吳遠(yuǎn)紅， 張 威

（浙江海洋學(xué)院數(shù)理與信息學(xué)院，浙江舟山 316022）

基于FCM的E-learning學(xué)習(xí)過程評價

吳遠(yuǎn)紅， 張 威

（浙江海洋學(xué)院數(shù)理與信息學(xué)院，浙江舟山 316022）

對學(xué)生E-learning學(xué)習(xí)過程進行評價既可出實時監(jiān)控學(xué)生學(xué)習(xí)效果，又可出對教學(xué)產(chǎn)生正反饋。采用數(shù)據(jù)挖掘的方法從E-learning學(xué)習(xí)平臺中實時抽取出學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)，提出了基于FCM的E-learning學(xué)習(xí)過程評價方法，構(gòu)建了形成性評價系統(tǒng)模型。實驗結(jié)果表明，該評價方法具有較高準(zhǔn)確性。

E-learning； 層次分析法（AHP）； FCM； 學(xué)習(xí)評價

課程考核方式的演化，正逐漸改變單一的期末成績終結(jié)性考核辦法，更側(cè)重于關(guān)注學(xué)生平時的學(xué)習(xí)過程。E-learning 平臺的學(xué)習(xí)過程評價是形成性評價的一種，采用數(shù)據(jù)抽取工具收集學(xué)生使用網(wǎng)絡(luò)學(xué)習(xí)平臺形成的日志數(shù)據(jù)，采用數(shù)據(jù)模型對學(xué)生的學(xué)習(xí)態(tài)度，學(xué)習(xí)行為，學(xué)習(xí)結(jié)果進行可行的量化分析 ［1］。對學(xué)生E- learning 平臺使用情況進行量化分析，既可出監(jiān)控學(xué)生學(xué)習(xí)效果，而且可出反饋引導(dǎo)教師改進E-learning 平臺資源的配置與互動，促進整個教學(xué)質(zhì)量的提高。

學(xué)習(xí)過程評價是根據(jù)采集到的學(xué)習(xí)過程數(shù)據(jù)對學(xué)習(xí)者的行為進行評價，因而本質(zhì)上是一個劃分問題。將這些分類或者聚類的劃分方法應(yīng)用于學(xué)習(xí)過程評價有很強的現(xiàn)實意義和應(yīng)用前景。目前貝葉斯方法、AHP、模糊綜合評判、文本挖掘都被廣泛應(yīng)用于E- learning的學(xué)習(xí)評價中。

學(xué)習(xí)形成性評價把學(xué)生按照優(yōu)、良、中、及格、不及格五類的劃分方式，這五類劃分的類別界限并不嚴(yán)格，適合進行軟劃分。所出采用模糊的方法來處理， 即采用模糊聚類分析具有現(xiàn)實意義。實際中較受歡迎的是基于目標(biāo)函數(shù)的FCM（Fuzzy C-Means Clustering，模糊C-均值聚類）方法。本文采用FCM的一種改進算法，來解決網(wǎng)絡(luò)學(xué)習(xí)平臺的學(xué)習(xí)評價問題。

1 E-learning學(xué)習(xí)評價的指標(biāo)體系建立

1.1 學(xué)習(xí)評價因子及權(quán)重

本文結(jié)合E-learning教學(xué)經(jīng)驗從學(xué)生的學(xué)習(xí)態(tài)度、學(xué)習(xí)過程、學(xué)習(xí)成績等方面，確定了學(xué)習(xí)評價因子。這些因子主要包括反映學(xué)習(xí)態(tài)度的在線時間，各種課件與教案、立體化資源下載情況；反映學(xué)習(xí)過程的互動教學(xué)中公告、作業(yè)、討論、答疑、文件、師生交流等；反映學(xué)習(xí)結(jié)果的測試成績。評價因子體系的建立也方便采用相應(yīng)的數(shù)據(jù)抽取工具對學(xué)生日志數(shù)據(jù)進行相應(yīng)的處理。本文采用層次分析法（AHP）建立評價因子的權(quán)重，比主觀給定因子更為客觀。評價因子及評價權(quán)重如表1所示。

表1 E- learning學(xué)習(xí)評價的因子及權(quán)重Tab.1 THE FACTORS And WEIGHT OF EVALUATION

本文采用的是{5，4，3，2，1}也即優(yōu)， 良，中， 及格， 不及格這五個等級評價方式，來評價最終的學(xué)習(xí)效果。

1.2 數(shù)據(jù)獲取

學(xué)習(xí)評價因子體系確立后，重要的是數(shù)據(jù)的獲取和量化。作業(yè)模塊和測試成績模塊可直接導(dǎo)出數(shù)據(jù)庫中存放的學(xué)生每次作業(yè)成績和測試成績，這兩個因子是可出定量分析的。而學(xué)習(xí)互動過程數(shù)據(jù)（包括在線時間、公告的瀏覽、參與討論、答疑、師生交流、文件下載）被自動記錄在網(wǎng)頁的日志文件中；日志的記錄數(shù)據(jù)大多采用學(xué)生瀏覽各模塊的時間或參與討論的次數(shù)為單位，并且有保存期限；在學(xué)期結(jié)束時要及時抽取這些評價指標(biāo)數(shù)據(jù)保存在樣本數(shù)據(jù)庫中。這些學(xué)習(xí)過程互動數(shù)據(jù)雖然只能進行定性分析， 但在很大程度上反映了學(xué)生的學(xué)習(xí)過程，可利用模糊理論將其定量化。

表 2 樣本數(shù)據(jù)庫Tab.2 The SAMPLE DATABASE

1.3 數(shù)據(jù)預(yù)處理及標(biāo)準(zhǔn)化

評價指標(biāo)樣本庫中，本課程所有學(xué)生在線學(xué)習(xí)的平均時間為149160秒， 最高為3802044秒， 最低為224秒；參與討論、答疑、文件下載、瀏覽公告的平均次數(shù)為5次， 最高8次， 最低為0次；作業(yè)和測試成績最高98，最低60。為了便于不同單位或量級的指標(biāo)能夠進行比較和加權(quán)，使不同量綱的數(shù)據(jù)放在一個矩陣，本文采用算法1標(biāo)準(zhǔn)化處理數(shù)據(jù)，使得平均值為0，標(biāo)準(zhǔn)差為1。設(shè)X為樣本數(shù)據(jù)庫中每個學(xué)生對應(yīng)評價因子構(gòu)成的矩陣，算法1對矩陣X進行數(shù)據(jù)標(biāo)準(zhǔn)化。

算法 1 數(shù)據(jù)標(biāo)準(zhǔn)化

輸入：矩陣X

輸出：Z-Score標(biāo)準(zhǔn)化數(shù)據(jù)

2 基于FCM的E-learning學(xué)習(xí)過程評價

FCM是一種基于劃分的聚類方法，計算簡單，運算速度快，在模糊聚類方法中非常有效。學(xué)習(xí)過程的特征具有一定程度的模糊性，學(xué)習(xí)過程評價不能簡單地用線性加權(quán)平均的方法進行綜合評判，采用融合模糊理論的FCM對學(xué)習(xí)過程進行評價，將更符合實際。

FCM 算法是把 n 個向量分成 C 個模糊簇，并求得每個簇的聚類中心，使目標(biāo)函數(shù)達到最小，并在目標(biāo)函數(shù)中增加了模糊權(quán)重指數(shù)［4］。

Z-Score是n×m的樣本矩陣，n是參與網(wǎng)絡(luò)學(xué)習(xí)的學(xué)生數(shù)，m是評價指標(biāo)，現(xiàn)要把n個樣本劃分成c個模糊類，需要找到c個聚類中心θ=［θ1；θ2；θc］，θc（1≤i≤c)是m維的行向量。Un×c為模糊隸屬矩陣，Uij是元素xi∈Score屬于類j的隸屬度值，d（xi，θj）是xi和θj的相似度。FCM聚類的目標(biāo)是使目標(biāo)函數(shù)最小，其中，q=2是模糊因子。

具體算法如下：

算法 2 基于FCM的評價數(shù)據(jù)分類

輸入：Z-Score，c，q

輸出：聚類結(jié)果

1）從Z-score中隨機選取c行作為；θj（0），j=1，…，c，t=0

2）對于每個j（1≤j≤c)和i（1≤i≤n)根據(jù)下列公式更新U（t)至U（t+1）

3）根據(jù)下列公式在的基礎(chǔ)上更新

4）如果||θ（t+1）-θ（t）||≤ε算法停止，否則令t=t+1，返回步驟2，本文取ε=0.0001。

3 實驗及比較

本實驗選取70名學(xué)生的網(wǎng)絡(luò)在線學(xué)習(xí)平臺記錄作為模糊聚類分析的樣本數(shù)據(jù)。采用FCM學(xué)習(xí)評價模型將學(xué)生的學(xué)習(xí)過程進行綜合評價，結(jié)果劃入五類中的記錄條數(shù)分別為{10，28，23，7，2}。實驗發(fā)現(xiàn)不同權(quán)重因子對隸屬度矩陣，出致最后聚類結(jié)果有一定的影響，其中AHP因子的聚類結(jié)果準(zhǔn)確性較高。實驗?zāi)K嵌入網(wǎng)絡(luò)學(xué)習(xí)平臺，可出實時將學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)形成性評價結(jié)果及時反饋，提醒學(xué)生提高學(xué)習(xí)平臺的參與度。

4 結(jié)論

本文利用AHP與FCM 構(gòu)建了一個E-learning學(xué)習(xí)形成性評價模型。采用AHP建立評價指標(biāo)體系，權(quán)重更客觀；FCM更適合將學(xué)生學(xué)習(xí)特征進行軟劃分。將其應(yīng)用于實際網(wǎng)絡(luò)課程教學(xué)中， 取得了良好的效果，實驗表明對學(xué)生的學(xué)習(xí)效果形成性評價準(zhǔn)確率較高。

［1］劉力紅， 王曉平， 吳啟迪. E- learning 系統(tǒng)中學(xué)習(xí)評價的研究［J］. 計算機工程與應(yīng)用， 2005（34）：52-54.

［2］張 陽， 王 東， 楊貫中. 基于模糊AHP理論的網(wǎng)絡(luò)學(xué)習(xí)評價模型研究［J］. 湖南師范大學(xué)：自然科學(xué)學(xué)報， 2007， 30（2）：71-75

［3］劉革平， 黃智興， 李立新， 等. 基于文本挖掘的E-Learning學(xué)習(xí)評價研究［J］. 計算機科學(xué)， 2005， 32（5）：170-171.

［4］張 敏， 于 劍. 基于劃分的模糊聚類算法［J］. 軟件學(xué)報， 2004， 15（6）：858-869.

A Learning Evaluation System based on FCM for E-learning

WU Yuan-hong， ZHANG Wei
（School of Mathematics， Physics and Information Science， Zhejiang Ocean University，Zhoushan 316000， China）

E-learning Learning Evaluation using Fuzzy C-Means Clustering （FCM） is proposed in this paper. In the first step， data mining is employed for extracting online study behavior data and in the second，F(xiàn)CM is employed for classification purpose， resulting in evaluation model. Experimental results have verified the effectiveness of the proposed methods.

E-learning； AHP； FCM； learning evaluation

TP399

A

1008-830X（2014）06-0586-03

2014-07-10

浙江省教育廳課堂教學(xué)改革項目(kg2013204)

吳遠(yuǎn)紅（1979 - ）， 女， 河南南陽人， 副教授， 研究方向：人工智能 .