基于云模型的智能教学系统中学习质量的评价

　　摘要：提出将云模型理论应用于智能教学系统的学生模型构建中，建立一种基于云模型的学生学习质量评价方法，利用云对概念的贡献程度进行数据离散化，并引入云变换计算隶属云，最后结合极大判定算法求出更加符合实际的学习质量等级划分。实验结果表明，这种新的评价方法得出的隶属概念不仅能够反映出学生对知识点的掌握程度，还能够反映出学生在学习中的发挥稳定性、心理素质等情况，有利于提高智能教学系统的应用效率。
　　关键词：智能教学系统；云模型；学习质量评价
　　
　　随着计算机信息技术与网络技术的飞速发展，人们对教育有了更高的期望，传统教学系统已难以满足人性化和智能化的需求。智能教学系统因其具有智能性、高效性、稳定性、个性化和共享性等特点，逐渐受到人们的关注。然而它在为学习者提供了许多潜在优越性的同时，实际应用与发展也显现了一些不足之处。当前的教学系统往往还是以学生单方面获取知识和单调机械的评价测试为主，学生无法深入了解自己在学习过程中存在的问题及制约学习效率的因素，教师也无法从系统中获取学生的学习状况。因此，本文在深入研究云理论的基础上，将云模型引入智能教学系统的应用研究中弥补不足，实现学生、教师及智能教学系统三者间的有效互动。
　　1基于云理论的评估方法
　　在许多应用领域中，定性评价一直都受到人们的广泛关注，如：评价学生成绩、评估复杂工程等[1]。在教学系统中，只有通过对学生的学习质量进行定性评价，才能使学生清楚地了解到自己掌握知识的程度，这种评价既可以提高学生的学习积极性，也可以检验教学质量，因此具有重要的理论和实际意义。90年代初，人们提出了以云模型为核心的云理论，它是一种定性语言值与定量数值之间转换的重要方法。利用云模型构建学习质量评估模型，能有效地对学生的成绩进行软划分，实现模糊分类，提高评估的信任度，所以云理论为评价学习质量模型提供了一个新的视野和角度。
　　目前，云模型已经被广泛的应用于复杂系统，如C41SR系统、电子产品、军事电子信息系统等的综合性能和效能评估中[2-3]。针对评估中的定性变量与定量变量具有的不同特征，应采用不同方向、不同种类的云模型进行处理。在具有多层次和多目标的智能教学系统中，学习质量的评价往往涉及多种因素，单纯使用传统的数学模型很难准确、完整地实现评估，因此，将云理论引入学习质量评价模型以改善现有评价方法的不足很有必要。
　　1.1正态云的普适性
　　云模型把随机性和模糊性结合起来，并揭示了两者内在的关联性。其中，正态分布的云模型体现了概念的不确定性，该模型具有普遍适用性，直接或简单地对定性与定量进行了相互转换，并将正态云的普适性应用于学习质量的评价方法中。
　　从正态云的数学性质可知，云滴构成的随机变量X的期望为：EX=Ex；方差为： 。因此，满足正态分布的前提条件是：若干个独立的、微小的随机因素，这些因素之间单独的作用较小，而且相对均匀，那么这一现象可以近似地看作是正态分布[4]。依据上述条件我们很容易判断出X的随机分布并不是一个正态分布。然而，在许多情况下，影响结果的各因素中，往往是作用比较突出的某一种或几种因素，这些因素之间又存在着关联性。在这种情况下，若简单地利用正态分布来分析，难以真实地反映客观情况。鉴于上述问题，正态云提供了超熵He，用于弱化形成正态分布的条件。
　　产生泛正态分布的条件不像正态分布要求那么严格，因此在实际研究应用中，虽然将许多情况近似地看成是正态分布进行处理，但它并不一定会符合正态分布的产生条件，这种泛正态反而更接近客观实际，也就是泛正态的普适性意义比正态分布更广泛，当He=0时，云X分布将变为正态分布。另外，正态云云滴的概率密度函数是固定的，它与数字特征没有任何关系。以上描述对用语言值表示的任何概念具有不同的含义，在论域空间中的分布和物理意义也不同，并且所有云滴的表现