基于層次分析法的學習者特征分析

,

(1.商洛學院 經(jīng)濟管理學院,陜西 商洛 726000; 2.商洛學院 數(shù)學與計算機應用學院,陜西 商洛 726000)

學習者特征是指對學習者學習有關學科內容產(chǎn)生影響的心理和社會特點,雖然與具體學科內容無直接聯(lián)系,但是影響學習內容的選擇和組織以及教學方法、教學媒體和教學組織形式的選擇與運用[1]。學習者是學習活動的主體,學習者所具有的認知的、情感的、社會的特征都將對學習的信息加工過程產(chǎn)生影響[2]。學習者特征分析的目的是了解學習者的學習準備情況及學習風格,為教學活動的設計、教學方法與教學媒體的選用等提供依據(jù),使教學外因條件適合學習者內因條件,從而真正促進學習者智力和能力的發(fā)展。

學習者特征分析是教學設計的一個重要步驟,教學設計的一切活動安排都是為了學習者。教學目標的實現(xiàn)是在學習者自己認識和發(fā)展的學習活動中體現(xiàn)出來,而作為學習活動主體的學習者又是以自己的特點來進行學習。因此,要取得教學設計的成功,必須重視對學習者的分析[3]。

從某種程度上說,了解學習者特征之后,就能安排教學內容以及選擇教學方法和教學媒體,使教學活動能夠最大限度地適應學習者的學習。本文深入分析學習者特征,并建立相應的研究模型,使教學方法、教學媒體和教學技術與學習者特征相匹配,從而促進學習者興趣[4]。

1 層次分析法概述

層次分析法(AHP)是將與決策有關的元素分解成目標、準則、方案等層次,在此基礎之上進行定性和定量分析的決策方法。該方法由美國匹茨堡大學教授薩蒂于20世紀70年代初提出[5]。

1.1 基本原理

層次分析法將思維過程數(shù)學化、系統(tǒng)化,以便使決策依據(jù)易于被接受。該方法對定量信息的需求不多,但決策人員對決策問題的本質、所包含的系統(tǒng)要素及其相互之間的邏輯關系必須掌握透徹[6]。

如果有n個香蕉,每個香蕉的質量分別用w1,w2,…,wn表示,就可以得到質量比矩陣A,如下所示:

將每個香蕉的質量組成一個向量W=[w1,w2,…,wn]T,W乘以矩陣A得到AW,如下所示:

由式(2)得知,n是A的特征值,W是A的特征向量。根據(jù)矩陣原理得到矩陣A的唯一非零解n,也是最大特征值。因此,香蕉的質量可以利用矩陣的特征向量來求得。

在實際應用中,可以把香蕉的個數(shù)n表示成n個因素,香蕉的質量就可以表示成各個因素的相對重要性,即權重。對兩兩因素進行比較并建立判斷矩陣,再求出特征向量就可以確定最為重要的因素。依此類推,如果有n個香蕉就代表有n種結果,按照這種方法就可以計算出哪個結果最好[7]。

1.2 主要步驟

層次分析法充分利用人的分析、判斷和綜合能力,將復雜問題分解為多個因素并形成一個多層次的模型,通過兩兩比較的方式確定層次中諸多因素的相對重要性,然后綜合評價以確定因素的相對重要性排序[8]。采用層次分析法按以下4個步驟進行決策分析:

(1)建立階梯層次結構模型。分析目標體系所涉及因素的關聯(lián)和隸屬關系,進而劃分不同層次,構建有序的階梯層次結構模型。該模型一般包含目標、準則和指標3種類型。

(2)構造判斷矩陣。按照層次結構模型,從上到下逐層構造判斷矩陣。每一層元素都以相鄰上一層各元素為準則,按1～9 標度方法兩兩比較以構造判斷矩陣。

(3)層次單排序及一致性檢驗。求解判斷矩陣最大特征值和對應的特征向量,經(jīng)過歸一化處理,得到層次單排序權重向量。由于判斷矩陣的結果具有一定的客觀性,因此需要進行一致性檢驗分析。若檢驗不合格則修正判斷矩陣,直到符合滿意的一致性標準[9]。

(4)層次總排序。從上到下逐層計算指標層各因素相對于系統(tǒng)總目標的合成權重,最后得出各因素對總目標影響值的排序結果。層次分析法采用優(yōu)先權重作為區(qū)分影響程度的指標,數(shù)值介于0和1之間,在給定的決策準則下,數(shù)值越大,指標重要性越高,反之越低。為了判斷思維的邏輯一致性,層次總排序也需要檢驗一致性[10]。

2 學習者特征概述

2.1 學習者特征分析的意義

學習者特征分析就是給教學設計提供一個新的教學起點,學習者原有的學習準備狀態(tài)就是新教學的出發(fā)點,與具體學科內容并無直接聯(lián)系。著名教育心理學家邵瑞珍說:“教學好比旅行,旅行前必須知道目的地和出發(fā)點,教學前也必須明確教學目標和學習者的原有學習準備情況。”通過對學習者需要的分析來確定總的教學目標,即目的地。初始能力分析就是要確定教學的出發(fā)點[11]。

學習者特征分析給教學設計(特別是個別化教學設計)提供了依據(jù)。學習者特征分析就是了解學習者的風格,不同學習風格與教學內容的處理、教學方法的運用、教學媒體的選擇之間存在著一定的聯(lián)系,這種聯(lián)系是教學設計的依據(jù)[12]。

2.2 學習者特征分析的內容

圖1為學習者特征分析的內容。

圖1 學習者特征分析的內容Fig.1 Content of learners’ characteristics analysis

學習準備是指學習者在開始新學習時,原有知識水平或原有心理發(fā)展水平對新學習的適應性。一般包括以下2個方面:一般特征、初始能力。一般特征指學習者開始新學習時所具有的心理、生理和社會影響的特點,包括年齡、性別、認知成熟度、智能、學習動機、個人對學習的期望、生活經(jīng)驗、社會背景等因素。初始能力是指學習者在學習某一特定的學科內容時,已經(jīng)具備的有關知識與技能,以及對這些學習內容的認識和態(tài)度[13]。

初始能力分析的內容包括:預備技能分析,即了解學習者是否具備了進行新學習所必須掌握的知識與技能,這是開始新學習的基礎;目標技能分析,在開始學習前,了解學習者對目標技能的掌握情況;學習態(tài)度分析,如了解學習者對將要學習的內容有無興趣,對這門學科是否存在偏見和誤解,有沒有畏難情緒等。

學習風格是學習者持續(xù)一貫的帶有個性特征的學習方式和學習傾向,強調學習者喜歡的或經(jīng)常使用的學習策略、學習方式或學習傾向在學習風格中的核心地位[14]。

2.3 學習者特征分析的模型

首先要建立一個科學、合理的體系模型,能夠客觀地反映學習者特征。在對身邊學習者了解的基礎上,參考國內外現(xiàn)有研究現(xiàn)狀,遵循科學性、全面性、可行性、有效性、定性與定量相結合的原則,利用層次分析法建立體系模型[15]。在進行學習者特征分析時,學習者的起點水平、知識結構、學習態(tài)度、學習動機、學習風格是首要考慮的因素,如表1所示。

表1 學習者特征分析的體系模型

3 層次分析法的求解過程

3.1 尺度描述

層次分析法通常采用9級標度法對判斷矩陣元素賦值。在9級標度法中,規(guī)定用1、3、5、7、9分別表示根據(jù)經(jīng)驗判斷的因素i與因素j的比值,即一般重要、稍微重要、較強重要、特別重要、尤其重要,而2、4、6、8分別表示不同層次之間因素的判斷值[16]。

3.2 判斷矩陣構建

層次分析法的關鍵步驟就是判斷矩陣構造,它是衡量事情重要性的指標,也是進行權重計算的重要依據(jù)。為了實現(xiàn)客觀性和科學性并重,選擇調查對象并設計調查問卷,分別對學習者、教育者、上進者進行匿名問卷調查。通過對問卷處理,計算出所有問卷的各因素相對重要性程度,構造出判斷矩陣,如表2所示。

表2 目標層O與指標層P的判斷矩陣

3.3 判斷矩陣特征值與特征向量計算

在層次分析法中,計算判斷矩陣的最大特征值與特征向量時并不需要特別精確的度量值,目前有2種方法可以計算,即求和法與求根法,本文選取求根法。

求根法的基本過程如下所示:

3.4 一致性檢驗

在評價體系中,構建判斷矩陣只是進行大致判斷,沒有真正意義上采取定量或者定性的分析,容易引起不一致性。例如,T1比T2重要,T2比T3重要,則T1應該比T3更為重要,如果得出的結論是T1比T3一般重要或同等重要時,就出現(xiàn)了邏輯性錯誤,這時需進行一致性檢驗。

表3 一致性指標

一般認為CI<0.1、CR<0.1時,判斷矩陣的一致性是可以接受的,否則重新兩兩進行比較。依據(jù)表2、3計算出wi、λmax、CI、CR的值,具體情況如表4所示。

表4 一致性檢驗計算結果

由表4可見,所有的數(shù)據(jù)都通過了一致性檢驗,構造的判斷矩陣符合要求。

4 評價體系結果

為了精確衡量學習者特征的表現(xiàn)狀態(tài),本文以某地方院校普通大學本科生的學習特征為依據(jù)進行詳細分析。按照5個指標體系結構進行打分,采用問卷調查、網(wǎng)絡在線反饋、交流訪談等手段對各項指標進行打分,計算結果如表5所示。

表5 學習者特征各指標分值

由表5計算出某一個本科生綜合學習特征分值為83.65。以此類推,就可以對全校本科生學習特征進行分析。

從表5學習者特征分值來看,有1項達到90分以上,即學習動機;3項達到80分以上,即知識結構、學習態(tài)度、學習風格。在實際生活中,真實衡量一個學習者特征需要眾多因素,但是最關鍵的是學習態(tài)度、學習動機、學習風格。起點水平、知識結構屬于先天的,改變程度相對較小;學習態(tài)度、學習動機、學習風格是后天培養(yǎng)和鍛煉的,如果有一個好的人生導師引導,可以改變的程度就較大。

5 結語

學習者特征受到生理、心理、社會文化等因素的影響,學習者個體既表現(xiàn)出共性特征,又表現(xiàn)出多樣化差異。不同年齡學習者的知識水平不同,同一階段學習者在知識結構、學習風格、學習動力等方面也會表現(xiàn)出諸多差異。研究學習者特征時,既需要考慮學習者之間穩(wěn)定的、相似的特征,又要分析學習者之間變化的、差異的特征。相似性特征的研究可以為集體化教學提供理論指導,差異性特征的研究能夠為個別化教學提供理論指導。

要想在教學活動中真正體現(xiàn)學習者的主體性,在教學設計時應該首先去了解學習者,即分析學習者特征。在主體性課堂教學設計中對學習者特征的分析應著重從哪些方面入手？究竟應該怎樣去探究學習者的特征？本文采取層次分析法詳細研究了這些問題,并采取定量的方法對學習者特征進行量化,為以后教學提供有力的參考。

[1] 吳敏,李慧,胡雪嬌.虛擬學習社區(qū)中學習者的特征對網(wǎng)絡學習的影響分析[J].首都師范大學學報(自然科學版),2014,35(6):33-37.

WU Min,LI Hui,HU Xuejiao.Analysis on factors that learners’ characteristics effects web-based learning on the virtual learning community[J].Journal of Capital Normal University(Natural Science Edition),2014,35(6):33-37.

[2] 富震.基于SVM主動學習技術的PU文本分類[J].計算技術與自動化,2014,33(1):127-131.

FU Zhen.A PU text classifier based on SVM active learning[J].Computing Technology and Automation,2014,33(1):127-131.

[3] 王聰,王棟.大學英語自適應學習環(huán)境下的學習者學習風格研究[J].中國電化教育,2014(7):145-150.

WANG Cong,WANG Dong.A study on learners’ learning styles of College English in adaptive learning systems environment[J].China Educational Technology,2014(7):145-150.

[4] 楊友林,倫淑嫻.基于模糊理論的CSCL分組的研究[J].渤海大學學報(自然科學版),2009,30(2):181-185.

YANG Youlin,LUN Shuxian.Study on CSCL grouping based on fuzzy theory[J].Journal of Bohai University(Natural Science Edition),2009,30(2):181-185.

[5] 陳榮欽,林君煥,陳月芬.一種基于Q學習的有限理性博弈模型及其應用[J].系統(tǒng)仿真技術,2014,10(3):203-209.

CHEN Rongqin,LIN Junhuan,CHEN Yuefen.A limited rational game model based on Q-learning and its application[J].System Simulation Technology,2014,10(3):203-209.

[6] 胡慧,何聚厚.基于改進蟻群算法的協(xié)作學習分組研究[J].計算機工程與應用,2014,50(13):137-141.

HU Hui,HE Juhou.Research of composing cooperative learning group based on enhanced ant colony optimization algorithm[J].Computer Engineering and Applications,2014,50(13):137-141.

[7] 屈正庚.層次分析法在大學生課堂上玩手機中的研究[J].系統(tǒng)仿真技術,2016,12(1):66-69.

QU Zhenggeng.The analytic hierarchy process to play on mobile phone in class for college students[J].System Simulation Technology,2016,12(1):66-69.

[8] 拓守恒.基于QPSO訓練的SVM核函數(shù)集成學習研究[J].系統(tǒng)仿真技術,2010,6(3):202-208.

TUO Shouheng.Study on ensemble learning for kernel selection based on quantum-behaved particle swarm optimization algorithm[J].System Simulation Technology,2010,6(3):202-208.

[9] 葉樹鑫,何聚厚.協(xié)作學習中基于協(xié)同過濾的學習資源推薦研究[J].計算機技術與發(fā)展,2014,24(10):63-67.

YE Shuxin,HE Juhou.Research on learning material recommendation based on collaborative filtering algorithm in cooperative learning[J].Computer Technology and Development,2014,24(10):63-67.

[10] 張舸,周東岱,葛情情.自適應學習系統(tǒng)中學習者特征模型及建模方法述評[J].現(xiàn)代教育技術,2012,22(5):77-81.

ZHANG Ge,ZHOU Dongdai,GE Qingqing.Review of learner characteristics models and modeling method of adaptive learning systems[J].Modern Educational Technology,2012,22(5):77-81.

[11] 屈正庚.層次分析法在應用型人才培養(yǎng)體制中的研究[J].計算技術與自動化,2015,34(2):104-109.

QU Zhenggeng.Research on system for training applied talents by analytic hierarchy process[J].Computing Technology and Automation,2015,34(2):104-109.

[12] 姜藺,韓錫斌,程建鋼.MOOCs學習者特征及學習效果分析研究[J].中國電化教育,2013(11):54-59.

JIANG Lin,HAN Xibin,CHENG Jiangang.A study on MOOCs learners’ characteristics and learning effects[J].China Educational Technology,2013(11):54-59.

[13] 陳衛(wèi)衛(wèi),李濤,李志剛.基于模糊層次分析法的云服務評估方法[J].解放軍理工大學學報(自然科學版),2016,17(1):25-30.

CHEN Weiwei,LI Tao,LI Zhigang.Method of cloud service evaluation based on fuzzy analytic hierarchy process[J].Journal of PLA University of Science and Technology(Natural Science Edition),2016,17(1):25-30.

[14] 翁遲遲,齊法制,陳剛.基于層次分析法與云模型的主機安全風險評估[J].計算機工程,2016,42(2):1-6.

WENG Chichi,QI Fazhi,CHEN Gang.Host security risk assessment based on analytic hierarchy process and cloud model[J].Computer Engineering,2016,42(2):1-6.

[15] 劉聰鋒,趙梓越.自適應調零天線對抗效能層次分析評估方法[J].西安電子科技大學學報(自然科學版),2015,42(1):23-29.

LIU Congfeng,ZHAO Ziyue.Evaluating method of countermeasure effectiveness for adaptive nulling antenna based on analytic hierarchy process[J].Journal of Xidian University,2015,42(1):23-29.

[16] 蔣卓軒,張巖,李曉明.基于MOOC數(shù)據(jù)的學習行為分析與預測[J].計算機研究與發(fā)展,2015,52(3):614-619.

JIANG Zhuoxuan,ZHANG Yan,LI Xiaoming.Learning behavior analysis and prediction based on MOOC data[J].Journal of Computer Research and Development,2015,52(3):614-619.