（课程与教学论专业论文）基于遗传算法的知识推理研究.pdf

摘要 j i i ii ii i i l li i i ii lliiiif y 1912 2 5 9 。智能教学系统是由计算机来模拟人类教师的智能化行为，对不同 层次、不同需求的学习者实施个性化教学，其广阔的应用前景和巨大 的效益得到了专家学者广泛的关注。知识推理就是依据学习者的个性 特征和背景知识来为学习者推荐合适的教学内容和有效的教学策略。 它是决定智能教学系统性能优劣的一个关键环节。 本文是以学习认知理论和布卢姆的掌握学习理论为指导，用遗传 算法针对学习者所需要加强学习的课程构建了一条最优学习路径， 其主要的工作如下： ( 1 ) 研究了智能教学系统及相关的学习认知理论、布卢姆的掌握学 习理论和学习路径等内容； ( 2 ) 针对学习者在诊断性测试或形成性测试中错误的项目，将专家 预设的课程难度级别与学习者测验时投票出的课程难度级别进行线 性组合得出各课程的自适应调整的难度系数； ( 3 ) 使用向量空间模型对课程进行建模，应用经典t f - i d f 方法计算 出各课程的相似度； ( 4 ) 利用遗传算法构造了一条将课程难度系数和课程之间的相似 度作为重要参数，以难度值最低的课程为起始课程，课程序列的相似 度之和达到最大值的最优个性化学习路径。 ( 5 ) 详细论述了遗传算法的编码( c o d e ) 、初始化( i n i t i a l i z a t i o n ) 、选 择( s e l e c t ) 、交叉( c r o s s o v e r ) 、变异( m u t a t i o n ) 、适应度函数( f i t n e s s f u n c t i o n ) 及算法的终止条件( s t o pc r i t e r i o n ) ，给出了遗传算法的基本 结构。在此基础上，本文提出了一种基于最优个体保存选择算子、排 序选择算子、根据贪心算法思想设计适应值不断上升的交叉算子和采 用贪心算法与i n v e r - o v e r 算子相结合的变异算子的一种改进的遗传 算法。 ( 6 ) 知识推理模型分别采取传统遗传算法和改进的遗传算法在 m a t l a br 2 0 0 9 a 进行了仿真实验。实验发现，采用了最优个体保存方 法、排序选择方法和与贪心算法相结合的交叉算子、变异算子的改进 的遗传算法在全局最优解的搜索上，收敛速度要远远快于传统的遗传 算法，且找到的解空间的染色体适应度函数值也高于后者。 关键词：遗传算法，贪心算法，知识推理，智能教学系统 i i a b s t r a c t i n t e l l i g e n tt u t o r i n gs y s t e mi sac o m p u t e rs y s t e mw h i c h c a ns i m u l a t e h u m a nt e a c h e r s i n t e l l i g e n tb e h a v i o r i tc a ni m p l e m e n ti n d i v i d u a l i z e d i n s t r u c t i o n st ol e a m e r so fd i f f e r e n tl e v e l sa n dn e e d s n o w , i t si sw i d e l y c o n c e r n e do fm a n ye x p e r t sa n ds c h o l a r sb e c a u s eo fi t sb r o a dp r o s p e c to f a p p l i c a t i o n sa n dg r e a tb e n e f i t s k n o w l e d g er e a s o n i n gm o d e l i sb a s e do n t h ep e r s o n a lc h a r a c t e r i s t i ca n dk n o w l e d g eb a c k g r o u n do fl e a m e r s ，a n di t w i l lr e c o m m e n dt h ea p p r o p r i a t et e a c h i n gc o n t e n t sa n de f f e c t i v et e a c h i n g s t r a t e g i e s t ol e a r n e r s i ti st h ec r u c i a lp a r tw h i c hd e c i d ew h e t h e rt h e p e r f o r m a n c eo f t h ei n t e l l i g e n tt u t o r i n gs y s t e mi sg o o do rn o t t h i sp a p e ri sb a s e do nt h ec o g n i t i v et h e o r i e so fl e a r n i n ga n d b l o o m sm a s t e r yl e a r n i n gt h e o r i e s g e n e t i ca l g o r i t h mi su s e dt ob u i l da n o p t i m a ll e a r n i n gp a t ho fc u r r i c u l u m sw h i c ha r en e e d e db yl e a r n e r st o e n h a n c et h e i ra b i l i t i e s t h em a i nw o r k so ft h i sp a p e ri sa st h i sf o l l o w ： ( 1 ) w eh a v ed i s c u s s e dt h ei n t e l l i g e n tt u t o r i n gs y s t e ma n dt h et h e o r i e s r e l a t e dt oi t ，i n c l u d i n gt h ec o g n i t i v et h e o r i e so fl e a r n i n g ，b l o o m s m a s t e r yl e a m i n gt h e o r ya n d t h el e a r n i n gp a t h s ，e t c ( 2 ) t h ek n o w l e d g er e a s o n i n gm o d e l w h i c hb a s e d o n g e n e t i c a l g o r i t h mi sm a d ef o rl e a m e r st of i n dt h ec u r r i c u l u m sw h i c ht h e yn e e d a c c o r d i n gt ot h ee r r o ri t e m si nt h ed i a g n o s t i ct e s to rt h ef o r m a t i v et e s t w ec a ng e tt h ea d a p t i v ea d j u s t m e n to ft h ec o u r s e d e g r e eo fd i f f i c u l t y f o r mt h el i n e a rc o m b i n a t i o nw h i c hi sc o m p o s e db yt w op a r t s ，o n ei st h e d e f a u l tl e v e lo fd i f f i c u l t yw h i c hi ss e tb ye x p e r t s ，a n dt h eo t h e ri st h e l e v e lo fd i f f i c u l t yv o t i n gb yt h es t u d e n t sd u r i n gt h ed i a g n o s t i ct e s to rt h e f o r m a t ：i v et e s t i i i ( 3 ) a f t e rt h ec o u r s ei sm o d e l e db yt h ev e c t o rs p a c em o d e l ，w eu s e t h ec l a s s i ct f - i d fm e t h o dt oc a l c u l a t et h es i m i l a r i t yo ft h ec o u r s e t h e l e v e lo fd i f f i c u l t ya n dt h es i m i l a r i t yo ft h ec o u r s ei st h ei m p o r t a n t p a r a m e t e r o ft h e k n o w l e d g er e a s o n i n g m o d e l ( 4 ) w ec a nu s eg e n e t i ca l g o r i t h mt ob u i l da no p t i m a lp e r s o n a l i z e d l e a r n i n gp a t h ，w h i c hs t a r tw i t ht h el o w e s td i f f i c u l tc o u r s ea n dt h es u m o f t h ec o u r s e ss e q u e n c e s s i m i l a r i t i e si st h em a x i m u mo ft h es o l u t i o n s p a c e ( 5 ) g e n e t i ca l g o r i t h mh a sb e e nd i s c u s s e di nd e t a i lf o rs e v e np a r t s ： c o d e ，i n i t i a l i z a t i o n ，s e l e c t ，c r o s s o v e r ，m u t a t i o n ，f i t n e s sf u n c t i o na n d t h es t o pc r i t e r i o n t h eb a s i cs t r u c t u r eo ft h eg e n e t i ca l g o r i t h mi sa l s o b e e ns h o w e di nt h i sp a p e r o nt h i sb a s i s ，w ep r o p o s ea ni m p r o v e d g e n e t i ca l g o r i t h mw h i c hb a s e do nt h eb e s tp r e s e r v a t i o no fi n d i v i d u a l o p e r a t o r ，r a n k i n gs e l e c t i o no p e r a t o r ，t h ec r o s s o v e ro p e r a t o rw h i c h d e s i g n e da c c o r d i n gt ot h et h i n k i n go ft h eg r e e d ya l g o r i t h ma n di t sf i t n e s s f u n c t i o nv a l u ei sr i s i n gd u r i n gt h ep r o c e s so fo p e r a t o la n dt h em u t a t i o n o p e r a t o rw h i c hi s t h ec o m b i n a t i o no ft h eg r e e d ya l g o r i t h ma n dt h e i n v e r - o v e ro p e r a t o r ( 6 ) t h er e a s o n i n gm o d e li ss i m u l a t e di nm a t l a br 2 0 0 9 a ，u s i n gt w o d i f f e r e n tm e t h o d s ，t h et r a d i t i o n a lg e n e t i ca l g o r i t h ma n dt h ei m p r o v e d g e n e t i ca l g o r i t h m i ti s f o u n d e dt h a tw h e nw es e a r c hf o rt h eg l o b a l o p t i m a ls o l u t i o n ，t h ec o n v e r g e n c e ss p e e do ft h ei m p r o v e dg e n e t i c a l g o r i t h mw h i c hu s e st h eb e s t i n d i v i d u a l p r e s e r v a t i o nm e t h o d ，t h e c r o s s o v e ro p e r a t i o na n dt h em u t a t i o no p e r a t o rw h i c hb o t hc o m b i n e dw i t h t h eg r e e d y a l g o r i t h m ，i sm u c hf a s t e r t h a nt h et r a d i t i o n a l g e n e t i c a l g o r i t h m s ；a n dt h ef i t n e s sf u n c t i o n sv a l u eo ft h ec h r o m o s o m e si nt h e s o l u t i o ns p a c ei sa l s oh i g h e rt h a nt h el a t t e r j i v k e yw o r d s ：g e n e t i ca l g o r i t h m ，g r e e d ya l g o r i t h m ，k n o w l e d g e r e a s o n i n g ，i t s v 目录 中文摘要i 英文摘要。i i i 1 绪论 1 1 研究背景和现状( 1 ) 1 2 研究目的和意义( 5 ) 1 3 本文主要工作和创新点( 6 ) 1 4 本文的章节结构( 8 ) 2 基于遗传算法的知识推理算法的相关理论和模型 2 1 学习的认知理论( 1 1 ) 2 2 布卢姆的掌握学习理论。( 1 3 ) 2 3 学习路径( 1 5 ) 2 4 课程难度( 1 5 ) 2 5 课程相似度( 1 7 ) 2 6 基于遗传算法的知识推理模型( 2 0 ) 2 7 本章小结( 2 1 ) 3 遗传算法理论研究 3 1 遗传算法的研究背景与现状( 2 3 ) 3 2 遗传算法的特点( 2 4 ) 3 3 遗传算法的基本概念( 2 4 ) 3 4 遗传算法的基本结构( 2 5 ) v t l 3 5 遗传算法的基本操作( 2 6 ) 3 6 改进的遗传算法的基本结构( 3 3 ) 3 7 改进的遗传算法的基本操作( 3 4 ) 3 8 本章小结( 3 7 ) 4 基于遗传算法的知识推理研究 4 1 基于传统遗传算法的知识推理( 3 9 ) 4 2 基于传统遗传算法知识推理的仿真实验与分析( 4 4 ) 4 3 基于改进的遗传算法的知识推理( 4 6 ) 4 4 基于改进遗传算法知识推理的仿真实验与分析( 5 6 ) 4 5 本章小结( 5 8 ) 结语( 5 9 )：口f 口- - - - j 了， 参考文献( 6 1 ) 致谢：( 6 5 ) 攻读硕士学位期间发表的论文( 6 7 ) 湖南师范大学学位论文原创性说明( 6 9 ) v 基于遗传算法的知识推理研究 1 绪论 本章对智能教学系统( i n t e l l i g e n tt u t o r i n gs y s t e m s ，简称i t s ) 的研 究背景、知识推理的研究现状、本文的主要工作和创新点以及本文的 总体结构进行分析和介绍。 1 1 研究背景和现状 2 l 世纪是一个信息化网络时代。得益于计算机技术、网络通信 技术和多媒体技术的迅猛发展，特别是i n t e m e t 的快速发展，全球的 学术、教育、产业、文化、经济、金融和商业等信息汇成了信息资源 的大海洋，使得身处其中的人们能快速高效地传播和利用大量信息资 源，从而服务于学习、工作和生活。 1 1 1 智能教学系统的研究背景 教育作为人类社会生产经验得以继承和发扬的关键环节，它在人 类社会发展史上扮演了极其重要的角色。随着世界范围内的信息革命 和科技发展，传统教育的局限性变得越来越突出。为了适应当代竞争 激烈的需要，人们希望在任何场所( w h e r e v e r ) 、不受时间限制 ( w h e n e v e r ) 任意选择( w h a t e v e r ) 他想要学习的知识和技日- - 匕k 【i 】。这 意味着传统的以教师为中心的课堂教学模式已渐渐不能满足人们的 学习需要。将网络应用于教学领域来打破时空的限制，为人们提供便 捷的学习机会、丰富的教学资源，使学习活动更加自主化、个性化和 智能化【2 】已经成为现代教育研究的热点。 智能教学系统是由计算机来模拟人类教师的智能化行为，通过研 究人类学习的思维特征和过程，寻求学习认知的模式，对不同层次、 不同需求的学习者实施个性化教学，从而达到因材施教的目的。它是 一种注重传授知识、提供指导，营造一对一的有效教学环境的自适应 性学习支持系统。智能教学系统【3 】的研究目的是赋予计算机系统以智 硕士学位论文 能，由计算机系统在一定程度上代替人类教师实现最佳教学。它通过 自适应地组织教学资源、实施教学策略、提供教学服务和进行教学评 价，从而完成个性化教学的活动。 智能教学系统以认知心理学为理论基础，综合了人工智能技术、 计算机网络技术、教育学和教育心理学等多门学科的成果，其广阔的 应用前景和巨大的效益得到了专家学者广泛的关注。各国纷纷投入大 量人力、物力和财力进行智能教学系统的研究，美国是其中的杰出代 表。许多著名学府，如斯坦福大学、麻省理工学院、伯克利大学等都 很注重此方面的研究，开发了一系列智能化程度较高的系统。人工智 能与教育世界大会则把人工智能在教育中的应用作为主要内容。 我国智能教学系统起步较晚，在2 0 世纪8 0 年代初只有少数科研 人员开展了此项工作。1 9 9 9 年初国务院颁布的面向2 l 世纪教育振 兴行动计划中明确提出我国要实施“现代远程教育工程”，构建终 身教育体系。此计划的提出，标志着我国智能教学系统的研发揭开了 新的历史篇章。许多基于网络和多媒体技术的智能教学系统在全国各 大高校如火如荼的进行，至今为止已取得了不俗的成绩。 1 1 2 智能教学系统的研究现状 智能教学系统的研究始于2 0 世纪7 0 年代初期。一般认为b o l t n e r a n e kn e w m a n 公司的j a i n ec a r b o n e l l 和a l l a nc o l l i n s 共同开发的讲 授南美洲地理知识的s c h o l a r 教学系统是第一个有代表性的智能教学 系统【4 】，由它开创了智能教学系统的先河。 2 0 世纪9 0 年代以后，随着计算机技术和教学理论的不断融合， 智能教学系统的研究继续向前发展并进入了一个全新的领域。专家学 者把教育学、教育心理学和机器推理等各种技术应用于i t s 中，提出 i t s 的系统结构由领域专家模块、学生模型模块、教师模型模块( 教 学策略) 和智能人机接口四大模块组成【5 】。 众多研究学者正在对智能教学系统进行深层次的研究，主要侧向 基于遗传算法的知识推理研究 建立更好的学生模型、教学策略模型、领域知识库等方面，旨在进一 步提高智能教学系统的智能性和实用性，切实发挥智能教学系统“因 材施教”的特性。近几年，随着m a s 技术、w e b 技术、网格技术和 数据挖掘技术在智能教学系统中的应用，i t s 取得了很多新的进展。 ( 1 ) 基于m a s 技术的智能教学系统 多代理系统( m u l t i p l ea g e n ts y s t e m ，m h s ) 源于h e r b e ta s i m o n 的 著作( ( a d m i n i s t r a t i v eb e h a v i o r 。西蒙的决策理论为m a s 系统奠定了 思想基础：单个代理的智能水平有限，但可通过适当的体系结构将代 理组织起来，使得多个代理互相协作，并发完成复杂任务或目标。由此 可见，多代理系统的能力大大超过任何单个代理系统的能力。 多代理系统可被划分为多个自主或半自主的智能体，即：a g e n t 。 每个a g e n t 或履行自己的职责，或与其它a g e n t 通信提供信息协助其 它a g e n t 完成总任务。根据功能，i t s 中的a g e n t 可分为教学、评价、 策略等不同种类。在众多基于多代理系统的智能教学系统中，比较典 型的是f a b i a n oa d o r c a 、c a r l o sr l o p e s 和m a r c i aa f e m a n d e s 在2 0 0 3 年所提出的m i s ( m u l t i - a g e n ti n t e l l i g e n ts y s t e m ) 】。 ( 2 ) 基于w e b 技术的智能教学系统 基于w e b 技术的智能教学系统始于2 0 世纪9 0 年代初，它是通 过因特网实施远程教育活动。基于w e b 的智能教学系统实现了分布 式教学，可同时接受多个用户的学习请求，突破了时空限制，具有覆 盖面广、全方位为社会成员提供教育服务的优势。斯坦福大学、麻省 理工学院、卡内基梅隆大学和加利福尼亚大学等都在致力于基于w e b 的智能教学系统的研究工作，其中新西兰m a s s e y 大学开发的 t i l e ( t e c h n o l o g yi n t e g r a t e dl e a r n i n ge n v i r o n m e n t ) 系统是基于w r e b 技 术的智能教学系统中的佼佼者。 ( 3 ) 基于网格技术的智能教学系统 网格( g r i d ) 来源于电力网格( p o w e rg r i d ) ，是将各种信息资源、 硕士学位论文 数据资源、专家资源和知识资源等各种资源集成或共享，组织成为有 机整体，共同协作完成各项任务。把网格技术应用于智能教学系统中， 可以提高i t s 的性能：在不同的网格节点上存储学习资源，实现 其透明性，并对其进行分布式管理，即：当需要使用学习资源时不需 指明其位置；可构造动态的虚拟学习环境，更好地实现学习者间的 协同合作，实现跨区域的资源共享和互助，从而达到更优的学习效果； 每个网格节点都能独自处理并执行局部的应用请求。 ( 4 ) 基于数据挖掘技术的智能教学系统 数据挖掘技术( d a t am i n i n g ，d m ) 理论形成于2 0 世纪9 0 年代 初期，是指使用算法来抽取信息和模式，是知识发现( k d d ) 过程的 一个步骤r 7 1 。目前，数据挖掘技术已经广泛应用于医药、金融和商务 等各领域中。教育领域，尤其是智能教学系统也成为数据挖掘技术应 用的一个良好的平台。 将数据挖掘技术应用到智能教学系统中，通过分析学习者的学习 风格来确定其学习过程中需要侧重的课程内容和其适应的教学方法， 从而找到学习者个性化的学习路径，真正实现因材施教的目的。许多 研究学者已经做了相关的研究，如：应用决策树方法对学生的学习能 力进行分类，应用b p 神经网络算法分析学生掌握知识点的情况【8 】； 使用数据挖掘技术对学生进行分类【9 】；结合w r e b 挖掘、人工智能、模 糊理论等技术，实现网络教学的智能教学策略【l o 】；在智能决策系统中 使用可拓数据挖掘技术】。 1 1 3 基于数据挖掘技术的知识推理的研究现状 “知识工程 这一词最先由美国斯坦福大学f e i g e n b a u m 教授在 第五届国际人工智能联合会议上提出。他认为设计智能教学系统的重 要技术问题在于如何获取、表达和解释恰当的知识给学习者【1 2 1 。知识 工程包括了知识建模、知识推理和机器学习等多个研究领域。知识推 理就是依据学习者的个性特征和背景知识来为学习者推荐合适的教 4 基于遗传算法的知识推理研究 学内容和有效的教学策略，它是决定智能教学系统性能优劣的一个重 要环节。 数据挖掘是一个多学科领域，它包括了决策树、人工神经网络、 案例推理、贝叶斯学习、逻辑编程和遗传算法等计算模式。近年来， 一些研究者对应用数据挖掘技术从网络中提取知识数据做了不少有 益的尝试：利用b a y e s i a n 知识推理网和b a y e s i a n 概率公式，推荐个 性化的学习资源和教学方法【1 3 】；在c b r 技术应用全局教学策略和局 部教学策略，从而实现教学策略的自适应选拶1 4 】；基于模糊推理的聚 类方法对知识特征数据进行划分f 1 5 】；用遗传算法和案例推理来构建个 人网上学习系统【1 6 】；应用神经模糊方法为教师和学习者提供基于学习 者学习风格的最佳教学策略”】。 基于数据挖掘技术的知识推理方法是收集学习者的学习数据、匹 配其与学习资源和教学方法的相关程度，从而实现智能教学系统的个 性化推荐功能。虽然从理论上来说，数据挖掘技术，譬如：贝叶斯推 理网、神经网络、模糊聚类等技术和知识推理相结合确实能达到较好 的推荐效果，但是它的缺点也是很明显的，总结如下： ( 1 ) 知识推理算法的搜索空间较大，时间、空间复杂度较高； ( 2 ) 学习者在学习过程中带有盲目性，在第一次教学策略执行完毕 后，不能根据学习者学习的反馈信息进行学习策略的调整，于是达不 到强化知识、修正错误的效果； ( 3 ) 注重了学习者之间个人风格的差异性，忽视了知识点之间固有 的联系； ( 4 ) 考虑了学习者的喜好、兴趣，忽略了考虑学习者的能力是否与 所推荐课程相匹配。 1 2 研究目的和意义 1 2 1 论文的研究目的 学习者个体能力的差异性决定了在学习过程中所需接受教育的 硕七学位论文 内容和进度。为了给学习者提供个性化的学习服务，本文在学习的认 知理论和布卢姆的掌握学习理论指导下，在对学习者进行了诊断性测 试或形成| 生测试之后，针对其错误的测试项目，提出了基于遗传算法 的知识推理模型。该模型将为学习者构建符合其知识能力背景和需求 的最优学习路径。 1 2 2 论文的研究意义 随着网络通信技术的发展和数据挖掘技术的广泛运用，智能教学 系统的个性化学习路径的寻径将是目前和以后相当长一段时间内的 重要课题。专家认为，学习者的学习成绩会受到教学材料的组织方式、 教学材料的呈现方式以及教学内容的类型三者交互作用的影响【l8 1 。因 此，知识推理将是决定智能教学系统性能优劣的一个重要环节。本课 题是以学习认知理论和布卢姆的掌握学习理论为理论支撑，用遗传算 法针对学习者所需要加强学习的课程构建了一条自适应的最优学习 路径，满足了学习者的个性化需求，提高了智能教学系统的效率，保 证了教学质量，为构建个性化学习服务的智能教学系统提供了支持， 具有一定理论研究价值和实用意义。 1 3 本文主要工作和创新点 1 3 1 论文的主要工作 本文根据李克特氏5 点量表由专家预设和学习者投票两种方式 相结合得到各课程的自适应调整的难度系数；使用向量空间模型对课 程进行建模并应用t f - i d f 经典方法计算出各课程之间的相似度；将贪 心算法应用到遗传算法中加快了算法的收敛速度，展开了对基于遗传 算法的知识推理模块的研究。论文主要的工作如下： ( 1 ) 研究了智能教学系统及相关的学习认知理论、布卢姆的掌握学 习理论和学习路径等内容； ( 2 ) 依据李克特氏5 点量表将专家预设的课程难度级别和学习者 测验时投票出的课程难度级别进行线性组合，从而得出智能教学系统 基于遗传算法的知识推理研究 课程库中各课程的自适应调整的难度系数； ( 3 ) 使用向量空间模型对课程进行建模，应用经典的t f - i d f 方法计 算出智能教学系统课程库中各课程的相似度； ( 4 ) 针对学习者在诊断性测试或形成性测试中的错误项目，将专家 预设和学习者投票线性组合得到的课程难度系数和利用t f - i d f 方法计 算出的课程向量空间中课程之间的相似度作为推理的重要参数，利用 与贪心算法相结合的遗传算法构造了一个以难度值最低的课程为起 始课程，课程序列的相似度之和达到最大值的知识推理模块。 ( 5 ) 详细论述了遗传算法的编码( c o d e ) 、初始化( i n i t i a l i z a t i o n ) 、选 择( s e l e c t ) 、交叉( c r o s s o v e r ) 、变异( m u t a t i o n ) 、适应度函数( f i t n e s s f u n c t i o n ) 及算法的终止条件( s t o pc r i t e r i o n ) ，给出了遗传算法的基本 结构。在此基础上，本文提出了一种基于最优个体保存选择算予、排 序选择算子、根据贪心算法思想设计适应值不断上升的交叉算子和采 用贪心算法与i n v e r - o v e r 算子相结合的变异算子的一种改进的遗传算 法。 ( 6 ) 将传统遗传算法和改进的遗传算法引入到学习路径的知识推 理中，通过在m a t l a br 2 0 0 9 a 中同时对一个实例进行推理得到仿真结 果，分析两种方法的仿真实验结果并将结果进行了对照。 1 3 2 论文的主要创新点 将遗传算法应用到个性化学习路径的知识推理过程中，并对遗传 算法采取一些控制策略：采用三次最优个体保存选择算子和排序选择 算子，在保证了算法收敛性的同时也保持了种群的多样性；根据贪心 算法设计适应值不断上升的交叉算子和采用贪心算法与i n v e r - o v e r 算 子相结合的变异算子，加快了算法的收敛速度，为学习者构建了一条 从难度值最低的课程起始的，课程之间相似度之和达到最大值的最优 学习路径。 硕士学位论文 1 4 本文的章节结构 本文将遗传算法应用到智能教学系统的知识推理领域中，将依据 李克特氏五点量表设值的专家预设和学习者投票线性组合得到的课 程自适应调整的难度系数和利用t f - i d f 方法计算出的各课程向量的相 似度作为推理的重要参数，构建了基于遗传算法的知识推理模型。仿 真实验结果表明基于遗传算法的知识推理模型能为学习者构建一条 符合其知识能力与背景的最优个性化学习路径。 全文共分为四章，各章的主要内容如下： 第一章绪论，综述了智能教学系统的研究背景和现状，介绍了基 于数据挖掘技术的知识推理的研究现状，阐明了本文的研究目的和意 义，最后说明了论文的主要研究工作、创新点和组织安排。 第二章从本文研究课题的理论基础出发，介绍了维果茨基的最近 发展区理论、布鲁纳的知识结构组织原则理论、奥苏伯尔的有意义接 受说理论、建构主义的学生观理论、布卢姆的掌握学习理论和学习路 径的基本知识；介绍了如何使用李克特氏5 点量表设置课程难度系数 值，将专家预设的课程难度级别和学习者测验时投票出的课程难度级 别进行线性调整，从而得到智能教学系统课程库中各课程的自适应调 整的难度系数；介绍了如何使用向量空间模型对课程进行建模，应用 t f - i d f 方法计算出智能教学系统课程库中各课程的相似度系数，为下 面的基于遗传算法的知识推理研究打下了基础；针对学习者在诊断性 测试或形成性测试中的错误项目，将课程难度系数和课程之间的相似 度作为推理的重要参数，利用与贪心算法相结合的遗传算法构造了一 个以难度值最低的课程为起始课程，课程序列的相似度之和达到最大 值的知识推理模块。 第三章讨论了遗传算法的基本理论，从遗传算法的研究背景、特 点、基本概念、基本结构和基本操作对遗传算法进行了全面的介绍， 并结合本文的研究课题提出了一种改进的遗传算法，说明了改进的遗 基于遗传算法的知识推理研究 传算法的基本结构和基本操作。 第四章是本文的核心，详细讨论了传统遗传算法和改进的遗传算 法在构建个性化学习路径时的知识推理步骤。通过在m a t l a br 2 0 0 9 a 中对同一个实例进行推理得到并分析了仿真结果。实验发现改进的遗 传算法加快了收敛速度，基于遗传算法的知识推理模块同时考虑了课 程的难度及其之间的连贯性，能帮助学习者在基于网络的环境中更有 效的学习。 结语总结了全文，并对相关课题研究的进一步工作做出展望。 基于遗传算法的知识推理研究 2 基于遗传算法的知识推理算法的相关理论和模型 本章介绍了学习认知理论、布卢姆的掌握学习理论和学习路径， 论述了李克特氏五点量表和课程难度系数的自适应调整；说明了课程 之间相似度的计算方法；阐述了基于遗传算法的知识推理模块。 2 1 学习的认知理论 认知心理学起源于2 0 世纪5 0 年代中期，7 0 年代成为西方心理 学的一个主要研究方向。它是以信息加工理论为核心，认为学习是由 外部刺激和内部心理过程相互作用的结果。认知心理学认为教育必须 从学习者的心理发展出发，以其认知发展的水平和特点为依据，学习 内容的呈现应该遵循循序渐进原则、量力性原则和因材施教原则。认 知心理学关于最近发展区、知识结构组织原则、有意义接受说和建构 主义的学生观等研究成果在智能教学系统中得以应用，全面实现为不 同认知特点的学习者提供最优学习路径的目的。 2 1 1 维果茨基的最近发展区 认知发展理论的杰出代表人物之一，苏联心理学家维果茨基从历 史唯物主义的观点出发，提出了“文化历史发展理论 。他认为人的 思维与智力是在活动中发展起来的，是各种活动、社会性相互作用不 断内化的结果，其发展过程是在环境与教育的影响下，在低级心理机 能的基础上，逐渐向高级机能转化的过程。在对学习者进行教学的过 程中，他提出了学习者的能力水平存在一个“最近发展区 。 最近发展区指的是儿童现有的发展水平与依靠他人的启发和帮 助可以达到的发展水平之间的差距。因此，它其实代表了个体能力发 展的最近个区域范卧1 9 】。“最近发展区 理论告诉了我们在教学过 程中必须注重的两方面内容：一是要使教学走在学习者知识能力发展 水平的前面；二是教学要为学习者创造其知识能力水平的“最近发展 硕十学位论文 区”。 因此，通过诊断性测试或者形成性测试来掌握学习者在进入教学 活动之前或过程中的现有知识水平、接受能力和认知能力对于整个学 习活动来说就显得尤为重要了。当教师掌握了学习者现有的知识能力 水平之后，就能对其进行有针对性的指导，寻找适合学习者的最优学 习资源。学习者通过学习活动将外在的知识和解决问题的策略内化到 自己的知识能力水平当中去，于是原有的最近发展区转化为现有的发 展水平，并在此基础上出现了另一个新的最近发展区。 “最近发展区”理论表明了教学内容不仅要适应学习者现有的知 识能力发展水平，而且要预见学习者完成学习活动之后的心理发展， 即：教学内容要能根据学习者的最近发展区给学习者提出更高的要 求，从而对学习者的发展起到促进作用。这就意味着教师在组织教学 内容方面要考虑到课程之间的难易程度和课程之间的相关性，以循序 渐进的原则对学生进行教学将会收到较好的效果。 2 1 2 布鲁纳的知识结构组织原则 美国著名的教育心理学家布鲁纳所提倡的“认知一发现”学习说 认为学习的目的在于发现学习的方式，使学科的基本结构转变为学生 头脑中的认知结构。他的“学科基本结构”的思想就是认为教学的目 的在于理解学科的基本结构，即：学科的基本概念、基本原理及其基 本态度和方法【2 0 1 。 为了组织最佳的知识结构，布鲁纳提出了知识结构表现方式的适 应性、经济性和有效性的三条组织原则。其中适应性原则指课程知识 结构的呈现方式必须与学习者的认知能力相适应；经济性原则指课程 的知识结构应按有利于学习者认知学习的前提下合理简约；有效性原 则指经过简约的课程知识应该有利于学习者进行学习迁移。 布鲁纳强调最理想的知识序列是随着学习者学习情况、发展阶段 和课程内容差异而定。换言之，教师应该根据学习者的知识背景和学 基下遗传算法的知识推理研究 科性质选择知识的最好呈现方式。 2 1 3 奥苏伯尔的有意义接受说 奥苏伯尔认为有意义学习就是使学习者认知结构中已有的知识 和符号所代表的新知识建立起非人为的实质联系，即新、旧知识建立 起合理的、逻辑基础上的联系【2 l 】。 要使有意义学习得以发生，必须满足一定的条件，其客观条件为： 有意义学习的课程必须满足能与认知结构中有关知识建立实质性和 非人为性联系的要求。换句话来说，学习者进行学习的课程序列必须 具有逻辑意义，也就是说如果用相似度来表示两课程间的逻辑关系的 话，相似度越大表明课程间的逻辑关系越强，那么学习者进行有意义 学习的可能性就越高。 有意义学习的发生另一条件是主观条件，即：首先，学习者必须 有要意义学习的心向；其次，学习者具备了适当的知识能力水平；最 后，学习者必须积极主动地使新、旧知识发生作用，改善其认知结构。 由此可见，能否正确掌握学习者当前的知识能力水平是进行有意义学 习的一个关键环节。 2 1 4 建构主义的学生观 建构主义是认知主义的进一步发展，在长期的理论探索和教学实 践之后，其学习理论体系对教育改革和实践具有十分重要的意义。 建构主义者强调在教学过程中必须重视学习者已有的知识经验， 应该把学习者现有的知识经验作为新知识的生长点，教师在教学过程 中要注重引导学习者从原有的知识经验中生长出新的知识经验1 2 2 1 。这 也就意味着，教师在进行教学活动中要清楚学习者现有的知识经验， 这样才能为学习者创设理想的学习情境。 2 2 布卢姆的掌握学习理论 掌握学习理论是美国著名教育学家、心理学家布卢姆在卡罗尔的 “学校学习模式的基础上提出的，关于教学系列化和管理结构化研 硕士学位论文 究的一种个别化教学理论，是一套有效的个别化教学实到2 3 1 。布卢姆 认为教师应该最大限度地促进每一位学习者全面发展，达到9 5 的学 生能够高水平的掌握所学知识的目标。要实现上述目标，布卢姆认为 应该对学习者进行群体教学，同时给予学习者所需的频繁反馈和个别 化援助【2 4 】。 布卢姆的掌握学习理论已被广泛证明是一种提高教学质量的有 效途径，该理论注重对学生学习过程的诊断。其“矫正一反馈”系统 是掌握学习理论的一大特色【2 5 1 ，具体实施步骤如图2 1 所示： 图2 - 1 掌握学习理论的“矫正一反馈”系统实施步骤 ( 1 ) 教师回顾课程并进行第一单元的教学，同时决定出学习者最需 要掌握的概念和知识及所需要达到的程度； 一( 2 ) 计划并实施一个用以提供反馈的形成性测试； ( 3 ) 教师根据测试结果来为学习者规划校正措施或进行知识拓展： 通过测试的学习者将确信目前的学习方式恰当，没通过的学习者可发 现自己尚需加强学习的课程内容，以便通过第二次形成性测试； ( 4 ) 需要进行校正活动的学习者在活动完结后进行第二次形成性 测试，其内容与学习者第一次形成性测验没通过的内容平行； ( 5 ) 进行完知识拓展活动的或通过了第二次形成性测验的学习者 在教师的引导下进行第二单元的学习。 布卢姆认为在教学前和教学过程中应及时对学习者进行诊断性 评价或形成性评价，这样才能给学习者呈现最有益的学习序列，使教 学符合学习者的需要和知识能力背景，做到因材施教。 基于遗传算法的知识推理研究 2 3 学习路径 在智能教学系统中，学习路径是一个非常重要的概念。众多研究 学者正在努力探寻学习路径的架构，其目的就是为了构建一个良好的 教育平台：许永洲在其学习路径指导系统的研究中定义了学习路径是 主题之下的有效学习的各单元间各种顺序选择；王俊程等学者在进行 e 1 e a r n i n g 管理策略研究中指出学习路径最主要是指学习者在学习 时，课程内容上的安排及顺序，他认为在学习路径中，各知识点为一 抽象节点，主要用来指引参考教学资源【2 6 1 。 在智能教学系统中，课程库是由一个个学习节点组成的。学习者 通过一个有序的学习节点集合，对某个主题课程内容进行学习，从而 内化其认知能力结构。这样一个学习节点的有序集合就构成了一段学 习路径。 基于网络的智能教学系统呈现信息的方式是用超文本来实现的