李強

(東北石油大學 計算機與信息技術(shù)學院， 黑龍江 大慶 163318)

0 引言

伴隨著網(wǎng)絡(luò)、信息以及計算機技術(shù)的不斷發(fā)展和更新，學習者的學習模式也逐步從傳統(tǒng)模式演變?yōu)樵诰€模式，也就是常說的網(wǎng)絡(luò)學習[1]。這種學習模式具有傳統(tǒng)模式所不具備的便捷性、可移動性、交互性以及學習者為主體的個性化教學等特點。同時，網(wǎng)絡(luò)學習依托各種專屬授導系統(tǒng)或?qū)W習平臺，以自主、遠程學習為基礎(chǔ)，開展多元化微課、公開課等學習形式，被各類學習者所喜愛。漸漸的，人們在網(wǎng)絡(luò)學習實際教學的應(yīng)用過程中發(fā)現(xiàn)，網(wǎng)絡(luò)學習對比傳統(tǒng)授課模式，仍然存在一定的缺陷。因此，分析學習者學習行為，推測不同學習者的學習風格，是達到個性化教學的重要部分，同時，也是實現(xiàn)最佳學習效果的有效途徑。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的概念是1968年由Rumelhart與McCelland等人組成的科學家小組提出來的[2]。是目前為止，應(yīng)用非常廣泛的一種神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)的學習過程由兩個部分組成：其一，信號的正向傳播；其二，誤差的反向傳播。而對于神經(jīng)網(wǎng)絡(luò)學習的實際流程，當信號向前傳播，即正向傳播時，輸入的采樣樣本會通過隱藏層從輸入層傳遞到輸出層。而如果輸出層的實際輸出與預期輸出不匹配時，信號則進入誤差反向傳播階段，同時將誤差分配給每一層的多個單元，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓撲圖

總結(jié)來看，BP神經(jīng)網(wǎng)路的基本思想即：信號正向傳播和誤差反向傳播周期性地往復運動，直到神經(jīng)網(wǎng)絡(luò)輸出的錯誤減少到可接受的水平或預設(shè)的次數(shù)為止。

但是，單一的BP神經(jīng)網(wǎng)絡(luò)很容易進入局部極小點，導致識別率或預測準確度低等問題，這是BP神經(jīng)網(wǎng)絡(luò)的硬性缺點。所以需要引入DS證據(jù)理論的合成規(guī)則，因為DS的優(yōu)點是可以處理不確定事件，在證據(jù)源中加入主觀因素。將二者結(jié)合，利用BP神經(jīng)網(wǎng)絡(luò)的輸出作為證據(jù)理論的識別框架的元素，DS證據(jù)理論對BP的輸出結(jié)果進行證據(jù)合成，進而達到提高預測準確度的目的。

2 DS證據(jù)理論

DS證據(jù)理論是一種推理算法，該算法憑借其在處理非確定性信息方面的明顯優(yōu)勢而被廣泛應(yīng)用于數(shù)據(jù)信息融合領(lǐng)域，甚至在決策分析等領(lǐng)域中，DS證據(jù)理論算法也可以起到重要的作用[3]。

(1) 識別框架

在DS證據(jù)理論中，一切證據(jù)的推理都建立在一個有限集合上，這個集合是非空的。非空有限集合可以看作是一個樣本空間，而這個樣本空間被稱為識別框架。假設(shè)識別框架Θ為一個元素集合，基本信任分配函數(shù)m是一個集合2Θ到[0,1]的映射，A是識別框架中的任意一個子集，記作A?Θ，如式(1)。

(1)

(2) 組合規(guī)則

D-S證據(jù)理論融合的組合規(guī)則(也稱合成規(guī)則)是證據(jù)理論的核心，其基本策略即：結(jié)合多個證據(jù)體，將其概率函數(shù)進行正交運算，一般用⊕表示組合運算，如式(2)。

m=m1⊕m2⊕…⊕mi

(2)

其組合規(guī)則在多證據(jù)體的情況下進行如下計算,如式(3)、式(4)。

(3)

(4)

式中，k表示證據(jù)體Xi，Yi之間沖突程度的大小，稱為沖突系數(shù)，范圍在[0,1]之間。當沖突系數(shù)k的值越大時，說明證據(jù)體之間的沖突越大。1/(1-k)稱為歸一因子。另外，Dempster組合規(guī)則滿足數(shù)學中的結(jié)合律和交換律。也就是說：多證據(jù)組合運算的結(jié)果不會受到計算順序的影響。

3 BP-DS模型

BP-DS模型中的主體部分BP神經(jīng)網(wǎng)絡(luò)主要負責得到DS合成時所需的概率向量，而DS證據(jù)理論只負責對BP的輸出結(jié)果進行融合處理，在這個過程中，二者互補，使推測學習風格的結(jié)果更準確。

BP-DS模型的框架[4],如圖2所示。

圖2 BP-DS模型框架

首先將選定的學習行為數(shù)據(jù)輸入，進行數(shù)據(jù)歸一化處理,然后利用已經(jīng)訓練好的BP神經(jīng)網(wǎng)絡(luò)進行推測，將得到的概率向量組進行歸一化，最后利用DS合成規(guī)則進行合成。

4 學習行為采集及學習風格

學習行為的定義概括來講，是學習者在網(wǎng)絡(luò)學習環(huán)境中，為完成學習任務(wù)，達到對知識獲取的目的而產(chǎn)生的一系列學習動作，是分析學習風格，達到個性化教學的重要基礎(chǔ)。既然是學習者的學習動作，那么其行為主體是學習者，客體是網(wǎng)絡(luò)學習資源。在網(wǎng)絡(luò)學習環(huán)境(包括在線學習平臺、學習軟件在內(nèi)的數(shù)字化學習環(huán)境)的各類學習平臺中，收集需要的學習行為屬性(只列出本文所需屬性)，如表1所示。

表1 學習行為及其屬性

根據(jù)現(xiàn)有的網(wǎng)絡(luò)學習環(huán)境狀況和在線學習的常見方式，基于BP-DS的學習風格研究的推測模型,如圖3所示。

圖3 學習風格推測模型

通過分析學習者的學習行為，進而推測該學習者的學習風格，我們可以清楚的了解到：對于不同學習者來說，學習方式及學習偏好都是有差異的。進而得出確定學習者的學習風格是個性化教學中重要環(huán)節(jié)的結(jié)論。

國內(nèi)外有不少研究者都曾基于各個不同的角度或者維度對學習風格理論建模，并依據(jù)理論模型對學習風格進行分類，比如：菲爾德等人提出的學習風格理論，將學習者分為活躍型、沉思型、感悟型、自覺型、視覺型、言語型、序列型和綜合型八類；而Honey and Mumford學習風格理論，則依托學習者在學習動作中的習慣、偏好與愛好需求，關(guān)聯(lián)學習風格與學習行為，將學習者分為行動者、理論者、反思者和使用者四類[5]。

通過收集的學習行為信息，結(jié)合對多個文獻的理解、總結(jié)以及實際所需，簡單地將學習者學習風格歸納為以下兩組四類：

①努力型 懶惰型

②聰明型 笨拙型

并針對其中的努力型與懶惰型進行實驗分析。

5 實驗及分析

5.1 實驗環(huán)境介紹

本文實驗背景情況如下。

(1) CPU:英特爾Core i5 5200U@2.20GHz；

(2) 內(nèi)存：4GB；

(3) 操作系統(tǒng)：Win7旗艦版(64位)；

(4) 軟件環(huán)境：Matlab 2016a。

5.2 實驗分析

本文所采集數(shù)據(jù)來源于黑龍江省某高校計算機專業(yè)慕課教學平臺，以“數(shù)據(jù)結(jié)構(gòu)”這門課程為例，時間范圍為2018年9月至2019年1月，共采集427名學生的相關(guān)學習數(shù)據(jù)，其中396名學生的學習行為數(shù)據(jù)較完整，并將每名學生一周的數(shù)據(jù)進行預處理。將前395組數(shù)據(jù)分別訓練神經(jīng)網(wǎng)絡(luò)。再將剩余的一組樣本數(shù)據(jù)輸入訓練好的神經(jīng)網(wǎng)絡(luò)，如表2所示。

表2 一組學習行為數(shù)據(jù)

為了保證神經(jīng)網(wǎng)絡(luò)的收斂性和穩(wěn)定性，本文將7個指標分為三組，建立3個神經(jīng)網(wǎng)絡(luò)NN1,NN2和NN3。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計為(0.6,0.4)T、(0.4,0.6)T，表示的學習風格類型為努力型、懶惰型。歸一化處理輸出結(jié)果,即得該證據(jù)對該命題的基本概率分布,如表3所示。

表3 經(jīng)由BP神經(jīng)網(wǎng)絡(luò)確定的基本概率分配

利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果,如表4所示。

表4 經(jīng)由DS證據(jù)理論融合的結(jié)果

由表4可知，努力型學習行為O1的概率隨著融合次數(shù)的增多逐漸趨近于1，而O2懶惰型則趨近于0，與表3中的結(jié)果相比提高了決策結(jié)果的準確性。

同理，通過教師對作業(yè)及實驗實踐的評分、測試成績與網(wǎng)上答疑情況等其它學習行為的屬性進行學習者為聰明型或笨拙型學習風格的決策。

6 總結(jié)

本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論構(gòu)建模型對學習者學習風格的研究，其優(yōu)勢表現(xiàn)為：兩種算法結(jié)合，不僅能克服單一神經(jīng)網(wǎng)絡(luò)由于高精度而產(chǎn)生過多迭代次數(shù)所造成的實時性差的缺點，而且通過大量樣本訓練的神經(jīng)網(wǎng)絡(luò)后的數(shù)據(jù)歸一化，使得DS證據(jù)理論對學習行為特征類型的決策更加準確。