适应性网络学习决策系统

摘要:该文对如何提高学习者的学习效率,实现个性化学习的问题,提出了基于贝叶斯方法和区间数多属性决策方法的适应性网络学习决策系统,并对该系统的结构、功能和实现的方法进行了初步说明。

关键词:学习决策系统; 贝叶斯方法; 区间数多属性决策

中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)33-9161-03

Adaptive Learning Decision-making System

CHEN Qiong

(Nanjing University of Finance & Economics, Nanjing 210046, China)

Abstract: This article on how to improve learner's learning efficiency, to achieve personalized learning problem, a Bayesian approach and interval multiple attribute decision making methods of adaptive learning decision-making system, and the system structure, function and methods to achieve a preliminary note.

Key words: learning decision-making system; bayes network; interval multiple attribute decision making

建构主义认为,知识不是通过教师传授得到的,而是学习者在一定的情境即社会文化背景下,借助其他人(包括教师和学习伙伴)的帮助,利用必要的学习资料,通过意义构建的方式而获得。随着信息化、网络化的发展,为了充分发挥学习者的主动性、积极性、创造性,体现学习者的主体地位,本文提出了建立一种适应性网络学习决策系统。

1 决策系统图及功能说明

1.1 适应性网络学习决策系统

基于Internet的网络学习决策系统是一种客户、服务器结构的典型Internet应用。客户端主要用来作为与用户进行交互的工具,常用的客户端为浏览器。主要的逻辑计算和数据存储在服务器端实现。服务器常常是并发的、异步的。

图1是基与网络学习决策的系统结构图,用户通过浏览器向服务器发出决策请求,WEB服务器接受请求后,调用数据库中用户信息和知识库中知识信息,对学生模型进行初始化;根据学生模型的参数,WEB服务器再调用知识库中的学习策略,给出学习模型中与用户相对应的学习策略,并通过对象调用数据库中的推理规则推出学生模型的参数,WEB服务器将根据学生模型参数找到与决策模型向匹配的决策,然后用户端获得HTML文档形式的决策项后表现给用户,并将用户新信息返还给服务器,以便进行下一步决策。当决策结束后,得出的用户表现信息和用户决策信息将用于更新学生模型和决策模型,同时将各个参数存入数据库的用户信息和决策资料里,以备下一次进行决策。

1.2 系统的功能说明

网络学习决策系统由5个模块组成,即由知识库、数据库、知识获取、推理机及人机交互界面。知识库中储存学习(教学)知识信息、学习或教学策略、教学经验、推理规则,它是推理机制的基础;数据库中储存用户信息、各种试题、教学评估资料、决策资料;推理机是控制、协调整个决策系统的,并根据当前数据库中学习者的信息、教师的教学信息,应用知识库中的知识按照确定的推理规则进行推理;知识获取部分是学习者根据自己的学习情况对内容进行修改、删除或扩充;人机交互界面是用户与计算机对话的媒介,由注册或登陆及身份选择、内容选择、方式选择等几部分组成,它在一定程度上反映了系统是否真正体现了以学习者为中心的原则。因此可以看出决策系统实现了以下几个功能:

1) 网络学习功能:是本决策系统一个重要思想,学习者通过网络学习子系统,根据自己本身的实际情况在系统的辅助下选择不同的方式学习:独立学习、在线协同学习、听课学习。

2) 网络教学功能:教师通过网络教学系统里的可视化界面编辑器对教学设计策略库、教学模版库及媒体进行有效的修改、扩充。

3) 检测功能:在线检测子系统是由身份确认库、试题库及抽题策略库构成。身份确认库中确定有该用户的信息后,通过在线检测子系统它会自动生成一套符合用户身份的试题给用户做,进行在线检测,然后把用户新的信息再次输入到数据库中进行更新。

4) 决策功能:通过检测功能的检测后,系统把用户新的信息输入到Web服务器里与学生模型进行比较分析,然后根据分析的结果在与决策模型中相匹配的决策,通过WEB服务器调用在把信息以HTML文档形式显示给用户看。

2 系统功能模块的实现

1) 贝叶斯网络是一种有向无环图,其结点代表了人们所关心的变量,结点之间的连接代表了变量之间的因果关系,变量间影响的程度由网络中依附在父―子结点上的条件概率来表示。

学生模型的作用就是为系统提供关于学生对知识掌握情况的准确信息,以便教学策略部分能够及时、准确做出决断,并从决策模型中给出相应的决策,返还给用户。

利用贝叶斯网络来建立测试项与学生能力之间的关系模型,并通过更新来达到不断了解的目的。学生对于某种技能的掌握程度采用技能水平上的概率分布来表现。这里给出了贝叶斯建模方法,通过限制学生的模型表现知识的复杂性和用来建立学生模型的概念网络的复杂性,使得网络的更新时间可以与输入数据项的数据量呈线性关系,需要拥有的先验知识的数量也减少了,同时对于输入项来说,也可以模块化处理,以便于添加或删除不必更改模型参数或算法。

我们将每个学习者从几个方面进行抽象为一个特征向量,每一维分别对应一个因素,利用结点的各属性之间的条件依赖关系和样本得出的条件概率,得出联合概率后,就可以对属性的后验概率进行更新;图2是抽象出来的学习者的贝叶斯网络结点图。

其中:1性别;2年龄;3学历;4身份;5所处行业;6学习内容;7认知规律;8应用型知识;9理论型知识;10图形动画知识;11提示语反馈;12结论性展示;13多媒体方式展示;14知识型策略;15能力型策略。

从图2中可以看出,不同身份的学习者由于自身的认识水平不同,因此系统就要根据模型来推理一下目前这个学习者的认知水平如何,最后才能根据所测出认知水平的参数对应学习策略中的具体策略,以英语为能力型策略的贝叶斯网络模型的更新步骤如下:

首先,简化方法在于把问题归类。将问题的难度分为几个等级,难度相近的问题归于一类,然后把答对某类难度问题的条件概率与可能的技能水平联系起来。通过把问题归入不同的类,使同类难度的问题都有同样的条件概率参数。

其次,把问题难度等级与技能等级联系起来,如有4个技能等级:高中、四级、六级、托福,则可有3个相关的问题分类如:四级、六级、托福。

最后,减少条件概率参数的方法是利用技能分类的过渡性:假如某用户已达到特定水平级,则理想情况他只能回答这一水平级以及低于这一级的所有问题。

失误率s和猜中概率g:s和g都是比较小的数字,如果我们选择问题有m个选项,则取g=1/m是一个较好的选择。

如果g=0.25,s=0.1。考察四级题目如表2所示。

表1、表2中,第一行是学生的实际技能水平,贝叶斯网络就是通过表1,推理学生技能在不同等级的概率分布。

S失误率――用户答错应知道问题的概率;g猜中率――用户答对自己所不知道问题的概率;现在给出从表中数据中提取决定决定技能水平的概率分布的等式;

表现数据e的条件下,用户等级的单一离散概率变量X为:

(1)

(2)

这里xj(=1…4)是特定的学生技能等级,e是某一个用户表现数据,P(e/X=xj)表示某一个难度的问题,在用户级别是xj的条件下,出现数据e的概率。P(e)表示对于特定难度的问题,表现数据e出现的概率。

(3)

(4)

由(3)、(4)两式构成贝叶斯推理公式,P(e | X=xj)由上表根据s和g的取值给出。

2) 决策是人类的一项基本活动,是人们基于自己的知识、经历、偏好等行为准则与手段进行探索、判断与决策的过程。现实生活中的决策往往是多准则决策,包括多目标决策和多属性决策,而本系统采用的则是区间数多属性决策方法。

考虑一个系统会对学习者进行据测问题的提示,通常采用学习态度u1、学习状况u2 和学习方法u3这3个属性作为决策指标,设有5个方案xi(i=1,2,3,4,5)将被决策,并假定属性的权重向量为w=(0.4,0.4,0.2),决策者以区间数这种不确定形式给出了5个方案的属性值,其规划决策矩阵如表3。

为了对各方案进行排序,利用公式求出zi(w)(i=1,2,3,4,5)两两比较的可能度矩阵P,利用公式求得矩阵P的排序向量v,由排序向量V及矩阵的P 的可能度,得到区间数zi(w)(i=1,2,3,4,5)的排序,即能表示出方案间的具有可能度的优序关系,则相应5个方案的排序为:

从而得出结论,x2的决策策略最适合学习者现在学习模型下的决策方法。

3 实验结果

本文对130名网络适应学习者进行了决策系统的测试,测试的结果如图3所示。

从图3中可以看出贝叶斯方法的正确率可以达到93.7%,本方法与其他方法的统计分析比较,发现不论在最高正确率,还是在同一个正确率要求下的错误率方法比较,贝叶斯方法都有一定的优势。

4 结束语

基于贝叶斯的网络学习决策系统中,系统会根据学习者的自身情况为其准备不同的学习方式、不同难度的教学内容进行辅助学习;当学习完成时,系统又会通过检测功能确定学习者新的认知水平,作为下一次登陆学习时为其学习准备依据,并向学习者提供进一步的决策意见。网络学习决策系统毕竟是一个涉及多学科的复杂知识系统,发展过程中尚存在未能解决的问题,如:系统的核心技术中数据库的推理机制等。