论文部分内容阅读
智能教学系统(Intelligent Tutoring System,简称ITS),作为计算机网络技术、人工智能的重要研究应用领域,将人工智能技术应用于教学研究与实践,是21世纪人类社会数字化教育发展的重要方向。传统上,ITS通常包括知识库(领域知识库和经验知识库)、学生模型(学生的知识水平和学习能力)、教师模型(教学策略)和人机界面(智能教学系统与教师及学生三者之间建立友好的通讯交流方式)等主要模块。知识库作为ITS的重要组成部分,即要使ITS能够依据学生的学习兴趣、学习偏好、学习风格和知识背景等因素,给学生推荐合适的教学内容和适当的教学策略。因此知识表示和知识推理是智能教学系统性能的瓶颈。为了便于知识推理和表示,将Corpus相似性度量方法和基于学生学习偏好的Bayesian知识推理应用于智能教学系统的知识库模型中,实现对学生因材施教和实现学生间的协同学习。本文提出了一种基于Bayesian知识推理网络和知识推理算法,该算法利用Bayesian知识推理网和Bayesian概率公式,从现有学习资源库和教学方法库中推荐出最符合学生特征的k种学习资源和k种教学方法,从而实现ITS的智能学习推荐功能。实验研究结果表明:此方法能够达到较好的推荐效果,但是搜索的空间较大,时间复杂度高。同时存在两个主要的问题:(1)割裂了知识推理模块与评价系统的联系,没有依据学生的评价反馈,再从教学策略库中选择适当教学策略和下一步的系统行为。(2)教学策略确定后不能根据学生情况的变化而灵活变化,具有一定的局限性。于是,引入了基于案例的推理方法—CBR,提出了基于CBR(Case-basedReasoning)的Bayesian推理,利用Bayesian网构造一个关于案例的合适描述,且用概率传播技术评估和检索案例,并通过修正已获得的案例和更新Bayesian网络需要的条件概率进行学习。采用多模式的动态教学策略模型,对相似的学生采用类似的教学策略,达到教学经验重用,实现协同学习。实验检验证明,此方法不仅在效率上有提高,而且提高了计算速度,降低了时间复杂度。