智能辅助教学系统中学生模型设计及探究.docxVIP

智能辅助教学系统中学生模型设计及探究 摘要在智能辅助教学系统中，为了做到因人而异的个别 化教学，学生模型扮演着非常重要的角色。通过建立有效的 学生模型以改进智能辅助教学系统的性能已成为一个研究 领域。文章提出了一个较为完整的学生模型，更贴切地刻画 学生的学习情况和学习行为，而且也有利于实现。 关键词智能辅助教学系统；学生模型；认知评价 一、 引言 在智能辅助教学系统(简称ICAI系统)中，为了做到 因人而异的个别化教学，必须了解当前的教学对象，这就要 求将学生的情况用适当的数据结构记录下来，作为ICAI系 统进行教学决策的依据。这种用于记录学生情况的数据结构 称作“学生模型”。学生模型反映了学生的学习进度、知识 的熟练程度、存在的误解以及与期望目标之间的差距。这些 信息被教师模块作为教学决策的依据，使系统能正确评价学 生的理解程度，诊断其错误，为每个学生提供最适合、有效 的教学材料。可以说，学生模型在智能化的教学中扮演着非 常重要的角色。 二、 传统学生模型的建立方法 目前有好几种建立学生模型的方法，分别是： 覆盖模型(Overlay Model) 覆盖模型是最早的基于人工智能的学生模型，它是基于 学生掌握的知识总是正确的专业领域知识的一个子集来构 建的。基于这种模型的系统可以根据领域知识结构图和学生 的知识状态图间的比较，得到学生的知识结构缺陷，推荐学 生当前应学习的内容。覆盖模型的优点是比较容易构造，不 过，这种模型不能捕捉学生的错误知识。 偏差模型(Buggy Model) 偏差模型是通过把学生的错误概念表示为领域专家知 识的偏差而获得学生行为的模型。为了解决覆盖模型的缺 点，许多研究者将研究集中在构造一个学生误解或偏差的数 据库，称之为偏差库(Bug Library ) o该库描述学生可能出 现的所有偏差类型，并且针对每种错误类型，提供相应的补 救策略，这是此种模型的优点，但这也是系统的难点。 贝叶斯网络模型(Bayesian Network Model) 贝叶斯网络是一种概率推理机制，它在概率论的基础上 进行不确定推理。贝叶斯网络为在某一特定应用领域中描述 随机变量之间的概率依赖性提供了一个图形化的表达方式， 以及利用这些依赖进行复杂的概率推理的算法。这种方法是 目前研究的热点，它不仅能获得学生的知识情况，而且还可 以推出学生出错的原因，比较适合于过程性知识。 认知模型(Cognitive Model) 认知模型是基于美国著名心理学家布卢姆的认知理论 建立起来的学生模型，主要反映学生认知能力的模型。学习 者的认知能力怎样以及处于什么阶段，对学生和老师来说都 是很重要的。学生需要了解自己哪一方面的能力差，有针对 性的学习补救，而老师也只有在了解学生的认知能力之后， 才能确定学生的学习行为，诊断犯错的根源，以便采取相应 的教学策略和方法。 归纳法(Induction) 随着机器学习技术的发展，研究人员使用称为归纳法的 机器学习技术来动态的补充偏差库，或者是从零开始对学生 的误解和错误进行建模。归纳法是以动态地对学生进行建 模，与动态偏差模型不同，归纳法不依赖于人的指导，但是 归纳法需要大量的实例来保证产生正确的结果。 理论改进(Theory Refinement) 理论改进是一种较新的机器学习技术，以解决归纳法中 需要较多例子的缺点。它将理论分析与实际中的学习方法集 成起来，独立于知识域。它以有效利用以前的经验，以对多 个学生中发现的共性问题进行建模。但是缺点是算法复杂， 实现非常困难。 三、改良的学生模型 从上面的分析可以看出不同的建立方法各有所偏重点， 应该说建立完整的学生模型时最好还是综合采用几种方法。 在本文的研究中，考虑自身系统学生模型的建立需求，综合 采用了上述6大学生模型的建立方法中的覆盖模型和认知模 型，并增加了一个测试评价模型：通过覆盖模型反映学生的 知识学习情况即知识水平，认知模型则反映学生的认知能 力，测试评价模型作为一个辅助工具模型实现认知水平的测 试评价。这样就构成一个基本完整的学生模型。我们给出学 生模型的完整形式化描述如下： 学生模型珂基本信息模型，安全模型，学习状况模型｝ 基本信息模型=｛学号，姓名，院系，专业，班级，年龄, 性别，爱好，学习风格…｝ 安全模型=｛学号，姓名，登录账号，密码｝ 学习状况模型打覆盖模型，认知模型，测试评价模型｝ 覆盖模型珂学号，姓名，课程，学习进度，-｝ 认知模型=｛学号，姓名，课程，识记能力，理解能力， 应用能力，评价能力，分析能力，综合能力，总体能力｝ 测试评价模型=｛学号，姓名，练习时间，练习得分，测 试时间，测试得分…｝ 改良后的这个学生模型不仅可以记录学生的知识掌握 能力和学习历史，还可以记录学生的认知能力。更贴切地刻 画学生的学习情况和学习行为，