一种基于个体趋势分析和评价算法的个性化学习模式

张春飞1，李万龙2，魏久鸿1

(1.吉林大学计算机科学与技术学院，吉林长春 130062；2.长春工业大学计算机科学与工程学院，吉林长春 130012）

当今社会，人们越来越重视教育的投入，据不完全统计，每年世界各类组织用于教育培训的费用高达250亿美元[1]。传统的学习过程仅仅局限于书本和课堂，显然已不适应今天教育的快速发展。E-learning环境允许学习者在模拟实验室中进行实验[2]，观看视频和在线学习其他国家的语言[3]。E-learning系统可以概括为一个基于web的系统，通过用户在线通讯技术来实现学习者与学习系统的交互[4]。目前，它主要是指网上课程的学习。不同的基于web的学习管理系统已经发展到在线对学习者的学习过程进行全程实时帮助。传统的网络教学环境缺乏用户与系统的交互，不能智能地分析和评估教育资源，从而导致不能根据学习者的学习水平制定个性化的学习指导[5]。根据学习者的学习层次提供合适的交互的学习环境能够追踪学习者的学习特点，从而提供个性化的学习课程[6]。当学习者带着相同的学习请求再次登录该系统时，个性化的学习推荐模型便自动生成了。通过分析学习日志信息，为学习者提供个性化的学习资源。而且这些算法可以识别学习者的兴趣和偏好，从而在无处不在的网络环境中为学习者创建自适应的学习内容[7-8]。

本文给出了一种个性化的学习评价环境，并提出一种新的称为推拉模式的E-learning模式。在拉模式中，数据采集和分析技术用于挖掘个人的学习信息。在推模式中，利用决策树理论和个性趋势分析算法来分现学习过程中薄弱环节，从而给用户提供合理的学习建议。

1 系统结构和框架

考虑到传统的网络教学环境的不足之处，基于推拉模式的思想提出了一个交互式的个性化E-learning系统框架。推和拉模式可以有效地提高用户与系统之间的交互性。

1.1 拉模式：信息采集和分析

信息采集和分析模块的主要功能是在LAN范围内从所有节点收集和分析个性化的学习信息。这些信息资源主要包括注册信息、登录状态、学习状态以及网络日志等。系统的数据挖掘模块动态地生成相应的记录，从而提供一个更好的交互式的学习环境，帮助学生方便地查询他们的学习情况。基于这些个性化的分析信息，系统能够提供学习者的智能评估情况，以及用于改善教学环境的合理建议。信息的采集和分析的过程主要依赖于LAN中的不同的agent节点。本文给出了一个面向教育的动态点击流采集算法。Agent结点将收集所有的数据信息来构建数据库中的表，进而进行个性化的分析和评估。

1.2 推模式：评估和建议

推模式的主要任务是选择合适的算法来建立个性化的学习评估模型。信息分析和评估模块如图1所示。应用决策树理论和个性趋势分析算法来评估学习者的学习现状，并提供给他们合理的建议。评价结果存放在一个表中，称为PLAT表，即个性学习推荐表。

图1 个性化的评价和推荐模块

2 算法与设计

2.1 个性化评估：个性趋势分析算法

为了更好地了解学习者的状态，本文引入个性趋势分析算法，基于对一个人的学习状态评估和考试结果，能够预测该学习者的学习趋势。学习趋势能够表现出，如果该学生继续当前的学习方法、进度和状态，那么在下一阶段的学习中，会得到什么样的结果。通过分析趋势预测的结果，系统可以及时调整教学方法和策略，以保证在其下一个学习阶段能达到更好的学习效果。个性趋势分析算法分为以下几个部分：

2.1.1 归一化数据

原始数据如表1所示。对于各种各样的评估数据，该算法只选择与系统相关的几个数据集，并且将其归一化成0～10范围内的数据，作为下一次数学分析的基础。假设当前有n个数据集，如果算法选择其中的m个数据集，算法的预测深度为τ，则它应该满足0<τ

表1 原始数据集表

2.1.2 原始数据处理

(i)累积转换

(ii)平均值转换

2.1.3 计算功能

2.1.4 评估和预测

(i)MSE(均方误差)

(ii)比值

(iii)最小误差率

通过以上的计算，数据评估和预测值如表2所示。

表2 评估和预测表

在表2中，pi0的值越大越好，ci0的值越小越好，它们是对当前原始数据的评估。从x赞i(ni+1)到x赞i(ni+τ)是对该组数据集在下一阶段预测的结果。这表明学习者目前的学习状态，及在未来可能达到的学习效果。

表3 预测等级表

表3是预测等级表，Level1是最好的预测结果，它表明如果学习者保持目前的学习状态，将能够保持一个好的学习趋势。相对来说，Level4是最坏的情况。学习者必须调整学习方法和策略，以扭转当前的不良的学习情况。

2.2 学科评估：决策树分析算法

在推模式下，决策树理论用来对一门学科进行分析，并且对学习者的学习信息进行评估。在决策树的构建过程中，信息增益方法通常用于帮助确定生成决策树的分枝。假设集合E=F1×F2×…×Fn是一个n维有限的向量空间，其中Fj是一个有限的离散符号，E中的元素Vj∈Fj，j=1，2，…，n。设PE和NE是E中的两个实例的子集，分别称为正样例集和负样例集，其大小分别为P和N。决策树算法是基于以下两个假设进行的。

在向量空间E中，对于任意集合的一个正确的决策树的分类概率同E中的正样例集和负样例集的概率是一致的。构建一个决策树来制定正确的决定所需的信息集合如下：

如果以属性A作为决策树的根，A具有V个值(V1，V2，…，Vv)，它将E分为V个子集(E1，E2，…，Ev)，假设Ei中包含有Pi个正样例集和Ni个负样例集，那么Ei子集所需的期望信息就是I（Pi,Ni），从而使属性A作为根的信息熵表示为：

将A作为根节点的信息增益是：Gain(A)=I(p,n)-E(A)。选择Gain(A)的最大值，也就是说，选择E(A)取最小值的属性A*作为根节点。对A*的不同取值对应的E的V个子集Ei递归调用上述过程生成A*的一组子节点B1，B2，…，Bv。

3 实验和分析

3.1 评价：个性趋势分析算法

在个性趋势分析算法实验中，我们选择了两个学生的相同数据集，每一个都含有10个原始数据，选择其中9个进行计算，算法的预测深度为3，原始数据如表4所示。

表4 两名学生相同类别的原始数据表

计算结果如表5所示。根据表3的预测等级，在这个类别中，学生1有一个非常好的数据样本，他对应的等级为Level1，个人学习趋势处于上升阶段。学生2的数据不够理想，他对应的等级为Level3，他的学习趋势处于下降阶段，因此，如果他不能改变目前的学习方法策略，那么将来获取知识的情况会更加糟糕。

表5 预测结果表

3.2 推荐：决策树分析

在学科评估实验中，决策树算法用于提供教学推荐。选择五门课程的160个考试成绩作为测试集来评估学生的情况。测试成绩如表6所示。

表6 五门课程成绩表

将160条记录全部作为训练集，并将这些记录分为A、B两个层次，如表7所示。

表7 分数统计表

因此，算法可以得到Course1所需的信息：

基于以上决策树理论分析，算法的计算过程主要遵循以下规则：

依据以上规则，使用该系统的教师可以适时地调整和改进他们的课程和教学策略，以取得最佳的教学效果。

5 结语

基于教学过程中的推拉模式，本文提出了一个基于Agent的交互式个性化学习评估模型。引入个性趋势分析算法，设计了个性分析和评估模块，用于满足不同用户的交互性和个性化需要。实验结果证实该评估算法的有效性和准确性。然而，信息采集的效率和个性化评估的准确性等问题仍需将来的进一步完善。

[1]R.Johnson,S.Hornik,E.Salas.An empirical examination offactors contributingtothe creation ofsuccessful e-learningenvironments[J].International Journal ofHuman-Computer Studies,2008(66):356-369.

[2]H.J.Gibbons,C.Evans,A.Payne.Computer simulations improve universityinstructional laboratories[J].Cell BiologyEducation,2004(3):263-269.

[3]H.Y.Xu,Y.Feng.Design and Implementation on E-learningSystembased on Agent and integrated with studycontext[J].Computer Engineeringand Design,2009(30):515-520.

[4]路鹏,周东岱,解月光.面向E-learning领域的软件体系结构设计[J].中国电化教育,2011(197):125-131.

[5]Q.J.Wang,R.M.Shen.Studies on Web MiningBased Intelligent and Personalized Distance learningEnvironment[J].Computer Engineering,2000(26):157-159.

[6]蓝雯飞,郑波尽.基于资源整合的E-Learning系统研究[J].计算机应用与软件,2011(3):53-57.

[7]李好,杨贯中.基于本体的E-Learning课程构建[J].计算机工程与设计,2010(4):881-884.

[8]A.Rae,Y.K.Dwivedi.Web-based implementation ofthe Personalized SystemofInstruction:Acase studyofteachingmathematics in an online learningenvironment[C].Int.J.ofWeb-based Learningand TeachingTechnologies,2007(1):36-39.