智能评价的研究型网络教学平台设计与应用

柳 虹

（浙江经济职业技术学院 党委、院长办公室，浙江 杭州，310018）

《国家中长期教育改革和发展规划纲要（2010－2020）》中在强调创新人才培养模式及倡导启发探究式教学的同时，将构建数字化教育服务体系视为提高教学质量的重要手段，通过数字化教育教学体系和优质教育资源的共建共享，促进了教育内容方法和手段的现代化，增强了学生探究协作学习的能力，从而全面提高了人才培养质量。

通过对国内现有的研究型网络教学平台的研究发现［1－3］，目前主要存在以下问题及改进需求：

（1）现有平台多以具体课程为例进行设计应用，适用性较窄，平台需对研究性教学模式中的通用性模块进行设计，这要求系统功能构架和技术构架需要良好模块化，以满足教学通用性需求；

（2）平台的研究与应用主要集中在教学过程的数字化及管理方面，对于教学效果评价操作性不强，因此，平台需对学生学习效果提供智能评价功能，为教师提供改革的决策依据；

（3）网络教学是课堂教学的网络化延续，当前的平台缺乏互动性设计，目前要求系统能够从实际教学出发，提供统一的交互性强的教学设计及功能支持；

（4）学习评价的设计采集海量的数据量，这就要求系统采用数据挖掘技术，以提高数据利用的效率。针对上述问题及需求，本文阐述了基于学习智能评价的研究型网络教学平台的设计与应用，为教学方式、方法改革提供了一个服务支撑平台。

1 总体框架设计

根据对现有平台不足之处的总结，以及实际需求的分析，首先对系统构架进行了设计，总体设计框图如图1所示。

图1 总体设计框图

系统的主要功能设计包括：用户管理、角色权限、机构管理、系统日志管理、新闻动态管理、答疑模块、互动论坛管理、主题任务管理、作业管理、教学班管理、资源管理、课程建设管理、数据挖掘组件、算法集成组件及智能分析支持管理等。系统的核心是学生教学参与情况数据库，它是建立在学生通过教学平台参与主题任务模块、答疑模块、资源访问情况、系统登录情况、在线测试得分情况、作业得分情况等条件下提取而来。这些数据通过数据挖掘机进行数据挖取，与专家知识共同形成知识库，通过学生学习效果评价算法组件对学生在教学平台的参与和学习成果方面给予评价，并以直观的统计报表方式供教师及学生查询，为教师教学方法改革及学生调整自我学习方式提供了辅助决策支持。同时研究型网络教学平台具有互动教学、新闻动态、资源共享、课程资源建设等常规教学平台的功能。

2 功能分析和建模

2.1 功能分析

针对基于学习智能评价的研究型网络教学平台的功能需求，独特的功能设计如下：

（1）具有三维属性的角色访问控制功能。在本项目中，数据范围及角色设置不同，对于不同角色进行评价及反馈信息是不同的，对于教师给予最全的客观信息，对于学生则侧重给予鼓励提示内容；又如对资源访问不同角色权限也不同，即不同的角色拥有不同资源大小的下载权限。因此在传统的RBAC模型的2个维度属性——对象和操作的基础上引入了范围（scopes）这样一个新的维度属性。通过这三者的组合来体现功能权限与数据权限的区别和联系，从而为系统提供了更为灵活的角色访问控制策略，提升了系统适应性［4］。

（2）研究型教学流程模式设计。研究型教学流程模式包括教师规定任务或主题、学生分组、组内讨论或自主学习、教师指导、成果展示及评价几个内容，其具体流程如图2所示。

本系统中设计的研究型教学流程除了提供常规的基于主题任务驱动式的教学模式之外，学生可以利用网络教学平台的资源栏目进行自主学习。教师和学生可以对照学生学习效果智能分析评价结果进行教学方式和自我学习方式的调整。

（3）智能推理机组件。通过获取专家知识库中的知识，结合学生学习效果评价算法计算出的数值，对学生参与程度、学习效果进行评价，推理出学生所花时间是否足够、目前学习效果是否理想、是否需要改进学习方法、对课程的哪些章节内容掌握的还不够。

图2 研究型教学流程设计图

2.2 学生学习效果评价算法模型

在进行学生学习效果评价时需对学生学习效果评价建立评价模型，对于这种交互性分析模型，最早由Henri提出，他从交互言论的视角分析了交互特征，并提出了分析模型，将交互分为5个维度：参与、互动、社交、元认知和认知［5］。该分析模型为人们进行交互文本的分析搭建了一个基本框架。Marcos等人也认为交互分析方法和工具是为了增强协作学习，为意识、规则或评价提供支持，而它们将依赖于参与者在协作过程中所扮演的角色，并据此提出了一个交互分析框架［6］。根据Henri的在线交互学习的5个维度，结合学生在教学平台上参与互动教学的情况，笔者将学习评价设计为：在线学习时间、互动答疑次数、资源访问情况、研究型教学任务参与情况、作业情况和平台上参与互动情况6个纬度，根据评价算法模型结合专家知识推理出学生在这6个纬度上的参与及学习效果情况。以下对这两种评价算法模型进行说明。

（1）学生课程参与度。学生参与度为学生参与教学的活跃程度，一般可分为：非常活跃、活跃、较活跃、一般、不活跃，学生参与度算法如下

式（1）中：N＝6，Pi为学生在教学平台某项教学情形上的 参 与 度，P1学习时间＝ P个人在线时间/P平台最长在线时间，P2互动次数＝ P个人次数/ P平台最多疑次数， P3资源访问＝P个人资源访问次数/P平台最多访问次数， P4任务参与＝ P 个人参与任务次数/P平台做多参与次数， P5作业＝ P个人作业提交情况/P平台最多提交情况， P6在线测试＝ P个人在线测试时间/P平台最长在线测试时间。上述学生在每个教学情形上的参与度是本人在该教学情形上的参与情况与在相同层次的学生该教学情形上做的最好的情况的比值，该比值作为个人在该项教学情形的参与度。以相对值作为比对标准，主要考虑到不同学习对象由于学习层次、教学资源、教学环境、专业、年级等存在较大差异，通过相对比较值可保证评价结果的相对客观。

（2）学生学习效果评价计算，公式如下

式（2）中：N＝3；Ri为学生在教学平台某项得分项目上的获得的效果，R1为作业得分情况，R2为在线测试得分情况，R3为任务得分情况。计算方法比较一致，以作业得分R1为例进行说明如下

式（3）中：Si为每次作业得分，Ti为每次作业的总分，其他得分项目效果评价算法类似式（3）所列算法。

3 关键技术

本平台在开发过程中涉及到的技术难点有层次化设计、FSSH柔性构架设计。

3.1 层次化设计技术

基于学习效果智能评价的研究型网络教学平台要求有很好的安全保障机制，本研究采用具有数据隔离、维护方便等优点的层次化设计技术来解决，如图3所示。

图3 层次结构图

由图3可知：系统设计分为纵向和横向层次设计。纵向层次设计为用户层、软件层以及物理硬件层，其中系统的核心为软件层；横向层次设计为数据层、数据综合管理层、映射策略层、逻辑业务层、系统接口层以及用户的视图层等，此外还有系统安全保障机制和数据标准规范。系统的层次化设计有助于系统的安全性以及维护的便捷性。

3.2 FSSH柔性构架设计技术

研究型网络教学平台是师生互动的支撑平台，是课程教学的网络延续，是高互动性和人性化的统一管理，这对RBLMS（基于学习效果智能评价的研究型网络教学平台）提出了较高要求，即要求系统不但具有很强的耦合性，同时要求具有很好的交互性。为解决该难点问题，课题组创新性地开发了FSSH技术。

FSSH（Flex－Struts－Spring－Hibernate）是表示层－业务层－持久层的综合性框架，即利用了Java EE开发平台上最为流行的 Web层（flex、struts）、业务逻辑层（spring）及数据持久层（hibernate）的几种应用框架设计形成的轻量级软件架构。

（1）Web层：Web层采用了Flex技术和Struts技术，Flex是一种富客户端技术即RIA（rich internet application）［7－12］。采用 MXML、ActionScript和 Flex类库编写，编译后以SWF文件运行于客户端。它具有高度互动性和丰富的用户体验。通过Flex技术能减少跳转等待时间，提高了系统的易用性。Struts是基于模型－视图－控制器（model－view－control，MVC）的Web应用开发框架［10－12］，其工作机理参见文献［10］，在本系统中起着承上启下的作用，向上为RBLMS的Web业务应用模块提供数据通信服务，向下实现与Spring框架实现有机整合。

（2）业务逻辑层：业务逻辑层采用了Spring框架技术。Spring是一个轻量级的IoC和AOP容器框架，通过IoC（inversion of control，控制翻转）技术将RBLMS各业务逻辑模块实现解耦［13］，通过AOP（aspect oriented programming）技术将RBLMS核心业务逻辑从日志、安全、事物等功能提升分离出来。

（3）数据层：数据层采用了Hibernate对象/关系映射（ORM）技术，将Hibernate主要对象和数据库表之间建立起一个映射关系，只需通过操作这些对象和Hibernate提供的一些基本类，就可达到访问数据库的目的。整合后的FSSH架构设计图如图4所示。

4 应用实例分析

本系统从2012年开始试运行，2013年正式投入应用。应用实例分析——以学生自我学习效果评价为例，以一个应用本平台进行验证性应用的教学班为例，根据学生学习效果评价算法模型得出该教学班学生学习参与度和学习效果计算结果，抽取5位学生为例，结果如表1所示。

图4 系统技术构架设计图

表1 学生学习参与度与学习效果计算结果

根据推理机得出的学生学习评价结果为：学生A非常活跃，学习效果好，学习方法正确；学生B较为活跃，学习效果较好，应适当调整学习方法；学生C较活跃，学习效果良好，需要加强参与度和调整学习方法；学生D活跃度一般，学习效果较好，学习方法正确，建议提高学习参与度；学生E活跃度差，学习效果差，建议加大学习投入，调整学习方式。在样本量不是很大的情况下，该智能推理结果与参与度高的学生学习效果相对较好的实际情况相一致。

5 结束语

具有学习效果智能评价机制的研究型网络教学平台是基于互联网的高级应用性教学软件，实例分析结果证明：通过对学生学习效果智能评价分析，教师能够调整教学方式，学生能够调整自主学习方法，对网络教学平台教学效果的改善起到了一定的帮助。从系统实际运行情况发现：学习效果评价指标范围越宽及指标数量越多，学生学习效果评价结果的差异越明显，也越有利于判断和评价，但各指标所占权重也相对越难判断，从而导致偏离实际的可能性也越大。因此，系统还需进一步完善学生学习效果评价指标体系和专家知识库建设，进一步细化开发推理机，使之更趋现实，从而为学生提供更接近实际与更具参考价值的指导意见。随着研究的不断深入，本系统将得到不断升级和应用。

（

）

［1］黄新斌.我国高校精品课程研究的进展［J］.当代教育科学，2010（17）：26－29.

［2］田华，魏登峰，孟琦.网络协作学习评价指标体系的开发与实践［J］.电化教育研究，2010（7）：73－76，81.

［3］何鹏，邱建林，顾翔.基于Blog与RSS的主动探究式教学平台设计［J］.计算机工程与设计，2010，31（17）：3932－3936.

［4］Ferraiolo D F，Kuhn R.Role－based access controls［C］//Proc of the 15th NIST－NCSC National Computer Security Conference.1992.

［5］张润芝.CSCL 评价技术的新趋势［J］.中国电化教育，2009（5）：32－37.

［6］赵建华.CSCL研究的现状及发展趋势［J］.中国电化教育，2009（5）：7－14.

［7］Tapper J，Talbot J.Adobe Flex 2：Training from the Source［M］.USA：Adobe Press，2006.

［8］Yakov Fain.Rich Internet Applications with Adobe Flex ＆Java［M］.USA：SYS－CON MEDIA，2007.

［9］Brown C E.The Essential Guide to Flex2with ActionScript3［M］.USA：Apress，2007.

［10］郭广军，羊四清，戴经国，等.基于Struts框架的 Web应用开发技术研究［J］.计算机应用与软件，2007，24（9）：209－212.

［11］戒伟，张双.精通Struts－Java流行服务器、框架、工具及整合应用［M］.北京：人民邮电出版社，2006.

［12］余福生.基于Struts与Hibernate的合肥市劳动和社会保障业务信息系统设计［D］.合肥：合肥工业大学，2007.

［13］Craig Walls.Spring in Action［M］.北京：人民邮电出版社，2007.