（计算机应用技术专业论文）基于学习风格和概率推理的智能教学系统研究.pdf

基于学习风格和概率推理的智能教学系统研究 摘要 基于学习风格和概率推理的智能教学系统研究 捅斐 作为早期计算机辅助教学系统( r r s ) 的衍生物，智能教学系统已经成为基于网 络教学领域最热门的话题之一。大多数早期的教学系统在功能上非常简单，仅仅通过 计算机以一定的顺序来呈现静态的教学内容，而没有考虑到学习者所具有的不同学习 偏好和知识水平来自适应的引导学习。这一缺陷在i t s 出现之后得到了很大的弥补。 i t s 最显著的特点是能够根据学生具有的不同知识水平来采取形式多样的教学策略， 这一特点将教学系统提升到了一个崭新的高度。然而，教育的另一个方面却被忽略了： 学生在吸收和消化知识的过程中表现出的能力和偏好是不同的，也就是说他们具有不 同的学习风格。当在教学过程中学生具有的学习风格和教课老师，教学系统的教学风 格有相当大的差异时，学生会觉得枯燥并分心，以至于辍学。 本文阐述了解决此问题的方法并提出了一个基于b s ( 服务器和客户端) 结构的， 并且结合了学习风格理论和贝叶斯网络的智能教学系统，称为i t l p ( i n t e u i g e n t t u t o r i n gs y s t e mb a s e do nl e a r n i n gs t y l ea n dp r o b a b l i s t i ci n f e r e n c e ) 。既然学生具有不同 的学习风格，那么开发一个能够自动识别学生的学习风格，并且以此作为依据，来生 成个性化的用户接口并呈现匹配的学习内容以便提高学生学习效率和积极性的教学 系统是非常有价值的。除此之外，系统还集成了贝叶斯网络来跟踪和记录学生的知识 状态，以此作为提供自适应教学策略的依据。通过集成如上所述的功能后，本系统在 帮助学生更彻底和更有效率学习方面将非常有实际意义。文中讨论了如何利用学习风 格工具来识别学生的学习风格，并且本文介绍了如何通过引入j a v a b a y e s 建模工具来 构建贝叶斯网来推测学生的知识状态。而且，我详细介绍了i t l p 的设计架构以及实 现过程。为了测试系统在提高学生的学习效果的能力，对计算机系一年级的学生进行 了实验，并且结果证实了我的设想：r i l p 在某种程度上，是一个帮助计算机新生学 习计算机编程语言的有效和实用的工具。 关键字：智能教学系统，学习风格，贝叶斯网，学生学习模型，概率推理 作者：杨诚一 指导老师：朱巧明教授 a n i n t e l l i g e n tt u t o r i n gs y s t e mb a s e d o nl e a r n i n gs t y l ea n d p r o b a b i l i s t i ci n f e r e n c e 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 m ( i t s ) ，a sad e s c e n d a n to fe a r l i e rg e n e r a t i o no f c o m p u t e r - a i d e di n s t r u c t i o n a ls y s t e m ( c a d ，h a sb e e n o n eo ft h eh o t t e s t t o p i c si n w e b - b a s e d e d u c a t i o na r e a m o s to f t h ee a r l yc a i s y s t e m sa r ev e r ys i m p l e ，d i s p l a y i n gs t a t i c l e a r n i n gm a t e r i a l so n eb yo n ew i t h o u ta n ya d a p t i v ea s s i s t a n c ea c c o r d i n gt ot h ed i f f e r e n t l e a r n i n gp r e f e r e n c e sa n dk n o w l e d g el e v e l so fs t u d e n t s t h i ss i t u a t i o nl a s t e dl o n gu n t i lt h e e m e r g e n c eo fi t s t h em o s tv a l u a b l ef e a t u r eo fi t si st h ea b i l i t yt op e r f o r md i f f e r e n t t e a c h i n gs t r a t e g i e st ot e a c hs t u d e n t sa f t e ri d e n t i f y i n gt h e i rk n o w l e d g el e v e l t h i sf e a t u r e b r i n g st h et u t o r i n gs y s t e mu pt oah i g h e rl e v e l h o w e v e r , a n o t h e ri m p o r t a n ta s p e c to f e d u c a t i o nh a sb e e ni g n o r e d ：s t u d e n t sh a v ed i f f e r e n ts t r e n g t h sa n dp r e f e r e n c e si nt h ew a y s t h e yt a k ei na n dp r o c e s si n f o r m a t i o n , w h i c hm e a n st h e yh a v ed i f f e r e n tl e a r n i n gs t y l e s w h e nt h el e a r n i n gs t y l e so ft h es t u d e n t si nac l a s sa n dt h et e a c h i n gs t y l eo ft h ei n s t r u c t o r a r es e r i o u s l ym i s m a t c h e d ，t h es t u d e n t sw i l lb e c o m eb o r e da n d i n a t t e n t i v e ，o re v e nd r o po u t o f s c h 0 0 1 i nt h i st h e s i s ，ia d d r e s s e dt h i sp r o b l e ma n dp r o p o s e dab s ( b r o w s e ra n ds e r v e r ) a r c h i t e c t u r ei n t e l l i g e n tt u t o r i n gs y s t e m , c a l l e dr i l eb a s e do nt h el e a r n i n gs t y l et h e o r ya n d b a y e s i a nn e t w o r k s i n c es t u d e n t sh a v ed i f f e r e n tl e a r n i n gs t y l e s ，i tw i l lb em e a n i n g f u lt o d e v e l o pas y s t e mt h a t c a ni n t e l l i g e n t l y i d e n t i f yt h ei n d i v i d u a l sl e a r n i n gs t y l e ，a n d c u s t o m i z ei t su s e ri n t e r f a c et op r e s e n tt h es t y l e - - m a t c h e dl e a r n i n gm a t e r i a l sf o rs t u d e n t st o l e a r nm o r ee f f i c i e n t l ya n dp o s i t i v e l y b e s i d e sl e a r n i n gs t y l et h e o r y ，ia l s oi n c o r p o r a t e b a y e s i a nn e t w o r kt e c h n i q u et ot r a c kt h ek n o w l e d g es t a t e so fs t u d e n t sf o rp e r f o r m i n g a d a p t i v et e a c h i n gs t r a t e g i e s w i 也t h ec o m b i n a t i o no ft h ea b o v e m e n t i o n e dm e c h a n i s m s ，t h e s y s t e mc a nb em o r ep r a c t i c a li nt e a c h i n gas t u d e n th o w t ol e a r nt h o r o u g h l ya n de f f i c i e n t l y id i s c u s sh o wt ou s et h el e a r n i n gs t y l ei n s t r u m e n tt oi d e n t i f yt h el e a r n i n g s t y l eo ft h e s t u d e n t sa n dh o wt oi n c o r p o r a t ej a v a b a y e s ，am o d e l i n gt o o l ，t ob u i l da b a y e s i a nn e t w o r k t oi n f e rt h e i rk n o w l e d g es t a t e s m o r e o v e r , id e t a i lt h ed e s i g na r c h i t e c t u r eo fi t l pa n dh o w n a ni n t e l l i g e n tt u t o r i n gs y 咖m 里竺鲤2 翌三= 竺翌! 竖! 业! 鲤旦堕些塑堕! 垫塑! !竺竺盟 - _ _ _ _ _ _ _ _ - - _ 二_ - _ _ - _ 。一一一 t oi m p l e m e n ti t t od e c i d ew h e t h e rr r l pi se f f i c i e n ti ni m p r o v i n gt h el e a r n i n ge x p e r i e n c e o ft h es t u d e n t s t h ee x p e r i m e n tw a sc a r r i e do u to nc s 1a n d2l e v e ls t u d e n t s ，a n dt h er e s u l t v a l i d a t e sm vh y p o t h e s i s ：i ti sau s e f u lt o o l ，i ns o m es e n s e ，t ot e a c hc s 1a n d2l e v e l s t u d e n t st h ec + + p r o g r a m m i n gl a n g u a g e k e yw o r d s ：i n t e l l i g e n tt u t o r i n gs y s t e m , l e a r n i n gs t y l e ，b a y e s i a nn e t w o r k , s t u d e n t l e a r n i n gm o d e l ，p r o b a b l i s t i ci n f e r e n c e w r i t t e nb y ：y a n gc h e n g - - y i m s u p e r v i s e db y ：z h uq i a o - m i n g 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律 责任。 研究生签名： 橼 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名：刁匿牢日期： 导师签名：e l 期渤伽缪， 基于学习风格和概率推理的智能教学系统研究第一章绪论 第一章绪论 自从本世纪6 0 年代以来，计算机已被广泛的应用于针对不同的教学目的应用中。 在教育中使用计算机的目的主要是为了改进传统的教学方法，提供学生更具挑战性和 娱乐性的教学任务，以及充分利用计算机多媒体的能力来呈现教学内容【1 1 。早期的计 算机辅助教学( c o m p u t e - a i d e di n s t r u c t i o n ) 已经深入到了很多不同的领域，如学校， 企业，政府部门以及家庭，但是离现代教学的要求还有相当的距离。而且，早期的 c a i 系统，由于自身软硬件条件的限制，存在着严重的缺陷：系统无法通过模拟教师 的一些教学方式和行为来帮助学生学习知识。 计算机和人工智能技术的快速发展，给我们指明了一条改革传统的基于课堂的教 学模式的新思路。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 ，i t s ) ，作为当代教学技 术的代表，正通过它基于人工智能的自适应的指导，不断扮演着帮助学生吸收知识和 提高学习效果的一个非常关键和具有支配作用的角色。智能教学系统最具有影响力的 两个例子是：s h e r l o c k 工程和p u m p a l g e b r at u t o r 代数教学工程圈。 对于集成了人工智能技术的i t s 来说，最大的特点是，能够实现“一对一”的教 学，这种教学模式被誉为是最有效果的教学方式【3 】。搿一对一的教学方式可以归结 为以下三点：1 ) 指导教师可以采用测试和问题的方式来探测学生实时的知识状态。2 ) 在学生开始学习某个知识之前，指导教师能够为他设计一条从最基础知识到某一个具 体知识的学习路径。3 ) 在教师和学生的交互过程中，教师能够了解潜在的探测此学 生所具有的学习风格，并且提供风格匹配的教学材料给学生进行学习。基于以上的实 践经验以及人工智能技术，设计和开发一个基于计算机的智能教学系统来模拟人类教 师的教学方式和行为已经成为可能，并且很有前景。 为了达到多策略教学的目的，必须首先获得学生的知识状态。但是，由于依据学 生返回的不完整信息来准确预测和判断学生的知识状态是相当困难的，所以基于概率 推理的方法显然在处理不完整信息方面具有先天的优势。其中一个目前较流行的方法 是源于人工智能中对贝叶斯网的概率推理【4 】。 然而，如何探测学生的知识状态并不是指导教师的唯一责任，帮助学生如何更有 效的学习和吸收知识才是教师的的价值所在。而一种实现的方法是掌握学生具有的学 第一章绪论基于学习风格和概率推理的智能教学系统研究 习风格，即学生对具有不同风格的教学材料的偏爱。如果学生的学习风格与所提供的 学习材料的风格有很大差异，那么这将造成很不良的负面效果，如学生会变得沮丧或 者失去学习的兴趣，所以学习材料的选择尤其重要。一种能够有效探测学生学习风格 的工具，学习风格评价指标体系工具( i n d e xo fl e a r n i n gs t y l ei n s t r u m e n t ) ，已由f e l d e r 发吲5 】，这种工具能通过从学生处收集到的反馈来评估他们的学习风格。 本文提出并实现了一个基于w e b 的b s 结构智能教学系统( i n t e l l i g e n tt u t o r i n g s y s t e mb a s e d o nl e a r n i n gs t y l ea n dp r o b a b i l i s t i ci n f e r e n c e i t l p ) ，用于教授计算机编程 知识和概念。系统中的知识状态模型是由贝叶斯网来实现的，并且学习风格理论也融 入了r r l p ，用于观察和识别学生不同的学习风格。 本系统不仅能够采用多变的自适应教学策略( 如探测知识状态，生成学习顺序路 线) ，而且能够针对具有不同学习风格的学生提供风格匹配的学习材料。 1 1 问题描述 在1 9 8 2 年s l e e m a n 和b r o w n 引入i t s 概念之前，早期的c a i 系统的生存周期被 认为介于6 0 年代到8 0 年代早期，在这期间，c a i 实现的理论依据主要被两个对立观 点所统治，行为主义( b e h a v i o r i s m ) 和信息处理理论( i n f o r m a t i o np r o c e s s i n g ，p ) 。 前者声称有机体的一切行为( 如行动，思考和感觉) 能够也应该被看作是行为。大部 分基于此理论而设计的c a i 系统在交互过程中提供给学习者一些问题，然后收集答 案用于系统套用预先定义的专家框架来评估学习者的总体表现 6 1 。这种系统的缺点在 于没有考虑学习者是如何学习的。而在7 0 年代和8 0 年代早期流行的口观点则强调 语言学和自然语言处理在设计c a i 系统中具有很高的价值，它将人类认知作为一系 列的“黑盒 ，而并非是对外界刺激的反应。这种方法的缺点是，无法利用程序化的 语言编入系统。 早期c a i 系统的缺点，可以更通俗地表述如下：系统只能以一种僵硬的模式来 呈现教学材料，而且学生的唯一选择是通过向前向后按钮，一页一页的阅读教学内容 而无法得到系统的反馈和自适应的指导，即缺乏自适应教学以及评估学生知识状态和 类型的能力。 研究者们通过比较早期c a i 系统，i t s 系统以及“一对一 的教学，用标准方差 2 基于学习风格和概率推理的智能教学系统研究第一章绪论 归纳了这几种系统在提高学习效果上的作用。结果清晰的反映出，不具有a i 的c a i 系统的方差( s t a n d a r dd e v i a t i o n ) 仅为0 4 u j ，而最有效的“一对一教学的方差为 2 0 t 1 1 】，远高于c a i 系统。处于中间的是i t s 智能教学系统，方差为1 0 t 9 j t l o l 。从中可 以看出，i t s 比c a i 在效果上更好，并且更接近于人类教师“一对一 的教学。 早期c a i 的缺点可以更为精确的归纳为以下几点：早期c a i 系统没有效率的原 因在于他无法在学生的参与与指导间找到平衡点。系统不断的呈现给学生教学内容， 但是并没有试图去获得学生的建设性的回答，并且提供反馈【9 】，也就是说系统和学生 之间缺乏必要的交流。如果学生过多的暴露于这种学习环境下，他们会感到受挫和迷 惑 8 1 。 而i t s 在这方面的优点显而易见：它能够“聪明 地识别出学生潜在的特性并且 模仿人类教师的方式来和学生进行交互。 1 2 本文的主要研究内容和创新 本文提出了一个在线c + + 计算机编程教学系统。在本设计中，一方面利用基于概 率推理的图形化贝叶斯网络来构建学生知识状态模型；另一方面，集成了学习风格评 价指标体系工具( 几s ) ，利用其内部的计算规则来探测学生具有的不同的学习风格特 征。基于以上技术，本智能辅助系统能够通过i n t e r n e t 同时提供风格匹配的学习材料 和自适应的教学策略于学生进行c + + 编程知识的学习。开发本学习系统的动机可以归 结为以下两点： i ) 通过研究h 2 1 ，本人意识到当学生全面系统的掌握了c + + 概念之后，他们可以更 快的和更有效地对实际问题进行编程。 2 ) 基于反思学习的理论基础，对c + + 编程更深入的了解是学生在将来学习其他一些 ( 如基于对象的编程语言) 以及培养计算机专家所具有的反思技巧( 如规划，解 释，询问，批判) 0 3 的基础。 本文介绍了学习风格和贝叶斯网的基本原理。另外，讨论了i t l p 设计和实现的 总体结构和具体细节。最后，将实现的系统对加拿大里贾纳大学计算机系( c o m p u t e r s c i e n c ea tu n i v e r s i t yo f r e g i n a ) 一年级的学生进行了测试。结果证实了本人先前的猜 想：1 1 r l p 教学系统在提高学生学习效果方面具有积极作用。我相信，在将来的教学 3 第一章绪论基于学习风格和概率推理的智能教学系统研究 活动中，1 1 r l p 作为具有鼓励和支持积极学习和反思技巧的系统，能够帮助本科一年 级学生提高学习和理解编程语言方面的能力。 1 3 本文的章节安排 本文由七章组成。第一章绪论部分，主要介绍智能教学系统的研究意义和早期 c a i 系统的缺点，以及本文主要的研究内容以及方案；第二章回顾和总结了目前对计 算机智能教学系统的国内外研究现状；在第三和第四章中，对f e l d e r - s i l v e r m a n 学习 风格模型和贝叶斯网络进行了阐述介绍；而i t l p 系统设计和实现部分在第五章进行 了详细的阐述；而对系统的实验与最后的结果在第六章给出；第七章是对本文的总结 以及对今后研究的启示。 4 基于学习风格和概率推理的智能教学系统研究第二章智能教学系统的背景 第二章智能教学系统的背景 2 1 智能教学系统介绍 最早的“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 ) ，简称i t s ，是由s l e e m a n 和b r o w n 在1 9 8 2 年提出的【1 4 1 ，强调了i t s 与早期c a i 教学系统的区别。i t s 当时处 在一个多学科交叉的领域，这些领域包括人工智能，心理学以及教育学。由于当时人 工智能技术( a r t i f i c i a li n t e l l i g e n c e ，a i ) 得到了前所未有的发展，如何将a i 技术成功的 植入计算机教育便成为当时最热门的话题之一。第一代典型i t s 大致可以分为如下几 类：结果问题型( p r o b l e ms o l v i n g ) ，教练型( c o a c h e s ) ，实验辅导( 1 a b o r a t o r yi n s t r u c t o r s ) 和咨询型( c o n s u l t a n t s ) 。 对于早期和目前更先进和实用的i t s 来说，系统背后所赖以生存的教育心理学原 理都是一致的：认知论( c o g n i t i o n ) 与构成主义( c o n s t r u c t i v i s m ) 。认知论是从认知科 学中借来的术语，用于研究认知及行为背后之心智处理，包括理解，推理，决策，规 划和学习。认知科学领域的著名学者a n d e r s o n 在1 9 8 3 年提出了认知原理的自适应控 制，a c t 理论模型【9 】，概述了如何利用认知论来开发i t s 的原理和暗示。同时他的小 组开发了当时两个非常出名的早期i t s 系统：几何教学系统( g e o m e t r y a u t o ：1 5 】和l i s p 教学系统( l i s pt u t o r ) 1 6 1 。 基于a c t 理论模型的l i s p 是一个用于教授l i s p 编程语言的智能教学系统，它采 用了模型跟踪的方法来对编写一个l i s p 程序所需要的步骤进行建模，然后与某个使 用系统的学习者所采用的步骤进行比较，从而判断出使用者编写的程序是否符合规 范。 p i a g e t 的构成主义理论f 1 刁是认知论论点另一种形式，它表现了一种更为总体的认 知论。构成主义表示：人类是从当前的知识结构和经验中来构建意思和新知识的。目 前来说，构成主义还是计算机教育中设计和开发有效和先进的学习方法普遍采用的理 论。 2 1 1 智能教学系统的构成 5 第二章智能教学系统的背景基于学习风格和概率推理的智能教学系统研究 c a i 系统和早期的智能教学系统是一种单结构的编程模型；系统的每一个部件都 与其余部件严重耦合，也就是说修改和更新这类系统的开销较大。 这种情形直到1 9 8 7 年w e n g e r 提出i t s 是知识沟通的一部分才得到改进【1 8 1 。他 回顾了i t s 的研究历程，展示了从s l e e m a n 和s i l v e r m a n 在1 9 8 2 年提出的i t s 【1 4 1 到 当时i t s 所经历的变革，并且提出了一个概括性的标准i t s 架构用于降低部件之间的 耦合度。他同时也号召成立一个跨人工智能，认知科学以及教育学学科的领域，并把 重点集中在认知学上，而不是进行域模型的计算和教导主义。 国s t u d e n t 国 图2 1 ：i t s 基本构成1 9 1 根据研究者们对w e n g e r 的提议达成的共识，可将i t s 分为四部分：领域专家 ( d o m a i ne x p e r t i s e ) ，学生模型( s t u e n tm o d e l ) ，教学专家( p e d a g o g i c a le x p e r t i s e ) 和 系统接口( s y s t e mi n t e r f a c e ) ，如图2 1 。 1 )领域专家 在早期的c a i 系统中，领域专家仅仅包含了静态的内容框架，并且框架是根据事 先定义好的顺序或者简单的通过判断学生对问题的回答来显示。而事实上，基于知识 沟通的i t s 更为先迸和智能之处在于它不仅包含了所有领域库中相关的学习材料，而 且知识都与具体的隐含状态相关联，好处就是：能帮助教学专家模块来保存多种自适 应的教学策略，并且对用户接口元素来说是透明的。 2 ) 学生模型 学生模型建模是一个在i t s 研究领域中讨论最为频繁的话题1 2 0 1 。在学生模型中， 学生动态的知识状态能够被跟踪并且被保存于一种结构中，如贝叶斯网络。当学生的 6 基于学习风格和概率推理的智能教学系统研究第二章智能教学系统的背景 知识状态被获取之后，可以用图形化的表示方式来将知识状态进行建模，如一棵由知 识结点组成的导航树或者一个进度条，可以用来描述学生离最终的解决方案还有多 远，还有多少步骤和任务没有完成。 3 ) 2 教学专家 与早期的c a i 系统相比，i t s 的最大特点是能够采用基于学生模型特点的自适应 的教学策略和提供多样的学习材料。根据w e n g e r 的阐述，“学习可以看作是知识状态 间的连续过渡，教育的目的是相应的促进学生知识状态之间的转移 【嘲。当i t s 通过 探测，获取了学生的知识状态之后，就可以依赖教学规则来采取多样的教学策略，然 后将新的知识状态替换旧状态。这种教学策略包括导航支持，学习路径识别，以及前 提知识点推荐。 4 ) 系统接口与学习环境 由于i t s 底层的实现细节对于非技术用户来说已经完全隐藏起来，i t s 其实可以 被看作是一个用户接口【2 1 1 。在设计i t s 接口时，最需要警惕的问题是尽量避免含糊信 息的输入，因为学习者倾向于提供不完整的和矛盾的回答，所以这将导致i t s 无法正 常工作。除了正确显示教学内容和材料，当前学生的内部知识状态，进展和其他一些 实时数据都必须清楚的显示在用户接口中，使学生能实时获得自己学习的状态。 2 1 2 智能教学系统的分类 目前存在着多种多样，并且功能各有特色的i t s 系统，所以对其进行分类并非易 事。但是，最具有影响力和权威的分类来自于对当前i t s 研究领域的回顾2 2 1 。概括而 言，i t s 可以大致可分为以下三类： 1 ) 虚拟学习环境( v l e ) 2 ) 面向结果教学系统( p r o d u c t - o r i e n t e dt u t o r ) 3 ) 面向过程教学系统( p r o c e s s - o r i e n t e dt u t o r ) 虚拟学习环境系统的设计目的是为了利用计算机和互联网实现远程教学，来替代 传统的基于课堂和课本教学模式。 而面向结果的教学系统是对学生学习之后对问题所提供的答案或者解决方案效 果进行评估，即学生对系统提供的问题进行学习和解答直到完成，然后提交结果，之 后系统对学生所提交的结果进行检查和分析，通过与系统预先存储在域知识中的问题 7 第二章智能教学系统的背景 基于学习风格和概率推理的智能教学系统研究 答案进行比对，发现其中的错误，遗漏和不妥当的部分，然后将反馈和评价返还给学 生【i 】 lo 相对于面向结果的教学系统，面向过程的系统更关心的是学生在学习过程中的表 现。当学生在思考一个问题的解决方案或者在学习某一个知识的过程中，面向过程的 系统以学生在学习过程中每一步的学习状态，自动生成实时的反馈【1 9 1 。这种方法更类 似于人类教师，在学生学习过程中碰到困难的时候，能及时的提供反馈和提示。 2 2 学生模型 自从构成主义的出现并支配教育心理学和i t s 领域之后，对学生模型的研究已经 成为了i t s 研究的核心【2 3 i 。i t s 不同于c a i 系统的最主要特征是能根据学生不同的知 识状态和学习偏好来提供自适应的教学策略和多样的学习材料 2 4 1 。 2 2 1 学生模型的任务 通过结合w e n g e r 以及本人的研究，学生模型具有三项最本质的任务： 1 ) 需要从学生处获得数据并存储在模型中。描述学生的数据可以分为两部分：静态 数据和动态数据。静态数据包括了学生，姓名，年级，学习风格，文化背景， 性格等等，这些数据在学生与系统的交互过程中是静态的，可以认为是常量。而 动态数据描述了学生学习过程中的知识状态，学生模型必须具备跟踪学生学生知 识结构中知识状态变化的能力，即能够判断哪个知识学生已经掌握或者未掌握。 2 ) 模型需要利用从学生处获得的数据来构建可视的学生知识状态结构和学生学习表 现参数来提示学生当前的学习成效。学生通过可视化的图形表示，可以更容易的 识别自己的知识结构与专家的知识之间的差异，这个功能使得学生能够更彻底的 学习。 3 ) 在能够准确识别和预测学生的知识状态和学习风格之前，系统应该具有根据学生 回答问题的答案，解决问题的方案或者行为来进行分类和推理的能力。 2 2 2 学生模型与不确定性管理 学生模型建模( s t u e n tm o d e l i n g ) 作为对学生内部知识结构的可视化构建，代表 8 基于学习风格和概率推理的智能教学系统研究 第二章智能教学系统的背景 了计算机系统对学生知识结构的信念( b e l i e f ) ，并且通常情况下与应用程序尤其是基 于计算机的教学系统相联系着使用。学生模型建模被广泛认为是用户建模( u s e r m o d e l i n g ) 的一个子问题凋：通常用于推断学习当前知识点学生的知识状态，也就是 说，系统应该能够根据所观察到的学生的行为来预测和获知哪个知识点学生已经掌握 或者未掌握。 虽然在心理评断( p s y c h o l o g i c a la s s e s s m e n t ) 领域中，经过多年的研究发展，已 经有一些技术被发明和应用于受控条件下的推理，但是对于找到一种不确定性管理- ( u n c e r t a i n t ym a n a g e m e n t ) 的方法来构建学生模型，并成功评估和反映学生的知识 状态，还是非常困难的【2 6 l 。唯一的方法是通过进行无数次的调查和测试，但显然这是 完全不可能和不切实际的。 幸运的是，在9 0 年代初期，如何管理不确定性已经被很好的解决了。而就在8 0 年代这个问题还一直被认为是不实际，而被摈弃。自9 0 年代起，出现了三种解决不 确定性管理的方法：贝叶斯网络( b a y e s i a nn 咖o r k ) 【4 】【2 刀【2 叼，d - s 理论( d e m p s t e r - s h a f e r t h e o r yo f e v i d e n c e ) 网以及模糊理论( f u z z yl o g i c ) 3 0 i ，这些理论为学生模型建模提 供了理论和算法依据，本文中将以b n 来代表贝叶斯网。b n 是一种进行概率推理的 规范的方法，利用图形化方法来表示域知识3 1 1 。b n 不仅包含了一系列的结点，还包 括了与这些点相连接的边，表示了结点间的关系。b n 将在第四章进行详细阐述。 2 3 学习风格模型 学习风格模型( i e a r n i n gs t y l em o d e l ) 是学生模型的一种，通常情况下用于判断 一个学生在每一维上的学习风格，本文中以l s m 表示。自从8 0 年代以来，教育和心 理学专家己设计出几个学习风格模型，最著名的四个模型是：m b t i 学习风格评估模 型( t h em y e r s - - b r i g g st y p ei n d i c a t o r ) ，k o l b 学习风格模型，h e r r m a n n 全脑优势测试 模型( i - i b d i ) 以及被广泛使用的f e l d e r - s i l v e r m a n 学习风格模型。本文将首先介绍学 习风格，之后逐一介绍这四种学习风格模型。本文采用的是f e l d e r - - s i l v e r m a n 学习风 格模型。 2 3 1 学习风格的定义 9 第二章智能教学系统的背景基于学习风格和概率推理的智能教学系统研究 根据k e e f e 1 7 】的定义，“学习风格是独特的认知、情感及心理行为，是学习者在如 何观察、交流及对学习环境的反应中的一个比较稳定的因素，在反映学习者行为内在 原因中一直起作用匕 一个学生在某一个学习环境中的表现，部分是由学生自身内在的能力和之前的背 景知识所决定的。但是学生的表现也会强烈的受到自身的学习风格与教师提供的学习 材料之间的兼容性所影响嘲。如果两者有较大的差别，学生会更容易感到烦躁和不舒 服，甚至在上课的过程中思想变的不集中，最后选择放弃学习这门课程并开始怀疑自 己是否给自己选对了专业，以及今后适合从事这方面的职业。 2 3 2m b i i 学习风格评估工具 这个学习风格模型来以心理学家c a r l 的性格理论为基础的，用学生学习的偏好 来对他们进行分类。学生的学习偏好可以用以下四维度量组来表述3 2 1 。 1 ) 外向( e x t r o v e r t s ) 与内向( h 蜘渊甥您) 2 ) 感觉( s e n s o r s ) 与直觉( i n m i t o r s ) 3 ) 思考( t h i n k e r ) 与情感( f e e l e r ) 4 ) 判断( j u d g e r ) 和感知( p e r c e i v e r ) 对了四维学习风格来说，在每一维上学生都会偏向于具有其中某一个风格，如( 外 向，感觉，情感，判断) ，所以总共有1 - 6 种不同的组合。这个模型扎根于工程教育， 并且专门被用于评估主修工程科学的学生。对于工程系的大部分教授和讲师来说，教 课的对象都倾向于内向的，直觉的，情感的以及判断的学生。 2 3 3k o i b 学习风格模型 k o l b 学习风格模型【3 3 j 按照学生的学习风格的不同分为：具体经验与抽象概念化 ( 如何获取知识) ，积极实验与反思观察( 如何将知识进行转化) 。 1 ) 类型一( 具体，反思) 类型一的学习者对于解释所学习的书本知识如何与他们的经验，兴趣和未来的职 业相关联有良好的反应。对于这类型的学生，教师应该充当一种启蒙者的角色。 2 ) 类型二( 抽象，反思) 这类学生对于组织结构性较好，逻辑复杂的信息反应良好，并且如果充分的时间 l o 基于学习风格和概率推理的智能教学系统研究第二章智能教学系统的背景 让他们思考，他们会受益匪浅。老师在其中应该起到专家的作用。 3 ) 类型三( 抽象，积极) 对于这些学生来说，如果有机会能亲自尝试预先分配的任务，并且从反复试验和 错误中学习，学习效果将大大提高。教师在其中应该充当一个教练的角色，来提供具 有指导性的训练和反馈。 2 3 4h e rr m a n n 全脑优势测评工具( h b di ) 根据人类大脑分工协作的功能，全脑优势测试工具以学习者在思考时的偏向为基 础来对他们进行分类。任职于通用电气( g e ) 的赫曼博士( d r h e r n n a n n ) 发现，人 的大脑除了左、右脑外，还可分为a 、b 、c 、d 四种，它们的思维特征分别是一a 脑：逻辑、分析及数量导向；b 脑：条理分明、循规蹈矩、保守审慎；c 脑：感性、 敏锐、表达生动；d 脑：直觉反应、策略导向。 在计算机科学和工程学科领域中，大部分教授总体上属于a 脑思考，而且更喜 欢他们的学习也像他们一样思考嗍。 2 3 5f eld e r - silv e r m a n 学习风格模型 。，f e l d e r - s i l v e r m a n 学习模型是由f e l d e r 和s i l v e r m a n 于1 9 8 8 年提出的【5 】。设计遂 个模型的目的是希望获取和发现不同工程和学生之间最明显的差异，并且提出了一种 能让工程系教师在教课过程中提高学生学习兴趣的方法。目前这个应用方法已经被拓 展到了不同学科领域，不同的大学来对学生的学习风格进行评估【3 5 1 。在第三章将详细 介绍这个模型。 2 4 智能教学系统研究现状 2 4 1国外研究现状 自适应课程顺序编制和和问题解决支持是i t s 教学系统的重要特征。学生模型 ( s m ) 的使用主要是为了能让i t s 适应每个学生的需要。学生模型涉及了从为每一 个学生构建一个独立的模型来识别学生的知识状态情况到制定适应此学生的学习顺 序来帮助他遍历学习内容等方面。总体来讲，这个自适应的过程可以被描述为三个阶 第二章智能教学系统的背景基于学习风格和概率推理的智能教学系统研究 段：从学生处获得信息；对获得的信息进行处理并且更新学生模型；并利用学生模型 来提供自适应的功能闱。有些学生模型是为了识别学生的学习计划或者学习路径来构 建的【3 7 1 ，而有些是为了评估学生对解决某个问题的表现3 叼或者提供自适应的指导而 构建的【3 9 1 。 2 4 1 节是就目前国外i t s 的研究和未来的方向进行的讨论。为了对研究的回顾 与实际的研究相结合，对目前国外比较经典的几个基于学生模型建模的智能教学系统 进行举例。 a n d e s a n d e s 是一个指导性问题解决的牛顿力学智能教学系统，教学的方法主要是系 统与学生协作来解决问题【3 7 1 。当一个学生接受到一个来自a n d e s 问题解决模块的问 题时，系统对学生的行为进行分析来确定他是否在一个解决问题正确的思路上。只要 学生是按照正确地解决问题的路径思考的，系统就不会打扰学生。当学生在某一解决 方案上遇到困难时，系统就会提供经过裁剪的提示来重新引导学生返回正确解决问题 的路径上。其中关键的问题是如何识别学生是否在一个正确解决问题的路径上。为了 实现这个目标，a n d e s 充分挖掘了贝叶斯网的概率推理能力【2 5 】来构建评估器 ( a s s e s s o r ) ，从几条都满足要求的解决问题路径中选出一条学生最有可能正在研究的路 径。a n d e s 是用a l l e g oc o m m o nl i s p 和v c + + 语言编写的，并且运行于w i n d o w s 平 台。 图2 2 ：物理问题以及对应的解决方案图 1 2 基于学习风格和概率推理的智能教学系统研究第二章智能教学系统的背景 f i r s ta i df o ry o u “f i r s t a i df o ry o u 是一个创新的自适应教学系统，利用机器学习技术来动态地 构建学生风格模型，用以判断学生的学习风格。它能通过观察访问历史，访问每个页 面的时间以及对学习内容作出的选择来自动匹配学生的行为。当学生的行为模式被获 取之后，系统就可以利用这些信息来控制教学系统界面的布局，导航和学习环境的内 容，特别如文字，音效，图片以及动画嗍。 w e l c o m e 。t e x t - a u d i o - p i c t u r e ，y e s ，17 2 5 0 ，y e s o b j e c t i v e s ，t e x t - a u d i o - p i c t u r e ，y e s ，3 1 6 4 1 。y e s o v e r v i e w 。t e x t - a u d i o -