基于动态推导学习效果自适应测试评估技术.pdfVIP

2012年6月 新一代 总第442期 NewGeneration 教育与管理研究@ 基于动态推导的学习效果自适应测试评估技术 王涛林拉 (华南师范大学，广东 广州510631) 摘要：在计算机辅助教学系统中，对学生学习效果的自动检测研究有越来越大的意义。日前实现学习效果自动检测的主要形式 是学生利用预先设定的固定试卷进行测试，灵活性较差。本文采用以下原理实现动态测试：每次出一题，根据这一题的回答结果，利用 贝叶斯网络进行实时推导，判断学生对某知识项的学习效果，以选择后面的测试题目，直到对所有知识项的掌握结果有完整的判断。这 样实现的动态测试，效率高，且灵活性、针对性更强，有利于快速、准确地评估学习效果。 关键词：计算机辅助教学；自适应测试；学习效果；动态推导；贝叶斯网 中图分类号：G642 文献标识码：A 文章编号：1003-2851(2012)-06-0068—02 通过前面题目的回答情况来调整后面的题目选择，称为计算 (2)知识项之间的关系 机自适应测试。其基本思想是：计算机先通过一些试探性试题来 知识项之问的关系主要包括层次关系和依赖关系。 估计学生的能力，再根据选题算法从题库中选择与学生能力相近 层次关系(组织关系)：即把教学内容按照层次概念组织起来， 的试题继续测试，每测试一题都要重新估计学生的能力，并重复 上层知识项是对下层知识项的概括和归纳，下层知识项是对上层 这一过程。随着学生所做试题的增多，计算机对其能力的估计精 知识项的细化、详述及扩展。 度也越来越来高，最后其估计值收敛于一点，该点就是学生能力 依赖关系(前序关系)：依赖关系表示知识项学习的顺序，若 较精确的估计值。 学习知识项A，必须先掌握知识项B，则B称为A的前驱。 在我国，高校中己经出现了一些应用型的研究，自行编制了 2．基于知识关系的自适应测试模型 一些CAT测验，并取得了实际应用效果。国内一些大规模的考试 (1)自适应测试模型的构建 如微软认证考试MCSE、东软在线凯思英语考试等都已经成功采 Classification 本文采用ACM的Computing System(1998 用CAT方式。 Version)方法。其次确定各个知识项之间的关系，最后构建基于知 在这过程中，实现自动推导的技术包括产生式系统、模糊逻 识关系的贝叶斯网络教学测试模型。 辑、神经网络、知识约束方法、模型跟踪、贝叶斯网络等。其中，贝 ①提取知识项 叶斯网络是人工智能领域中一种将图论和概率论相结合的图形 SEI包括的所有知识项划分如表4-1所示： 模型，由于它能够很好地模拟现实世界中的事物问的因果关系， 表4-lSEl包括的知识项 现在已经在几个研究领域(如模式识别、分类、医学诊断等)中得到 节点 知识项 节点 知识项 SEl 第一章软件与软件工程 SEF 软件工程的目标 了广泛的应用，被认为是实现测试推导最理想的工具之一。 SC 软件的概念 SEP 软件工程的原则 贝叶斯网络。贝叶斯理论是由18世纪数学家Rev．Thomas SD 软件的定义 SLCC 软件生命周期 Babes在1763年第一次发表了。数学描述如下： ST 软件的特点 SLCD 软件生命周期的定义 P(H