個(gè)性化網(wǎng)絡(luò )學(xué)習評價(jià)模型與系統的設計
加入技術(shù)交流群
傳統工業(yè)自動(dòng)控制原理中，自動(dòng)化控制的核心思想就是反饋，通過(guò)反饋建立起輸入(原因)和輸出(結果)的聯(lián)系。根據反饋在系統中的作用與特點(diǎn)不同分正反饋和負反饋兩種。把網(wǎng)絡(luò )學(xué)習評價(jià)看作一個(gè)負反饋系統。該系統中以網(wǎng)絡(luò )課程中知識屬性基準為參值量，表示為s(t)。在課程模型中除了包含課程內容信息，還包含學(xué)習不同課程的學(xué)習目標和要求，以此作為系統，通過(guò)對學(xué)習狀態(tài)參數實(shí)施評價(jià)作為當前學(xué)生學(xué)習依據，以評價(jià)過(guò)程作為控制裝置，輸出評價(jià)結果，表示為q(t)。通過(guò)該輸出得到反饋調整策略，表示為r(t)。以此調整學(xué)生下一階段的學(xué)習，表示為w(t+1)。從而達到調整評價(jià)維度中具體狀態(tài)值(如學(xué)習時(shí)間、交互次數)來(lái)使評價(jià)結果和課程模型基準之間的偏差q(t)一s(t)越來(lái)越小。使得課程對學(xué)習的要求和學(xué)習結果趨于一致，從而促進(jìn)學(xué)習者學(xué)習。通過(guò)分析及反饋控制原理，其函數存在如下關(guān)系：q(t)=h(s(t)，w(t))；r(t)=f(s(t)，q(t))；w(t+1)=g(w(t)，r(t))
2 網(wǎng)絡(luò )學(xué)習評價(jià)指標體系
考慮影響學(xué)習的主要因素，將指標體系的對象和目標劃分成若干個(gè)不同組成部分(子系統)，并逐步細分(即形成各級子系統及功能模塊)，直到每一部分可用具體的統計指標描述、實(shí)現。得到具有層次型結構的指標集合一網(wǎng)絡(luò )學(xué)習評價(jià)指標體系。該體系共含5個(gè)一級指標、10個(gè)二級指標、21個(gè)評價(jià)參數。涵蓋了學(xué)生的心理特征因素的定位分析；學(xué)習過(guò)程的關(guān)鍵因素一交互與協(xié)作和資源的利用。其中交互與協(xié)作主要觀(guān)測點(diǎn)集中在跟蹤學(xué)習歷程、記錄參與交互與協(xié)作程度的數據。而資源的利用從再學(xué)習的角度，利用評價(jià)激勵其合理分配學(xué)習時(shí)間：學(xué)習效果主要從階段性和綜合性給出準確、科學(xué)的說(shuō)明。網(wǎng)絡(luò )學(xué)習評價(jià)如表1所示。
3 基于NTFAHP-FCE網(wǎng)絡(luò )學(xué)習評價(jià)的實(shí)施
3．1 NTFAHP法的權重確定
(1)判斷矩陣的建立 文獻給出TFAHP法采用三角模糊數評判方法確定權重值。這種方式給出的結果仍然是定性判斷而不是定量準確值。
在此提出一種NTFAHP法，具體實(shí)施步驟：①利用不同專(zhuān)家給出各自的傳統判斷矩陣建立兩個(gè)矩陣：模糊比較判斷矩陣N，N=(nij)nn，其中元素wij=[lij,mij,uij]是一個(gè)以mij為中值的閉區間，(lij和uij是某專(zhuān)家對某因素給出的最低標度值)和利用mij構造模糊數中值矩陣M，M=(mij)nn。②構建模糊評判調整因子S。
式中：
為標準偏離率，其值越小表示專(zhuān)家的判斷越一致，偏差越小，因此可利用S調整模糊數中值矩陣M，使之更加準確。③計算調整矩陣M’。利用模糊評判調整因子S對M做運算：M’=MxS。④得到最終判斷矩陣A，將M’按列轉化成對角線(xiàn)為1的矩陣A。
(2)計算判斷矩陣A的特征值和特征向量λmax為A的最大特征根；W為對應于λmax的正規化特征向量；W的分量Wi即是相應因素的權值。
(3)一致性檢驗可根據λmax是否等于n來(lái)檢驗判斷矩陣A是否為一致矩陣。當CRO．10時(shí)，判斷矩陣的一致性可以接受，否則應對判斷矩陣作適當修正。根據上述算法得到網(wǎng)絡(luò )學(xué)習評價(jià)指標的權重分布如表2所示。
3．2 改進(jìn)的FCE(模糊綜合評價(jià)法)的評定
①確定評語(yǔ)集合論域Vn，V={v1，v2，……，vn}；②用隸屬度函數確定各子因素相對于評語(yǔ)集的隸屬度，得到了單因素的模糊評價(jià)矩陣M1；③改進(jìn)的一級模糊綜合評價(jià)，確定進(jìn)行二級模糊綜合評價(jià)模糊矩陣R=[R1，R2，……，RI，……，RK]T(k為一級指標項的數目)。利用上面的M1和相對于一級指標i的二級指標權重Ai={a1，a2，…，am}(利用NTFAHP法求得)為模糊向量(m為相對于某一級指標的二級指標項目數)，計算一級隸屬度。改進(jìn)傳統的計算R1方法，利用取權與單因素隸屬度的乘積代替模糊變換中的取大取小算法。此改進(jìn)的目的在于：在“標準”的模糊綜合評價(jià)算法中，R1計算方法為把r’ij作為樣本X就m個(gè)指標對第j類(lèi)Cj的綜合隸屬度。事實(shí)上，這樣計算的r’ij不能綜合反映X對Cj的綜合隸屬情況，因為在進(jìn)行ai∧mlij運算時(shí)，只選取了部分信息，丟掉了某些更重要的信息。而取權與單因素隸屬度的乘積aimlij，綜合反映了樣本就因素對類(lèi)Cj的隸屬情況，綜合考慮各單因素的影響后，樣本對Cj綜合隸屬度R1為：
評論