基于人工智能的遠程教育學習行為AHP模型的應用
——以工商管理專業學生為例

長春開放大學 王蕾

目前，全球英特網技術發展迅速，教育領域也進行了相應使用，構建了很多網絡化教育平臺進行實際應用，這使得其教育形式展現出了與傳統截然不同的狀態，給所有涉及的學習者帶來了很大影響，具有重要意義。相比傳統線下教育模式來說，網絡化教育多采用遠程模式，在這一教育環境下，能夠有效記錄學習者的學習信息、行為、狀態等，這些記錄能夠非常便捷、長期地存儲，這主要由目前成熟的云存儲技術作為基礎，給遠程教育提供了良好的基礎[1]。由于網絡教育模式相比傳統教育模式，特別是課堂模式具有很大的優勢，能夠充分體現教育成果，因此被納入我國“十三五”規劃中并得到了很大關注。在2018年，國家教育部針對教育領域發布了《教育信息化2.0 行動計劃》，具有里程碑式意義?！队媱潯访鞔_了教育在我國發展過程中的重要地位，是未來可持續發展的關鍵所在，突出強調“辦好遠程教育”的重要舉措，讓我國教育能夠盡快實現現代化發展，為我國綜合實力的提升打下扎實的基礎[2]。

通過對于遠程教育的發展研究，可以將其發展歷程分為三個階段，每個階段具有不同的特點。最早為函授教育，其具有較大局限，于20世紀80年代被廣播電視教育所取代，然后由于網絡技術高速發展，僅開展了10年時間就轉變為了現代遠程教育。由于現代遠程教育的核心在于互聯網，我國由于在技術發展上的限制，起源于20世紀末，發展時間較短?，F代遠程教育最大特征在于將教育理念有效結合現代信息技術優勢，教育模式更易被學習者所接受，對于學習效果提高大有益處，給廣大學習者的學習帶來了便利，具有顯著優勢得到了學界的認可[3]。遠程教育的發展也得到了國家重視，在2019年國家統計局就進行了相關數據統計，在2019年以前通過網絡進行教育并獲取專科、本科學歷的學生人數已經達到了7861727 人，取得了很大成果[4]。如圖1所示可知，接受遠程教育的學生人數逐年上升、規模逐漸壯大。但其中還應當注意到，遠程教育招生人數增速明顯高于在校人數，這是由于行業發展迅猛、招生規模增大造成的；遠程教育在校人數一直在招生人數以下，這說明有些學生在報名后沒有通過學習獲得畢業或者學業有所延誤，這部分學生并入了每年的招生人數中造成的。由此可見，教育行業的發展環境復雜，需要進行綜合化考慮，遠程教育需要充分結合學習者的特點進行學習行為研究，通過有效的教育模式來帶動學習效果提升，這也是目前急需解決的問題。

圖1 2003-2018年遠程教育發展規模趨勢Fig.1 The development scale trend of distance education from 2003 to 2018

關于遠程學習行為的研究，Ho 首先提出了研究學習者對信息系統采納和接受影響因素的技術接受模型，模型主要針對學習行為的外部影響進行分析，通過各變量與結果間的關系總結了一定的規律[5]。然后通過模型實際應用，總結出了遠程學習行為中的關鍵性影響因素，具體是：預計結果、學習目標、外部環境和個體心理，同時還有對應的調節變量：性別、年齡、經驗和自愿性。國內學者彭文輝教授則以行為主義角度進行研究，其研究結論將遠程學習行為的影響因素歸納為學習者自身特點、互聯網環境及社會人文環境等，然后通過實際調查總結了學習行為的幾個特征。學習行為根據外顯、內顯呈現不同的表現形式，人們所看到的主要是促進與激發、抑制與局限等。對于學習行為也有不同的控制方法，例如不同的行為動機、心理狀態、情感情況等，通過時間、資源、系統等的優化來提高學習行為的作用效果，帶動學習效果提升[6]。近年來，學界對于學生遠程學習行為的研究開始深化，既有從外部環境因素著手，也有從學習者自身內部因素著手的，形成了一定的研究成果。將這些研究成果進行一定的總結后，發現學習者自身內部因素有著關鍵影響作用的包括了內心狀態、學習態度、信息素養、教育經歷、發展目標等[7]；而外部環境影響因素則更為廣泛，涉及教育主體、教育形式、互聯網技術、網絡學習資源、遠程教育系統平臺、學習環境等，需要對內外部因素綜合考慮[8]。

遠程教育不斷發展，其市場需求也逐步增多，社會也對遠程教育越來越重視，進行了大力支持與監督，為進一步保障學習者的合法權益，加強了遠程教育相關體系建立的監管，規范化、嚴格化相關要求與標準，促使遠程教育質量不斷提升[9]。由于互聯網技術的高速發展，人們所處的互聯網環境也時刻更新著，這讓遠程教育學習行為的影響因素存在很多變動[10-12]。我國教育事業發展通過努力，初步具備了一定的信息管理能力，主體上已達到信息化條件，構建了具有較好作用的學習管理系統，能夠根據學習者相關信息的變化來調整學習資源儲備、學習模式優化等，利用學習管理系統的應用來總結有效的教育模式，以此提高學習者的學習效果，給教育事業發展帶來了很大助力。因此，學界的研究重心也開始朝著如何有效、靈活地利用網絡學習信息進行轉移，通過對信息化教育的各類系統研究，讓虛擬的數據轉變為學習者的知識效率更高，讓學習者各項能力得以提升[13，14]。

雖然遠程教育具有很多優勢，但其同樣面臨著各種發展阻礙，而學習者的學習行為具有多維特征，只有在將該關鍵特征充分利用并進行展開后才能進行更加深入的研究分析，使得在遠程教育過程中更好把握各學習者的學習行為情況；通過分析挖掘出其中存在的各類問題，找到問題發生源頭并總結出相應解決辦法，使得遠程教育對象能夠總結出實際學習需求；通過分析得到適合于自身的學習方法，使得學習服務個性化發展得以實現，能夠根據各類學習者不同的實際情況進行調整；通過有效模式變更來提高教學質量，給學習者帶來了實際作用。然而，由于遠程教育的學習行為自主化特點，通過專家問卷形式篩選AHP 模型的學習行為評價指標人為主觀因素影響大，從而導致算法精度不高，因此本文基于人工智能大數據，采用決策樹算法提取工商管理專業學生學習行為影響因子，通過回歸模型篩選主要影響因子，然后基于篩選的影響因子構建學習行為評價AHP 模型。

1 遠程教育學習行為評價指標篩選

1.1 學習行為影響因子統計

遠程教育有別于傳統教育，由于其特殊性也使得學習者的學習行為同樣具有了特殊性。伴隨著遠程教育的整體發展，其系統平臺也不斷更新，各功能服務模塊由單獨轉向綜合，使得系統更加可靠；同時，教育理論也不斷得以深化，針對遠程教育也形成了多領域、綜合化的研究，具有了系列研究結論。當前，全球大環境不斷變化，社會、經濟、行業不斷發展，使得遠程教育也產生了很大變化，針對學習行為進行研究的各類學者與學習者自身也有了很大不同，其看法與角度都是新時代特有的。由于網絡遠程教育基于網絡的特性，使得學習者在過程中也具有了其基本特點，學習環境與學習本身需要進行綜合化考量，對學習效果的影響因素也就包含了外部因素與內部因素，不同的學習者自身情況和網絡教育技術的發展都會產生作用，只有將兩者進行有效把握才能將學習行為進行有效呈現。

學習者個體內部因素是一個關鍵，具體表現在知識需求、學習興趣、心理因素、信息素養和知識經驗等上，使得學習行為產生很大變化。心理因素主要包括網絡學習意愿、心理認知、自我成就感、發展目標、意識把握和知識擴展等。學習者的知識經驗狀態，需要綜合以往的知識累積和目前所掌握的學習內容，在學習過程中會直接影響看待學習的角度、開展學習的方式等，因此決定了學習者知識能力的應用程度。所以，在網絡學習環境下，基于良好的知識經驗為基礎開展學習的學習者能夠具有很大優勢，其能夠對學習進行有效梳理分類，尋找更加有用的學習方式來開展學習，使得學習效果具有很大效率。學習者在學習過程中還根據信息獲取能力、數據分析能力、知識吸收能力和處理加工能力的不同而得到不同的學習效果，這四大能力構成了各人不同的信息素養。具有良好信息素養的人，能夠在大量的學習資源中采取有效的學習策略來快速提取所需信息，將信息進行分類、存儲并加以利用。反之，由于學習者缺乏相關知識，在學習資源獲取渠道、方式上就會遇到困難并嚴重影響獲取效率，對于信息無法有效利用，對于學習者的自信心形成打擊，不利于學習熱情的提升也就無法形成積極、有效的學習行為，最終使得學習效果大打折扣。

來自于學習者外部環境影響因素同樣具有很大作用，主要涉及教學主體、網絡環境、教育網絡平臺、網絡學習資源等。由于教學主體存在差異，直接決定了教育方式的差別，讓遠程教育采用不同的教育模式、活動類型、性質屬性等，學習者接受到的學習內容也就不同。網絡學習技術支持系統是根據學習者的學習需求，利用網絡技術搭建起來的軟件系統平臺，給學習者創造出一個良好網絡學習環境。網絡學習技術支持系統具有豐富的學習內容，能夠擴充學習者的信息來源，也能夠給眾多學習者提供溝通交流的機會，是提高學習者學習效果的有利助手。此外，網絡學習支持系統還能夠主動開展學習監督，在過程中充當一定的教師作用，對相關學習者的學習軌跡、學習習慣等進行科學化記錄，將過程中產生的異常狀態進行匯總與儲存便于網絡遠程教育改善，形成良好的外部調控力度，能夠構建一個規范、標準的網絡學習環境，能夠讓學習者保持良好的學習習慣、堅持合理的學習行為來提升自我價值。對于學習效果來說，起著直接影響作用的往往是網絡學習資源本身，其內容的合理性、形式的多樣性、數量的規模性等都決定了學習者開展學習的方式，針對不同的語言文字、聲音圖片、音頻視頻等進行合理選擇，讓這些學習資源盡快被吸收。

根據上述各類對于遠程學習行為影響因素多角度、多方面的研究與分析，本文有了一定的研究基礎，明確了學習者內部、外部綜合考慮方式來開展研究。本文研究以Gefen.D.[5]的測量表為基礎，通過合理優化總結來分析各主要影響因素，擬將教學形式（1 因子）、網絡學習意愿（2 因子）、資源技術因素（3 因子）、學習目標和需求（4 因子）四方面的影響因素作為主要狀態點借助人工智能大數據進行統計，然后利用決策樹算法來對學習行為的各影響因子進行計算，從眾多因子中提煉出關鍵因子，使得后續模型建立更加便捷、有效。

基于訪問課程資源、下載學習資源、在線討論、作業與測試等學習行為大數據，將互動交流、堅持性作為學習行為的決策點，分別采用在線討論頻次、學習資源學習時長和下載頻次來進行量化；再根據課后作業、課堂測試等形式對研究結果形成量化驗證，得到的決策樹如圖2所示。

圖2 遠程教育學習行為決策樹Fig.2 Decision tree of distance education learning behavior

通過上述決策樹，根據互動交流和堅持性決策點得到如表1所示的結果表，表中“+”代表該因素在決策點中狀態良好，“-”代表該因素在決策點鐘狀態較差。從表中可知，網絡學習意愿越強烈、教學形式越合理、資源技術因素越成熟、學習目標和需求越明確的學習者，表現結果更優秀，反之表現較差。此外，學習目標和需求、資源技術兩大內在因素對結果值影響較大，如決策點1 結果值和決策點2 結果值相差30 分，決策點1 和決策點9 結果相差10 分；對影響程度進行排序，接著是教學形式，最后是學習意愿，能夠直接呈現。因此，從學習行為結果視角研究，學習意愿、學習目標和需求、教學形式、資源技術因素均對學習行為產生影響。

表1 決策結果統計表Tab.1 Statistical table of decision results

1.2 學習行為回歸模型構建

根據決策樹研究結果，確定了四個學習行為影響因子，每個影響因子的影響程度各有不同。為了進一步研究各影響因子的作用程度，定義相應的變量與應變量并以此構建了學習行為的回歸模型，總結了學習意愿、學習目標和需求、教學形式、資源技術因素與學習行為的互動交流、堅持性之間的作用規律。對學習行為進行問卷調查，基于遠程教育平臺數據統計，對解釋變量和被解釋變量進行歸一化處理，統計得到影響因子量化分數如表2所示，從表中可知，資源技術分數為0.685、學習目標和需求分數為0.771，兩者分數較高。學習意愿因子的分數最低，因此，在遠程教育學習行為研究中，應采取措施讓學習者清晰學習目標和需求，并且增強遠程教育資源技術，使得學習者在遠程學習中不受資源技術落后的影響。

表2 影響因子量化統計表Tab.2 Quantitative statistics of impact factors

通過表格數據進行計算，可以如式（1）所示的線性回歸擬合關系，其中決定系數R2的值為0.999。

其中，解釋變量F、T、E、Z 分別為學習意愿、學習目標和需求、教學形式、資源技術因素。R 為被解釋變量，R1為學習行為互動交流，R2為學習行為堅持性。

從式（1）中可知，學習意愿因子的系數分別為0.001和0.002，因此，可認為對于遠程教育學習行為來說，學習意愿因素影響較小，可以剔除這個影響因子。而無論是學習互動交流還是堅持性，學習目標和需求、資源技術的系數都較大，特別是學習目標和需求，均大于0.4，因此，學習目標和需求在影響學習互動交流和學習堅持性上具有較大的作用，促進學習行為的提升。主要是因為隨著信息技術的發展，網絡時空距離被縮小，學習者可以通過遠程教育隨時隨地接收所需知識、分享和交流資源，而且學習方式自由更加靈活。此外，學習目標明確、學習需求強烈的學習者能夠更加頻繁的利用資源技術進行互動交流，更加堅持學習行為，從而學習意愿在遠程教育的學習行為影響中不斷弱化。但是，遠程教育受網絡技術、資源獲取便利度等影響顯著，因此，網絡資源因素在學習行為影響中占據重要地位，該結果與決策樹結果一致。

2 遠程教育學習行為評價AHP 模型

AHP 是眾多決策方式中的一種，其主要特點在于具有多個目標，主體結構上以遞階層次進行開展，一般以目標層、準則層、指標層等層次分類方式將對象目標進行逐層細化，利用不同層次之間的重要度比較，將目標指標進行有效分析，然后利用定量、定性綜合分析對目標指標進行綜合判斷，以此得到分析結果。AHP 分析的基礎是將分析目標根據不同的類別進行區分，通過有效分項指標層次劃分，將各指標的影響程度進行排序，使得分析目標方式得以轉變，然后利用合理的判斷矩陣來對每一層進行計算，以此得到該層中各影響因子相對于上級層中各影響因子以及總體的影響權重數值。通過AHP 分析方法的利用可以給各評價指標進行權值賦予，根據其值存在的不同進行比較，可以判斷出各評價指標對于整個體系應用的影響程度。然后通過整體指標體系的應用，將各評價指標的變化形成反饋，以此來不斷提升指標體系應用的可行性，使得評價結果更加真實、可靠。

AHP 法由于其在分析過程中的特殊性與有效性，在很多行業中得到了廣泛應用，也解決了很多實際問題。對其具有的幾個主要特點進行總結，主要包括：（1）AHP 法能夠使得分析對象系統化，利用量化分解、相互比較、綜合評判等方式進行量化計算，以此總結出解決方式；（2）AHP 法將定量與定性有效結合并形成綜合分析，能夠有效避免傳統分析方式所具有的缺陷，有效解決各類復雜的問題，由于考慮方面較多得到的結果往往更加具有可信度；（3）AHP 法在過程中從分析者自身角度出發，將真實的分析結果與判斷形勢進行導入，所以能夠將分析者的知識經驗狀態進行真實呈現，同時總結為相應的能力融入分析過程中，使得分析結果更加具有客觀性；（4）AHP 法使得作為分析雙方之間的信息共享與溝通交流變得更加便捷，以此改善分析方式、促進方案有效落實；（5）應用AHP 法分析時能夠降低定量分析數據需求，利用較少的數據更為有效的分析出問題存在的本質和主要影響因素，以此確定針對性的決策，決策也更便于操作；（6）AHP 法解決問題的方式簡明扼要，能夠將決策者的思維過程進行綜合化，形成有效的數字系統模型，能夠使得人們便捷應用，因此認可度較高；（7）AHP 法優于采用了多準則、多目標形式進行問題分析，因此即使面臨復雜的問題也能夠逐一進行破解來得到有效分析結果，問題涉及的范圍非常寬泛，因此能夠被廣泛利用、使得發展較快。

通過各影響因素來對遠程教育學習行為進行研究時候，我們發現了其中的一些規律，需要進行對應變化來提高研究效果，學習目標和需求、資源技術、教學組織形式的定量數據獲取存在一定難度，并且每個學習者相對復雜，其對于學習目標和需求、資源技術、教學組織形式等存在不同的理解與認識，因此對于評價準則也有不一樣的體驗。因此，在開展AHP 分析過程中需要結合模糊數學理論，使得學習行為能夠形成定量分析。另外，該方式同樣能夠綜合各不用評價人群的看法，全方面、綜合性地將評價對象的影響程度進行體現，因此使得評價結果具有客觀性特點，結果更易被認可。綜上所述，本文利用了AHP 法開展遠程教育學習行為的相應研究，具有較好的可行性。AHP 法大致可以分為層次評價指標體系構建、指標權重計算、一致性驗證、AHP 模型構建等幾個步驟。

2.1 層次評價指標體系構建

遠程教育學習行為評價指標體系具有復雜性，其構建過程需要進行綜合考慮，并不能通過簡單的相關評價指標進行疊加來構建，為了建立起一個有效的評價指標體系，需要利用科學、合理的方式進行設計，通過不斷的完善、優化來使得遠程教育學習者學習行為的指標體系能夠正常運作起來，給應用者帶來益處。那么，在體系設計、制定、建立過程中，需要嚴格遵守以下幾個基本原則，才能使得體系發揮出應有的作用。

（1）科學性原則：為了有效掌握遠程教育學習行為的真實情況，需要對各類相關研究文獻、資料進行綜合整理、歸納，總結出目前已有的特點與規律，然后針對各類數據進行科學性分析，利用有效的方式進行特征提取，通過科學計算總結出關鍵評價指標，然后利用科學的方式進行體系構建，整個過程都需要基于科學來開展。

（2）完整性原則：評價指標體系中各評價指標在選擇過程中需要充分考慮，需要將評價對象的各情況進行完整展示，保障體系能夠進行全方面、綜合化的開展應用。在過程中需要進行基于全方位角度進行選擇，利用完整的評價指標對遠程教育學習行為進行評價，將其各主要影響因素進行全面分析。

（3）可行性原則：對于整個評價體系中的各評價指標在通過選擇后還需要進行合理設計，防止指標出現無法有效應用情況，具體要求是：評價體系的每個層級需要有相應的下級評價指標，這些指標在應用過程中應當是有效的，便于數據采集的。只有能夠獲取有效數據的評價指標才能加以利用，來得到最終的評價結果。

（4）簡化原則：在評價體系保障完整性的同時需要進行相應簡化，防止評價指標重復選擇與利用，明確各指標的界限所在，形成良好的一一對應關系，提高評價指標數據采集的簡易程度，對其進行合理優化，保留下必要部分進行體系構建，防止體系復雜不便于應用開展。在回歸模型中指標篩選和剔除實現了該原則。

只有嚴格遵守以上這些AHP 法的基本原則，才能將評價指標體系進行層次化區分，具體劃分為目標層、準則層與指標層并進行區別分析。其中，由于目標層是整個評價指標體系的獨一無二的，是分析問題最終的目標所在，因此其作為最高階層具有最重要的地位，這里網絡教育學習行為評價體系等同于目標層，處于最高地位；在評價指標體系的整體性目標進行制定后，還存在很多對結果產生影響的相關準則，這些準則匯總后形成準則層，也就是中間階層，這里遠程教育學習者學習行為影響的一級指標等同于準則層，有效反饋了目標層的基本思路；最后，將準則層中的各影響準備進行細化，形成具體的方案來構建一個指標層，該層在整個評價指標體系中具有最低的地位，本研究中遠程教育學習者學習行為影響的二級指標等同于指標層，以上三個層次構建了本文的層次評價指標體系。

遠程教育有別于傳統教育，由于其特殊性也使得學習者的學習行為同樣具有了特殊性。由于遠程教育系統、研究理論的更新、變化，各服務平臺、服務模塊、研究角度與研究方式也產生了很大差異，需要引起注意。遠程教育的發展決定了其具有的特殊性，也明確了對其研究需要從環境與學習者兩個角度同時開展才能將遠程教育學生學習行為的真實情況進行有效分析來獲取相應規律，以此通過有效的方式來提升學習效果。遠程教育的發展為成人學習提供了可選擇的便捷方式，近年來的快速發展使得遠程教育普及率不斷提升，學生人數不斷大幅度上升，但在這些成功面的對面確實持續降低的教學質量與負面影響，需要所有相關人員進行及時的研究與分析，以此帶動遠程教育更好地發展。國外學者Nors 在20世紀60年代就根據其關于學習行為的研究，將承認學習進行了5 個主要假設。在針對成人教育的后期研究成果中，Venkatesh&Davis 基于目標預計、發展方向、外部環境、學習態度以及學習者的性別、年紀、知識和積極性等8 個變量提出了“技術采納與利用整合理論”。國內學者彭文輝的研究重心在學習者的網絡學習行為，嚴格分別從外部環境與個體心理兩個角度分析了具體的影響因素。其中，個體心理作為主觀性影響因素，主要包括了學習需求、學習積極性、個人心理情況、學習方式、學習目標等，而外部環境影響因素則更為廣泛，涉及教育主體、教育形式、互聯網技術、網絡學習資源、遠程教育系統平臺、學習環境等，需要對內外部因素綜合考慮。隨著信息技術的提高，本文從內部和外部對遠程教育學習行為影響因素統計分析得到，資源技術、學習目標和需求、教學組織形式三大因素，根據當前遠程教育學習行為特征，參考Gefen.D.[5]、張蕾[15]的基礎上，綜合各影響因子得到了層次評價指標體系，具體如表3所示。本文研究構建的整個層次模型可分為三層：目標層A：學習行為評價指標體系；準則層B：體系構建的3 個維度；指標層C：體系構建須考慮的10 項指標。

表3 層次評價指標體系Tab.3 Hierarchical evaluation index system

2.2 指標權重計算

為衡量學習行為評價指標體系中某一評價指標的影響程度，需要對其進行權重分析，利用相應的數值進行定義。一般權重分析的結果也可簡化為權數，根據其值不同將各評價指標對于其所處整個評價指標體系發揮出的作用進行綜合呈現，分析出具體的作用程度。所以說，當整體評價指標體系在完成構建后并不能進行直接利用，還需要借助權重計算方式對各指標進行附值，使得各指標的影響作用及重要程度得到展現。其過程首先需要將評價指標體系進行層次劃分，在同層次中將各影響因素兩兩對比，可以得到兩者中對于上一層更加重要的權重系數進行附值，接著根據由上而下的方式逐層分析直至最后一層，讓每一層中的評價指標都得到權重計算，然后將計算所得數據進行有序排列便于結果分析與總結，最后可以得到各評價指標、各層對于整體評價體系實際重要性的真實結果，便于后續應用。

本文研究同樣利用到了AHP 法，在構建完遠程教育學習行為層次評價體系后，進行了有效的權重計算并整理了結果。第一步，基于實際情況結合遠程教育學習行為層次評價體系的特點，設計了針對化的專家調查問卷同時建立了兩兩比較矩陣進行驗證；第二步，在整體評價體系中選擇出一級指標并對應建立各判斷矩陣，針對二級指標建立三個判斷矩陣；第三步，發放調查問卷，發放對象分別是參加過遠程教育課程評審的專家，共計20 人、就職于遠程教育課程建設的資深教師，共計20 人、遠程教育技術專家，共計20 人、遠程教育優秀畢業生，共計20 人，總計人數80 人。在整個調查問卷過程中共計發放問卷80 份，全部得到了回收，回收率為100%，整體工作完滿完成。

對調查問卷結果進行整理，并利用層次分析法的規定的流程開展分析，通過針對各層構建的判斷矩陣進行兩兩比較，通過對比將結果進行排序體現出重要性區分，然后再進行一致性檢驗，以此得到每一位專家對于遠程教育學習行為的實際評價情況，對各評價指標進行綜合分析。在一致性檢驗過程中，據遠程教育技術專家和遠程教育課程建設的資深教師打分結果所獲得的判斷矩陣（選取某專家打分結果形成的A-Bi 判斷矩陣如表4所示），基本上通過較少的兩兩對比就能夠得到一致性符合的結果，最終的有效數據為36 份，具有較好的可行度。另外，遠程教育優秀畢業生和遠程教育課程評審的專家所獲得的判斷矩陣一致性檢查沒有通過，于是對數據進行優化后，通過多次評價矩陣的應用比較，對比值進行合理修正，最終獲得了有效數據18 份，建立了判斷矩陣54 份。

表4 某專家A-Bi 判斷矩陣Tab.4 A-Bi judgment matrix of an expert

接著，在構建了54 個判斷矩陣后對所有矩陣進行一致性檢驗，保障全部能夠達到預定要求，再重新制定出整體的判斷矩陣對各層各評價指標進行權重計算與附值，然后再次全部進行一致性檢驗并達到要求，最后將整體結果進行整理與總結，具體數據如表5-表8所示。

表5 A-Bi 判斷矩陣Tab.5 A-Bi judgment matrix

表6 B1-Ci 判斷矩陣Tab.6 B1-Ci judgment matrix

表7 B2-Ci 判斷矩陣Tab.7 B2-Ci judgment matrix

表8 B3-Ci 判斷矩陣Tab.8 B3-Ci judgment matrix

最后，根據各層次判斷矩陣的計算結果進行整理、排序，得到綜合權重，具體如表9所示。

表9 指標層綜合權重排序Tab.9 Comprehensive weight ranking of index layer

2.3 AHP 學習行為評價模型構建

在完成了指標體系權重計算后，需要利用德爾菲法向專家進行驗證，此方式能夠將遠程教育學習行為評價指標體系中各指標因子進行性質確定，得到綜合整體分數，明確了合格與優秀兩個不同級別的對應分數。對整體的結果向多位專家進行意見征求，通過記錄與總結得到了7 個遠程教育學習行為評價指標體系的重要評價指標，具有一定可信度。其中，以“Y”進行標識，規定遠程教育學習者為了獲得合格評定，需要根據評價指標的具體要求內容進行操作，只有達到對應要求才能獲得通過。本體系有3 個次要指標，以“O”進行標識，希望遠程教育學習者能夠達成對應指標的設定內容，以此獲得提升。這里將10 個評價指標的滿分值定義為100 分，其中包括了95%的重要指標和5%的次要指標，兩者共同組成了分數體系。另外，該指標體系沒有嚴格要求學習行為的合格分數，沒有定義具體數值，具有很大自由性，但對于需要達到優秀的分數進行了明確規定，不得低于90分。每個指標項分值計算公式為：Pi=總分×Wi，其中Wi為各個指標項的權重數值，然后利用該公式對本文遠程教育學習行為評價指標體系各評價指標進行分值計算，得到的具體數據進行記錄（如表10所示）。

表10 遠程教育學習行為評價指標體系Tab.10 Evaluation index system of distance education learning behavior

2.4 遠程教育學習行為優化策略

通過上述AHP 法分析可知，對遠程教育學習行為影響較大的首先是學習目標和需求，其次是資源技術，最后是教學組織形式。

（1）在所有的影響因素中占關鍵因素的是學習目標和需求，其能夠直接作用學習行為，主要體現在學習者對自身情況了解，明確學習的內容、學習的目標，在學習過程中保持學習的積極、熱情，構建一個合理的學習環境。根據學習的目標和需求，主要呈現為學歷需要、知識需要和興趣驅使3 種類型，而網絡學習環境由于學習資源豐富、形式創新、溝通便捷等優勢能夠有效滿足學習對于環境的需求，同時提高了學習專業性和過程適合性。所以說，遠程教育學習者更加愿意利用網絡來開展學習，通過問題的解決來提升自身能力，通過對于各類課程的選擇來提升自身知識，對于學生學習能力、知識累積、問題處理等都具有很大幫助。然后利用這些影響因素的分析，對遠程教育學習行為中的學習策略進行優化，讓學習者充分認識到自身的學習需求、制定學習目標，加強學習者利用網絡資源、網絡工具來進行學習的意識與能力，在過程中培養起良好的學習習慣與學習熱情，通過良好的學習方式來提高學習效果。

（2）資源技術對遠程教育學習行為有顯著的影響，特別是學習系統反應速度對學習行為影響最大。由于遠程教育主要依賴網絡學習系統，學習系統的反應速度、功能、界面及操作性等會直接影響到學生在遠程學習通的互動交流、學習時間等。學習系統資源豐富、更新速度快會激發學生遠程學習的積極性和靈活性，會使得學生愿意花更多的時間用于遠程學習，遠程學習中愿意暢所欲言地表達自己的觀點，可以更積極地完成學習任務，在學習過程中可以很快地找到需要的遠程資料并進行加工處理，遇到學習困難時，更愿意通過遠程教育來解決問題并且獲取課外的學習資料來擴寬自己的學習。還可以嘗試探索新的技術和方法工具用于學習，并且和同伴分享。

（3）也不可忽略教學組織形式對遠程教育學習行為的影響，特別是線上下線組合教學對學習行為影響較大。由于學習環境整體由網絡構建，教師在該情況下會進行教育形式選擇，不同的教育方式所起到的影響是完全不同的，最終導致了不同的學生學習行為，例如常見的網絡課程、在線答疑、遠程指導等，教學地點可以是網上也可以是網下，溝通交流可以是小組模式也可以是師生之間，考核模式可以是試卷也可以是日常總結等，種種情況的不同可以分別得到不同的學生學習行為，這主要是由于學習過程中溝通交流、教學互動、時間管理、學習意識等不同造成的，由于教學主體存在差異，直接決定了教育方式的差別，讓遠程教育采用不同的教育模式、活動類型、性質屬性等，學習者接受到的學習內容也就不同。所以說，針對遠程教育學習行為的優化策略，需要進行綜合考慮，根據學生各項實際情況及熱證，讓教師對教學環境進行設計，有效帶動學生學習積極性，提高時間管理能力，充分利用線上線下時間進行學習，課堂上積極提問，課后利用作業進行鞏固，以此使得學習目標得以實現。教師也需要利用各個方式在線上線下與學生形成良好互動，即時解答學生遇到的各類問題。教師通過合理的課堂設計，能夠讓學生在整個教學活動過程中積極參與，提高資源獲取及吸收消化效率，提高各項全新學習工具的應用能力，通過良好的溝通交流來促進理解，將知識進行實踐操作，以此提高學習效果。

3 結論

本文的研究主要是通過人工智能決策樹方法對工商管理專業學生遠程教育學習行為影響因素進行篩選，在得到結果后利用層次分析法進行劃分，以此為基礎構建起遠程教育學習行為評價指標體系，最后通過實際應用與優化得到了有效的學習策略與使用方法，具有一定參考價值。通過研究得到如下結論：

（1）基于人工智能決策樹方法對工商管理專業學生的學習意愿、學習目標和需求、教學組織形式、資源技術四大遠程教育學習行為影響因素進行篩選，剔除了學習意愿因素。由于經濟水平的提高，學習者參與遠程教育的學習目標和需求越來越明確，并且在學習過程中更加頻繁的利用資源技術進行互動交流，更加堅持學習行為，從而學習意愿在遠程教育的學習行為影響中不斷弱化。所以說，對于遠程教育學習行為影響因素的研究中學習意愿的影響已經微不足道了。

（2）遠程教育學習行為評價指標體系是基于人工智能決策樹方法篩選主要影響因子，并在層次分析法指導下，利用定性、定量綜合方法進行分析，有效利用專家工作經驗同時避免主觀判斷的影響，能夠大大提高針對各層各評價指標項權重計算的公正性、合理性、有效性，使得整體評價系統能夠有效應用。指標體系確定了線上線下組合教學、知識需要、興趣驅使、學歷需要、學習系統反應速度快、學習系統功能齊全和學習資源豐富、更新速度快7 個重要指標項，在線答疑、小組討論、教師互動3 個次要指標項，明確了學習行為合格與有效的對應分值，利用各指標內容進行細化設定。所以，各評價指標的設定得到了有效保障，同樣使得整個評價指標體系更加規范、合理，應用后的評價結果能夠得到更多人的認可，對于遠程教育學習行為的真實情況也能夠進行真實反饋，便于遠程教育的不斷優化與發展。

（3）利用層次分析法來構建評價模型，針對各層各評價指標構建判斷矩陣，進行權重計算與判斷。將研究問題進行層次化分解，然后根據研究要求和目標來構建合理、有效的評價模型，通過判斷矩陣進行權重計算。基于專家對于各評價指標的分析方式、研究經驗進行合理選擇，選擇過程中需要避免主觀性影響，對選擇結果進行優化改善，并嚴格進行一致性檢驗，保障評價模型有效性。本文的主要創新點是層次分析法建立在人工智能決策的基礎上的，克服了由于專家評分帶來的主觀誤差。