luò)的形成是依靠不同知識實體之間的內(nèi)在聯(lián)系和關(guān)系。在教師的繼續(xù)教育中，知識的最小單元的表現(xiàn)形式通常為課程，因此將課程實體作為本研究中知識圖譜構(gòu)建的基礎(chǔ)。將本研究中的三元組表示為T,通過數(shù)據(jù)集合表示有T={E,R,ET}，其中E表示不同課程實體的數(shù)據(jù)集合；R表示不同課程實體之間的關(guān)系集合；ET表示不同課程實體之間存在的知識內(nèi)在屬性。圖2中，Ei為具體的實體課程，；Rij為課程Ei與課程Ej之間的內(nèi)在聯(lián)系；ETi為課程Ei的內(nèi)在屬性集合。知識模型的架構(gòu)如圖3所示。

圖3 知識模型架構(gòu)

圖中虛線部分為教師繼續(xù)教育自適應(yīng)學(xué)習(xí)系統(tǒng)的知識圖譜形成過程，其他部分負(fù)責(zé)知識圖譜的更新或補充。

3 基于GP-DINA模型的多級評分認(rèn)知診斷模型

假設(shè)一次測試中需要測量的屬性有K個，J為項目的數(shù)量。用QJK=(qjk)來表示屬性和項目之間的關(guān)聯(lián)矩陣。其中，如果項目j已測試有屬性k，則用qjk=1來表示，否則用qjk=0來表示。除此之外，用αi=(αi1,αi2,…,αiK}來表示參加測試教師i屬性掌握情況，如果參加測試的教師對屬性k已掌握，則用αik=1來表示。基于以上內(nèi)容，潛變量的表達(dá)式為式(1)，

(1)

式中，ηij為測試中的理想反應(yīng)，其數(shù)值在參加測試?yán)蠋焛已掌握j項目中的各屬性時為1，其他為0。

綜上，DINA模型可以表示為式(2)，

(2)

式中，sj表示的是滑動參數(shù)，即參加測試的老師失誤答題的概率；gj表示的是參加測試的老師猜測答題的概率；Pj(αi)表示的是參加測試的老師答對項目的概率。

(3)

(4)

根據(jù)式(3)、式(4)，可以得到潛變量的定義式(5)，

(5)

式中，i表示一級分類，j表示二級分類，m表示j下的理想得分，則GP-DINA模型可以表示為式(6)。

(6)

需要注意的是，如果遇到特殊情況，每個屬性具有相同的權(quán)重時，每個屬性的價值都被取值為1。因此，潛變量進一步可以變化為式(7)。

(7)

模型相應(yīng)變化為式(8),

(8)

4 試驗仿真與分析

4.1 認(rèn)知診斷模型的仿真與分析

在實驗室內(nèi)使用計算機對上述模型進行仿真，使用的計算機配置處理器型號為Inter Core i5-9700F，運行內(nèi)存為16G，硬盤大小為1T，操作系統(tǒng)為Windows10。采用MATLAB對上述的算法進行仿真和測試。

假設(shè)參加測試的老師i的知識狀態(tài)為α，則存在條件概率為式(9)，

(9)

本研究中每個屬性之間不存在任何的層級關(guān)系，邊際似然函數(shù)可以表示為式(10)，

(10)

式中，p(αl)為先驗概率；αl為知識狀態(tài)。根據(jù)極大和對數(shù)似然函數(shù)的相關(guān)概念，可以得到式(11)

(11)

式中，Ij(t|m)表示參加測試?yán)蠋煹钠骄藬?shù)。通過迭代計算，可以得到滑動概率的有效估計值。一共選取了35道題，其中，2道6分題，4道 5分題，5道4分題，6道3分題，8道2分題，10到1分題，設(shè)置參加測試的老師人數(shù)為3 000人，假設(shè)參加測試的老師都是采用理想反應(yīng)模式(知識掌握情況)作為其觀測反應(yīng)模式，在35道題中隨機抽取題目對老師進行考查，循環(huán)15次。選取滑動概率為0.36對無結(jié)構(gòu)型的層級結(jié)構(gòu)分析，循環(huán)15次，計算每種屬性的均值和方差，計算邊際判斷準(zhǔn)確率和模式判斷準(zhǔn)確率，將數(shù)據(jù)整理可以得到如表1所示的數(shù)據(jù)。

表1 滑動概率為0.36的診斷結(jié)果

表1中A1-A6為屬性，根據(jù)表中的數(shù)據(jù)可知，A1屬性的屬性判斷準(zhǔn)確率相比其他屬性較高，因為A1處于較高的層次，其他的屬性層次相同，所有其他屬性的屬性判斷準(zhǔn)確率的水平基本相同。

由于篇幅的原因，只對屬性的邊際判斷準(zhǔn)確率和模式判斷準(zhǔn)確率進行整理，整理得到如表2所示的屬性邊際判斷準(zhǔn)確率數(shù)據(jù)，不同滑動概率下的屬性邊際判斷準(zhǔn)確率如表2所示。

表2 不同滑動概率下的屬性邊際判斷準(zhǔn)確率

從表中的數(shù)據(jù)可以知道，在滑動概率為0.06時，不同層級結(jié)構(gòu)的屬性邊際判斷準(zhǔn)確率基本相同，隨著滑動概率的增大，所有層次的邊際判斷準(zhǔn)確率都有所下降，但總體效果依然較好。

不同層次下的不同滑動概率模式判斷準(zhǔn)確率如表3所示。

表3 不同滑動概率下的模式判斷準(zhǔn)確率

從表中的數(shù)據(jù)可以看出，在滑動概率為0.06時，5種不同層次的模式判斷準(zhǔn)確率基本相同，隨著滑動概率的增加，模式判斷準(zhǔn)確率有所下降，但是沒有低于0.998，說明總體的判斷效果較為準(zhǔn)確。

4.2 自適應(yīng)學(xué)習(xí)系統(tǒng)的應(yīng)用效果分析

將本研究中的教師繼續(xù)教育自適應(yīng)學(xué)習(xí)系統(tǒng)在某市教育系統(tǒng)中進行試運行，試運行時間為6個月。調(diào)取其中一次的培訓(xùn)數(shù)據(jù)，此次培訓(xùn)科目為英語，參加培訓(xùn)的老師一共有10人。以培訓(xùn)開始前進行的認(rèn)知測試作為對比因素，在培訓(xùn)完成后對所有的老師再進行一次測試，測試題目與之前的摸底考試難度一致，可以得到表4所示的成績對比數(shù)據(jù)。

表4 參加培訓(xùn)教師的前后成績對比

從表4中的數(shù)據(jù)可以看出，10名教師的成績都有所上漲，其中8號教師的成績上浮最大，增加了14.5,10號教師的成績上浮最小，為2.6，可能是因為8號教師的原本成績并不理想，所以上升的成績較多。根據(jù)學(xué)生們對老師參加培訓(xùn)的綜合素質(zhì)進行打分，滿分為5分，通過長時間的統(tǒng)計，可以得到表5所示的數(shù)據(jù)。

表5 學(xué)生評價數(shù)據(jù)

從表5中的數(shù)據(jù)可以得到，10名參加培訓(xùn)的教師的學(xué)生評價都有所提高，為了提高數(shù)據(jù)的說服力，將6個月內(nèi)所有教師的學(xué)生評價進行統(tǒng)計，可以得到圖4所示的學(xué)生評價對比圖。

圖4 學(xué)生評價對比

從圖中可以看出，培訓(xùn)前的平均值為3.5，培訓(xùn)后的平均值為4.5，平均提高了1。

5 總結(jié)

本研究根據(jù)現(xiàn)有的教師繼續(xù)教育現(xiàn)狀，從教育模式出發(fā)，結(jié)合DINA模型，設(shè)計了一個教師繼續(xù)教育自適應(yīng)學(xué)習(xí)系統(tǒng)，通過試驗與仿真，證明了DINA模型改進部分的可行性，也證明了自適應(yīng)學(xué)習(xí)系統(tǒng)的性能，在教師繼續(xù)教育領(lǐng)域值得大面積推廣使用。但是由于試驗時間較短，可能依然會存在一些不足，在后續(xù)的使用過程中需要進行不斷的改進和完善。