個性化網(wǎng)絡學習評價模型與系統(tǒng)的設計
加入技術交流群
傳統(tǒng)工業(yè)自動控制原理中，自動化控制的核心思想就是反饋，通過反饋建立起輸入(原因)和輸出(結果)的聯(lián)系。根據(jù)反饋在系統(tǒng)中的作用與特點不同分正反饋和負反饋兩種。把網(wǎng)絡學習評價看作一個負反饋系統(tǒng)。該系統(tǒng)中以網(wǎng)絡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，還包含學習不同課程的學習目標和要求，以此作為系統(tǒng)，通過對學習狀態(tài)參數(shù)實施評價作為當前學生學習依據(jù)，以評價過程作為控制裝置，輸出評價結果，表示為q(t)。通過該輸出得到反饋調整策略，表示為r(t)。以此調整學生下一階段的學習，表示為w(t+1)。從而達到調整評價維度中具體狀態(tài)值(如學習時間、交互次數(shù))來使評價結果和課程模型基準之間的偏差q(t)一s(t)越來越小。使得課程對學習的要求和學習結果趨于一致，從而促進學習者學習。通過分析及反饋控制原理，其函數(shù)存在如下關系：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)絡學習評價指標體系
考慮影響學習的主要因素，將指標體系的對象和目標劃分成若干個不同組成部分(子系統(tǒng))，并逐步細分(即形成各級子系統(tǒng)及功能模塊)，直到每一部分可用具體的統(tǒng)計指標描述、實現(xiàn)。得到具有層次型結構的指標集合一網(wǎng)絡學習評價指標體系。該體系共含5個一級指標、10個二級指標、21個評價參數(shù)。涵蓋了學生的心理特征因素的定位分析；學習過程的關鍵因素一交互與協(xié)作和資源的利用。其中交互與協(xié)作主要觀測點集中在跟蹤學習歷程、記錄參與交互與協(xié)作程度的數(shù)據(jù)。而資源的利用從再學習的角度，利用評價激勵其合理分配學習時間：學習效果主要從階段性和綜合性給出準確、科學的說明。網(wǎng)絡學習評價如表1所示。
3 基于NTFAHP-FCE網(wǎng)絡學習評價的實施
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(shù)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，具體實施步驟：①利用不同專家給出各自的傳統(tǒng)判斷矩陣建立兩個矩陣：模糊比較判斷矩陣N，N=(nij)nn，其中元素wij=[lij,mij,uij]是一個以mij為中值的閉區(qū)間，(lij和uij是某專家對某因素給出的最低標度值)和利用mij構造模糊數(shù)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，其值越小表示專家的判斷越一致，偏差越小，因此可利用S調整模糊數(shù)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(guī)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(jù)λmax是否等于n來檢驗判斷矩陣A是否為一致矩陣。當CRO．10時，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(jù)上述算法得到網(wǎng)絡學習評價指標的權重分布如表2所示。
3．2 改進的FCE(模糊綜合評價法)的評定
①確定評語集合論域Vn，V={v1，v2，……，vn}；②用隸屬度函數(shù)確定各子因素相對于評語集的隸屬度，得到了單因素的模糊評價矩陣M1；③改進的一級模糊綜合評價，確定進行二級模糊綜合評價模糊矩陣R=[R1，R2，……，RI，……，RK]T(k為一級指標項的數(shù)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(shù))，計算一級隸屬度。改進傳統(tǒng)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。此改進的目的在于：在“標準”的模糊綜合評價算法中，R1計算方法為把r’ij作為樣本X就m個指標對第j類Cj的綜合隸屬度。事實上，這樣計算的r’ij不能綜合反映X對Cj的綜合隸屬情況，因為在進行ai∧mlij運算時，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