个性化网络学习评价模型与系统的设计

1 网络学习评价建模思想
    传统工业自动控制原理中，自动化控制的核心思想就是反馈，通过反馈建立起输入(原因)和输出(结果)的联系。根据反馈在系统中的作用与特点不同分正反馈和负反馈两种。把网络学习评价看作一个负反馈系统。该系统中以网络课程中知识属性基准为参值量，表示为s(t)。在课程模型中除了包含课程内容信息，还包含学习不同课程的学习目标和要求，以此作为系统，通过对学习状态参数实施评价作为当前学生学习依据，以评价过程作为控制装置，输出评价结果，表示为q(t)。通过该输出得到反馈调整策略，表示为r(t)。以此调整学生下一阶段的学习，表示为w(t+1)。从而达到调整评价维度中具体状态值(如学习时间、交互次数)来使评价结果和课程模型基准之间的偏差q(t)一s(t)越来越小。使得课程对学习的要求和学习结果趋于一致，从而促进学习者学习。通过分析及反馈控制原理，其函数存在如下关系：q(t)=h(s(t)，w(t))；r(t)=f(s(t)，q(t))；w(t+1)=g(w(t)，r(t))

2 网络学习评价指标体系
    考虑影响学习的主要因素，将指标体系的对象和目标划分成若干个不同组成部分(子系统)，并逐步细分(即形成各级子系统及功能模块)，直到每一部分可用具体的统计指标描述、实现。得到具有层次型结构的指标集合一网络学习评价指标体系。该体系共含5个一级指标、10个二级指标、21个评价参数。涵盖了学生的心理特征因素的定位分析；学习过程的关键因素一交互与协作和资源的利用。其中交互与协作主要观测点集中在跟踪学习历程、记录参与交互与协作程度的数据。而资源的利用从再学习的角度，利用评价激励其合理分配学习时间：学习效果主要从阶段性和综合性给出准确、科学的说明。网络学习评价如表1所示。

3 基于NTFAHP-FCE网络学习评价的实施
3．1 NTFAHP法的权重确定
    (1)判断矩阵的建立 文献给出TFAHP法采用三角模糊数评判方法确定权重值。这种方式给出的结果仍然是定性判断而不是定量准确值。
    在此提出一种NTFAHP法，具体实施步骤：①利用不同专家给出各自的传统判断矩阵建立两个矩阵：模糊比较判断矩阵N，N=(nij)nn，其中元素wij=[lij,mij,uij]是一个以mij为中值的闭区间，(lij和uij是某专家对某因素给出的最低标度值)和利用mij构造模糊数中值矩阵M，M=(mij)nn。②构建模糊评判调整因子S。

式中：为标准偏离率，其值越小表示专家的判断越一致，偏差越小，因此可利用S调整模糊数中值矩阵M，使之更加准确。③计算调整矩阵M’。利用模糊评判调整因子S对M做运算：M’=MxS。④得到最终判断矩阵A，将M’按列转化成对角线为1的矩阵A。
    (2)计算判断矩阵A的特征值和特征向量λmax为A的最大特征根；W为对应于λmax的正规化特征向量；W的分量Wi即是相应因素的权值。
    (3)一致性检验可根据λmax是否等于n来检验判断矩阵A是否为一致矩阵。当CR<O．10时，判断矩阵的一致性可以接受，否则应对判断矩阵作适当修正。根据上述算法得到网络学习评价指标的权重分布如表2所示。

3．2 改进的FCE(模糊综合评价法)的评定
    ①确定评语集合论域Vn，V={v1，v2，……，vn}；②用隶属度函数确定各子因素相对于评语集的隶属度，得到了单因素的模糊评价矩阵M1；③改进的一级模糊综合评价，确定进行二级模糊综合评价模糊矩阵R=[R1，R2，……，RI，……，RK]T(k为一级指标项的数目)。利用上面的M1和相对于一级指标i的二级指标权重Ai={a1，a2，…，am}(利用NTFAHP法求得)为模糊向量(m为相对于某一级指标的二级指标项目数)，计算一级隶属度。改进传统的计算R1方法，利用取权与单因素隶属度的乘积代替模糊变换中的取大取小算法。此改进的目的在于：在“标准”的模糊综合评价算法中，R1计算方法为把r’ij作为样本X就m个指标对第j类Cj的综合隶属度。事实上，这样计算的r’ij不能综合反映X对Cj的综合隶属情况，因为在进行ai∧mlij运算时，只选取了部分信息，丢掉了某些更重要的信息。而取权与单因素隶属度的乘积aimlij，综合反映了样本就因素对类Cj的隶属情况，综合考虑各单因素的影响后，样本对Cj综合隶属度R1为：

    ④二级模糊综合评价：利用一级指标的权重w={w1，w2，…wk}及其模糊矩阵R进行二级模糊综合评价，其具体形式为：B=W·R；⑤评价结果的确定：在传统的模糊综合评价方法中对归一化后B利用最大隶属度法得到评价对象的评定结果。

4 评价结果的反馈推理规则
    评价结果的反馈分两种方式：其一将评价结果直接交给学习者，让其了解该阶段学习状况；其二将评价结果和课程表示的相关属性结合，利用评价反馈机制自动生成下一阶段学习的导航信息，引导选择合适的学习路径。
    基于NFAHP—FCM的网络学习评价算法实施后，以用户界面的形式呈现评价结果。通过该界面可直观的了解到自己当前的学习状况。通过对学生的学习评价结果调查、跟踪和数据挖掘得到了如图1所示反馈推理规则。评价反馈结果的获得利用向前匹配法，即从前向后匹配，一条匹配成功后不再检查后面的，前一条不相等再检查后面的子规则。

5 网络学习评价系统设计与实现
    作为ITS中的重要组成的学习评价系统，考虑远程教育的特点和评价要求，应具备如下功能：评价系统必须能通过参数化的手段做到通用化，不仅支持指标体系的建立还要支持其更新和维护。学生学习数据是评价实施的基础，如何采集有效的数据是系统必须提供的功能。学习评价的数据来源于3个方面：通过调查问卷、手工输入、对学习的动态跟踪。通过和其他系统的接口获得学习日志数据。通过对学生学习评价结果的调查、跟踪和数据挖掘，得到个性特征、学习过程和学习效果之间的关系。
    通过反馈策略指导学生正确的认识自己的个性特征．改进学习过程，促进学生取得良好的学习效果。网络学习评价系统的结构图如图2所示。

6 网络学习评价实例验证
    现以220名学生的学习参数为样本点，验证系统运行过程。对220名学生的学习状况动态跟踪采集，分析后得到学习数据。使用调查问卷收集学生的反馈意见，87％的学生认为数据较准确的反映自己的学习状况。9％学生认为数据有部分项没有准确反映自己的学习状况，4％学生认为数据完全没有准确反映自己的学习状况。调查数据表明：评价指标体系设置合理，能较好的表示学生的学习状况：通过系统的处理机制得到的数据能较准确的反映学生学习状况。

7 结语
    实验以某学院2005级计算机教育专业学生2007~2008年第一学期课程的数据为依据，对该年级90名学生进行评价．其正确率一错误率曲线如图3所示。正确率高达92．8％月。

    实验表明：评价模型中选用的NTFAHP—FCE网络学习评价算法能够较好的应用到学习评价中。经验证表明：给出的评价模型有很好的实用指导作用，网络学习评价指标体系的结构比较合理，经系统得到的评价结果和理论结果一致性较好，学生对于使用该系统给出的评价结果和指导学习的信息认可度在中等偏上。因此，提出的评价方案总体可行。可以考虑在更大的范围使用。