李 雯

(中北大學(xué) 電子與計算機科學(xué)技術(shù)學(xué)院,山西 太原 030051)

一、引言

隨著計算機網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，在線教學(xué)系統(tǒng)被大量應(yīng)用到實際教學(xué)中，并已被學(xué)生和用戶廣泛接受，各種教學(xué)技術(shù)和教學(xué)模式經(jīng)過幾十年的發(fā)展也逐漸成熟。相比傳統(tǒng)教學(xué)模式，遠程教學(xué)系統(tǒng)突破了傳統(tǒng)學(xué)習(xí)方式在時間和空間上的限制，使教與學(xué)不再受地域、時間的限制，但其依然存在諸多不足之處，例如：在線教學(xué)系統(tǒng)對個性化教學(xué)支持不夠等等。隨著應(yīng)用的深入，一些原來課堂教學(xué)中沒有出現(xiàn)的問題也暴露出來，例如：學(xué)生和教師分離的問題、學(xué)生學(xué)習(xí)評價的問題。因此，如何進一步改進遠程教學(xué)系統(tǒng)和改善教學(xué)效果，已經(jīng)成為當前教學(xué)研究領(lǐng)域的熱點。

在線教學(xué)系統(tǒng)中最主要的問題是無法滿足學(xué)生個性化學(xué)習(xí)的需要，由于在線教學(xué)系統(tǒng)學(xué)習(xí)者動態(tài)且不可控，而且教師和學(xué)生之間缺少交流，導(dǎo)致傳統(tǒng)的教師人工介入很難在在線教學(xué)系統(tǒng)中真正運用，而學(xué)習(xí)者本身所具有的主觀性、模糊性和隨機不確定性等特點，又導(dǎo)致傳統(tǒng)的學(xué)習(xí)模式很難滿足要求。因此，如何完成對遠程學(xué)習(xí)者學(xué)習(xí)行為模式的智能識別，挖掘其個性化學(xué)習(xí)習(xí)慣，并據(jù)此對在線學(xué)習(xí)模式進行動態(tài)調(diào)整，是建立真正的智能化在線個性學(xué)習(xí)系統(tǒng)的關(guān)鍵問題。

云計算在智能控制和預(yù)測、數(shù)據(jù)挖掘、概念提升以及數(shù)據(jù)聚類、系統(tǒng)評估、評價決策分析等領(lǐng)域已經(jīng)得到了成功運用，這種先進技術(shù)和理念在教學(xué)領(lǐng)域的引入，可以提供海量的分析樣本和強大的邏輯計算能力，從而為學(xué)習(xí)行為模式的智能快速識別提供了技術(shù)上的可能，很多在線學(xué)習(xí)系統(tǒng)改進方面的技術(shù)難題有望得到解決。

本文在云計算和模式識別的研究背景下，針對現(xiàn)有在線教學(xué)系統(tǒng)進一步改進中所存在的困難和問題，展開了對學(xué)習(xí)行為模式識別相關(guān)技術(shù)和理論的研究和應(yīng)用工作，提出了一些解決問題的思路和方法。

二、研究現(xiàn)狀

1970 年，Carbonell等人（Bolt Beranek and Newman，BBN公司）開發(fā)出教授南美洲地理情況的SCHOLAR系統(tǒng)，該系統(tǒng)研究了教學(xué)法策略和人類的似真推理，被認為是第一個有代表性的智能教學(xué)系統(tǒng)。盡管教育界對于能夠識別學(xué)習(xí)者并提供個性化教學(xué)的教學(xué)系統(tǒng)一直保持著極大的興趣，但由于早期計算機系統(tǒng)的性能對于適應(yīng)性診斷和反饋來講是非常有限的，很難滿足智能教學(xué)分析的需要，因此這期間的研究，主要側(cè)重于以實驗性系統(tǒng)的教學(xué)理論研究。

進入21世紀后，伴隨著教育技術(shù)的進一步發(fā)展，尤其是云計算等先進技術(shù)的廣泛應(yīng)用，智能教學(xué)研究繼續(xù)向前發(fā)展。已有研究機構(gòu)在具體的識別算法等方面開展了一些研究，如個性化信息需求特征的定義、個性化信息挖掘算法、個性化信息獲取系統(tǒng)以及智能評價系統(tǒng)的研究等，并取得了一些成果。例如，南加州大學(xué)的RIDES（rapid ITS development environment）是智能教學(xué)系統(tǒng)開發(fā)工具，北卡大學(xué)的INSTRUCT（implementing the NCTM school teaching recommendations using collaborative telecommuni cations）、斯坦福大學(xué)的 MMAP（Middle school mathematics through applications projects）是協(xié)作型教學(xué)模式的教學(xué)系統(tǒng)等等。

三、基于云的學(xué)習(xí)行為模式分析系統(tǒng)架構(gòu)

傳統(tǒng)的研究方式一般僅局限于單一教學(xué)系統(tǒng)的研究，因此即使建立了相對完整的分析算法，但受限于分析樣本數(shù)量有限，得到的結(jié)果價值往往比較有限。所以，可以考慮將學(xué)習(xí)行為模式分析的范圍從單一的教學(xué)系統(tǒng)擴展到互聯(lián)網(wǎng)所有的教學(xué)系統(tǒng)中，利用云計算技術(shù)，將存放于不同區(qū)域、不同環(huán)境中的教學(xué)資源和功能通過服務(wù)的方式連接起來，通過建設(shè)統(tǒng)一的學(xué)習(xí)行為分析公有云來對學(xué)習(xí)者的學(xué)習(xí)行為進行分析，從而提高分析結(jié)果的準確性。這種分析方法本質(zhì)上是采用了概率和數(shù)理統(tǒng)計的思路，通過利用云計算對海量數(shù)據(jù)的處理能力對大量樣本的學(xué)習(xí)行為模式進行分析，從而區(qū)分出各種學(xué)習(xí)行為模式之間的差異，并從總體上區(qū)分出正面的學(xué)習(xí)行為模式。圖1描述了基于云的學(xué)習(xí)行為分析網(wǎng)絡(luò)架構(gòu)。

圖1 學(xué)習(xí)行為模式分析系統(tǒng)的網(wǎng)路架構(gòu)

在線教學(xué)系統(tǒng)的重要基礎(chǔ)是網(wǎng)絡(luò)，網(wǎng)絡(luò)基礎(chǔ)設(shè)施的情況直接影響著在線教學(xué)系統(tǒng)的應(yīng)用效果。通過不同的基礎(chǔ)網(wǎng)絡(luò)將教學(xué)資源和學(xué)習(xí)行為數(shù)據(jù)分開，將教學(xué)系統(tǒng)架構(gòu)在各自的私有云基礎(chǔ)之上，把學(xué)習(xí)行為分析數(shù)據(jù)建設(shè)在公有云基礎(chǔ)上。一方面，可以提供一個相對高速和可控的網(wǎng)絡(luò)環(huán)境，滿足教學(xué)資源訪問和維護的需要。另一方面，可以減少建設(shè)獨立的學(xué)習(xí)行為分析系統(tǒng)所需的軟硬件投資。具體的學(xué)習(xí)分析功能在云端進行，并通過統(tǒng)一的服務(wù)調(diào)用中心為各個教學(xué)系統(tǒng)提供服務(wù)。教學(xué)系統(tǒng)只須將其學(xué)習(xí)行為數(shù)據(jù)提交到位于云端的學(xué)習(xí)行為分析系統(tǒng)，就可以充分利用云計算對海量數(shù)據(jù)的分析和處理能力，無須關(guān)心學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)是怎么處理、怎么存放的，只要根據(jù)返回的分析結(jié)構(gòu)對教學(xué)資源進行動態(tài)調(diào)整即可，從而實現(xiàn)了學(xué)習(xí)行為分析服務(wù)對各教學(xué)系統(tǒng)的透明性。

四、基于云的學(xué)習(xí)行為模式分析實現(xiàn)方案

由于在線教學(xué)系統(tǒng)中學(xué)習(xí)者的不確定性、可變性等特點，很難對其進行定性分析，但可以從學(xué)習(xí)者的學(xué)習(xí)行為入手，通過分析各種學(xué)習(xí)者使用教學(xué)系統(tǒng)獲取知識的過程及其學(xué)習(xí)過程所產(chǎn)生的影響（知識運用熟練程度、知識感興趣范圍等），再利用云計算提供的對海量數(shù)據(jù)的分析和處理能力，對其進行定量分析，從而將隨機性和模糊性的問題轉(zhuǎn)化為可以進行規(guī)則處理的數(shù)學(xué)模型。

下面，筆者將就基于云的在線學(xué)習(xí)行為模式識別的一般實現(xiàn)過程進行闡述。通常情況下，在線教學(xué)系統(tǒng)的學(xué)習(xí)行為模式分析由以下幾個步驟構(gòu)成，如圖2所示。

圖2 學(xué)習(xí)行為模式分析過程

1.數(shù)據(jù)采集

為了實現(xiàn)對各種學(xué)習(xí)行為數(shù)據(jù)的采集和后續(xù)分析，首先應(yīng)該建立相應(yīng)的學(xué)習(xí)行為支撐數(shù)據(jù)庫。這個數(shù)據(jù)庫不僅需要將來自不同的私有教學(xué)云中的學(xué)習(xí)行為數(shù)據(jù)關(guān)聯(lián)起來，還需要支持跨學(xué)科的數(shù)據(jù)合并，并能夠滿足未來數(shù)據(jù)庫擴展的需要。數(shù)據(jù)庫建設(shè)完成后，就可以通過公共的數(shù)據(jù)采集服務(wù)接口來進行數(shù)據(jù)采集，還可以針對不同的教學(xué)系統(tǒng)，使用不同的數(shù)據(jù)采集接口，這樣就可以針對學(xué)科分類設(shè)計針對性的數(shù)據(jù)采集接口，以便能夠按照數(shù)據(jù)分析的要求將需要的數(shù)據(jù)收集上來。

一般從統(tǒng)計的角度來說，采集的數(shù)據(jù)可以分為連續(xù)性數(shù)據(jù)和非連續(xù)性數(shù)據(jù)兩種。連續(xù)性數(shù)據(jù)反映了數(shù)據(jù)變化的過程，而非連續(xù)性數(shù)據(jù)反映數(shù)據(jù)變化過程方面不如連續(xù)性數(shù)據(jù)更精確。因此，在采集數(shù)據(jù)時，應(yīng)該盡可能采用連續(xù)性數(shù)據(jù)，以便提供盡可能多的可用于過程改進的信息，例如：學(xué)習(xí)者學(xué)習(xí)規(guī)律（作息規(guī)律、學(xué)習(xí)時間量的比例、學(xué)習(xí)時間的分配、學(xué)習(xí)專注度、復(fù)習(xí)規(guī)律等）、學(xué)習(xí)者學(xué)習(xí)評價信息（各知識點考核得分、答題偏向性）等等。

另一方面，非連續(xù)性數(shù)據(jù)同樣十分重要，例如：學(xué)習(xí)者信息（姓名、年齡、性別、區(qū)域、教育背景）、學(xué)習(xí)者興趣信息（文學(xué)、藝術(shù)、技術(shù)）、學(xué)習(xí)動機信息（目的、時間）、個性傾向(外向和內(nèi)向)、學(xué)習(xí)偏好(理論型、實踐動手型、理論與實踐相結(jié)合型)等，這些信息可以為數(shù)據(jù)的分類處理提供依據(jù)。

以《計算機基礎(chǔ)》學(xué)科的數(shù)據(jù)采集為例，通過收集學(xué)生對某些知識的興趣程度，可以得出一個學(xué)生是否對足球感興趣，那么教學(xué)系統(tǒng)在出題的時候就可以引用一些計算機在足球領(lǐng)域運用方面的知識，從而提高學(xué)習(xí)者的學(xué)習(xí)興趣。

數(shù)據(jù)挖掘，通過數(shù)據(jù)采集服務(wù)收集到的學(xué)習(xí)行為數(shù)據(jù)包含了豐富的信息，但這些信息是離散的，為了把這些信息集中起來以反映內(nèi)在的規(guī)律，就需要對數(shù)據(jù)進行挖掘，在數(shù)據(jù)挖掘前還需要剔除容易引起誤差的數(shù)據(jù)，減少某些變形和失真，從而提高后續(xù)分析的準確性。一般采用的手段包括數(shù)據(jù)格式化、數(shù)據(jù)泛化、數(shù)據(jù)分類等技術(shù)，從而幫助后續(xù)模式識別。

所謂數(shù)據(jù)格式化，是指把采集自多個異構(gòu)數(shù)據(jù)源的數(shù)據(jù)進行格式規(guī)范化處理，比如把日期格式統(tǒng)一、空值轉(zhuǎn)換等等，從而保證后續(xù)數(shù)據(jù)分析的一致性。

數(shù)據(jù)泛化是把一個從相對低層概念到更高層概念且對數(shù)據(jù)庫中與任務(wù)相關(guān)的大量數(shù)據(jù)進行抽象概述的一個分析過程，可以用于對大量數(shù)據(jù)進行有效靈活的概述。簡單來說，統(tǒng)計在某次考試范圍內(nèi)所有考生答對題的總次數(shù)，就是數(shù)據(jù)泛化的一個過程。

數(shù)據(jù)分類指的是按照一定的分類規(guī)則對采集到的數(shù)據(jù)進行分類，從而使其聚合到某一個特定的數(shù)據(jù)范圍內(nèi)。在一個具有一定相似性的數(shù)據(jù)集合中，用戶需要的數(shù)據(jù)只占這個集合的很小一部分，但是整個集合的數(shù)據(jù)在某種程度上都存在一定的相似，因此找出目標數(shù)據(jù)與其他數(shù)據(jù)的區(qū)別特征，進而應(yīng)用這種特征區(qū)分這些數(shù)據(jù)，就可以達到個性化服務(wù)的效果。例如：可以通過對學(xué)習(xí)者身份的智能分類和識別（按訪問者使用的IP地址、訪問時間段及用戶名等信息分類），并對其行為習(xí)慣的歸類和分發(fā)，比如按照相同教育背景來對學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進行聚合分類，便于后續(xù)對該類型學(xué)習(xí)者的學(xué)習(xí)行為習(xí)慣進行共性和差異分析。

2.模式識別

學(xué)習(xí)行為模式識別的基本原理是有相似性的樣本在模式空間中互相接近，并形成“集團”，即“物以類聚”。其分析方法是根據(jù)模式所測得的特征向量Xi＝（xi1,xi2,…）T（i＝1,2,…,N），將一個給定的模式歸入 C 個類 ω1,ω2,…,ωc中，然后根據(jù)模式之間的距離函數(shù)來判別分類。其中，T表示轉(zhuǎn)置；N為樣本點數(shù)。所謂特征是選定的一種度量，它對于一般的變形和失真保持不變或幾乎不變，并且只含盡可能少的冗余信息。在我們的識別系統(tǒng)中，一般會把學(xué)習(xí)者的學(xué)習(xí)評價信息等易被度量的學(xué)習(xí)行為作為特征向量。

3.模式評價

通過模式識別得到的學(xué)習(xí)模式并非完全可靠，可能會得到一些錯誤的結(jié)論。因此，我們有必要通過各種技術(shù)手段對學(xué)習(xí)模式進行評價，從而找出誤差較小的正向模式。利用云計算強大的計算能力，可以通過假設(shè)檢驗的方式來對學(xué)習(xí)模式的應(yīng)用效果進行評價，從而找到相對較優(yōu)的正向?qū)W習(xí)模式。

五、結(jié)束語

本文對基于云計算的學(xué)習(xí)行為模式進行了探討，提出了學(xué)習(xí)行為分析云的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)以及利用云計算進行學(xué)習(xí)行為模式分析的基本思路和步驟，通過引入先進的云技術(shù)，實現(xiàn)了對海量學(xué)習(xí)行為數(shù)據(jù)的收集和分析，從而對學(xué)習(xí)行為模式進行分析。

筆者相信，隨著云計算、分布式計算、自然語言識別、模式識別等技術(shù)的進步，教學(xué)技術(shù)的發(fā)展將進入一個新的快速發(fā)展期。我們應(yīng)該充分利用技術(shù)發(fā)展所帶來的好處，推動國內(nèi)遠程教育相關(guān)理論和應(yīng)用在新技術(shù)背景下取得更大的發(fā)展。

[1]許高攀,曾文華,黃翠蘭.智能教學(xué)系統(tǒng)研究綜述[J].計算機應(yīng)用研究,2009,26(11).

[2]西奧多里德斯等著,李晶皎等譯.模式識別[M].北京:電子工業(yè)出版社,2006.

[3]李紅波,胡建兵.網(wǎng)絡(luò)學(xué)習(xí)的評價模式[J].電化教育研究,2004(5):47-50.

[4]杜永萍,黃萱菁,吳立德.模式學(xué)習(xí)在QA系統(tǒng)中的有效實現(xiàn)[J].計算機研究與發(fā)展,2006(3).

[5]黃榮懷,劉黃玲子,李向榮.計算機輔助評價的發(fā)展趨勢[J].電化教育研究,2002(5):15-21.

[6]彭紹東.人類教育革命的概念、劃分標準與基本規(guī)律(下)[J].電化教育研究,1999(1):27-29.

[7]中國云計算網(wǎng).云計算的定義和特點[EB/OL].http://www.chinacloud.cn/show.aspx?id=74l&cid=17.