在线导学测试平台在学习支助服务系统中的实践探索

辛艾桐 张 智

【摘要】 网络技术的发展和现代教育理论的研究使网络化学习平台在远程开放教育教学中起到举足轻重的作用,在保证良好教学效果的同时,绝不能忽视远教学员的学习消化,只有做到有授有得才能保证知识的连续性。基于知识推理的在线导学测试平台用实时反馈和指导学习的方式找出知识的断点,教会学生如何学习,有效地评价学习过程,促进学生的自主学习和个性化发展。

【关键词】知识推理;测试系统;自适应;双向反馈

【中图分类号】G420 【文献标识码】B 【论文编号】1009—8097(2009)11—0118—05

引言

随着知识经济的出现和科教兴国战略的部署,继续学习与终身学习成为每个人生存和发展必不可少的条件。信息技术的到来使网络交互式学习在教育领域中扮演着越来越重要的角色,成为现代远程开放教育教学的主要形式和途径。学生支持服务能有效促进学生学习,也是连接学生与学习活动、学习资源的桥梁,是学生在线学习的保障。[1]因此,我们要利用和发挥网络的优越性,有效组织学员进行网上交互学习,使得他们学会自主学习、提高学习能力,重要的就是要掌握学习方法。方法的知识才是最重要的知识。

一 基于知识推理的在线导学测试系统的提出

1 双向反馈平台在远程开放教育中的必要性

远程开放教育作为教育形式的一种,最终的目的还是让学生学到知识。由于学生在年龄、知识水平、专业背景、工作背景、地理位置、学习环境、学习动机等方面都比传统课堂教学中的学习者要复杂,所以做好远程教育的学生学习支助服务尤为重要。人际交互和基于技术媒体的双向通信交流是学生学习支助服务的核心成分,对整个远程教育具有重大意义。[2]

在远程教育中,师生交流主要是通过非连续通信手段(包括函件、电话和计算机网络在内的电子通信手段)实现的。在远程教育中,仅有教学信息由院校和教师向学生的单向发布是远远不够的,学生在学习过程中的诸多困难和问题应该及时予以处理答复。在一定意义上,学生信息反馈的畅通与及时处理答复是检验远程教育院校的学生学习支助服务系统的有效性和效率的基本标志。[2]学生在学习过程中的信息反馈往往是具有个性化的特征,因人而异。对学生信息反馈的处理答复也必须是及时的、有针对性的。由此,一个实时解决学习问题并教会学生如何解决问题,因“人”施教的网络双向反馈平台应运而生。

2 具有知识推理的在线导学测试系统能解决的问题

远程学生会遇到的困难是因人而异的,而且多不胜数,主要的困难有三类:学习问题、交流问题、个人问题。[2]本文提出的测试系统恰好能弥补这些问题中的某些方面。

二 具有知识推理的在线导学测试系统的反馈功能

网络学习系统正向着智能化、个性化、适应性的方向发展。学习诊断是适应性学习系统了解学生知识结构和学习效果重要依据,没有这个依据,适应性学习系统根本无法了解个别学生的学习需求,那就更谈不上根据学生需求进行适应性教学了。适应性学习系统对教学诊断测试具有非常严格的要求,它要求这种测试能尽可能测量出学生学习的效果,即哪些知识已掌握,那些知识还需要继续学习;同时这种测试还要求必须具有极高效率,尽可能的以最少的测试内容诊断出学生的真实能力,而且在不同环境、不同时间内所诊断的结论是一致的。一个比较合适的测量系统是计算机自适应测试(Computer Adaptive Test-CAT)。它的核心是:依据受测试者答题情况不断计算其当前能力值和信息量,并根据这些参数实时地调整试题水平,直到受测试者的能力被恰当估计出来为止。一般说来,自适应考试仅需要传统考试方式一半的时间和约为40%～60%的长度就可取得同样的效果。[3]

1 测试前的反馈

在远程教育中,作业和检测也是实现远程教育个别化教学和个性化学习的重要途径和手段。由于学习环境、年龄等因素,使得他们的课后作业疑难解答和复习难以完全到位,所以测试系统本身可以起到检测学习的作用。同时由于每个学生的知识水平和学习情况不一样,笼统的测试只会影响学生后面的测试效果,所以在测试前应对学生者的基础水平进行估测,然后在此基础上给出难度相当的题检测学生的实际学习情况。对于已经进行过测试的学生,每次登录系统后的测试起点应以上次测试的水平为准。

2 测试中的反馈

(1)系统反馈机制

基于知识推理的在线导学测试系统根据学生的学习历史记录以及学习绩效,动态的组织和呈现与学习者本人当前学习能力最相关的学习内容。它利用数据库智能检索(Intelligent Retrieval From Database)[4]能准确地测试学生的学习基础或学习效果,即测量哪些知识学生已经掌握,哪些还没有掌握,对暂时没有掌握的内容进行逆向层层推理,给出学习提示,当推理到达知识节点底层时,则呈现当前最适合的学习资源,以此作为自适应学习中动态呈现学习内容的依据。其反馈机制如下图所示:

测试系统从登录开始时进行测试,识别出学生原有的知识结构、认知水平,或是结合学生前次学习过程的历史记录,对学生的知识水平和能力进行估测,从而可根据学习者的自学能力、接受能力、理解能力呈现与他能力最适应的学习内容;正式测试是针对性的测试,为学生发现薄弱环节并进行巩固性复习提供依据;对同等难度级别进行测试,主要是对根据项目反应理论(IRT)考虑潜在因素对学生测试效果的影响,诸如心理焦虑、紧张、视力欠佳等问题。

在正式测试过程中,学生题目回答正确,根据自适应原则,下一题难度上升,同时应遵循知识结构特点,呈现的是与上题知识点相关的高难度题。当溢出该知识点时,应以章节为单位,抽取与该知识点所在章节联系紧密的章节的某一知识点题,出题难度级别应从弱到强,这样便于被测者知识的梳理和贯通。同时出于个性化考虑,对于基础较好的学生,在他做连续做对难度不断上升的三题以上,系统会对难度进行跳跃式上升。继续答对则继续跳跃式上升,只要难度达到最大,系统自动结束考试。如果学生回答错误,则题目难度下降,同时不能偏离该知识点的范围,即逆推过程既要保证自适应出题,从次难题到较易题,又要保证题目范围在该知识点相关连接区域之内。当难度达到最底层(指数最低)且分知识点达到原级,跳出测试,页面则呈现与题目知识点相匹配的学习资料,电子课件,专有习题解答(采用锚点定位到知识点的具体位置)。对于计算要求较高的题,页面则会出现做题的提示信息和具体解题步骤。学习完毕,学生可点击“结束学习,继续测试”按钮,重回测试介面,呈现与最后学习前一题的难度级别和知识点想匹配的题,题目不能溢出此界。回答正确,则进入“正确”模块;回答错误,给出几道低难度的其它题(如另一章节)的再测试,相当于进入程序的进口。这种并不立即结束考试的缓冲做法,可以避免盲目判断学生的整体学习能力和认知风格,并且给学生在别的章节题测试表现的机会,多维度进行检测。考虑远程开放教育学生的学生背景和学习时间的复杂性,测试以答题数目最多30道为限。这是除人工可以点击“结束考试”自动退出之外的另外一个退出接口,由系统自动结束测试。一是每个人全身心投入的注意力只有15-30分钟左右,题量越大时间越长越影响做题效果;二是30道题一般可以包含7个知识点(以每道题可联系4道关联题来算),基本可以满足学生的求知欲。由于本在线测试系统是基于网络的,考虑运行速度,一般宜采用这种固定长度原则(fixed length)作为测试终止原则。

(2)知识概念结构图

学习资源是由各个知识点组成的,知识点在结构上一般是树状,或者说是层次结构,如图2。

根据知识树的特点和难度自适应的要求,设计了题目的数据库结构。包括下列资源表:章节表、类节点表、知识点表。如下表2、表3、表4、表5。

3 测试后的评价

学生在测试过程中,可以通过个人良好表现自动结束考试或是主动点击“结束考试”按钮后,得到一份能力测试报告,对本次的学习过程进行一个量化分析和评价。

根据布普姆的教育目标分类学,教育目标分为认知领域、情感领域和心理动作技能领域。认知领域的教育目标由低级到高级共分为六级:知识、领会、运用、分析、综合和评价。同时布鲁姆认为,教师应该根据教育目标分类学的规定,将每一学科的教学目标具体化。因为任何一道题不可能只考查某一方面的能力,所以测试的目标因子应是一个复杂的多要素集合,构成的向量空间可表示为:U={U1,U2,…,Un},根据布鲁姆提出的认知活动的认知规律,结合具体的试题库,测试系统采用多级综合模糊数据模型,针对学生的综合能力进行评价,U具体表示为:U={记忆,理解,运用,分析}。这个矢量中的每一个分量表示题目所考查的某一方面的认知能力,每一分量的侧重模糊度采用模糊语言值布尔量{极弱,较弱,一般,较强,极强}表示。将其转化为[0,1]内的实数:极弱=0.1,较弱=0.3,一般=0.5,较强=0.7,极强=1。其形式为:

其中rij的具体含义为:某一认知层次属于某一试题的隶属度。测试系统将以套题为单位,每套题总共有十五个小题,只有对错两种结果A=(0,1),这样学生的答案将是一个由0或1组成的向量A= {a1,…,aj,…,am} ,可得出学生表现出的认知能力水平,设公式为:

其中i=1,…,m,j=1,…,n,设系统m=学生在结束测试前的所有题数,n=4,U为四维空间,其意义为:{记忆能力,理解能力,运用能力,分析能力},每种能力均有{极弱,较弱,一般,较强,极强}五种水平级,这样就会得出评语集B=[B1,B2...B4]。其中Bj={e1,e2,e3,e4 ],ej∈水平集记忆能力(r1)、理解能力(r2)、运用能力(r3)、分析能力(r4),这四个字段赋予了认知能力的隶属度。测试后,可得到B1,B2,B3,B4四个数值型数据,并且有0

设学生的答案是(1,0,1,1,0),得到B1=0.65,B2=0.65,B3=0.37,B4=0.5,就有:IF((0.6<=记忆能力<0.8)AND(0.6<=理解能力<0.8)AND(0.2<=运用能力<0.4)AND(0.4<=分析能力<0.6))THEN(评价结论为:记忆能力较强,理解能力较强,运用能力较弱,分析能力一般,你的认知风格为整体双重型[5])。

三 在线测试平台的发展与展望

对于学生者而言,学习资源的细化和学习活动的序列化有利于学习者根据需要方便、灵活地获取资源和参与活动,有利于跟踪记录学习者学习资源利用情况和活动参与情况,从而提供个性化的学习反馈与建设,这对实现个性化的在线学习十分重要。[6]本测试系统用难度自适应匹配不同学生的学习能力,用逆向推理寻找父级知识点的方式解决了学习诊断中学习焦点堵塞的实际问题,是值得肯定的。系统从登录开始测试到测试结束,全面的分析学习者学习的历程,判断学习者学习能力和认知风格,将学习资料以最适合学习者的方式呈现,将所学知识以连续的、联结的方式进行梳理和导通,是教会学生如何有效的进行学习的良方。

与些同时,测后重“评”。教学自动测评是计算机辅助评价(Computer Assisted Assessment)的核心内容和研究前沿之一。[4]客观而又真实的学习评价是对学生学习能力最贴切的反映,同时也是学生找到差距,重新找到学习起点的合理依据。在线测试平台可以尝试人工智能中的技术和模糊数学的算法对评价指标和算法进行改进,同时应该用逻辑斯蒂模型(Logistic Equation)或其他合理的方式客观地处理好答题过程中的隐性因素。

参考文献

[1] 陈庚,丁新,袁松鹤,徐铮,蔡永.网络课程要素分析及建议[J].开放教育研究,2008,(12):77-78.

[2] 丁兴富.远程教育学[M].北京:北京师范大学出版社,2001:218-226.

[3] 汪和生.计算机自适应测试在学习诊断中的应用[J].中山大学学报论从,2006,(6):34-38.

[4] 吴吉义,平玲娣.人工智能在现代远程教育中的应用研究[J].中国远程教育,2009,(1):66-69.

[5] 穆肃.远程学习者认知风格的分析研究[J].现代远距离教育,2007,(1):21-24.

[6] 袁松鹤,丁新,邱崇光.远程教学与管理平台的设计研究[J].中国远程教育,2008,(9):68-72.