【自适应学习系统中学习者特征模型及建模方法述评】

时间：2019-04-23 03:19:29　来源：柠檬阅读网本文已影响人

　　[摘要]文章主要通过文献分析法，总结归纳自适应学习系统中学习者特征模型的建模方法，研究国内外自适应学习系统及其中关键的模型——学习者特征模型，比较分析国内外学习者特征模型建模的异同，以期为自适应学习系统的研究和开发提供帮助。
　　[关键词]自适应学习系统；学习者特征模型；建模方法
　　[中图分类号]G40-057　[文献标识码]A　[论文编号]1009-8097(2012)05-0077-04
　　信息化时代的学习更加注重个性化、自主化，自适应学习便应运而生。自适应学习系统始于自适应超媒体系统，同时又具有智能导学系统的特征，在技术功能上是以往的网络学习系统所无法比拟的，同时也是未来远程学习发展的趋势。自适应学习系统之所以是智能、先进的，主要是系统能够根据学习者特征，利用自适应导航技术为学习者提供个性化的学习路径，动态的呈现学习内容、学习资源，以及提供学习诊断和学习策略等。自适应学习系统包含三个模型：学习者模型、领域知识模型、适应性引擎，其中学习者模型的构建是自适应学习系统研究和应用的重点，学习者特征是学习者模型的关键因素，学习者特征的完整性、准确性直接关系到系统能否为学习者提供与学习者相适合的学习策略、学习内容和学习资源等，进而又会关系到学习者个性化学习的实现与否。然而，从目前的研究来看，现有的自适应学习系统的学习者特征模型还不够系统，在采用建模方法和确定学习者特征要素上，有待于进一步完善和补充。从而更好地满足学习者在自适应学习系统中的个性化、智能化需要。一　相关概念
　　自适应学习系统是一个为满足学习者个性化学习需要，根据学习者特征，为学习者提供个性化路径，并能够向学习者动态呈现学习内容与学习资源的学习系统。自适应学习系统中的学习者特征要素是自适应学习系统实现其功能的关键。不同的学者对自适应学习系统中的学习者特征要素有不同的观点，例如Brusilovsky Peter教授认为，学习者特征包括学习者知识、兴趣、目标、背景和个性特征；我国有学者指出自学习者特征包括学习目标、学习风格、用户的前提知识或背景知识、用户的知识状态、学习经历、信心、动机等。笔者结合当前的相关研究，认为自适应学习系统中的学习者特征包括：学习者知识：前提知识、背景知识、知识状态；学习目标：目标、动机；学习经历；学习风格：兴趣、偏好、个性特征。二　学习者特征模型建模方法
　　在各种自适应学习系统和智能导学系统中，由于建模角度不同，学习者特征模型的建模方法也是多种多样的。LocNguyen、Phung Do认为自适应学习系统中学习者特征模型建模方法有铅板模型、覆盖模型、微分模型、摄动模型和计划模型等。Tai-Yu Lin认为自适应学习系统的常用建模方法有覆盖学生模型、微分模型、摄动学生模型、基于约束的学生模型。以下是对几种典型学习者特征模型建模方法的总结：
　　1　覆盖模型、微分模型、摄动模型
　　覆盖模型、微分模型和摄动模型都是基于学习者知识建模的。在建模方法上，微分模型和摄动模型是基于覆盖模型的。它们之间具有相似之处，也存在着一定的差异。
　　覆盖模型(Overlay Model)假设学习者行为和专家行为的不同是由缺乏技能造成的，因此将学习者知识简单认为是专家知识的子集，其中的学生模型是通过将学习者的行为同专家相比较建立的(如图1所示)。
　　
　　微分模型(Differential Model)是对覆盖模型的进一步改进，在本质上仍然属于覆盖模型。该模型把学生知识视为领域专家知识中期望学生获得知识的一个子集，将学习者的知识分为期望学习者获得的知识和学习者不被期望获得的知识。与覆盖模型不同之处在于没有假设学生模型与专家模型的所有差异是不被期望的(如图2所示)。
　　
　　在摄动模型(Perturbation Model)中，学习者知识不再被看成是专家知识的一个子集。它认为学习者知识加工的潜力和专家知识在数量和质量方面是不同的。摄动模型把学生知识视为领域专家知识和学生可能形成的错误知识的一个子集
　　2　铅板模型(Stereotype Model)
　　铅板模型，是一种简单的描述用户知识状态的模型。该模型虽然比较容易实现，并可以快速地建立用户模型，但其适应的粒度却不够细。在实际建模中，往往和覆盖模型结合起来运用。
　　3　贝叶斯模型(Bayesian Models)
　　贝叶斯模型是利用贝叶斯网络应用于学习者模型建模的方法。将其应用于学生建模中，能够编码学生知识项之间的因果关系，通过不断加入后验数据信息，可以推导出学生知识的掌握程度。根据建模技术，贝叶斯网络学生建模分成三种类型：专家为中心的学生模型、效率为中心的学生模型、数据为中心的学生模型。
　　4　约束模型(Constraint-Based Models)
　　约束模型认为学生求解问题时所达到的问题求解状态可以反映出学生所犯的错误。约束模型与其他学生模型是有区别的，其他模型是在学生的求解路径上所使用的运算上“发现”学生的错误。
　　以上各种学习者特征模型的建模方法，各具优缺点，在自适应学习系统中的学习者特征模型建模时应给予充分考虑，扬长避短。与此同时，还可以结合运用各种有效的计算机算法或人工智能技术，共同完成学习者特征模型的建模和学习者特征的获取。三　国外自适应学习系统中的学习者特征模型
　　学习者特征模型是学习者在自适应学习系统中实现个性化学习的关键。模型建模的首要任务在于方法的选择和运用。在本部分笔者主要从学习者特征模型的建模方法及学习者特征的构成等方面对国外自适应学习系统中的学习者特征模型进行了研究，通过大量的文献阅读，并根据学习者特征模型的建模方法对多个系统及其学习者特征模型进行了分类比较。
　　1　根据覆盖模型及其扩展模型分类
　　覆盖模型及其扩展模型即上文中的覆盖模型、微分模型、摄动模型等，依据覆盖模型建模的自适应学习系统有：AHA，AHAM．AHM、XAHM，ISIS-TUTOR，HYPERFLEX，ICICLE等。
　　AHA(Adaptive Hypermedia Architecture)是荷兰Eindhoven科技大学计算机系Paul DeBra教授于1998年研究出的第一代AHA系统。该系统通过适应性引擎更新用户模型，用户模型是基于概念的用户模型，包含概念知识属性，用户通过浏览超媒体页面增加知识。其突出特征是支持适应性内容的呈现。AHA用户模型中包含的学习者特征有学习者知识、学习目标、兴趣等，其中缺少学习者特征重要的非智力因素学习风格。
　　XAHM(XMLAdaptive Hypermedia Model)，是一种基于XML的自适应超媒体模型，该系统包括对学习者行为的建模(如偏好、浏览活动等)、对技术的建模(网络、用户终端)、对外环境的建模(时间、地点、语言、社会性问题

相关热词搜索：述评 学习者 建模 自适应

【自适应学习系统中学习者特征模型及建模方法述评】

最新文章

热门文章