基于微信的国际交流口语训练系统的设计与实现

季波 郝明明 刘海涛 任运 刘飞虹

摘要：为解决各高校学生国际交流情境问题，开发以微信小程序为主体的互联网智慧校园学生服务系统。给学生提供与国际交流相关的多情境口语交流训练，提高学生在不同情景下的口语交流能力，使日后的国际交流更加流畅。系统采用微信小程序框架、Servlet技术等主流的开发工具，界面简洁友好，性能良好。

关键词：国际交流;口语训练;多情境

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2022）14-0047-02

近年来，高校越来越多的学生有机会接触到国际交流、境外研修等相关的学习活动，并且社会日渐关注学生的英语口语能力，单纯的书本式英语已经不能满足高校学生的素质要求。有很多即将要去国外学习的同学还未感受到国外真正的生活环境，简单的基础英文和肢体语言不能很好地支撑国外生活和学习。

项目反映理论（Item Response Theory，IRT），IRT将学生描述成一维的能力值，并结合试题参数（难度，区分度等）对学生进行建模。IRT主要用在测量学生能力和知识点掌握程度。IRT作为一种模型参数的估计方法，学生能否答对一个题目是和学生本人以及题目这两个因素有关系的，答对题目的概率是学生和题目的一个函数[1]。确定型技能诊断模型（Deterministic Input， Noisy And gate， DINA），DINA模型结合Q矩阵，将学生表达成一个在多维知识点上的掌握向量，对于得到的学生模型，可以进一步预测试题得分从而进行试题推荐[2]。基于上述两个基础模型，学者们又提出了一系列认知诊断模型，如多技能联系的补偿型IRT-C模型和非补偿型IRT-NC模型，高阶先验HO—DINA模型，以及基于模糊理论的FuzzyCDM模型[3]。

市面上口语训练平台普遍存在以下不足：第一，无法针对常见的国际交流情景针对性的口语训练;第二，无法针对场景下的图片针对性训练口语单词发音。本文设计的基于微信的国际交流口语训练系统，综合了目前市场上已存在的口语训练平台的功能，采用当前盛行的微信小程序框架进行开发，并解决了上述的不足之处，将国际交流相关的情景提前模拟训练，让学生通过训练了解从签证出境到国外生活，以及与人交流和吃穿住行等等各种不同情景下，相应的英语单词和交流语句的模拟训练，为大学生国际交流口语训练提供高效的解决方案。

1 系统分析

通过基于微信的国际交流口语训练，意在打造一个可以帮助大学生有效训练常见情景下的国际交流口语训练，本文在需求分析的相关基础之上着重研究以下几个方面：

如何利用常见的国际交流十大情景，根据不同用户阶段的学生需求，形成最佳学习情景训练路径;

如何根据训练内容错误类型，智能分析用户薄弱环节，进行自适应的针对性训练;为实现上述研究目标，系统需具备如下功能：

1）国际交流情境训练功能：包括最佳学习情景训练路径、薄弱环节口语针对性训练。

2）宣传页面：招新报名、活动报名、联谊合作、意见建议。

2 系统主要功能实现

2.1 技术架构

系统前端采用微信小程序开发框架，后端Eclipse IDE 2019+Tomcat8.0+Java JDK1.8技术，数据库采用MySQL数据库，如表1所示。

2.2 主要功能实现

根据系统分析，本系统主要包含如下功能， 考试主界面如图1和图2所示。

1）国际交流主界面

本模块包括国际交流情境训练、招新报名、活动报名、联谊合作、意见建议等，如图1所示。

2）国际交流情境训练模块

本模块包括最佳学习情景训练路径和薄弱环节口语针对性训练，如图3和图4所示。

利用常见的国际交流十大情景，按照先后发现的顺序形成情景导图，利用知识图谱技术，根据不同用户阶段的学生需求，形成最佳学习情景训练路径。

针对薄弱环节智能，生成学生对各种情景下的掌握情况的雷达图，并根据薄弱环节，利用协同过滤算法，找出掌握情况相似的学生，根据这些学生不同阶段所需情景的难度范围，筛选得分预测在适合范围内的情景并形成推荐情景集。比如，结合相似学生的实际需求，当学生需要对所学的基本情景进行巩固时，可以向该学生推荐难度范围较低（正确作答的概率较高）的个性化练习;当学生需要对所学情景进行拔高训练时，可以向其推荐难度较高（正确作答的概率较低）的个性化练习;当学生进行实际情景模考时，可以根据国际交流不同的情况混合配置难度不同的情景对话进行模拟国际交流自适应训练。

3 结束语

本文设计与实现的基于微信的国际交流口语训练系统是针对高校学生国际交流情境问题，开发以微信小程序为主体的互联网智慧校园学生服务系统。给学生提供与国际交流相关的多情境口语交流训练，提高学生在不同情景下的口语交流能力，为日后的国际交流更加流畅。本系统的创新点包括：

1）本项目根据常见的国际交流十大情景，按照先后发现的顺序形成情景导图，根据不同用户阶段的学生需求，形成最佳学习情景训练路径。

2）根据训练内容错误类型，智能分析用户薄弱环节，进行自适应的针对性训练。

参考文献：

[1] DiBello L V，Roussos L A，Stout W.31A review of cognitively diagnostic assessment and a summary of psychometric models[J].Handbook of Statistics，2006（26）：979-1030.

[2] de la Torre J.DINA model and parameter estimation：a didactic[J].Journal of Educational and Behavioral Statistics，2009，34（1）：115-130.

[3] Liu Q，Wu R Z，Chen E H，et al.Fuzzy cognitive diagnosis for modelling examinee performance[J].ACM Transactions on Intelligent Systems and Technology，2018，9（4）：1-26.

[4] Piech C， Bassen J， Huang J， et al. Deep knowledge tracing[C].Advances in Neural Information Processing Systems. Cambridge： MIT Press，2015：505-513.

收稿日期：2021-03-28

作者簡介：季波（1985—），男，安徽宿州人，工程师，硕士，主要研究方向为数据挖掘与机器学习。