基于学生认知模型的智能教学系统的算法设计

摘要：本文在智能教学系统进行概述的基础上，对学生的认知能力进行了定量评估。通过改进决策树数据挖掘算法的设计，实现了从大量的学习记录中挖掘出符合学生认知能力的教学策略，从而实现智能教学。

关键词：智能教学系统；学生认知能力 ；决策树

中图分类号：TP181 文献标识码：A文章编号：1009-3044(2008)30-0718-02

Algorithms Design of Intelligent Tutoring System Based on Student Cognizance Model

ZHANG Xiao-qing1,XIAO Jian-hua2

(1. Institute of Information Engineering ,Xiangtan university,Xiangtan 411105,China;DEPT. of Computer Science,Hunan Institute of Engineering,Xiangtan 411101,China;2. Dept. of Information Technology, Hunan No.1 Normal College, Changsha 410002,china)

Abstract: This paper summarized the intelligent tutoring system and carried out quantitative assessment for student ability of cognizance. For achieving Intelligent Tutoring，a optimal decision tree algorithms which can dinning the instructional strategies from a large number of learning records is proposed.

Key words: the intelligent tutoring system; student ability of cognizance; decision tree

1 智能教学系统概述

智能教学系统是一项涉及计算机科学、教育学、认知科学和人工智能等多门学科的综合性课题，研究的最终目的是由计算机系统担当学习者的引导者和帮助者，即赋予计算机系统以智能，由计算机系统在一定程度上代替人类教师实现因材施教。研究他的意义在于提高教学质量并能减轻教师的工作量。ITS的出现给教育界带来了无限的生机。

一个ITS系统应具有学生模块、专家知识(知识库)模块和人机接口等主要部分。具体功能如下：

学生模块：此模块对学生进行智能模拟，包括其知识状态、个性特点及认识特点等，并根据学生与系统之间的交互问答历史记录，对每个学生的学习进步情况进行动态调整。随着对学生模型的研究，人们提出了多种学生模型的构建方法，包括覆盖模型、偏离模型和认知模型等。它是本系统的核心由学习信息库和学生特征数据库组成，主要采用学生认知模型。

专家知识(知识库)模块 ：存储所要教的学科领域知识和教学知识。

人机接口：该模块实际上是作为系统与用户交互作用的部件，它除了提供学生信息的输入与注册外，还实现了学生与系统之间的通信功能，能够有效在界面之间导航，向学生呈现个性化的学习界面

本智能教学系统采用建构主义教学理论，对学生的认知能力进行了客观的定量评估，通过改进的决策树数据挖掘算法挖掘出了符合学生认知能力的教学策略，从而实现智能教学

2 学生认知能力的定量评估――模糊评价算法

美国著名心理学家布鲁姆将教学目标分为三个领域内容，其中认知能力的目标按智力活动的复杂程度分为六个等级：识记，理解，应用，分析，综合，评估。

在实际的系统中，我们对学生认知能力的评估主要考虑识记、理解和应用三个方面。为了客观的对学生三个方面的能力进行评测，为每道题设置了相应的考察识记，理解和应用的权重等级，这些等级由教学专家在出题时给出，并构成能力权重距阵rij（i表示题目数,j表示能力分量，在这里j即是3）。同时，学生测试结果向量T由学生答案构成，若该题答对则对应向量为1，否则为0。

教师对学生的评价带有模糊性，将评价结果进行模糊化处理。将学生的认知能力数值模糊化为三个水平即P={低，中，高}。并规定Aj∈[0,0.6)为低，Aj∈[0.6,0.8)为中，Aj∈[0.8,1]为高。

例如A=(0.87,0.8,0.71)按模糊规定，该学生的识记能力和理解能力为高，应用能力为中。假设认知能力的权值矩阵为G=(0.6,0.35,0.05)则总体认知能力为ts=A.G=0.87*0.6+0.8*0.35+0.71*0.05=0.83按模糊规定，该学生的总体认知能力为高。

3 基于学生认知能力的教学策略生成算法――改进决策树算法

本智能教学系统采用数据挖掘的改进决策树算法，实现针对学生认知能力的教学策略的产生，用来实现根据学生的认知能力采取相应的教学策略。具体的学习流程为，当学生注册登录时，让学生填写本人的认知能力的评价。根据评价选择符合学生自身认知特点的教学策略，教学进行的过程中对学生进行测试，来评估学生的各项认知能力和综合认知能力，根据评估结果进一步的调整教学策略，学的时间越长越接近学生的认知个性特征，当综合认知能力为中以上进入下一章节的学习，同时也为数据挖掘库增加了新的记录，为近一步挖掘提供素材。这样基于学生认知能力的教学策略就更接近完美。此教学系统越学智能性就越好。越接近学生的认知特点，学习效果越好。

下面介绍如何通过类决策树算法实现对教学策略a来进行规则的挖掘。对学生的总体认知能力有一个评价，将评价结果分为优、良、中、差和不及格，为了建立训练集的正例和反例，我们在此只选取优和不及格的学生，优的学生是正例，不及格的学生是反例。因此我们可以建立训练模型的一般描述,其中S是训练集，V是训练集的属性集，C是训练集的分类。在本系统中S,V,C的含义如下:

1) S为学生训练集，选择一个特征A表示学习水平，|s|表示例子总数。

2) S中有三个属性:V0, V1, V2，V3依次代表教学方法、识记能力、理解能力、应用能力。V1, V2,V3均有三种取值:高、中、低。

3) S依照特征A被划分为两类:2个取值，分别为优和不及格P与N，分别代表正例和反例。

3.1 算法实现

我们对传统的CLS决策树学习算法进行改进，通过预先剪枝控制了决策树的大小，改进后的决策树学习算法如下:

1) 决策树T的初始状态只含一个树根(X, V)，其中X是全体训练实例的集合，V是全体测试属性的集合，V={识记能力、理解能力、应用能力};

2)若X'中的训练实例属于同一个类(正例或反例)的概率大于80%,则视这些训练实例属于同一个类;

3)若T的所有叶节点(X'，V')具备下列条件中的任何一个，则停止执行学习算法，学习的结果为T;

①V'为空;

②X'中的训练实例属于同一个类;

4)否则，选择一个不具备步骤3所述状态的叶节点(X',V');

5)对于V'，选取I (X';b)最大的测试属性b;

6)设X'被测试属性b的不同分值分为m个不相交的子集Xi,1≤ i≤m从(X',V')伸出m个分叉，每个分叉代表b的一个不同取值，从而形成m个新的叶节点(Xi,V'一{b})，1≤ i≤m,转到步骤2。

当使用本系统学完全部课程的学员人数满P人时，系统决策树挖掘模块开始工作。于是系统的教学策略得以优化，更加适用于一般的教学过程。

3.2 系统应用实例

表给出了一组模拟数据，这些数据是在实施教学方法a进行教学的情况下得到的，可能带有噪音，表中有12个正例（P）和12个反例(N)，我们的任务就是从这24组带有噪音的训练例中发现确定性的知识，既教学方法a适合于哪些学生，不适合于哪些学生，下面我们就采用前面的决策树学习算法来让这些训练例来产生规则。

因为初始时刻属于P类和N类的实例个数均为12，所以初始时刻的信息熵为:

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文