基于“雨课堂”的教学过程知识库构建及学生成绩智能评估

杨世瀚 章维亚

摘  要：针对使用“雨课堂”进行教学的课程，动态构建该课程的教学过程知识库及其推理系统。在课程教学过程知识库中，用逻辑推理语言Prolog进行智能推理，智能回答课程教学过程中关于学生学习情况的一些问题，并能对学生的学习效果进行动态评估，对学生课程成绩进行预测和排序。智能教学过程推理系统能辅助教师及时评估和反馈课程教学过程中的问题，实时调整教学内容和教学手段，是高等学校本科智能化教学过程的一种新尝试。

关键词：雨课堂;教学过程管理;智能推理;学习效果评估;成绩排名预测

Abstract： For the courses that use "rain classroom" for teaching， dynamically build the course's teaching process knowledge base and its reasoning system. In the course teaching process knowledge base， the logical inference language Prolog is used for intelligent reasoning， intelligently answering some questions about student learning during the course teaching， and can dynamically assess the learning effect of students， predict and sort students' course performance. The intelligent teaching process inference system can assist teachers to evaluate and feedback problems in the course of teaching in a timely manner， and adjust teaching content and teaching methods in real time.

一、概述

“雨课堂”在大学课程的广泛使用，科学地覆盖了课前、课上、课后的每一个教学环节，为师生提供完整立体的教学过程数据支持[1-2]。虽然说“雨课堂”平台比较详实记录了课程的教学过程，但是教学过程的数据没有活起来，对教学过程评价起到的支撑作用没有很好体现出来。比如，要在某个特定情况下对有些学生提出学习上的警告，“雨课堂”并不能回答。问题在于，雨课堂是通用的课程平台，并没有很好地结合具体课程的不同高校的各种教务教学过程规则等;二是教学过程各个时段的数据没有知识化的组织起来，各个数据之间比较孤立，出勤数据就是出勤，作业数据就是作业完成情况数据，并没有把数据联系起来考虑。但是这些数据之间是有联系的，一般说来没有上课的人其作业完成情况也不乐观。数据之间没有产生关联，仅有的只是简单的统计图和单项排序，没有发挥“智能化”课堂的全部优势。如果把学生的学习行为数据和学习效果数据联系起来考虑，对学习过程评价和学习效果评估将起到积极的作用。

本文把雨课堂教学过程的数据组织成课程教学过程的知识库，并基于逻辑编程语言Prolog利用知识推理的方法和技术，来智能回答课程教学过程中和学校教务规则的相关问题，让教师和教务机构对课程的教学管理更加智能化。

二、“雨课堂”的数据收集和整理

数据的采集主要从具体课程“雨课堂”教学平台上自动导出成Excel文件，这些数据采集下来后按需要进行整理和标识。Excel文件是一个二维表，从雨课堂教学过程中整理出来的表主要有：学生情况表，教师情况表，教学资源情况表，教学过程表。

学生情况表，教师情况表，教学资源情况表这三个表数据主要记录一些静态事实数据，如学生和教师的基本信息、出勤情况、教学资源的创建和使用情况等等。教学过程表的内容按照时间顺序记录每一次教学活动的情况，包括课前预习的情况，课堂进行中课堂问答的情况，课后阅读资料情况，课后完成作业情况，课后讨论交流情况等，是教学过程的主要数据。

这些数据是为建立教学过程知识库准备的。这个数据随着教学过程的进行不断增加，直到课程结束，数据才停止更新。

三、教学过程知识库

Prolog逻辑编程语言建立在逻辑学的理论基础之上，广泛应用于人工智能的研究中[3-6]。Prolog的基本语句有：事实、规则、目标这三种基本语句。它们以“谓词”的形式表达，一方面，谓词清楚简单，语句类型少，因而文法简洁，程序逻辑性强，清晰易懂;另一方面，Prolog是陈述性语言，它只依靠事实制定规则，并不需要在程序中列出详细的求解步骤，就能使用内部的演绎推理机制自动求解程序给定的目标。其推理过程是一种基于匹配的查询机制，查询的模板叫做目标，如果有某个查询与目标匹配，那么查询就成功了。查询就是提问的机制，后文会看到我們的所有教学过程的抽象任务或者教务规则等都能表示成查询，然后在知识库中寻找答案。Prolog具有几个显著的特点不同于命令式和面向对象的编程语言，首先， Prolog语言程序没有特定的运行顺序，是一种描述性的语言，只要用特定的方式来描述一个问题，然后由计算机自动找到这个问题的答案。其次，Prolog程序实际上是一个智能数据库，它的程序和数据高度统一。知识库由知识表示和推理规则组成，分别叫做事实库和规则库，在其上基于查询机制能进行逻辑推理。

（一）知识表示

Prolog中的知识表示用谓词表示，构成事实库。首先是简单事实，如student（“Tom”）就是一条Prolog程序语言，表示Tom是一个学生，student是我们定义的一元谓词表示“是学生”;又如定义二元谓词preview（X，Y）表示X学生对课程Y进行了预习，则一个事实preview（“Tom”，class_One）表示Tom预习了课程class_One;又比如定义三元谓词classAnswer（X，Y，Z）为X在课堂上回答了Y问题，老师给出评价为Z，则事实语句classAnswer（“Tom”， class_One_3， good）可解释成Tom在课堂上回答了问题class_One_3，回答的结果是good。

在整理好的“雨课堂”课程教学过程数据基础上，根据我们要建立的知识系统，先仔细设计好用来表示各种需要的实施的谓词的名称，以及括号里的参数，并记录和精确描述好它们的意义和解释，然后用其它的编程语言如C，java等，编写程序把整理好的数据自动转换成Prolog语言，作为知识库系统事实库的一部分，事实库是智能推理的基础数据部分。

（二）规则

所有规则构成规则库，是进行智能推理的关键部分。教学过程知识库的规则建立是系统设计的主要部分。Prolog规则由头和体组成，头和体都是谓词：head：- bodyhead表示要查询的目标，body表示查询的条件，是多个由逗号分开的谓词序列，符号“：-”连接头和体，表示如果。

根据教学过程评估的需要，我们建立六类规则，基本事实规则类，如查询人数、课程资源等;课前预习规则类，如班级预习率、个人预习率、预习评价规则等;课堂教学规则，如回答问题得分规则、学生参与课堂规则、学生提问规则等;课后复习规则类，如课后资源阅读情况规则、课后习题完成规则、与老师同学交流规则等等;总体教学效果评估规则，如教学全过程学生参与度、教师反馈规则、学生成绩计分规则，学生出勤规则等;学生成绩评估和预测规类：如学生课程成绩评价规则、学生重修预警、学生成绩排名预测、学生学习提醒规则等等。

这些规则作为知识系统的规则库存储在系统中，是依据教学过程对学生学习成绩进行智能评价的主要设计部分，也是教务规则的主要表现部分，是推理的重要依据。这部分的主要特点是，规则可动态增加，规则可根据需要灵活修改，便于教师的教学过程管理和教务的教学管理。另外，可以根据需要很方便地重新开发或者更新已有的规则。

（三）推理

课程教学过程知识库中的推理就是从雨课堂数据中转换成的事实库中，利用定义好的几类规则，自动地找出教学过程中需要的信息和知识。推理任务直接根据教学过程中的具体需求建立，然后把任务分解成知识库的查询目标。例如，课程教学过程中有一个学生重修预警的教务要求，在学生缺勤率快达到1/3的时候，对学生进行不能参加期末考试准备重修的预警;同时根据教师的要求，学生的作业完成率达不到1/3的时候，也要给学生提醒不能参加期末考试。这时可以建立一个查询目标，也是一个规则，

alertStudents（X） ：- students（X），

attendanceRate（X， Ra）， Ra > 1/3 - 0.1，

didHomeworksRate（X， Rh）， Rh < 2/3 - 0.1，

write（X）， nl，

write（Ra）， write（Rb）， nl.

这条规则很简洁地定义了一个推理任务，第一行表明X是这个班的学生，第二行表示这个学生X的出勤率Ra快达到了1/3，地三行表示学生X的作业完成率快达到了2/3，第四行把学生的姓名打印出来，第五行给出具体的出勤率和作业完成率。只需要把这个任务提交给知识系统，系统会自动推理给出所有的该预警的学生，并逐一给出理由。这个例子很好地说明，在教学过程业务需求分析的基础上，直接把要解决的问题表示成知识系统的推理事务即可，不需要关注具体的业务实现过程，知识系统会自动完成任务并给出解答。这样实际上，程序开发的任务都关注在业务上，完成的效率将大大提升，质量也将提高，而且灵活性高，可扩展性极大提高了。

四、学生成绩智能评估

在知识系统的知识库和规则库建立好之后，学生成绩评估问题实际上是建立学生成绩评估推理事务的过程，这个过程就是一个建立规则的过程，推理事务可以直接提交给系统自动完成。

（一）单个学生學习效果总体评估

首先建立一个overall谓词，用来了解每个学生的总体情况，根据具体的成绩计算规则（例如：预习率占比10%，考勤率占比10%，课后练习作答率占比30%，回答问题率占比30%，优秀回答率占比20%），来建立这个谓词的推理事务规则：

又比如，根据等级制对学生成绩进行评估的推理事务evaluate：

（二）教学过程中学生课程成绩预警

在学生期末复习的阶段，教师可能需要对班上学生的学习情况有个大致的把握，比如，对学生的学习成绩有个预估，看哪些同学可能考试不及格，及时给予提醒和更多的指导。根据学生个体的评估和评价，可以重新给出预警规则，这时可以重用上面的evaluate推理事务来建立alertStudents2，

根据规则和经验认为总体评估在2.0以下的学生就要预警。这里由两个规则组成了推理事务，分别是alertStudents2和alert，并且重用了student规则和evaluate规则。

（三）学生成绩预测

如果要对学生的相对学习情况进行比较，可能需要对考试成绩进行排名预测。根据学习情况对学生的学习结果进行预测是一个有趣的推理事务。预测一般有两种方法，一种是从历史数据预测，但是一门课程往往只针对一批学生讲授一次，故只有这门课程的历史数据，没有这批学生的历史数据可以参考。还有就是用推理事务建立一种基于规则的预测模型来进行预测，这里采取这种方法。根据经验建立成绩排名预测的推理事务，一般evaluate综合评估高的学生其排名靠前，综合评估的参数涉及到出勤率、作业完成率、课堂参与度、回答问题的参与率、雨课堂资料的使用率、预习率、与老师交流情况、提问频率、提问深度等9个，并依据经验给出了各参数的权重，进行简单地线性计算求得综合评估值，然后按数值排序，作为学生课程成绩排名的预测值。

findall查询所有的学生，forall这行对每个学生的综合成绩进行预测preEvaluate，pair规则把学生和预估总成绩对应起来，建立一个key-value对的列表放在Pairs中，keysort对Pairs列表按照预估值进行排序。

五、应用和效果

基于一门课程一学期的雨课堂数据（学生48人，36学时，一个教师，16次课后作业，每次课程3-5次提问，随时增加的课程资源，雨课堂作业2次较大试卷每次30题，每次3-5个问题的多次小问答），建立好的课程教学过程知识库由8000多个事实，和90多条规则组成，事实和规则根据需要随时增加和修改，数目常常变动。

把学生成绩预测和期末考试的真实成绩进行了比较，其大致的分布情况如图1所示，总体看来，预测的总体成绩偏高了点，实际考试成绩与老师出题的难度有关，预测中并没有考虑教师出题的情况。

对学生成绩排名的预测能更好地反映真实情况，表1是每个学生的排名情况比较。

图2可以看出全班学生的预测名次和实际名次的差异，实际名次可以看成是预测名次一个近似线性拟合曲线，基本上准确。预测名次和实际名次的均方根（RMSE）是4.96，考试成绩和教学过程记录的学习情况基本吻合。对实际名次的第34名预测偏差比较大，可能由于该同学积极参与教学过程，但是学习方法尚欠缺，对实际名次的第10名预测偏差也大，反映了该同学课下采取其他方式积极学习，但是并不热衷于在雨课堂平台上的参与。去掉这两名同学的情况，则预测名次和实际名次的均方根（RMSE）是2.11，说明名次预测在2-3名之间的准确率大约在95%。

六、结束语

教学过程知识库系统的建立对“雨课堂”教学环境中教学过程的管理是一个很好的补充，它能用灵活问答的形式回答教学过程中的一些较复杂问题，并能够对学生的学习效果进行简单评价，对学生的课程成绩排名进行预测，名次预测在2-3名之间的准确率达到了95%。进一步完善和丰富事实库和规则库，建立更精细更准确的教学过程推理事务，更好地为课程教学过程管理、控制与评估服务，是今后的主要工作。

参考文献：

[1]井媛.建構主义视角下的大学英语智慧课堂构建策略研究[J].湖北开放职业学院学报，2018，31（22）：156-157+166.

[2]陈立畅，冷雪梅，唐秀英，等.基于“雨课堂”的《质量管理学》教学改革与实践[J].教育现代化，2019，6（11）：72-74.

[3]李娜，王湘云.基于谓词逻辑的Prolog程序设计[J].西南大学学报（社会科学版），2009，35（06）：48-52.

[4]蔡自兴，徐光.人工智能及其应用[M].清华大学出版社，2002.

[5]Clocksin W F， Mellish C S. Programming in Prolog[M]. Springer-Verlag， 2003.

[6]J. Nichol， J. Dean， J. Briggs. Teachers encounter PROLOG[J]. Journal of Computer Assisted Learning， 2008，2（2）：74-82.