● 謝朝輝 馬進 原海英

■責編/李朋波 Tel:010-88383907 E-mail:784072532@qq.com

網(wǎng)絡學習（E-Learning）由于其隨時隨地學習、便捷高效、成本低廉等特點，為用戶提供了靈活的工作方式，促進了員工的學習興趣，方便員工獲取所需要的信息。據(jù)統(tǒng)計，通過網(wǎng)絡進行學習的美國企業(yè)員工正以每年300%以上的速度增長，超過60%的企業(yè)通過在線學習方式進行員工培訓和繼續(xù)教育，這種方式具有時效性、低費和跟蹤服務功能，能實現(xiàn)自我導向和自定進度的培訓指導，提高培訓管理的效率。美國教育發(fā)展訓練協(xié)會（ASTD）將E-Learning定義為：E-Learning是學習者應用數(shù)字化媒介學習的過程，數(shù)字化媒介包括互聯(lián)網(wǎng)、局域/廣域網(wǎng)、錄音/錄象帶、衛(wèi)星廣播、交互式電視、光盤等。ASTD強調(diào)了學習者使用E-Learning體驗，體現(xiàn)了E-Learning以學習者為中心的特性（祝智庭，2011）。個性化學習(Individualized Learning)的概念是由Bloom在1956年首先提出的，是指根據(jù)學習者的個性特征實施教育活動，充分發(fā)揮學習者的主動性，在促進學生全面、自由、協(xié)調(diào)發(fā)展的基礎上，促進學生個性的發(fā)展?jié)撃埽ㄌ貏e是優(yōu)勢潛能）的開發(fā)（何克抗，2002），對于E-Learning系統(tǒng)來說，每個學習者都具有不同的認知能力、認知水平、學習需求、知識背景和個人喜好等，從而導致用戶在使用E-Learning系統(tǒng)時對系統(tǒng)的要求也不同，每個使用者都希望課程的組織以適合自己的形式呈現(xiàn)，因此，E-Learning系統(tǒng)以學習者為中心的基本原則是將每一個學生看成一個單一的個體，提供的學習內(nèi)容能夠盡可能地根據(jù)學習者的知識水平和學習興趣動態(tài)調(diào)整，這種一對一的教學模式，不僅可以節(jié)省學習者的時間，提高學習效率，而且還可以實現(xiàn)更好的學習效果。在個性化支持服務研究方面，人們認為學習評估（馬愛利等，2008）能夠較準確地獲取學習者當前的知識和技能水平，是提供個性化服務的重要依據(jù)。近年來，貝葉斯網(wǎng)絡理論常被用來表達有監(jiān)督的學習形式，貝葉斯網(wǎng)絡可以綜合先驗信息與后驗信息進行評定，即它可以綜合學習者學習前的各種信息與學習者的學習經(jīng)驗等信息與網(wǎng)絡中觀測收集到的各種信息進行判斷。通過貝葉斯網(wǎng)絡的推理功能更新先驗信息，即學習前學習者做出的最初估計分析。以貝葉斯網(wǎng)絡理論作為網(wǎng)絡學習評價的理論基礎, 必將推動網(wǎng)絡學習評價及網(wǎng)絡學習系統(tǒng)建設研究的更快發(fā)展與廣泛應用。

一、貝葉斯網(wǎng)絡理論概述

貝葉斯網(wǎng)絡是人工智能領域中一種將圖論和概率論相結合的圖形模型，具有圖形化的模型表示形式、局部及分布式的學習機制、直觀的推理，適用于表達和分析不確定性和概率性的事物，能夠對不完全、不精確或不確定的知識或信息做出有效的推理。貝葉斯網(wǎng)絡作為一種有向無環(huán)圖，其中節(jié)點表示問題域的隨機變量，有向邊表示節(jié)點間的條件依賴關系。貝葉斯網(wǎng)絡可用如下定義進行描述：

貝葉斯網(wǎng)是根據(jù)隨機變量間的概率關系建立的圖論模型，是一個有向無環(huán)圖，它可以表示為一個三元組(E，N，P)。N是一組節(jié)點的集合，N={x1,x2,…xn}，每個節(jié)點代表一個變量，E是一組有向邊的集合，E={xi|i|xixj并且xi，}，P是一組條件概率的集合。P={xi|i|P(xi|i)。貝葉斯網(wǎng)絡的結構表達了定性知識，即事件之間的因果關系；邊緣概率和條件概率表達了定量知識，即原因對結果的影響程度。我們根據(jù)用戶的先驗知識構造的貝葉斯網(wǎng)絡稱為先驗貝葉斯網(wǎng)絡，把先驗貝葉斯網(wǎng)絡和數(shù)據(jù)相結合而得到的貝葉斯網(wǎng)絡稱為后驗貝葉斯網(wǎng)絡，先驗貝葉斯網(wǎng)絡到后驗貝葉斯網(wǎng)絡的過程稱為貝葉斯網(wǎng)絡學習，貝葉斯網(wǎng)絡學習使用數(shù)據(jù)對先驗知識進行修正，貝葉斯網(wǎng)絡能夠持續(xù)學習，上次學習得到的后驗貝葉斯網(wǎng)絡便成為下一次學習的先驗貝葉斯網(wǎng)絡。

二、基于貝葉斯網(wǎng)絡理論的網(wǎng)絡學習評價模型

目前大部分E-learning系統(tǒng)不能對學習者的認知能力、知識水平等個性特征進行評估，從而就不能完全滿足使用者的不同需要，不能為學習者提供個性化的學習支持和指導。本文將貝葉斯網(wǎng)絡理論應用到網(wǎng)絡學習系統(tǒng)中，提出了一種能夠較合理準確反映了各知識項之間關系的貝葉斯網(wǎng)絡學習評估模型，該方法運用貝葉斯網(wǎng)絡的條件概率量化了知識項之間的組織關系，較好地反映了學生特定領域中的知識結構，進而能較準確地評估學生的知識水平，系統(tǒng)通過對學習者認知能力和狀態(tài)的評估，讓學生了解自己的學習情況，進而采取相應的學習策略，開展進一步地學習。同時根據(jù)學習評價結果，系統(tǒng)會根據(jù)學習者知識學習過程中的薄弱環(huán)節(jié)，智能化的提供網(wǎng)絡課程，以便學生找到最為合適自己的進一步學習與提高的學習策略與方法。

圖1 基于貝葉斯網(wǎng)絡理論的網(wǎng)絡學習評價系統(tǒng)模塊組成圖圖

（一）學習評價模型架構設計

基于貝葉斯網(wǎng)絡理論的網(wǎng)絡學習評價系統(tǒng)由知識點庫、題庫、課程庫、學習記錄庫、機器學習評價機制及人機交互界面六個模塊組成，如圖1所示：

知識點庫代表某一學科的主要知識點，題庫代表某一學科每一章節(jié)所涉及的預習題、練習題與測試題，課程庫代表某一學科覆蓋所有知識點的微課程，學習記錄庫負責收集學生在學習過程中產(chǎn)生的學習信息，機器學習評估機制通過分析學生的歷史記錄，以模型的方式刻畫出學生所具有的相對穩(wěn)定的學習風格、知識掌握水平、學習變化趨勢等。并根據(jù)評估結果為學生提供個性化的、智能化的學習、復習和作業(yè)的環(huán)境。

（二）學習評價基礎模型構建

為了評估學生的知識水平，用不同的變量來表示不同層次的知識，Subjects是表示科目、Topics表示主題、concepts表示不可分解的元知識單元，三者之間的關系用向量表示如下：

Ci,是互相獨立的元知識單元集，Ci,={Ci1,Ci2...Cin}；

wi表示了每個元知識單元Ci,相對其所屬Topic主題的相對重要性，Wi,={Wi1,Wi2...Win}；

T是相互獨立的Topic集合Ti,={T1,T2...,Tin}；

Q表示針對若干知識點設置的題庫集，用來驗證學員是否掌握了相關的知識，及掌握的層次水平，Q={Q1+Q2+Q3+...+Cn}；

則整個的知識體系可以用圖2表示：

圖2 某個學科知識結構圖

我們以一個元知識單元Ci為例，教學者對知識點Ci設置一定數(shù)量的題目Q，并存儲于題庫中，每個題目Qi至少包含以下關鍵項：編號、題干、選項、答案、解析、關聯(lián)知識點、難度等。同時將題目分成四個等級：了解、掌握、熟練、應用；我們用向量X={x1x2x3x4}；來表示，x1表示題目等級為了解，x2表示題目等級為掌握，x3表示題目等級為熟練，x4表示題目等級為應用。

學習者對知識點Ci,不同等級題目掌握程度分為優(yōu)、良、中、差（不合格）四個等級；我們用向量Y={y1y2y3y4}來表示，y1表示學生對某類題目的掌握程序為優(yōu)，y2表示學生對某類題目的掌握程序為良，y3表示學生對某類題目的掌握程序為中，y4表示學生對某類題目的掌握程序為差（不合格）。

在培訓過程中，根據(jù)培訓需求不同，對每個知識點的要求也不同，如某個知識點要求了解就可以了，那我們就可以將試題的比重設為{x1x2x3x4}，x1+x2+x3+x4=1；

假如針對不同試題等級，學生的做題結果就會形成一個矩陣，如下所示：

那么就可以得知，不同學生對不同等級的題目的掌握程度為：

評估過程分兩階段：

（1）診斷階段：該階段通過測試過程來完成，通過學生的回答情況評估學生掌握了哪些知識點，診斷的過程就是決策推理過程，本文利用貝葉斯網(wǎng)絡強大的推理機制來完成。

（2）評估階段：在評估階段的結果基礎上，通過貝葉斯網(wǎng)絡的概率傳播達到對學生知識水平在不同要求等級的評估并實時更新學生最新的知識狀態(tài)水平。

通過學生學習評價模型，可以具體測度學生知識學習過程中的薄弱環(huán)節(jié)，以便了解對某個學生最為合適的進一步學習與提高的學習策略，以及在何時采取何種學習策略，應該加強哪部分知識的學習，什么概念需要強調(diào)或強化學習等。舉例說明，學習效果評估情況如表1所示 ：

表1 學習效果評估實例

運算可知：針對該知識點，學生學習效果評價如下：成績優(yōu)秀者的比例為28%，成績良好者的比例為45%，成績中等者的比例為14%，成績不合格者為13%，如果優(yōu)+良+中+差的比例大于教學目標設定的比例 ，則認為達到預期學習效果。

（三）學習評價模型拓展

1．增加題型的多級評價

在做測試時題型也有許多種，我們也可以根據(jù)上述方法把每種題型賦予不同的權重綜合考慮。測試內(nèi)容可以設單選題、多選題、判斷題等。對每種題型賦予權重系數(shù)，單選題、多選題、判斷題題型總數(shù)我們分別記做a1,a2,a3,…an，每種題型的權重系數(shù)(i分別代表單選題、多選題、判斷題)，那么表1就可以轉化為兩級評價，學習效果評價情況如表2所示：

在滿足評估要求的情況下，系統(tǒng)可以按每一種題型設置好的權重抽取題目供學員測試。

2．智能配課

根據(jù)學生的認知水平?jīng)Q定學生目前應該學習的知識范圍，以及應該呈現(xiàn)的課程內(nèi)容，可以有以下三種配課策略：

重學當前知識單元：該策略主要針對基本沒有掌握當前學習內(nèi)容的情況，即掌握程度為不合格的學習者，智能呈現(xiàn)重新學習當前的知識單元。

復習當前知識單元：該策略主要針對當前學習內(nèi)容集合掌握水平中等的情況，即掌握程度為中的學習者，建議學生復習當前的知識單元，通過呈現(xiàn)深層次的學習內(nèi)容，幫助學習者鞏固當前知識單元。

學習下一知識單元：該策略主要針對當前知識單元學習較好的情況，即掌握程度為優(yōu)或良的學習者，可以不必在當前知識單元繼續(xù)停留，建議可以學習下一知識單元。

表2 學習效果評估實例

三、評價模型的設計與實現(xiàn)

本系統(tǒng)采用B/S三層體系結構，以Visual Studio.NET為開發(fā)工具，以C#為編程語言，建立基于Microsoft SQLserver2000數(shù)據(jù)庫的核心動態(tài)系統(tǒng)。本系統(tǒng)的客戶端涉及學生與教師兩類用戶：學生通過web瀏覽器可以完成注冊、登錄、學習、查看最近的所有問題、自適應訓練、章節(jié)測試、提問等操作。在系統(tǒng)運行時，指導教師可以與學習者互通信息,并觀察系統(tǒng)中學生整體的學習情況，根據(jù)學生的提問情況，及時更新、調(diào)整教學內(nèi)容，改進教學策略。系統(tǒng)可以對學生學習過程信息進行實時跟蹤記錄，對測試結果進行評估并給出指導意見。

本系統(tǒng)分為五個相對獨立的子模塊：用戶基本信息管理模塊，課程信息管理模塊，在線學習、跟蹤測試模塊，學習評估模塊，系統(tǒng)公告管理模塊 。每個模塊有相對獨立的功能，最終實現(xiàn)一個高度集成、動態(tài)、自適應、交互式的基于貝葉斯網(wǎng)絡學生模型的E-Learning系統(tǒng)。用戶基本信息管理模塊主要功能有基本信息錄入、基本信息修改、基本信息查詢。課程信息管理模塊的主要功能有系統(tǒng)課程基本信息錄入、基本信息修改、基本信息查詢、課程作業(yè)管理、課程通知管理等。系統(tǒng)公告信息管理模塊的主要功能有基本信息錄入、基本信息修改、基本信息查詢?yōu)g覽等功能。在線學習、跟蹤和測試模塊是實現(xiàn)個性化學習支持的關鍵模塊之一，在此為了及時反映學生知識能力和技能狀態(tài)的變化，可從服務器端、客戶端和代理端跟蹤、采集學生在學習過程中產(chǎn)生的學習行為數(shù)據(jù)，經(jīng)記錄和評價后，分別存儲在學生模型庫的數(shù)據(jù)庫中，系統(tǒng)采用測試-評價-調(diào)整的方法來實現(xiàn)學生模型的動態(tài)修改。學習評估模塊的主要功能為診斷評估學生的知識掌握程度，并基于學生個人的學習特點和具體情況，系統(tǒng)對學生個人的學習方法和學習方向等，給出指導性建議。

四、評價模型在企業(yè)培訓中的應用

本文研究將貝葉斯網(wǎng)絡理論應用到E-learning系統(tǒng)中，運用貝葉斯網(wǎng)絡的條件概率量化了知識項之間的組織關系，較好地反映了學生特定領域中的知識結構，進而能較準確地評估學生的知識水平，從而為系統(tǒng)的個性化教學提供重要依據(jù)。一方面，根據(jù)系統(tǒng)對學生學習行為和狀態(tài)的正確評價和估計，通過對學生的認知能力和狀態(tài)的了解并讓學生了解自己的學習情況，進而采取相應的學習策略，開展進一步的學習。另一方面，通過學生評價，具體測度學生知識學習過程中的薄弱環(huán)節(jié)，能幫助教師客觀的了解自己教學對象的整體情況，以便于教師適時地調(diào)整自己的教學計劃和教學進度，指導學生選擇最為合適的學習策略。本研究在企業(yè)培訓中主要應用于以下方面：

（一）學習內(nèi)容的動態(tài)組織：適應性學習系統(tǒng)根據(jù)學習診斷的結果以及學生的學習歷史記錄，動態(tài)地組織與呈現(xiàn)與學生當前的學習能力最相關的學習內(nèi)容。它有兩個含義：首先是學習內(nèi)容的選擇上，系統(tǒng)根據(jù)學習歷史記錄和能力估計，選擇學生沒有掌握或是沒有學習過的教學內(nèi)容，這些學習內(nèi)容是與當前學生能力最接近的。其次是學習內(nèi)容的組織上，系統(tǒng)將根據(jù)對學生估測的能力和學生的認知風格，選擇最適合學生的內(nèi)容呈現(xiàn)方式。學習內(nèi)容的動態(tài)組織需要四個方面的支持：一是對學生掌握知識能力的診斷；二是對學生知識水平、認知風格與認知能力的表征；三是根據(jù)學生的認知風格和學習能力不同而以不同的方式組織的認知單元：四是根據(jù)學生個體差別而有針對性組織的教學策略，其核心內(nèi)容是教學內(nèi)容的組織方式。

（二）學習策略：一般來說，不同的學生，根據(jù)自己不同的學習風格，采取的學習策略是不一樣的，同一個學生在不同時期內(nèi)所采用的學習策略也可以不同，甚至同一學生在學習同一內(nèi)容時，也可采取多種學習策略。在適應性學習系統(tǒng)中，學生一般都采用三種學習策略：傳授式、探索式和協(xié)作式。傳授式學習策略的教學過程常以教師為主，教師講學生聽，是一種單向溝通的教學模式。在適應性學習中，同樣可以實施這種傳授式學習模式，它與傳統(tǒng)的學習模式相似，學生通過聆聽教師(視頻、音頻等)對教學內(nèi)容的講解，或通過閱讀教師準備的教學材料來進行學習。在探索式教學策略中，學生要解決適應性學習系統(tǒng)專門為學生設計好的學科問題。為此，系統(tǒng)可提供大量的、與問題相關的信息資源供學生在解決問題過程中查閱。在協(xié)作式學習策略中，協(xié)作學習與個別化學習相比，有利于促進學生高級認知能力的發(fā)展，有利于學生健康情感的形成。在適應性學習系統(tǒng)中，協(xié)作式學習是指利用計算機網(wǎng)絡以及多媒體等相關技術，由多個學生針對同一學習內(nèi)容彼此交互與合作，進而較深刻地理解與掌握教學內(nèi)容的過程，其基本的策略有四種：競爭、協(xié)同、伙伴與角色扮演。

（三）學習評價：利用一些經(jīng)過測量理論校定的測試練習題對學生進行測試，并根據(jù)學生的反應情況來估測學生能力以及對領域知識的掌握程度。它可以發(fā)生在學習的開始、學習的結束或學習的過程之中。在學習開始時進行測試，可以了解學生原有的知識水平、認知水平，結合學生學習過程的歷史記錄，便可以對學生的知識水平和能力進行估測，從而根據(jù)學生的能力，給出最適應他的學習內(nèi)容及相應的學習建議。在學習過程中進行測試，主要是做針對性的測試，為學生發(fā)現(xiàn)薄弱壞節(jié)并進行鞏固性練習提供依據(jù)，而練習與測驗本身也是一種學習手段。

在學習結束時進行測試，主要是對學生學習結果的檢測，檢測學生是否達到預期教學目標的要求。若已經(jīng)達到，則建議學生開始新一輪學習過程，若未達到相應的教學目標，則建議學生進行再學習。在網(wǎng)絡學習中，學習評價是至關重要的一環(huán)，因為它是網(wǎng)絡學習系統(tǒng)了解學生學習能力、認知能力的重要依據(jù)。沒有這個依據(jù)，網(wǎng)絡學習系統(tǒng)根本無法了解個別學生的學習需求，那就更談不上適合學生需求進行適應性教學了。因此，網(wǎng)絡學習系統(tǒng)對教學診斷測試具有非常嚴格的要求，它要求這種測試具有極高的效率，盡可能的以最少的測試內(nèi)容診斷出學生的真實能力，而且在不同環(huán)境、不同時間內(nèi)所診斷的結論是一致的。

五、結語

隨著4G網(wǎng)絡的出現(xiàn)，網(wǎng)絡學習在解決流量和帶寬問題后，將會出現(xiàn)井噴式的發(fā)展。學習者可以利用電腦、手機等媒介，隨時隨地的進行學習和接受培訓，通過學習效果評估模型，學習者可以按照自己職業(yè)發(fā)展需要有效地選擇適合自己學習內(nèi)容，制定個人學習計劃，學習知識來提高自身素質，從而提高自身的職業(yè)競爭力。對企業(yè)來說，通過學習效果評估模型，企業(yè)除了能縮短員工的培訓時間，節(jié)省大量的培訓費用，還可以通過系統(tǒng)了解每一個員工掌握專業(yè)知識和業(yè)務水平的情況，從而優(yōu)化人才培養(yǎng)計劃，提升市場競爭力。

1．何克抗、李文光：《教育技術學》，北京師范大學出版社，2002版。

2．蔣望東、林士敏：《基于貝葉斯網(wǎng)絡工具箱的貝葉斯學習和推理》，載《信息技術》，2007年第2期，第6–7頁。

3．馬愛利、張卓奎：《貝葉斯網(wǎng)絡在遠程教學系統(tǒng)中的應用》，載《現(xiàn)代電子技術》，2008年第2期，第129–133頁。

4．沈海峰：《基于貝葉斯網(wǎng)絡數(shù)據(jù)挖掘技術理論計算法的研究》，合肥工業(yè)大學碩士學位論文，2005年。

5．鮮思東、何先剛、彭作祥等：《基于模糊數(shù)學的網(wǎng)絡學習評價系統(tǒng)》，載《重慶大學學報( 自然科學版)》，2006年第9期，第61–65頁。

6．袁志剛、傅彥、李欣宇：《貝葉斯網(wǎng)絡結構學習方法研究》，載《成都信息工程學院學報》，2005年第4期，第11–12頁。

7．張連文、郭海鵬：《貝葉斯網(wǎng)引論》，科學出版社，2006年版。

8．祝智庭、尚春光、郭炯：《教育技術與教育創(chuàng)新—績效評價的理論系統(tǒng)與實踐》，高等教育出版，2011版。

9．Pernkopf F.,Bilmes J. Ef ficient heuristics for discriminative structure learning of bayesian network classi fiers:Journal of Machine Learning Research,2010,11:2323－2360.

10．Pernkopf F., Wohlmayr M. Stochastic margin-based structure learning of bayesian network classi fiers:Pattern Recognition,2012,46(2): 464-471.