基于神經(jīng)網(wǎng)絡(luò)的智能教學(xué)系統(tǒng)學(xué)生模型設(shè)計(jì)

摘要：智能性是智能教學(xué)系統(tǒng)最重要的特性之一。為提高智能教學(xué)系統(tǒng)的智能水平，研究了利用具有較強(qiáng)自學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建智能教學(xué)系統(tǒng)。從因材施教，準(zhǔn)確反映學(xué)生學(xué)習(xí)狀態(tài)、特征的角度出發(fā)。分析了學(xué)生學(xué)習(xí)過(guò)程中的影響因素，提出將學(xué)生的學(xué)習(xí)方式、學(xué)習(xí)習(xí)慣等因素納入學(xué)生模型構(gòu)建中，并對(duì)學(xué)生模型進(jìn)行了設(shè)計(jì)。

關(guān)鍵詞：智能教學(xué)系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；學(xué)生模型；設(shè)計(jì)

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-2163(2011)04-0052-03

0 引言

人類社會(huì)為提高教學(xué)效率，更好地培養(yǎng)人才，一直在不斷探索與嘗試運(yùn)用新技術(shù)、新方法來(lái)改進(jìn)教與學(xué)的方法和手段。同時(shí)也希望能實(shí)現(xiàn)因材施教，即根據(jù)學(xué)生不同的學(xué)習(xí)基礎(chǔ)、學(xué)習(xí)能力等特征進(jìn)行差別化教育。但限于教師資源不足和教學(xué)效率的要求，尚未做到對(duì)每一個(gè)學(xué)生進(jìn)行因材施教，智能教學(xué)系統(tǒng)的提出為實(shí)現(xiàn)這一目的提供了可能。智能教學(xué)系統(tǒng)(Intelligent Tutoring System，ITS)是計(jì)算機(jī)輔助教育與人工智能的結(jié)合，是人工智能(artificial intelligence，AI)在教學(xué)上的應(yīng)用，其由人工智能、認(rèn)識(shí)科學(xué)、教育理論等多門學(xué)科交叉產(chǎn)生。ITS通過(guò)研究人類學(xué)習(xí)的思維特征和過(guò)程，尋求學(xué)習(xí)認(rèn)識(shí)的模式，同時(shí)以個(gè)性化教學(xué)為目標(biāo)，并根據(jù)學(xué)生的心理特征、認(rèn)知水平、已有的知識(shí)基礎(chǔ)、認(rèn)識(shí)結(jié)構(gòu)和學(xué)習(xí)習(xí)慣、學(xué)習(xí)風(fēng)格、動(dòng)機(jī)等個(gè)性化特征進(jìn)行學(xué)生個(gè)人教學(xué)方法和教學(xué)內(nèi)容的確定，選擇適當(dāng)?shù)慕虒W(xué)策略，從而為學(xué)生提供與其學(xué)習(xí)特征相符的學(xué)習(xí)內(nèi)容和學(xué)習(xí)進(jìn)度。學(xué)生通過(guò)個(gè)性化、自適應(yīng)的學(xué)習(xí)，既獲得了知識(shí)，又培養(yǎng)了能力。智能教學(xué)系統(tǒng)能更好地發(fā)揮學(xué)生的積極性，有助于學(xué)生智力的開(kāi)發(fā)和能力的培養(yǎng)，是實(shí)現(xiàn)教學(xué)手段現(xiàn)代化的新方法、新途徑。

人工神經(jīng)網(wǎng)絡(luò)(Artifieial Neural Network，ANN)是人工智能的一個(gè)重要領(lǐng)域，也稱為神經(jīng)網(wǎng)絡(luò)(Neural Networks，NN)，是由大量處理單元(神經(jīng)元)廣泛互連而成的網(wǎng)絡(luò)；這是一種模仿生物大腦的結(jié)構(gòu)，并且模擬人腦信息處理過(guò)程的信息處理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，即通過(guò)訓(xùn)練可抽象歸納出訓(xùn)練樣本的主要特征，因而有較強(qiáng)的容錯(cuò)能力和記憶聯(lián)想能力，能夠并行處理信息，因而有較快的信息處理速度。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于智能教學(xué)系統(tǒng)能有效提高系統(tǒng)的智能水平、適應(yīng)能力及反應(yīng)速度。

目前智能教學(xué)系統(tǒng)已有不少研究，其中包括部分學(xué)生模型的研究，但這些學(xué)生模型普遍存在著智能性不足等問(wèn)題。本論文對(duì)利用神經(jīng)網(wǎng)絡(luò)構(gòu)建智能教學(xué)系統(tǒng)學(xué)生模型進(jìn)行了研究，以人工智能、認(rèn)識(shí)心理學(xué)、教育學(xué)為基礎(chǔ)，分析了學(xué)生學(xué)習(xí)過(guò)程中的影響因素，進(jìn)行了模型設(shè)計(jì)。

1 基于神經(jīng)網(wǎng)絡(luò)的學(xué)生模型設(shè)計(jì)

智能教學(xué)系統(tǒng)(ITS)是交叉科學(xué)，由于人工智能、計(jì)算機(jī)科學(xué)等相關(guān)學(xué)科仍處于快速發(fā)展時(shí)期，故ITS目前仍處于發(fā)展階段，其組成部分有不同的說(shuō)法，如由三部分組成，四部分組成，五部分組成，但卻都包含三個(gè)核心的部分，即學(xué)生模塊、教師模塊和專家模塊(知識(shí)庫(kù))。本文在三模塊架構(gòu)基礎(chǔ)上對(duì)學(xué)生模型進(jìn)行設(shè)計(jì)。

學(xué)生模型是智能教學(xué)系統(tǒng)的核心，是實(shí)施因材施教的基礎(chǔ)和關(guān)鍵。因此構(gòu)造合適的學(xué)生模型是構(gòu)建智能教學(xué)系統(tǒng)的重點(diǎn)。該模型應(yīng)該能夠及時(shí)、正確反映出學(xué)生學(xué)習(xí)行為中的本質(zhì)特征和狀態(tài)，即反映出學(xué)生對(duì)某一學(xué)習(xí)內(nèi)容的掌握、理解程度和學(xué)習(xí)行為中包含的學(xué)習(xí)風(fēng)格、習(xí)慣及學(xué)習(xí)能力等。學(xué)生模型目前較普遍的分類有：覆蓋模型、微分模型、攝動(dòng)模型和認(rèn)知模型等。

(1)覆蓋模型是將學(xué)生所擁有的知識(shí)看成是專家知識(shí)的一部分，教學(xué)目標(biāo)是在現(xiàn)有和總體之間建立相應(yīng)聯(lián)系。在覆蓋模型中，通過(guò)將學(xué)生與專家的行為差別來(lái)建立學(xué)生模型，并假設(shè)由于某種原因使學(xué)生與專家的技能差別造成學(xué)習(xí)行為的不同。覆蓋模型對(duì)學(xué)習(xí)者的描述過(guò)于簡(jiǎn)單，認(rèn)為學(xué)生知識(shí)僅是其中的一部分，沒(méi)有考慮學(xué)生的歸納和演繹訓(xùn)練，即舉一反三，觸類旁通的能力訓(xùn)練。

(2)微分模型是將學(xué)習(xí)者的知識(shí)分為預(yù)備授予和預(yù)備授予以外知識(shí)兩個(gè)部分，較覆蓋模型有了進(jìn)一步的擴(kuò)充，但其本質(zhì)還是覆蓋模型。

(3)攝動(dòng)模型考慮到學(xué)生所學(xué)到的知識(shí)有可能與專家?guī)熘兄R(shí)的不同，但仍然是從知識(shí)角度來(lái)建模。

上述模型都是通過(guò)專家知識(shí)與學(xué)生已有知識(shí)的對(duì)比來(lái)找出學(xué)生需要學(xué)習(xí)的內(nèi)容，偏重于知識(shí)，不能較全面地反映學(xué)生的學(xué)習(xí)特征和狀態(tài)。

1.1學(xué)習(xí)過(guò)程因素對(duì)于學(xué)習(xí)的影響

根據(jù)比格斯的3P學(xué)習(xí)模型，學(xué)習(xí)過(guò)程可以決定學(xué)生學(xué)習(xí)質(zhì)量。不同的學(xué)生用淺層式學(xué)習(xí)與深層式學(xué)習(xí)在取得相同的成績(jī)?cè)u(píng)定情況下，其學(xué)習(xí)質(zhì)量也是不一樣的。淺層式學(xué)習(xí)記住的是一些與原文一致的內(nèi)容，沒(méi)有去思考這些內(nèi)容之間的關(guān)系。深層式學(xué)習(xí)是從整體上去把握學(xué)習(xí)內(nèi)容，學(xué)習(xí)者想方設(shè)法弄清學(xué)習(xí)內(nèi)容之間的內(nèi)在聯(lián)系。學(xué)習(xí)過(guò)程因素(主要是學(xué)習(xí)方式)不僅會(huì)影響學(xué)習(xí)結(jié)果，而且其本身也是反映學(xué)習(xí)質(zhì)量的重要指標(biāo)，因此在智能教學(xué)系統(tǒng)學(xué)生模型中，需要考慮學(xué)生對(duì)于知識(shí)記憶、分類、歸納總結(jié)和演繹推理能力的培養(yǎng)和提高，提醒學(xué)生使用深層式學(xué)習(xí)。從而對(duì)學(xué)生回答的問(wèn)題進(jìn)行比較、分析，找出其原因，特別是對(duì)于產(chǎn)生錯(cuò)誤的原因進(jìn)行分析診斷，并反饋給相應(yīng)的教師模型，從而對(duì)學(xué)習(xí)內(nèi)容、教學(xué)方法進(jìn)行調(diào)整，同時(shí)給出學(xué)習(xí)方式的建議，而不是簡(jiǎn)單地讓學(xué)生重新學(xué)習(xí)某一部分內(nèi)容。如測(cè)試中發(fā)現(xiàn)學(xué)生在基礎(chǔ)知識(shí)部分的得分很高，而綜合運(yùn)用測(cè)試得分較低，學(xué)生可能應(yīng)用的是淺層式學(xué)習(xí)，教學(xué)系統(tǒng)應(yīng)給出學(xué)習(xí)方式的提醒和建議，使智能教學(xué)系統(tǒng)的因材施教效果能更好地體現(xiàn)出來(lái)。

有的學(xué)生習(xí)慣于通過(guò)做大量練習(xí)題來(lái)進(jìn)行新內(nèi)容學(xué)習(xí)，以期將該內(nèi)容所有可能出現(xiàn)的題型都見(jiàn)識(shí)一下，通過(guò)歸納總結(jié)的方法進(jìn)行學(xué)習(xí)；而有的學(xué)生則習(xí)慣通過(guò)演繹推理，用萬(wàn)變不離其宗的原理，從所學(xué)內(nèi)容的本質(zhì)特征出發(fā)，深入理解內(nèi)容的各部分之間關(guān)系，不用做大量習(xí)題也能較好掌握所學(xué)內(nèi)容。

因此，在設(shè)計(jì)學(xué)生模型時(shí)，應(yīng)該考慮的因素有學(xué)生學(xué)習(xí)習(xí)慣、年齡、擁有的正確知識(shí)及對(duì)這些知識(shí)掌握的程度(即已有的學(xué)習(xí)基礎(chǔ))，學(xué)生的學(xué)習(xí)史與學(xué)生個(gè)性特征等。在學(xué)生模型中，學(xué)生的學(xué)習(xí)行為包括學(xué)生總時(shí)間、學(xué)習(xí)某一內(nèi)容或解決某一問(wèn)題所花的時(shí)間。對(duì)學(xué)習(xí)內(nèi)容的認(rèn)知程度用布魯姆的6個(gè)認(rèn)知級(jí)別，即識(shí)記、理解、應(yīng)用、分析、綜合、評(píng)價(jià)來(lái)標(biāo)記。在學(xué)生具體學(xué)習(xí)行為中，用解決系統(tǒng)所提出問(wèn)題的正確率來(lái)確定學(xué)生對(duì)目前所學(xué)知識(shí)的掌握程度，并以學(xué)習(xí)正確率與學(xué)習(xí)該內(nèi)容的時(shí)間比值來(lái)衡量學(xué)生的學(xué)習(xí)能力。

1.2學(xué)生模型設(shè)計(jì)

建立學(xué)生模型采用BP神經(jīng)網(wǎng)絡(luò)(Back-propagationNeutral Network)，即前饋反向傳播網(wǎng)絡(luò)。BP網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，各層神經(jīng)元僅與其相鄰神經(jīng)層之間有連接，同一層神經(jīng)元之間無(wú)任何連接，且其輸入與輸出是一個(gè)高度非線性映射關(guān)系。輸入信號(hào)從輸入層進(jìn)入網(wǎng)絡(luò)，經(jīng)過(guò)隱層處理，最后到達(dá)輸出層；每一層由多個(gè)節(jié)點(diǎn)組成，同層節(jié)點(diǎn)間無(wú)任何關(guān)系。

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力，利用學(xué)習(xí)實(shí)例對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)自適應(yīng)算法修改網(wǎng)絡(luò)結(jié)構(gòu)的連接權(quán)值，使網(wǎng)絡(luò)逼近所期望的輸入與輸出關(guān)系，并可以根據(jù)輸入數(shù)據(jù)的變化自動(dòng)調(diào)整參數(shù)，優(yōu)化系統(tǒng)，使之能更好反映學(xué)生的學(xué)習(xí)特征。輸入是學(xué)生基本信息(姓名、學(xué)號(hào)、年級(jí)、班級(jí)、年齡等)、課程名稱及章節(jié)、學(xué)習(xí)基礎(chǔ)、對(duì)某一問(wèn)題的得分、學(xué)習(xí)時(shí)間記錄等，輸入層節(jié)點(diǎn)數(shù)為5。輸出層根據(jù)所要表達(dá)的學(xué)生學(xué)習(xí)狀態(tài)和特征來(lái)設(shè)計(jì)，目前設(shè)定的輸出有對(duì)某一學(xué)習(xí)內(nèi)容的掌握程度、學(xué)習(xí)方式、學(xué)習(xí)習(xí)慣等。隱層數(shù)則根據(jù)需要設(shè)定。

學(xué)生模型的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

2 結(jié)束語(yǔ)

本文設(shè)計(jì)的學(xué)生模型能夠根據(jù)學(xué)生的學(xué)習(xí)行為進(jìn)行自我調(diào)整，判斷出學(xué)生的學(xué)習(xí)水平和能力、學(xué)習(xí)方式等學(xué)生狀態(tài)和特征，為教學(xué)模塊、專家模塊提供必要的信息，使其可為學(xué)生提供個(gè)性化的學(xué)習(xí)資源和環(huán)境；同時(shí)對(duì)于提高智能教學(xué)系統(tǒng)的智能性，進(jìn)行因材施教有重要的現(xiàn)實(shí)意義。