朱忠旭，劉競(jìng)杰

(安徽工貿(mào)職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)技術(shù)系，安徽 淮南232007)

智能教學(xué)系統(tǒng)(Intelligent Tutoring System，ITS)是人工智能技術(shù)在教學(xué)領(lǐng)域的應(yīng)用，目標(biāo)是代替教師對(duì)不同知識(shí)需求和個(gè)性特征的學(xué)生實(shí)施個(gè)別化教學(xué)，為學(xué)習(xí)者生成個(gè)性化的教學(xué)序列是實(shí)現(xiàn)智能教學(xué)的關(guān)鍵問題之一.當(dāng)前，大多數(shù)ITS生成教學(xué)序列的方式是通過分析教學(xué)內(nèi)容包含的知識(shí)點(diǎn)和知識(shí)點(diǎn)之間的關(guān)系建立知識(shí)模型，再結(jié)合學(xué)習(xí)者的特征模型抽取知識(shí)序列的產(chǎn)生規(guī)則來生成教學(xué)序列的［1］.也有學(xué)者提出采用神經(jīng)網(wǎng)絡(luò)［2］、強(qiáng)化學(xué)習(xí)［3］等方法來生成學(xué)習(xí)序列.

利用由模型提取的知識(shí)序列生成規(guī)則來完成教學(xué)序列生成的方法，面臨著學(xué)生的個(gè)性數(shù)據(jù)難于測(cè)定、規(guī)則難以獲取與描述、系統(tǒng)難以自我完善等瓶頸.然而，案例推理(Case Based Reasoning，CBR)技術(shù)規(guī)避了規(guī)則獲取這一困難環(huán)節(jié)，而且基于CBR的系統(tǒng)隨著存儲(chǔ)案例數(shù)量的逐步增加，系統(tǒng)解決問題的能力也不斷增長(zhǎng).因此，CBR技術(shù)在智能教學(xué)系統(tǒng)開發(fā)中的應(yīng)用逐漸受到了人們的重視.Hidayah等［4］用CBR方法來創(chuàng)建學(xué)生模型，以獲取學(xué)生對(duì)當(dāng)前課題內(nèi)容的掌握狀態(tài)，從而對(duì)學(xué)生進(jìn)行個(gè)性化的教學(xué)指導(dǎo).Kharrat等［5］將CBR技術(shù)用于智能教學(xué)系統(tǒng)的課程安排.González等［6］提出采用CBR進(jìn)行智能教學(xué)系統(tǒng)開發(fā)的方法學(xué)，開發(fā)了基于MAS和CBR進(jìn)行ITS設(shè)計(jì)的總體框架.CBR作為一種依據(jù)以往經(jīng)驗(yàn)解決問題的方法，為ITS系統(tǒng)的開發(fā)提供了新的途徑.

1 基于CBR生成知識(shí)序列的實(shí)現(xiàn)

1.1 知識(shí)模型與學(xué)生案例的定義

定義1知識(shí)點(diǎn)是與特定主題相關(guān)的基本知識(shí)容量單位，知識(shí)點(diǎn)標(biāo)志和教學(xué)內(nèi)容之間具有一對(duì)一的對(duì)應(yīng)關(guān)系.知識(shí)點(diǎn)表示為KP=(id，name，content，dif，pre，post，mast).id為知識(shí)點(diǎn)的編號(hào)，name為知識(shí)點(diǎn)的名稱，content為知識(shí)點(diǎn)對(duì)應(yīng)的內(nèi)容，dif為知識(shí)點(diǎn)的難度水平，pre為知識(shí)點(diǎn)的前提知識(shí)點(diǎn)，post為知識(shí)點(diǎn)的后繼知識(shí)點(diǎn).系統(tǒng)中，覆蓋相同領(lǐng)域內(nèi)容的知識(shí)點(diǎn)的編號(hào)和名稱是唯一的，不同課程包含相同的知識(shí)點(diǎn)時(shí)，對(duì)知識(shí)點(diǎn)要求的掌握水平可能不同，用mast表示.

學(xué)生案例的內(nèi)容包括問題特征描述、問題解決方法和對(duì)案例解答質(zhì)量的評(píng)價(jià)3個(gè)部分，定義2規(guī)范了用于生成教學(xué)序列的案例的結(jié)構(gòu).

定義2(學(xué)生案例)知識(shí)序列求解案例庫中的每條案例定義為Ck=(S_Bk，S_Tupsk(C，G)，WPk，L_Sk，C_Evak)，其中S_Bk=(Name，Department，Major，Class)，表示學(xué)生的姓名、所在系、專業(yè)、班級(jí)等基本信息;S_Tupsk(C，G)=Set((C，G))是一個(gè)課程和成績(jī)的二元組集合，描述學(xué)生在校期間學(xué)習(xí)的主要專業(yè)課程及成績(jī);WPk是指學(xué)生所選擇的實(shí)習(xí)崗位;L_Sk=Queue(KP)，是一個(gè)由多個(gè)知識(shí)點(diǎn)構(gòu)成的隊(duì)列結(jié)構(gòu)，保存了學(xué)生在實(shí)習(xí)期間要學(xué)習(xí)的知識(shí)，知識(shí)點(diǎn)在隊(duì)列中的先后順序表示學(xué)習(xí)知識(shí)點(diǎn)的時(shí)間先后;C_Evak是學(xué)生學(xué)習(xí)任務(wù)完成后對(duì)知識(shí)序列質(zhì)量的評(píng)價(jià).

1.2 學(xué)生案例相似度的計(jì)算

采用CBR方法進(jìn)行問題求解時(shí)，首先要能夠快速地從案例庫中找到與當(dāng)前求解問題最相似的案例，案例之間相似度的定義直接關(guān)系到檢索結(jié)果的可用性.

案例的相似度包括總體相似度與局部相似度.影響學(xué)習(xí)序列生成的主要因素有學(xué)生的知識(shí)領(lǐng)域、知識(shí)水平和選擇的工作崗位.因此，計(jì)算案例之間的相似度時(shí)需要從3個(gè)方面考慮:學(xué)生的專業(yè)知識(shí)類別KC、知識(shí)水平KL、選擇的崗位P.學(xué)生案例相似度的計(jì)算公式定義為

式中，wkc，wkl，wp分別是專業(yè)知識(shí)類別、知識(shí)水平和崗位相似度在案例相似度計(jì)算中所占的比例，wkc+wkl+wp=1，sim(KC)，sim(KL)和sim(P)分別為知識(shí)類別、知識(shí)水平和崗位的相似度.

1.2.1 學(xué)生專業(yè)知識(shí)類別相似度的計(jì)算

定義3專業(yè)知識(shí)類別樹為對(duì)學(xué)生的專業(yè)知識(shí)類別逐步細(xì)分所得到的樹形結(jié)構(gòu)，記為T(KC).T(KC)的根結(jié)點(diǎn)代表總類別，其下層結(jié)點(diǎn)表示各個(gè)專業(yè)大類，每個(gè)專業(yè)大類又細(xì)分為若干個(gè)類別，每個(gè)類別所屬的各個(gè)專業(yè)構(gòu)成其子類別，各專業(yè)所設(shè)置的專業(yè)方向?yàn)槿~結(jié)點(diǎn)，由此形成一個(gè)層次式的專業(yè)知識(shí)類別劃分結(jié)構(gòu).

學(xué)生知識(shí)類別相似程度取決于學(xué)生所學(xué)專業(yè)(或?qū)I(yè)方向)在知識(shí)類別樹T(KC)中的共同父類別的數(shù)量［7］，相似度計(jì)算方法如下式:

式中，kci和kcj分別為學(xué)生i與學(xué)生j所學(xué)習(xí)的專業(yè)(方向)，用函數(shù)common-super(kci，kcj)計(jì)算kci和kcj的公共的父結(jié)點(diǎn)，deep(T(KC))為類別樹的深度.

1.2.2 學(xué)生知識(shí)水平相似度的計(jì)算

學(xué)生知識(shí)水平相似度的計(jì)算公式如下:

1.2.3 工作崗位相似度的計(jì)算

學(xué)生工作崗位所需要的知識(shí)集合K-Set(post)定義為一個(gè)二元組(KPi，Mai)的集合，KPi為需要的知識(shí)點(diǎn)，Mai為工作崗位所需要的對(duì)此知識(shí)點(diǎn)的掌握水平.根據(jù)每個(gè)知識(shí)點(diǎn)對(duì)工作崗位的重要性的不同，規(guī)定了相應(yīng)的掌握級(jí)別如了解、理解、掌握和精通等，即K-Set(post)=Set((KPi，Mai)).

不同工作崗位知識(shí)需要的差別從所需知識(shí)點(diǎn)的不同及對(duì)每個(gè)知識(shí)點(diǎn)要求掌握程度的不同兩個(gè)方面比較.設(shè)工作崗位Posti與Postj需要掌握的知識(shí)點(diǎn)數(shù)量分別是ni和nj，它們都需要的知識(shí)點(diǎn)集合為CKS(Posti，Postj)，則崗位相似度的計(jì)算公式為

計(jì)算崗位相似度時(shí)，先求出崗位Posti和Postj需要的知識(shí)點(diǎn)集合的交集CKS，對(duì)CKS中的每個(gè)知識(shí)點(diǎn)，如果崗位Posti與Postj對(duì)其要求的掌握水平相同，則將其權(quán)重設(shè)為1，否則將其權(quán)重設(shè)為崗位Posti與Postj要求的掌握水平的最小值.兩崗位之間的距離定義為

1.3 基于崗位聚類對(duì)案例分類

定義5(崗位聚類)對(duì)就業(yè)崗位根據(jù)其所需要的專業(yè)知識(shí)進(jìn)行分類，同一個(gè)聚類中的工作崗位要求學(xué)生具有的知識(shí)類別、知識(shí)水平的相似程度較高(即距離小于規(guī)定的閾值).

在CBR中，案例庫的案例數(shù)量隨著問題求解過程的進(jìn)行不斷增加，所以必須根據(jù)案例庫中案例的變化及時(shí)調(diào)整案例組織.文獻(xiàn)［8］通過不斷使用聚類算法對(duì)案例庫中的案例進(jìn)行聚類，控制案例聚類中案例的數(shù)量來加快案例檢索的速度.由于聚類算法的時(shí)間復(fù)雜度高、系統(tǒng)生命周期中算法需重復(fù)運(yùn)行等因素，使得用于案例聚類的時(shí)間過多，不利于案例檢索速度的提高.為了減少用于聚類運(yùn)算的時(shí)間，對(duì)經(jīng)典2-中心點(diǎn)算法進(jìn)行了改進(jìn)，形成惰性2-中心點(diǎn)算法.所謂惰性，是指通過設(shè)定特殊的算法啟動(dòng)和結(jié)束條件來盡可能地減少聚類算法在軟件運(yùn)行期間的執(zhí)行次數(shù)以降低聚類所需時(shí)間，具體做法如下:①不直接對(duì)案例進(jìn)行聚類，而是對(duì)案例中的某個(gè)關(guān)鍵屬性進(jìn)行聚類;②算法的激活由與關(guān)鍵屬性聚類中的屬性相關(guān)的案例的數(shù)量決定，僅當(dāng)案例數(shù)量超出規(guī)定的閾值時(shí)才運(yùn)行聚類算法;③算法執(zhí)行時(shí)，隨機(jī)選擇兩個(gè)對(duì)象作為聚類中心，與中心距離不超過規(guī)定閾值的對(duì)象為一族，超過閾值的對(duì)象放入離外集，將要分類的對(duì)象分為兩個(gè)主要聚類.

惰性2-中心點(diǎn)算法描述如下:

(1)判斷要進(jìn)行聚類的對(duì)象集S中的對(duì)象數(shù)量是否超出設(shè)定的最大值，若超出則轉(zhuǎn)至第(2)步，否則轉(zhuǎn)至第(6)步;

(2)隨機(jī)選擇兩個(gè)對(duì)象o1，o2作為聚類中心;

(3)計(jì)算各對(duì)象到o1，o2的距離，若某個(gè)對(duì)象到o1，o2的距離均大于設(shè)定的閾值，則將其放入集合S1;

(4)將S1以外的對(duì)象根據(jù)其與o1，o2的距離分為兩個(gè)聚類C1，C2;

(5)返回所得的分類C1，C2，S1及C1，C2的中心點(diǎn)o1，o2，轉(zhuǎn)至第(1)步;

(6)結(jié)束.

使用惰性2-中心點(diǎn)算法對(duì)學(xué)生選擇的實(shí)習(xí)崗位進(jìn)行聚類運(yùn)算.由于現(xiàn)實(shí)中崗位選擇的不均勻性，隨著新案例的不斷加入，會(huì)導(dǎo)致各個(gè)崗位聚類的不均勻生長(zhǎng)，即選擇某些崗位聚類所包含的學(xué)生數(shù)量過多，而有的聚類包含的案例數(shù)量過少.為了解決這一問題，規(guī)定了一個(gè)聚類包含個(gè)體數(shù)量的最大值，當(dāng)超過該值時(shí)，對(duì)該聚類應(yīng)用上述算法時(shí)進(jìn)行拆分，從而保證每個(gè)聚類涉及的案例數(shù)目都不會(huì)過大.每當(dāng)對(duì)崗位聚類進(jìn)行一次拆分之后，需要重新生成案例的索引，動(dòng)態(tài)索引創(chuàng)建算法如下:

(1)統(tǒng)計(jì)每個(gè)崗位聚類中的崗位所關(guān)聯(lián)的案例數(shù)量m;

(2)對(duì)m＞閾值M的崗位聚類，判斷其含有的崗位數(shù)n，若n≥2，則應(yīng)用惰性2-中心點(diǎn)算法對(duì)其進(jìn)行聚類，將聚類中心點(diǎn)作為屬性聚類的代表對(duì)象，聚類產(chǎn)生的孤點(diǎn)加入到孤點(diǎn)集S中;若n＜2，表示選擇此崗位的學(xué)生案例過多，需要對(duì)其進(jìn)行優(yōu)化，保留學(xué)生評(píng)價(jià)高的案例，去除學(xué)生評(píng)價(jià)較低的案例;

(3)判斷孤點(diǎn)集S中的崗位所關(guān)聯(lián)的案例數(shù)量是否超出閾值，若超出，則轉(zhuǎn)至第(2)步;

(4)根據(jù)聚類結(jié)果修改索引表.

1.4 基于CBR生成學(xué)習(xí)序列的過程

由于幾乎不存在與目標(biāo)案例完全相同的源案例，所以為了使源案例的解決方案能夠成功地應(yīng)用于目標(biāo)案例，需要對(duì)源案例的答案進(jìn)行適當(dāng)調(diào)整.為了提高系統(tǒng)的自治性、實(shí)現(xiàn)改編過程的自動(dòng)化，設(shè)計(jì)了兩種生成目標(biāo)方案的策略:

(1)當(dāng)案例庫中不存在與目標(biāo)案例相似的源案例時(shí)，由領(lǐng)域模型獲得實(shí)習(xí)崗位所需要的知識(shí)點(diǎn)，將其作為學(xué)生要學(xué)習(xí)的知識(shí)序列.將學(xué)生學(xué)習(xí)知識(shí)序列前已掌握的知識(shí)點(diǎn)從知識(shí)序列中刪除，得到的知識(shí)序列與學(xué)生數(shù)據(jù)一起作為案例存入案例庫.

(2)當(dāng)案例庫中存在與目標(biāo)案例相似的源案例時(shí)，如果目標(biāo)案例的崗位屬性與源案例不同，則根據(jù)目標(biāo)案例的崗位屬性對(duì)相似的源案例的教學(xué)序列進(jìn)行調(diào)整，將目標(biāo)案例崗位需要而源案例崗位不需要的知識(shí)點(diǎn)加入教學(xué)序列.生成教學(xué)序列的詳細(xì)過程如圖1所示.

圖1 教學(xué)序列的生成過程Fig.1 Teaching sequence generating process

2 原型系統(tǒng)應(yīng)用分析

為了驗(yàn)證上述CBR技術(shù)生成個(gè)性化學(xué)習(xí)序列的有效性，基于JADE平臺(tái)開發(fā)了學(xué)生頂崗實(shí)習(xí)階段智能化教學(xué)的原型系統(tǒng)，采用Oracle 11g數(shù)據(jù)庫進(jìn)行案例存儲(chǔ)，用戶界面使用Java Swing設(shè)計(jì).規(guī)定聚類時(shí)崗位距離閾值為0.9，每個(gè)崗位聚類涉及的案例最大數(shù)量為100個(gè)，通過學(xué)院2013級(jí)的1 000名頂崗實(shí)習(xí)學(xué)生的數(shù)據(jù)對(duì)原型系統(tǒng)進(jìn)行檢驗(yàn)，結(jié)果見圖2至圖4.

圖2 教學(xué)序列生成時(shí)間與學(xué)生數(shù)量的關(guān)系Fig.2 Relation between teaching sequence generatingtime and the number of students

圖3 崗位和崗位聚類數(shù)量與學(xué)生數(shù)量的關(guān)系Fig.3 Relation between post，post categoryand the number of students

由圖2可看出，知識(shí)序列生成所需的時(shí)間隨著學(xué)生數(shù)量的增加而增長(zhǎng).起初，案例庫中源案例的數(shù)量較少，案例檢索所需要的時(shí)間t1較短.另外，由案例檢索算法可知，在檢索不到與目標(biāo)案例相匹配的源案例時(shí)，學(xué)習(xí)序列的生成完全由崗位知識(shí)需要進(jìn)行規(guī)則推理決定.當(dāng)案例庫中案例數(shù)量增加時(shí)，案例檢中率越來越高，匹配成功的知識(shí)序列生成所需時(shí)間即為案例檢索所需時(shí)間.

隨著使用系統(tǒng)學(xué)生數(shù)量的增加，學(xué)生選擇實(shí)習(xí)崗位的數(shù)量和聚類算法對(duì)實(shí)習(xí)崗位進(jìn)行聚類的結(jié)果的變化情況見圖3，可以看出崗位聚類的數(shù)量比同期的崗位數(shù)量少得多.

系統(tǒng)初始運(yùn)行時(shí)，學(xué)習(xí)序列較長(zhǎng)，經(jīng)過一段時(shí)間的運(yùn)行，當(dāng)案例庫中的案例數(shù)增加到一定程度時(shí)，絕大多數(shù)目標(biāo)案例求解都可以從案例庫中檢索到相似案例，此時(shí)平均序列長(zhǎng)度較初始時(shí)有較大減少并逐步趨于穩(wěn)定，如圖4所示.

圖4 教學(xué)序列長(zhǎng)度與學(xué)生數(shù)量的關(guān)系Fig.4 Relation between the length of teaching sequence and the number of students

3 結(jié)論

通過CBR技術(shù)將以往為學(xué)生生成學(xué)習(xí)序列的經(jīng)驗(yàn)應(yīng)用到當(dāng)前的教學(xué)實(shí)例中，有效規(guī)避了教學(xué)序列生成規(guī)則的提取這一難點(diǎn)，降低了系統(tǒng)開發(fā)的難度.利用惰性2-中心點(diǎn)算法對(duì)學(xué)生實(shí)習(xí)崗位進(jìn)行聚類，縮小了案例檢索的范圍并提高了系統(tǒng)效率.結(jié)合領(lǐng)域模型，實(shí)現(xiàn)了對(duì)源案例解答的自動(dòng)改編及案例檢索失敗時(shí)教學(xué)序列的自動(dòng)生成和案例庫的自動(dòng)更新等操作.

［1］蔣艷榮，韓堅(jiān)華，吳偉民.一種自適應(yīng)的個(gè)性化學(xué)習(xí)序列生成研究［J］.計(jì)算機(jī)科學(xué)，2013，40(8):204-209.

［2］Hassina，Sari T，SellamiM.A neural network for generating adaptive lessons［J］.Journal of Computer Science，2005(2):232-243.

［3］Iglesias A，Martinez P，F(xiàn)ernandez F.An experience applying reinforcement learning in a web-based adaptive and intelligent educational system［J］.Informatics in Education，2003(2):223-240.

［4］Hidayah I，Syahrina A，Permanasari A E.Studentmodeling using case-based reasoning in conventional learning system［J］.International Journal of Computer Science and Information Security，2012(10):1-5.

［5］KharratM，ReyhaniN，Badie K.A case-based reasoning approach to intelligent tutoring system by considering learner stylemodel［C］∥Systems and Information Engineering Design Symposium，VA:Charlottesville，2003:41-46.

［6］González C，Burguillo JC，Llamas M.Designing intelligent tutoring systems:a personalization strategy using case-based reasoning and multi-agent systems［J］.Advances in Distributed Computing and Artificial Intelligence Journal，2013(4):41-53.

［7］謝紅薇，李建偉.基于本體的案例推理模型研究［J］.計(jì)算機(jī)應(yīng)用研究，2009，26(4):1422-1424.

［8］喬麗，姜慧霖.一種k-means聚類的案例檢索算法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(4):185-187.