基于人工智能的远程教育学习行为AHP模型的应用——以工商管理专业学生为例

长春开放大学 王蕾

目前，全球英特网技术发展迅速，教育领域也进行了相应使用，构建了很多网络化教育平台进行实际应用，这使得其教育形式展现出了与传统截然不同的状态，给所有涉及的学习者带来了很大影响，具有重要意义。相比传统线下教育模式来说，网络化教育多采用远程模式，在这一教育环境下，能够有效记录学习者的学习信息、行为、状态等，这些记录能够非常便捷、长期地存储，这主要由目前成熟的云存储技术作为基础，给远程教育提供了良好的基础[1]。由于网络教育模式相比传统教育模式，特别是课堂模式具有很大的优势，能够充分体现教育成果，因此被纳入我国“十三五”规划中并得到了很大关注。在2018年，国家教育部针对教育领域发布了《教育信息化2.0 行动计划》，具有里程碑式意义。《计划》明确了教育在我国发展过程中的重要地位，是未来可持续发展的关键所在，突出强调“办好远程教育”的重要举措，让我国教育能够尽快实现现代化发展，为我国综合实力的提升打下扎实的基础[2]。

通过对于远程教育的发展研究，可以将其发展历程分为三个阶段，每个阶段具有不同的特点。最早为函授教育，其具有较大局限，于20世纪80年代被广播电视教育所取代，然后由于网络技术高速发展，仅开展了10年时间就转变为了现代远程教育。由于现代远程教育的核心在于互联网，我国由于在技术发展上的限制，起源于20世纪末，发展时间较短。现代远程教育最大特征在于将教育理念有效结合现代信息技术优势，教育模式更易被学习者所接受，对于学习效果提高大有益处，给广大学习者的学习带来了便利，具有显著优势得到了学界的认可[3]。远程教育的发展也得到了国家重视，在2019年国家统计局就进行了相关数据统计，在2019年以前通过网络进行教育并获取专科、本科学历的学生人数已经达到了7861727 人，取得了很大成果[4]。如图1所示可知，接受远程教育的学生人数逐年上升、规模逐渐壮大。但其中还应当注意到，远程教育招生人数增速明显高于在校人数，这是由于行业发展迅猛、招生规模增大造成的；远程教育在校人数一直在招生人数以下，这说明有些学生在报名后没有通过学习获得毕业或者学业有所延误，这部分学生并入了每年的招生人数中造成的。由此可见，教育行业的发展环境复杂，需要进行综合化考虑，远程教育需要充分结合学习者的特点进行学习行为研究，通过有效的教育模式来带动学习效果提升，这也是目前急需解决的问题。

图1 2003-2018年远程教育发展规模趋势Fig.1 The development scale trend of distance education from 2003 to 2018

关于远程学习行为的研究，Ho 首先提出了研究学习者对信息系统采纳和接受影响因素的技术接受模型，模型主要针对学习行为的外部影响进行分析，通过各变量与结果间的关系总结了一定的规律[5]。然后通过模型实际应用，总结出了远程学习行为中的关键性影响因素，具体是：预计结果、学习目标、外部环境和个体心理，同时还有对应的调节变量：性别、年龄、经验和自愿性。国内学者彭文辉教授则以行为主义角度进行研究，其研究结论将远程学习行为的影响因素归纳为学习者自身特点、互联网环境及社会人文环境等，然后通过实际调查总结了学习行为的几个特征。学习行为根据外显、内显呈现不同的表现形式，人们所看到的主要是促进与激发、抑制与局限等。对于学习行为也有不同的控制方法，例如不同的行为动机、心理状态、情感情况等，通过时间、资源、系统等的优化来提高学习行为的作用效果，带动学习效果提升[6]。近年来，学界对于学生远程学习行为的研究开始深化，既有从外部环境因素着手，也有从学习者自身内部因素着手的，形成了一定的研究成果。将这些研究成果进行一定的总结后，发现学习者自身内部因素有着关键影响作用的包括了内心状态、学习态度、信息素养、教育经历、发展目标等[7]；而外部环境影响因素则更为广泛，涉及教育主体、教育形式、互联网技术、网络学习资源、远程教育系统平台、学习环境等，需要对内外部因素综合考虑[8]。

远程教育不断发展，其市场需求也逐步增多，社会也对远程教育越来越重视，进行了大力支持与监督，为进一步保障学习者的合法权益，加强了远程教育相关体系建立的监管，规范化、严格化相关要求与标准，促使远程教育质量不断提升[9]。由于互联网技术的高速发展，人们所处的互联网环境也时刻更新着，这让远程教育学习行为的影响因素存在很多变动[10-12]。我国教育事业发展通过努力，初步具备了一定的信息管理能力，主体上已达到信息化条件，构建了具有较好作用的学习管理系统，能够根据学习者相关信息的变化来调整学习资源储备、学习模式优化等，利用学习管理系统的应用来总结有效的教育模式，以此提高学习者的学习效果，给教育事业发展带来了很大助力。因此，学界的研究重心也开始朝着如何有效、灵活地利用网络学习信息进行转移，通过对信息化教育的各类系统研究，让虚拟的数据转变为学习者的知识效率更高，让学习者各项能力得以提升[13，14]。

虽然远程教育具有很多优势，但其同样面临着各种发展阻碍，而学习者的学习行为具有多维特征，只有在将该关键特征充分利用并进行展开后才能进行更加深入的研究分析，使得在远程教育过程中更好把握各学习者的学习行为情况；通过分析挖掘出其中存在的各类问题，找到问题发生源头并总结出相应解决办法，使得远程教育对象能够总结出实际学习需求；通过分析得到适合于自身的学习方法，使得学习服务个性化发展得以实现，能够根据各类学习者不同的实际情况进行调整；通过有效模式变更来提高教学质量，给学习者带来了实际作用。然而，由于远程教育的学习行为自主化特点，通过专家问卷形式筛选AHP 模型的学习行为评价指标人为主观因素影响大，从而导致算法精度不高，因此本文基于人工智能大数据，采用决策树算法提取工商管理专业学生学习行为影响因子，通过回归模型筛选主要影响因子，然后基于筛选的影响因子构建学习行为评价AHP 模型。

1 远程教育学习行为评价指标筛选

1.1 学习行为影响因子统计

远程教育有别于传统教育，由于其特殊性也使得学习者的学习行为同样具有了特殊性。伴随着远程教育的整体发展，其系统平台也不断更新，各功能服务模块由单独转向综合，使得系统更加可靠；同时，教育理论也不断得以深化，针对远程教育也形成了多领域、综合化的研究，具有了系列研究结论。当前，全球大环境不断变化，社会、经济、行业不断发展，使得远程教育也产生了很大变化，针对学习行为进行研究的各类学者与学习者自身也有了很大不同，其看法与角度都是新时代特有的。由于网络远程教育基于网络的特性，使得学习者在过程中也具有了其基本特点，学习环境与学习本身需要进行综合化考量，对学习效果的影响因素也就包含了外部因素与内部因素，不同的学习者自身情况和网络教育技术的发展都会产生作用，只有将两者进行有效把握才能将学习行为进行有效呈现。

学习者个体内部因素是一个关键，具体表现在知识需求、学习兴趣、心理因素、信息素养和知识经验等上，使得学习行为产生很大变化。心理因素主要包括网络学习意愿、心理认知、自我成就感、发展目标、意识把握和知识扩展等。学习者的知识经验状态，需要综合以往的知识累积和目前所掌握的学习内容，在学习过程中会直接影响看待学习的角度、开展学习的方式等，因此决定了学习者知识能力的应用程度。所以，在网络学习环境下，基于良好的知识经验为基础开展学习的学习者能够具有很大优势，其能够对学习进行有效梳理分类，寻找更加有用的学习方式来开展学习，使得学习效果具有很大效率。学习者在学习过程中还根据信息获取能力、数据分析能力、知识吸收能力和处理加工能力的不同而得到不同的学习效果，这四大能力构成了各人不同的信息素养。具有良好信息素养的人，能够在大量的学习资源中采取有效的学习策略来快速提取所需信息，将信息进行分类、存储并加以利用。反之，由于学习者缺乏相关知识，在学习资源获取渠道、方式上就会遇到困难并严重影响获取效率，对于信息无法有效利用，对于学习者的自信心形成打击，不利于学习热情的提升也就无法形成积极、有效的学习行为，最终使得学习效果大打折扣。

来自于学习者外部环境影响因素同样具有很大作用，主要涉及教学主体、网络环境、教育网络平台、网络学习资源等。由于教学主体存在差异，直接决定了教育方式的差别，让远程教育采用不同的教育模式、活动类型、性质属性等，学习者接受到的学习内容也就不同。网络学习技术支持系统是根据学习者的学习需求，利用网络技术搭建起来的软件系统平台，给学习者创造出一个良好网络学习环境。网络学习技术支持系统具有丰富的学习内容，能够扩充学习者的信息来源，也能够给众多学习者提供沟通交流的机会，是提高学习者学习效果的有利助手。此外，网络学习支持系统还能够主动开展学习监督，在过程中充当一定的教师作用，对相关学习者的学习轨迹、学习习惯等进行科学化记录，将过程中产生的异常状态进行汇总与储存便于网络远程教育改善，形成良好的外部调控力度，能够构建一个规范、标准的网络学习环境，能够让学习者保持良好的学习习惯、坚持合理的学习行为来提升自我价值。对于学习效果来说，起着直接影响作用的往往是网络学习资源本身，其内容的合理性、形式的多样性、数量的规模性等都决定了学习者开展学习的方式，针对不同的语言文字、声音图片、音频视频等进行合理选择，让这些学习资源尽快被吸收。

根据上述各类对于远程学习行为影响因素多角度、多方面的研究与分析，本文有了一定的研究基础，明确了学习者内部、外部综合考虑方式来开展研究。本文研究以Gefen.D.[5]的测量表为基础，通过合理优化总结来分析各主要影响因素，拟将教学形式（1 因子）、网络学习意愿（2 因子）、资源技术因素（3 因子）、学习目标和需求（4 因子）四方面的影响因素作为主要状态点借助人工智能大数据进行统计，然后利用决策树算法来对学习行为的各影响因子进行计算，从众多因子中提炼出关键因子，使得后续模型建立更加便捷、有效。

基于访问课程资源、下载学习资源、在线讨论、作业与测试等学习行为大数据，将互动交流、坚持性作为学习行为的决策点，分别采用在线讨论频次、学习资源学习时长和下载频次来进行量化；再根据课后作业、课堂测试等形式对研究结果形成量化验证，得到的决策树如图2所示。

图2 远程教育学习行为决策树Fig.2 Decision tree of distance education learning behavior

通过上述决策树，根据互动交流和坚持性决策点得到如表1所示的结果表，表中“+”代表该因素在决策点中状态良好，“-”代表该因素在决策点钟状态较差。从表中可知，网络学习意愿越强烈、教学形式越合理、资源技术因素越成熟、学习目标和需求越明确的学习者，表现结果更优秀，反之表现较差。此外，学习目标和需求、资源技术两大内在因素对结果值影响较大，如决策点1 结果值和决策点2 结果值相差30 分，决策点1 和决策点9 结果相差10 分；对影响程度进行排序，接着是教学形式，最后是学习意愿，能够直接呈现。因此，从学习行为结果视角研究，学习意愿、学习目标和需求、教学形式、资源技术因素均对学习行为产生影响。

表1 决策结果统计表Tab.1 Statistical table of decision results

1.2 学习行为回归模型构建

根据决策树研究结果，确定了四个学习行为影响因子，每个影响因子的影响程度各有不同。为了进一步研究各影响因子的作用程度，定义相应的变量与应变量并以此构建了学习行为的回归模型，总结了学习意愿、学习目标和需求、教学形式、资源技术因素与学习行为的互动交流、坚持性之间的作用规律。对学习行为进行问卷调查，基于远程教育平台数据统计，对解释变量和被解释变量进行归一化处理，统计得到影响因子量化分数如表2所示，从表中可知，资源技术分数为0.685、学习目标和需求分数为0.771，两者分数较高。学习意愿因子的分数最低，因此，在远程教育学习行为研究中，应采取措施让学习者清晰学习目标和需求，并且增强远程教育资源技术，使得学习者在远程学习中不受资源技术落后的影响。

表2 影响因子量化统计表Tab.2 Quantitative statistics of impact factors

通过表格数据进行计算，可以如式（1）所示的线性回归拟合关系，其中决定系数R2的值为0.999。

其中，解释变量F、T、E、Z 分别为学习意愿、学习目标和需求、教学形式、资源技术因素。R 为被解释变量，R1为学习行为互动交流，R2为学习行为坚持性。

从式（1）中可知，学习意愿因子的系数分别为0.001和0.002，因此，可认为对于远程教育学习行为来说，学习意愿因素影响较小，可以剔除这个影响因子。而无论是学习互动交流还是坚持性，学习目标和需求、资源技术的系数都较大，特别是学习目标和需求，均大于0.4，因此，学习目标和需求在影响学习互动交流和学习坚持性上具有较大的作用，促进学习行为的提升。主要是因为随着信息技术的发展，网络时空距离被缩小，学习者可以通过远程教育随时随地接收所需知识、分享和交流资源，而且学习方式自由更加灵活。此外，学习目标明确、学习需求强烈的学习者能够更加频繁的利用资源技术进行互动交流，更加坚持学习行为，从而学习意愿在远程教育的学习行为影响中不断弱化。但是，远程教育受网络技术、资源获取便利度等影响显著，因此，网络资源因素在学习行为影响中占据重要地位，该结果与决策树结果一致。

2 远程教育学习行为评价AHP 模型

AHP 是众多决策方式中的一种，其主要特点在于具有多个目标，主体结构上以递阶层次进行开展，一般以目标层、准则层、指标层等层次分类方式将对象目标进行逐层细化，利用不同层次之间的重要度比较，将目标指标进行有效分析，然后利用定量、定性综合分析对目标指标进行综合判断，以此得到分析结果。AHP 分析的基础是将分析目标根据不同的类别进行区分，通过有效分项指标层次划分，将各指标的影响程度进行排序，使得分析目标方式得以转变，然后利用合理的判断矩阵来对每一层进行计算，以此得到该层中各影响因子相对于上级层中各影响因子以及总体的影响权重数值。通过AHP 分析方法的利用可以给各评价指标进行权值赋予，根据其值存在的不同进行比较，可以判断出各评价指标对于整个体系应用的影响程度。然后通过整体指标体系的应用，将各评价指标的变化形成反馈，以此来不断提升指标体系应用的可行性，使得评价结果更加真实、可靠。

AHP 法由于其在分析过程中的特殊性与有效性，在很多行业中得到了广泛应用，也解决了很多实际问题。对其具有的几个主要特点进行总结，主要包括：（1）AHP 法能够使得分析对象系统化，利用量化分解、相互比较、综合评判等方式进行量化计算，以此总结出解决方式；（2）AHP 法将定量与定性有效结合并形成综合分析，能够有效避免传统分析方式所具有的缺陷，有效解决各类复杂的问题，由于考虑方面较多得到的结果往往更加具有可信度；（3）AHP 法在过程中从分析者自身角度出发，将真实的分析结果与判断形势进行导入，所以能够将分析者的知识经验状态进行真实呈现，同时总结为相应的能力融入分析过程中，使得分析结果更加具有客观性；（4）AHP 法使得作为分析双方之间的信息共享与沟通交流变得更加便捷，以此改善分析方式、促进方案有效落实；（5）应用AHP 法分析时能够降低定量分析数据需求，利用较少的数据更为有效的分析出问题存在的本质和主要影响因素，以此确定针对性的决策，决策也更便于操作；（6）AHP 法解决问题的方式简明扼要，能够将决策者的思维过程进行综合化，形成有效的数字系统模型，能够使得人们便捷应用，因此认可度较高；（7）AHP 法优于采用了多准则、多目标形式进行问题分析，因此即使面临复杂的问题也能够逐一进行破解来得到有效分析结果，问题涉及的范围非常宽泛，因此能够被广泛利用、使得发展较快。

通过各影响因素来对远程教育学习行为进行研究时候，我们发现了其中的一些规律，需要进行对应变化来提高研究效果，学习目标和需求、资源技术、教学组织形式的定量数据获取存在一定难度，并且每个学习者相对复杂，其对于学习目标和需求、资源技术、教学组织形式等存在不同的理解与认识，因此对于评价准则也有不一样的体验。因此，在开展AHP 分析过程中需要结合模糊数学理论，使得学习行为能够形成定量分析。另外，该方式同样能够综合各不用评价人群的看法，全方面、综合性地将评价对象的影响程度进行体现，因此使得评价结果具有客观性特点，结果更易被认可。综上所述，本文利用了AHP 法开展远程教育学习行为的相应研究，具有较好的可行性。AHP 法大致可以分为层次评价指标体系构建、指标权重计算、一致性验证、AHP 模型构建等几个步骤。

2.1 层次评价指标体系构建

远程教育学习行为评价指标体系具有复杂性，其构建过程需要进行综合考虑，并不能通过简单的相关评价指标进行叠加来构建，为了建立起一个有效的评价指标体系，需要利用科学、合理的方式进行设计，通过不断的完善、优化来使得远程教育学习者学习行为的指标体系能够正常运作起来，给应用者带来益处。那么，在体系设计、制定、建立过程中，需要严格遵守以下几个基本原则，才能使得体系发挥出应有的作用。

（1）科学性原则：为了有效掌握远程教育学习行为的真实情况，需要对各类相关研究文献、资料进行综合整理、归纳，总结出目前已有的特点与规律，然后针对各类数据进行科学性分析，利用有效的方式进行特征提取，通过科学计算总结出关键评价指标，然后利用科学的方式进行体系构建，整个过程都需要基于科学来开展。

（2）完整性原则：评价指标体系中各评价指标在选择过程中需要充分考虑，需要将评价对象的各情况进行完整展示，保障体系能够进行全方面、综合化的开展应用。在过程中需要进行基于全方位角度进行选择，利用完整的评价指标对远程教育学习行为进行评价，将其各主要影响因素进行全面分析。

（3）可行性原则：对于整个评价体系中的各评价指标在通过选择后还需要进行合理设计，防止指标出现无法有效应用情况，具体要求是：评价体系的每个层级需要有相应的下级评价指标，这些指标在应用过程中应当是有效的，便于数据采集的。只有能够获取有效数据的评价指标才能加以利用，来得到最终的评价结果。

（4）简化原则：在评价体系保障完整性的同时需要进行相应简化，防止评价指标重复选择与利用，明确各指标的界限所在，形成良好的一一对应关系，提高评价指标数据采集的简易程度，对其进行合理优化，保留下必要部分进行体系构建，防止体系复杂不便于应用开展。在回归模型中指标筛选和剔除实现了该原则。

只有严格遵守以上这些AHP 法的基本原则，才能将评价指标体系进行层次化区分，具体划分为目标层、准则层与指标层并进行区别分析。其中，由于目标层是整个评价指标体系的独一无二的，是分析问题最终的目标所在，因此其作为最高阶层具有最重要的地位，这里网络教育学习行为评价体系等同于目标层，处于最高地位；在评价指标体系的整体性目标进行制定后，还存在很多对结果产生影响的相关准则，这些准则汇总后形成准则层，也就是中间阶层，这里远程教育学习者学习行为影响的一级指标等同于准则层，有效反馈了目标层的基本思路；最后，将准则层中的各影响准备进行细化，形成具体的方案来构建一个指标层，该层在整个评价指标体系中具有最低的地位，本研究中远程教育学习者学习行为影响的二级指标等同于指标层，以上三个层次构建了本文的层次评价指标体系。

远程教育有别于传统教育，由于其特殊性也使得学习者的学习行为同样具有了特殊性。由于远程教育系统、研究理论的更新、变化，各服务平台、服务模块、研究角度与研究方式也产生了很大差异，需要引起注意。远程教育的发展决定了其具有的特殊性，也明确了对其研究需要从环境与学习者两个角度同时开展才能将远程教育学生学习行为的真实情况进行有效分析来获取相应规律，以此通过有效的方式来提升学习效果。远程教育的发展为成人学习提供了可选择的便捷方式，近年来的快速发展使得远程教育普及率不断提升，学生人数不断大幅度上升，但在这些成功面的对面确实持续降低的教学质量与负面影响，需要所有相关人员进行及时的研究与分析，以此带动远程教育更好地发展。国外学者Nors 在20世纪60年代就根据其关于学习行为的研究，将承认学习进行了5 个主要假设。在针对成人教育的后期研究成果中，Venkatesh&Davis 基于目标预计、发展方向、外部环境、学习态度以及学习者的性别、年纪、知识和积极性等8 个变量提出了“技术采纳与利用整合理论”。国内学者彭文辉的研究重心在学习者的网络学习行为，严格分别从外部环境与个体心理两个角度分析了具体的影响因素。其中，个体心理作为主观性影响因素，主要包括了学习需求、学习积极性、个人心理情况、学习方式、学习目标等，而外部环境影响因素则更为广泛，涉及教育主体、教育形式、互联网技术、网络学习资源、远程教育系统平台、学习环境等，需要对内外部因素综合考虑。随着信息技术的提高，本文从内部和外部对远程教育学习行为影响因素统计分析得到，资源技术、学习目标和需求、教学组织形式三大因素，根据当前远程教育学习行为特征，参考Gefen.D.[5]、张蕾[15]的基础上，综合各影响因子得到了层次评价指标体系，具体如表3所示。本文研究构建的整个层次模型可分为三层：目标层A：学习行为评价指标体系；准则层B：体系构建的3 个维度；指标层C：体系构建须考虑的10 项指标。

表3 层次评价指标体系Tab.3 Hierarchical evaluation index system

2.2 指标权重计算

为衡量学习行为评价指标体系中某一评价指标的影响程度，需要对其进行权重分析，利用相应的数值进行定义。一般权重分析的结果也可简化为权数，根据其值不同将各评价指标对于其所处整个评价指标体系发挥出的作用进行综合呈现，分析出具体的作用程度。所以说，当整体评价指标体系在完成构建后并不能进行直接利用，还需要借助权重计算方式对各指标进行附值，使得各指标的影响作用及重要程度得到展现。其过程首先需要将评价指标体系进行层次划分，在同层次中将各影响因素两两对比，可以得到两者中对于上一层更加重要的权重系数进行附值，接着根据由上而下的方式逐层分析直至最后一层，让每一层中的评价指标都得到权重计算，然后将计算所得数据进行有序排列便于结果分析与总结，最后可以得到各评价指标、各层对于整体评价体系实际重要性的真实结果，便于后续应用。

本文研究同样利用到了AHP 法，在构建完远程教育学习行为层次评价体系后，进行了有效的权重计算并整理了结果。第一步，基于实际情况结合远程教育学习行为层次评价体系的特点，设计了针对化的专家调查问卷同时建立了两两比较矩阵进行验证；第二步，在整体评价体系中选择出一级指标并对应建立各判断矩阵，针对二级指标建立三个判断矩阵；第三步，发放调查问卷，发放对象分别是参加过远程教育课程评审的专家，共计20 人、就职于远程教育课程建设的资深教师，共计20 人、远程教育技术专家，共计20 人、远程教育优秀毕业生，共计20 人，总计人数80 人。在整个调查问卷过程中共计发放问卷80 份，全部得到了回收，回收率为100%，整体工作完满完成。

对调查问卷结果进行整理，并利用层次分析法的规定的流程开展分析，通过针对各层构建的判断矩阵进行两两比较，通过对比将结果进行排序体现出重要性区分，然后再进行一致性检验，以此得到每一位专家对于远程教育学习行为的实际评价情况，对各评价指标进行综合分析。在一致性检验过程中，据远程教育技术专家和远程教育课程建设的资深教师打分结果所获得的判断矩阵（选取某专家打分结果形成的A-Bi 判断矩阵如表4所示），基本上通过较少的两两对比就能够得到一致性符合的结果，最终的有效数据为36 份，具有较好的可行度。另外，远程教育优秀毕业生和远程教育课程评审的专家所获得的判断矩阵一致性检查没有通过，于是对数据进行优化后，通过多次评价矩阵的应用比较，对比值进行合理修正，最终获得了有效数据18 份，建立了判断矩阵54 份。

表4 某专家A-Bi 判断矩阵Tab.4 A-Bi judgment matrix of an expert

接着，在构建了54 个判断矩阵后对所有矩阵进行一致性检验，保障全部能够达到预定要求，再重新制定出整体的判断矩阵对各层各评价指标进行权重计算与附值，然后再次全部进行一致性检验并达到要求，最后将整体结果进行整理与总结，具体数据如表5-表8所示。

表5 A-Bi 判断矩阵Tab.5 A-Bi judgment matrix

表6 B1-Ci 判断矩阵Tab.6 B1-Ci judgment matrix

表7 B2-Ci 判断矩阵Tab.7 B2-Ci judgment matrix

表8 B3-Ci 判断矩阵Tab.8 B3-Ci judgment matrix

最后，根据各层次判断矩阵的计算结果进行整理、排序，得到综合权重，具体如表9所示。

表9 指标层综合权重排序Tab.9 Comprehensive weight ranking of index layer

2.3 AHP 学习行为评价模型构建

在完成了指标体系权重计算后，需要利用德尔菲法向专家进行验证，此方式能够将远程教育学习行为评价指标体系中各指标因子进行性质确定，得到综合整体分数，明确了合格与优秀两个不同级别的对应分数。对整体的结果向多位专家进行意见征求，通过记录与总结得到了7 个远程教育学习行为评价指标体系的重要评价指标，具有一定可信度。其中，以“Y”进行标识，规定远程教育学习者为了获得合格评定，需要根据评价指标的具体要求内容进行操作，只有达到对应要求才能获得通过。本体系有3 个次要指标，以“O”进行标识，希望远程教育学习者能够达成对应指标的设定内容，以此获得提升。这里将10 个评价指标的满分值定义为100 分，其中包括了95%的重要指标和5%的次要指标，两者共同组成了分数体系。另外，该指标体系没有严格要求学习行为的合格分数，没有定义具体数值，具有很大自由性，但对于需要达到优秀的分数进行了明确规定，不得低于90分。每个指标项分值计算公式为：Pi=总分×Wi，其中Wi为各个指标项的权重数值，然后利用该公式对本文远程教育学习行为评价指标体系各评价指标进行分值计算，得到的具体数据进行记录（如表10所示）。

表10 远程教育学习行为评价指标体系Tab.10 Evaluation index system of distance education learning behavior

2.4 远程教育学习行为优化策略

通过上述AHP 法分析可知，对远程教育学习行为影响较大的首先是学习目标和需求，其次是资源技术，最后是教学组织形式。

（1）在所有的影响因素中占关键因素的是学习目标和需求，其能够直接作用学习行为，主要体现在学习者对自身情况了解，明确学习的内容、学习的目标，在学习过程中保持学习的积极、热情，构建一个合理的学习环境。根据学习的目标和需求，主要呈现为学历需要、知识需要和兴趣驱使3 种类型，而网络学习环境由于学习资源丰富、形式创新、沟通便捷等优势能够有效满足学习对于环境的需求，同时提高了学习专业性和过程适合性。所以说，远程教育学习者更加愿意利用网络来开展学习，通过问题的解决来提升自身能力，通过对于各类课程的选择来提升自身知识，对于学生学习能力、知识累积、问题处理等都具有很大帮助。然后利用这些影响因素的分析，对远程教育学习行为中的学习策略进行优化，让学习者充分认识到自身的学习需求、制定学习目标，加强学习者利用网络资源、网络工具来进行学习的意识与能力，在过程中培养起良好的学习习惯与学习热情，通过良好的学习方式来提高学习效果。

（2）资源技术对远程教育学习行为有显著的影响，特别是学习系统反应速度对学习行为影响最大。由于远程教育主要依赖网络学习系统，学习系统的反应速度、功能、界面及操作性等会直接影响到学生在远程学习通的互动交流、学习时间等。学习系统资源丰富、更新速度快会激发学生远程学习的积极性和灵活性，会使得学生愿意花更多的时间用于远程学习，远程学习中愿意畅所欲言地表达自己的观点，可以更积极地完成学习任务，在学习过程中可以很快地找到需要的远程资料并进行加工处理，遇到学习困难时，更愿意通过远程教育来解决问题并且获取课外的学习资料来扩宽自己的学习。还可以尝试探索新的技术和方法工具用于学习，并且和同伴分享。

（3）也不可忽略教学组织形式对远程教育学习行为的影响，特别是线上下线组合教学对学习行为影响较大。由于学习环境整体由网络构建，教师在该情况下会进行教育形式选择，不同的教育方式所起到的影响是完全不同的，最终导致了不同的学生学习行为，例如常见的网络课程、在线答疑、远程指导等，教学地点可以是网上也可以是网下，沟通交流可以是小组模式也可以是师生之间，考核模式可以是试卷也可以是日常总结等，种种情况的不同可以分别得到不同的学生学习行为，这主要是由于学习过程中沟通交流、教学互动、时间管理、学习意识等不同造成的，由于教学主体存在差异，直接决定了教育方式的差别，让远程教育采用不同的教育模式、活动类型、性质属性等，学习者接受到的学习内容也就不同。所以说，针对远程教育学习行为的优化策略，需要进行综合考虑，根据学生各项实际情况及热证，让教师对教学环境进行设计，有效带动学生学习积极性，提高时间管理能力，充分利用线上线下时间进行学习，课堂上积极提问，课后利用作业进行巩固，以此使得学习目标得以实现。教师也需要利用各个方式在线上线下与学生形成良好互动，即时解答学生遇到的各类问题。教师通过合理的课堂设计，能够让学生在整个教学活动过程中积极参与，提高资源获取及吸收消化效率，提高各项全新学习工具的应用能力，通过良好的沟通交流来促进理解，将知识进行实践操作，以此提高学习效果。

3 结论

本文的研究主要是通过人工智能决策树方法对工商管理专业学生远程教育学习行为影响因素进行筛选，在得到结果后利用层次分析法进行划分，以此为基础构建起远程教育学习行为评价指标体系，最后通过实际应用与优化得到了有效的学习策略与使用方法，具有一定参考价值。通过研究得到如下结论：

（1）基于人工智能决策树方法对工商管理专业学生的学习意愿、学习目标和需求、教学组织形式、资源技术四大远程教育学习行为影响因素进行筛选，剔除了学习意愿因素。由于经济水平的提高，学习者参与远程教育的学习目标和需求越来越明确，并且在学习过程中更加频繁的利用资源技术进行互动交流，更加坚持学习行为，从而学习意愿在远程教育的学习行为影响中不断弱化。所以说，对于远程教育学习行为影响因素的研究中学习意愿的影响已经微不足道了。

（2）远程教育学习行为评价指标体系是基于人工智能决策树方法筛选主要影响因子，并在层次分析法指导下，利用定性、定量综合方法进行分析，有效利用专家工作经验同时避免主观判断的影响，能够大大提高针对各层各评价指标项权重计算的公正性、合理性、有效性，使得整体评价系统能够有效应用。指标体系确定了线上线下组合教学、知识需要、兴趣驱使、学历需要、学习系统反应速度快、学习系统功能齐全和学习资源丰富、更新速度快7 个重要指标项，在线答疑、小组讨论、教师互动3 个次要指标项，明确了学习行为合格与有效的对应分值，利用各指标内容进行细化设定。所以，各评价指标的设定得到了有效保障，同样使得整个评价指标体系更加规范、合理，应用后的评价结果能够得到更多人的认可，对于远程教育学习行为的真实情况也能够进行真实反馈，便于远程教育的不断优化与发展。

（3）利用层次分析法来构建评价模型，针对各层各评价指标构建判断矩阵，进行权重计算与判断。将研究问题进行层次化分解，然后根据研究要求和目标来构建合理、有效的评价模型，通过判断矩阵进行权重计算。基于专家对于各评价指标的分析方式、研究经验进行合理选择，选择过程中需要避免主观性影响，对选择结果进行优化改善，并严格进行一致性检验，保障评价模型有效性。本文的主要创新点是层次分析法建立在人工智能决策的基础上的，克服了由于专家评分带来的主观误差。