摘  要： 將課程教學(xué)資源融合到學(xué)生模型構(gòu)建中，描述了包括領(lǐng)域知識拓?fù)浣Y(jié)構(gòu)的建立,、條件概率表學(xué)習(xí)算法的推理的詳細(xì)過程，最終得到了學(xué)生模型中關(guān)于章節(jié)知識項(xiàng)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖,，并通過一個(gè)實(shí)驗(yàn)系統(tǒng)對個(gè)性化教學(xué)系統(tǒng)中學(xué)生模型建構(gòu)的整個(gè)框架的可行性進(jìn)行了驗(yàn)證,。
關(guān)鍵詞： 個(gè)性化教學(xué)；貝葉斯網(wǎng)絡(luò),；學(xué)生模型,；建模

    個(gè)性化教育是現(xiàn)代遠(yuǎn)程教育最重要的特點(diǎn)之一，其中計(jì)算機(jī)網(wǎng)絡(luò)特有的信息,、數(shù)據(jù)庫管理技術(shù)和雙向交互功能,，為個(gè)性化教學(xué)提供了有效的實(shí)現(xiàn)途徑與條件。在個(gè)性化教學(xué)系統(tǒng)中,，學(xué)生模型是學(xué)生的認(rèn)知狀態(tài)表示,。它的作用是為系統(tǒng)提供關(guān)于學(xué)生對知識的掌握情況的信息，以便能夠?qū)W(xué)生進(jìn)行正確的評價(jià)和預(yù)測,，從而提供個(gè)性化的學(xué)習(xí)內(nèi)容,。因此,，如何建立一個(gè)準(zhǔn)確,、高效的學(xué)生模型是整個(gè)系統(tǒng)的核心。分析和表示學(xué)生模型的過程稱為學(xué)生建模[1-2],。
1 有關(guān)貝葉斯網(wǎng)絡(luò)理論知識
    貝葉斯網(wǎng)絡(luò)（Bayesian Networks）也稱為信度網(wǎng),、因果網(wǎng)，主要用于表示變量之間的依賴關(guān)系,，并為任何全聯(lián)合概率分布提供一種簡明的規(guī)范,。貝葉斯網(wǎng)表達(dá)了各個(gè)節(jié)點(diǎn)間的條件獨(dú)立關(guān)系，可以直觀地從貝葉斯網(wǎng)中得出屬性間的條件獨(dú)立以及依賴關(guān)系,；另外可以認(rèn)為貝葉斯網(wǎng)以另一種形式表示出了事件的聯(lián)合概率分布,，根據(jù)貝葉斯網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)以及條件概率表(CPT)可以快速得到每個(gè)基本事件（所有屬性值的一個(gè)組合）的概率,。貝葉斯學(xué)習(xí)理論利用先驗(yàn)知識和樣本數(shù)據(jù)來獲得對未知樣本的估計(jì)，而概率（包括聯(lián)合概率和條件概率）是先驗(yàn)信息和樣本數(shù)據(jù)信息在貝葉斯學(xué)習(xí)理論當(dāng)中的表現(xiàn)形式,。
2 學(xué)生模型中教學(xué)資源信息的建模
    貝葉斯網(wǎng)絡(luò)的建模目的是對所包含的定性知識和定量知識進(jìn)行結(jié)構(gòu)描述,，定性部分由網(wǎng)絡(luò)結(jié)構(gòu)來描述，定量部分由條件概率分布函數(shù)來表示,。從原始數(shù)據(jù)中構(gòu)造貝葉斯網(wǎng)絡(luò)模型,，實(shí)質(zhì)也是對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘：先找出最符合原始數(shù)據(jù)定性的網(wǎng)絡(luò)圖關(guān)系，然后根據(jù)網(wǎng)絡(luò)圖中的因果關(guān)系,，計(jì)算節(jié)點(diǎn)間的條件概率,。構(gòu)造貝葉斯網(wǎng)絡(luò)可以分為4個(gè)階段：(1)定義域變量；(2)確定網(wǎng)絡(luò)結(jié)構(gòu),；(3)確定條件概率分布函數(shù),；(4)運(yùn)用到實(shí)際系統(tǒng)中，并根據(jù)系統(tǒng)產(chǎn)生的數(shù)據(jù)優(yōu)化貝葉斯網(wǎng)絡(luò),。
    在學(xué)生模型中教學(xué)資源信息的建模初期要考慮整個(gè)教學(xué)資源信息的網(wǎng)絡(luò)結(jié)構(gòu),，然后再考慮局部的知識結(jié)構(gòu)：知識點(diǎn)的前驅(qū)、后繼關(guān)系,，知識點(diǎn)之間的相互影響程度,，知識點(diǎn)的狀態(tài)，以及與知識點(diǎn)相關(guān)的測試(包括識記,、理解,、應(yīng)用、分析,、綜合等狀態(tài)),，只有經(jīng)過測試，才能實(shí)現(xiàn)個(gè)性化教學(xué),。整個(gè)過程為將來個(gè)性化的評估做準(zhǔn)備,，根據(jù)評估結(jié)果實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的局部更新，也即學(xué)生知識狀態(tài)的更新,，貝葉斯網(wǎng)絡(luò)根據(jù)更新過的學(xué)生狀態(tài),，個(gè)性化地把內(nèi)容呈現(xiàn)給學(xué)生[3]。
2.1 學(xué)生模型中整體教學(xué)資源的知識結(jié)構(gòu)
    本文把教學(xué)資源分為6個(gè)層次：課程知識,、主知識項(xiàng)(按章劃分),、一級知識項(xiàng)(按節(jié)劃分)、二級知識項(xiàng)(也稱復(fù)合知識項(xiàng)),、基本概念知識項(xiàng),、與上述知識相關(guān)的測試。層與層之間只有繼承關(guān)系,，同層內(nèi)的知識可以是前驅(qū)和后繼的關(guān)系,，也可以是平行和關(guān)聯(lián)等關(guān)系,。可以認(rèn)為前驅(qū)和后繼關(guān)系是關(guān)聯(lián)的一種特殊形式,。
2.2 學(xué)生模型中局部教學(xué)資源的知識結(jié)構(gòu)
2.2.1 定義域變量和確定網(wǎng)絡(luò)結(jié)構(gòu)
    學(xué)生模型的建模就是要針對學(xué)生所學(xué)課程掌握的知識結(jié)構(gòu)進(jìn)行建模,，從而根據(jù)學(xué)生的知識狀況給出學(xué)生學(xué)習(xí)狀況的評價(jià)。
    以《Delphi程序設(shè)計(jì)教程》為例,，按照課程的章節(jié)安排列出課程的知識結(jié)構(gòu),，為了簡化，只選取部分知識內(nèi)容做出說明,，整體結(jié)構(gòu)可依次類推,。比如在基本程序控制結(jié)構(gòu)這一章，一級知識項(xiàng)(章)為：基本程序控制結(jié)構(gòu),；二級知識項(xiàng)(節(jié))有：順序結(jié)構(gòu),、循環(huán)結(jié)構(gòu)、選擇結(jié)構(gòu),；復(fù)合概念有：While循環(huán),、For循環(huán)、Repeat循環(huán),；基本概念有：關(guān)系運(yùn)算符,、賦值語句、變量,、數(shù)據(jù)類型,。需要在貝葉斯網(wǎng)絡(luò)中加入測試項(xiàng)作為輸入節(jié)點(diǎn)，也可稱之為觀測節(jié)點(diǎn),。每個(gè)節(jié)點(diǎn)代表一個(gè)測試該知識點(diǎn)的測試項(xiàng),。
    節(jié)點(diǎn)的狀態(tài)表示學(xué)生對該知識項(xiàng)的掌握程度，例如可以用4個(gè)等級來表示學(xué)生對知識項(xiàng)的掌握程度,，A：表示學(xué)生對特定知識項(xiàng)已完全熟練掌握,； B：表示學(xué)生對知識項(xiàng)基本掌握，但是仍有一些問題,；C：表示學(xué)生處在初級階段,，有許多問題；D：表示學(xué)生對該知識項(xiàng)完全不了解,。每一等級對應(yīng)一個(gè)條件概率值(值的加權(quán)和為1),，該值是基于對用戶的觀測值得到的用戶對知識項(xiàng)的掌握程度。在系統(tǒng)設(shè)計(jì)過程中,，為了簡化，設(shè)置節(jié)點(diǎn)的狀態(tài)為True(掌握),、False(未掌握),。
2.2.2 條件概率估計(jì)
    經(jīng)過上面的分析,，接下來將討論如何獲得知識項(xiàng)之間的影響程度的條件概率表。
    在貝葉斯網(wǎng)絡(luò)構(gòu)建中所有節(jié)點(diǎn)都要給定條件概率,，對于沒有父節(jié)點(diǎn)的節(jié)點(diǎn),，需要給定其先驗(yàn)概率，條件概率可以通過樣本學(xué)習(xí)和通過專家估計(jì)獲得[4],。
    (1)設(shè)計(jì)分析
    在由數(shù)據(jù)類型(A),、關(guān)系運(yùn)算符(B)、變量(C),、While循環(huán)(D)教學(xué)資源構(gòu)成的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中,，每個(gè)節(jié)點(diǎn)有兩個(gè)離散的狀態(tài)：True和False，如果需要,，節(jié)點(diǎn)也可以包括更多的狀態(tài),。設(shè)計(jì)網(wǎng)絡(luò)時(shí)，必須指定每個(gè)節(jié)點(diǎn)的條件概率表,，需要獲得P(A),、P(C)、P(B),、P(D/C),、P(D/B)。
    (2)樣本收集
    經(jīng)驗(yàn)數(shù)據(jù)來自于某校某班學(xué)生學(xué)習(xí)“基本程序控制結(jié)構(gòu)”這一章節(jié)后,，經(jīng)過測試,，對其測試結(jié)果進(jìn)行分析并獲得學(xué)習(xí)知識項(xiàng)之間的相互影響程度，這樣就確定了利用貝葉斯網(wǎng)絡(luò)所建學(xué)生模型中網(wǎng)絡(luò)拓?fù)渲R項(xiàng)之間的條件概率函數(shù),。
    將學(xué)生的得分情況分為100～90,、90～80、80～70,、70～60,、60以下5個(gè)分?jǐn)?shù)段。認(rèn)為如果學(xué)生答對涉及到該知識項(xiàng)的題目,，那么他對該知識項(xiàng)的知識狀態(tài)為True(掌握),；反之，如果答錯(cuò),，則認(rèn)為他對該知識項(xiàng)的知識狀態(tài)為False(未掌握),。
    (3)學(xué)習(xí)條件概率表[5-6]
    算法的設(shè)計(jì)思想是：首先按照網(wǎng)絡(luò)構(gòu)建中節(jié)點(diǎn)的拓?fù)漤樞颍鶕?jù)每個(gè)分?jǐn)?shù)段隨機(jī)抽取n份考試的試卷用于對網(wǎng)絡(luò)中各節(jié)點(diǎn)的狀態(tài)進(jìn)行賦值,，當(dāng)所有節(jié)點(diǎn)都被賦值一遍后就得到該網(wǎng)絡(luò)中的一次采樣樣本,，依此重復(fù)，得到10 n個(gè)樣本，即一個(gè)樣本序列,；然后對該樣本序列按相關(guān)列進(jìn)行聯(lián)合統(tǒng)計(jì)可得到網(wǎng)絡(luò)近似推理結(jié)果,。由于隨機(jī)采樣時(shí)考慮了節(jié)點(diǎn)的先驗(yàn)信息，所以當(dāng)樣本數(shù)n取很大時(shí),，這些采樣樣本的邊緣統(tǒng)計(jì)量和條件統(tǒng)計(jì)量就可以趨近于事件的真實(shí)發(fā)生概率和條件發(fā)生概率,。
    對所有節(jié)點(diǎn)都采樣了m遍，得到m組樣本,，即樣本序列S,，然后對樣本序列S按列進(jìn)行單獨(dú)統(tǒng)計(jì)，得到節(jié)點(diǎn)的全概率,；對多列進(jìn)行聯(lián)合統(tǒng)計(jì),，得到節(jié)點(diǎn)間的聯(lián)合概率和條件概率。
    所謂聯(lián)合統(tǒng)計(jì),，就是把證據(jù)節(jié)點(diǎn)和推理目標(biāo)節(jié)點(diǎn)的采樣樣本聯(lián)合起來進(jìn)行統(tǒng)計(jì),，就得到了給定證據(jù)后目標(biāo)節(jié)點(diǎn)發(fā)生的條件概率和聯(lián)合概率。對網(wǎng)絡(luò)中的所有節(jié)點(diǎn)按拓?fù)漤樞虿蓸觤次,，得到樣本序列S,，對樣本序列進(jìn)行適當(dāng)?shù)慕y(tǒng)計(jì)，可以得到網(wǎng)絡(luò)的近似推理結(jié)果,。
    節(jié)點(diǎn)Ni(i=1,，…，n)發(fā)生的全概率就是單獨(dú)對該列進(jìn)行統(tǒng)計(jì)的結(jié)果,。例如,，要知道學(xué)生對于“變量”（C）已經(jīng)True的情況的概率P(C=True)，只要把對是T的那些樣本挑選出來,，然后統(tǒng)計(jì)一下T的個(gè)數(shù),，除以總的采樣次數(shù)m，就可以近似為C這一知識項(xiàng)學(xué)生已經(jīng)True(掌握)的概率,，即：
 
    節(jié)點(diǎn)Ni(i=1,，…，n)發(fā)生的條件概率就是把那些條件節(jié)點(diǎn)和該節(jié)點(diǎn)所在的相關(guān)列聯(lián)合起來進(jìn)行統(tǒng)計(jì),。例如,，計(jì)算節(jié)點(diǎn)“D”在節(jié)點(diǎn)“B”已經(jīng)True（掌握）情況下發(fā)生T狀態(tài)(D也為True)的概率，也即求P(D=True|B=True),，可以這樣進(jìn)行：首先,，把在“B”中是T的那些樣本挑選出來，形成新的樣本序列So,，其組數(shù)為no,；其次,，把樣本序列So中在“D”中是T的那些樣本挑選出來，然后統(tǒng)計(jì)T的個(gè)數(shù),，除以no,，就可以近似為“D”在“B”取狀態(tài)為True的情況下發(fā)生False狀態(tài)的概率：
   
    類似地,，幾個(gè)節(jié)點(diǎn)的聯(lián)合概率則是把同時(shí)滿足這些節(jié)點(diǎn)狀態(tài)的樣本挑出來,，得到的樣本組數(shù)除以總的樣本組數(shù)m即可。
    單獨(dú)的節(jié)點(diǎn)狀態(tài)概率,，可以使用條件概率規(guī)則,，并沿著邊進(jìn)行傳播。
    網(wǎng)絡(luò)設(shè)計(jì)完成后,，條件概率表進(jìn)行了指定,，網(wǎng)絡(luò)進(jìn)行了傳播。
    通過上面的分析,，從定性方面完成了學(xué)生所學(xué)知識項(xiàng)的邏輯關(guān)系,，并且通過經(jīng)驗(yàn)數(shù)據(jù)獲得了關(guān)于這些知識項(xiàng)之間存在影響程度的定量數(shù)據(jù)，最終構(gòu)建成的個(gè)性化教學(xué)中關(guān)于《Delphi程序設(shè)計(jì)教程》課程中章節(jié)知識項(xiàng)的學(xué)生模型的框架如圖1所示,。

2.2.3 學(xué)生模型原型系統(tǒng)的實(shí)現(xiàn)
    根據(jù)上面理論方面的分析,，已經(jīng)構(gòu)建了個(gè)性化教學(xué)系統(tǒng)中學(xué)生模型的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖，為了證明整個(gè)系統(tǒng)框架的可行性,，需要把前面的理論構(gòu)建與具體的技術(shù)相結(jié)合以實(shí)現(xiàn)可用的系統(tǒng),。
    該系統(tǒng)設(shè)計(jì)中運(yùn)用不同的顏色來標(biāo)記知識項(xiàng)掌握的4種情況：綠色表示已掌握；紅色表示已學(xué)習(xí)但未掌握,；黃色表示未學(xué)習(xí),，適合學(xué)習(xí)；灰色表示不適合學(xué)習(xí),。當(dāng)貝葉斯網(wǎng)絡(luò)獲得證據(jù)信息后標(biāo)記的顏色狀態(tài)會(huì)發(fā)生變化,。基于貝葉斯網(wǎng)絡(luò)先驗(yàn)概率,，知識項(xiàng)全部標(biāo)記為黃色,，如圖2所示，新注冊用戶登錄系統(tǒng)時(shí)可在黃色節(jié)點(diǎn)中點(diǎn)擊選擇最初學(xué)習(xí)節(jié)點(diǎn),，學(xué)習(xí)后對相應(yīng)知識項(xiàng)進(jìn)行測試,，根據(jù)系統(tǒng)導(dǎo)航，若測試合格則按引導(dǎo)進(jìn)行下一知識項(xiàng)的學(xué)習(xí),，未通過系統(tǒng)會(huì)提示返回上一個(gè)節(jié)點(diǎn)重新學(xué)習(xí),。

    從這個(gè)系統(tǒng)中可以看到：基于貝葉斯網(wǎng)絡(luò)的個(gè)性化教學(xué)系統(tǒng)既有交互性，又體現(xiàn)了個(gè)性化,，通過系統(tǒng)的導(dǎo)航功能（不同顏色的應(yīng)用）可以幫助進(jìn)行學(xué)習(xí)的指導(dǎo),，當(dāng)學(xué)生想學(xué)某一概念時(shí)系統(tǒng)會(huì)把它的前驅(qū)知識點(diǎn)以序列形式呈現(xiàn)給學(xué)生，不同學(xué)生要求不一樣，系統(tǒng)提供的導(dǎo)航也不一樣,，真正體現(xiàn)了個(gè)性化教學(xué),。
    隨著網(wǎng)絡(luò)教學(xué)平臺(tái)的不斷涌現(xiàn)，個(gè)性化教學(xué)系統(tǒng)的研究和開發(fā)成為遠(yuǎn)程教育中的關(guān)鍵問題和熱點(diǎn),。而在個(gè)性化教學(xué)系統(tǒng)中的學(xué)生模型是其中的重要組成部分,，在遠(yuǎn)程教育領(lǐng)域起著重要的作用。因此,，研究如何設(shè)計(jì)和利用學(xué)生模型來實(shí)現(xiàn)遠(yuǎn)程教育中的個(gè)性化教學(xué)有著重要的意義,。

參考文獻(xiàn)
[1] 劉桓，曹紅菊.自適應(yīng)學(xué)習(xí)系統(tǒng)的研究與設(shè)計(jì)[J].教育技術(shù)導(dǎo)刊,，2006,，(3)：39-40.
[2] 余勝泉.適應(yīng)性學(xué)習(xí)——遠(yuǎn)程教育的發(fā)展趨勢.開放教育研究，2000,，6(3)：70-76.
[3] 冀俊忠,，劉椿年.貝葉斯網(wǎng)及概率推理在智能教學(xué)中的應(yīng)用[J].北京工業(yè)大學(xué)學(xué)報(bào)，2002,，9(28)：353-358.
[4] 翼俊忠,，劉椿午，沙志強(qiáng).貝葉斯模型的學(xué)習(xí),、推理和應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,，2003，7(5)：145-147.
[5] 胡兆勇,，屈梁生.貝葉斯網(wǎng)絡(luò)推理的一種仿真算法[J].系統(tǒng)仿真學(xué)報(bào),，2004，26(2)：286-288.
[6] 劉偉娜,，霍利民,，張立國.貝葉斯網(wǎng)絡(luò)精確推理算法的研究[J].網(wǎng)絡(luò)與通信，2006,，22(9)：92-94.