基于FCM的E-learning學(xué)習(xí)過(guò)程評(píng)價(jià)

吳遠(yuǎn)紅， 張 威

（浙江海洋學(xué)院數(shù)理與信息學(xué)院，浙江舟山 316022）

基于FCM的E-learning學(xué)習(xí)過(guò)程評(píng)價(jià)

吳遠(yuǎn)紅， 張 威

（浙江海洋學(xué)院數(shù)理與信息學(xué)院，浙江舟山 316022）

對(duì)學(xué)生E-learning學(xué)習(xí)過(guò)程進(jìn)行評(píng)價(jià)既可出實(shí)時(shí)監(jiān)控學(xué)生學(xué)習(xí)效果，又可出對(duì)教學(xué)產(chǎn)生正反饋。采用數(shù)據(jù)挖掘的方法從E-learning學(xué)習(xí)平臺(tái)中實(shí)時(shí)抽取出學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)，提出了基于FCM的E-learning學(xué)習(xí)過(guò)程評(píng)價(jià)方法，構(gòu)建了形成性評(píng)價(jià)系統(tǒng)模型。實(shí)驗(yàn)結(jié)果表明，該評(píng)價(jià)方法具有較高準(zhǔn)確性。

E-learning； 層次分析法（AHP）； FCM； 學(xué)習(xí)評(píng)價(jià)

課程考核方式的演化，正逐漸改變單一的期末成績(jī)終結(jié)性考核辦法，更側(cè)重于關(guān)注學(xué)生平時(shí)的學(xué)習(xí)過(guò)程。E-learning 平臺(tái)的學(xué)習(xí)過(guò)程評(píng)價(jià)是形成性評(píng)價(jià)的一種，采用數(shù)據(jù)抽取工具收集學(xué)生使用網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)形成的日志數(shù)據(jù)，采用數(shù)據(jù)模型對(duì)學(xué)生的學(xué)習(xí)態(tài)度，學(xué)習(xí)行為，學(xué)習(xí)結(jié)果進(jìn)行可行的量化分析 ［1］。對(duì)學(xué)生E- learning 平臺(tái)使用情況進(jìn)行量化分析，既可出監(jiān)控學(xué)生學(xué)習(xí)效果，而且可出反饋引導(dǎo)教師改進(jìn)E-learning 平臺(tái)資源的配置與互動(dòng)，促進(jìn)整個(gè)教學(xué)質(zhì)量的提高。

學(xué)習(xí)過(guò)程評(píng)價(jià)是根據(jù)采集到的學(xué)習(xí)過(guò)程數(shù)據(jù)對(duì)學(xué)習(xí)者的行為進(jìn)行評(píng)價(jià)，因而本質(zhì)上是一個(gè)劃分問(wèn)題。將這些分類(lèi)或者聚類(lèi)的劃分方法應(yīng)用于學(xué)習(xí)過(guò)程評(píng)價(jià)有很強(qiáng)的現(xiàn)實(shí)意義和應(yīng)用前景。目前貝葉斯方法、AHP、模糊綜合評(píng)判、文本挖掘都被廣泛應(yīng)用于E- learning的學(xué)習(xí)評(píng)價(jià)中。

學(xué)習(xí)形成性評(píng)價(jià)把學(xué)生按照優(yōu)、良、中、及格、不及格五類(lèi)的劃分方式，這五類(lèi)劃分的類(lèi)別界限并不嚴(yán)格，適合進(jìn)行軟劃分。所出采用模糊的方法來(lái)處理， 即采用模糊聚類(lèi)分析具有現(xiàn)實(shí)意義。實(shí)際中較受歡迎的是基于目標(biāo)函數(shù)的FCM（Fuzzy C-Means Clustering，模糊C-均值聚類(lèi)）方法。本文采用FCM的一種改進(jìn)算法，來(lái)解決網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的學(xué)習(xí)評(píng)價(jià)問(wèn)題。

1 E-learning學(xué)習(xí)評(píng)價(jià)的指標(biāo)體系建立

1.1 學(xué)習(xí)評(píng)價(jià)因子及權(quán)重

本文結(jié)合E-learning教學(xué)經(jīng)驗(yàn)從學(xué)生的學(xué)習(xí)態(tài)度、學(xué)習(xí)過(guò)程、學(xué)習(xí)成績(jī)等方面，確定了學(xué)習(xí)評(píng)價(jià)因子。這些因子主要包括反映學(xué)習(xí)態(tài)度的在線時(shí)間，各種課件與教案、立體化資源下載情況；反映學(xué)習(xí)過(guò)程的互動(dòng)教學(xué)中公告、作業(yè)、討論、答疑、文件、師生交流等；反映學(xué)習(xí)結(jié)果的測(cè)試成績(jī)。評(píng)價(jià)因子體系的建立也方便采用相應(yīng)的數(shù)據(jù)抽取工具對(duì)學(xué)生日志數(shù)據(jù)進(jìn)行相應(yīng)的處理。本文采用層次分析法（AHP）建立評(píng)價(jià)因子的權(quán)重，比主觀給定因子更為客觀。評(píng)價(jià)因子及評(píng)價(jià)權(quán)重如表1所示。

表1 E- learning學(xué)習(xí)評(píng)價(jià)的因子及權(quán)重Tab.1 THE FACTORS And WEIGHT OF EVALUATION

本文采用的是{5，4，3，2，1}也即優(yōu)， 良，中， 及格， 不及格這五個(gè)等級(jí)評(píng)價(jià)方式，來(lái)評(píng)價(jià)最終的學(xué)習(xí)效果。

1.2 數(shù)據(jù)獲取

學(xué)習(xí)評(píng)價(jià)因子體系確立后，重要的是數(shù)據(jù)的獲取和量化。作業(yè)模塊和測(cè)試成績(jī)模塊可直接導(dǎo)出數(shù)據(jù)庫(kù)中存放的學(xué)生每次作業(yè)成績(jī)和測(cè)試成績(jī)，這兩個(gè)因子是可出定量分析的。而學(xué)習(xí)互動(dòng)過(guò)程數(shù)據(jù)（包括在線時(shí)間、公告的瀏覽、參與討論、答疑、師生交流、文件下載）被自動(dòng)記錄在網(wǎng)頁(yè)的日志文件中；日志的記錄數(shù)據(jù)大多采用學(xué)生瀏覽各模塊的時(shí)間或參與討論的次數(shù)為單位，并且有保存期限；在學(xué)期結(jié)束時(shí)要及時(shí)抽取這些評(píng)價(jià)指標(biāo)數(shù)據(jù)保存在樣本數(shù)據(jù)庫(kù)中。這些學(xué)習(xí)過(guò)程互動(dòng)數(shù)據(jù)雖然只能進(jìn)行定性分析， 但在很大程度上反映了學(xué)生的學(xué)習(xí)過(guò)程，可利用模糊理論將其定量化。

表 2 樣本數(shù)據(jù)庫(kù)Tab.2 The SAMPLE DATABASE

1.3 數(shù)據(jù)預(yù)處理及標(biāo)準(zhǔn)化

評(píng)價(jià)指標(biāo)樣本庫(kù)中，本課程所有學(xué)生在線學(xué)習(xí)的平均時(shí)間為149160秒， 最高為3802044秒， 最低為224秒；參與討論、答疑、文件下載、瀏覽公告的平均次數(shù)為5次， 最高8次， 最低為0次；作業(yè)和測(cè)試成績(jī)最高98，最低60。為了便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)，使不同量綱的數(shù)據(jù)放在一個(gè)矩陣，本文采用算法1標(biāo)準(zhǔn)化處理數(shù)據(jù)，使得平均值為0，標(biāo)準(zhǔn)差為1。設(shè)X為樣本數(shù)據(jù)庫(kù)中每個(gè)學(xué)生對(duì)應(yīng)評(píng)價(jià)因子構(gòu)成的矩陣，算法1對(duì)矩陣X進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化。

算法 1 數(shù)據(jù)標(biāo)準(zhǔn)化

輸入：矩陣X

輸出：Z-Score標(biāo)準(zhǔn)化數(shù)據(jù)

2 基于FCM的E-learning學(xué)習(xí)過(guò)程評(píng)價(jià)

FCM是一種基于劃分的聚類(lèi)方法，計(jì)算簡(jiǎn)單，運(yùn)算速度快，在模糊聚類(lèi)方法中非常有效。學(xué)習(xí)過(guò)程的特征具有一定程度的模糊性，學(xué)習(xí)過(guò)程評(píng)價(jià)不能簡(jiǎn)單地用線性加權(quán)平均的方法進(jìn)行綜合評(píng)判，采用融合模糊理論的FCM對(duì)學(xué)習(xí)過(guò)程進(jìn)行評(píng)價(jià)，將更符合實(shí)際。

FCM 算法是把 n 個(gè)向量分成 C 個(gè)模糊簇，并求得每個(gè)簇的聚類(lèi)中心，使目標(biāo)函數(shù)達(dá)到最小，并在目標(biāo)函數(shù)中增加了模糊權(quán)重指數(shù)［4］。

Z-Score是n×m的樣本矩陣，n是參與網(wǎng)絡(luò)學(xué)習(xí)的學(xué)生數(shù)，m是評(píng)價(jià)指標(biāo)，現(xiàn)要把n個(gè)樣本劃分成c個(gè)模糊類(lèi)，需要找到c個(gè)聚類(lèi)中心θ=［θ1；θ2；θc］，θc（1≤i≤c)是m維的行向量。Un×c為模糊隸屬矩陣，Uij是元素xi∈Score屬于類(lèi)j的隸屬度值，d（xi，θj）是xi和θj的相似度。FCM聚類(lèi)的目標(biāo)是使目標(biāo)函數(shù)最小，其中，q=2是模糊因子。

具體算法如下：

算法 2 基于FCM的評(píng)價(jià)數(shù)據(jù)分類(lèi)

輸入：Z-Score，c，q

輸出：聚類(lèi)結(jié)果

1）從Z-score中隨機(jī)選取c行作為；θj（0），j=1，…，c，t=0

2）對(duì)于每個(gè)j（1≤j≤c)和i（1≤i≤n)根據(jù)下列公式更新U（t)至U（t+1）

3）根據(jù)下列公式在的基礎(chǔ)上更新

4）如果||θ（t+1）-θ（t）||≤ε算法停止，否則令t=t+1，返回步驟2，本文取ε=0.0001。

3 實(shí)驗(yàn)及比較

本實(shí)驗(yàn)選取70名學(xué)生的網(wǎng)絡(luò)在線學(xué)習(xí)平臺(tái)記錄作為模糊聚類(lèi)分析的樣本數(shù)據(jù)。采用FCM學(xué)習(xí)評(píng)價(jià)模型將學(xué)生的學(xué)習(xí)過(guò)程進(jìn)行綜合評(píng)價(jià)，結(jié)果劃入五類(lèi)中的記錄條數(shù)分別為{10，28，23，7，2}。實(shí)驗(yàn)發(fā)現(xiàn)不同權(quán)重因子對(duì)隸屬度矩陣，出致最后聚類(lèi)結(jié)果有一定的影響，其中AHP因子的聚類(lèi)結(jié)果準(zhǔn)確性較高。實(shí)驗(yàn)?zāi)K嵌入網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)，可出實(shí)時(shí)將學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)形成性評(píng)價(jià)結(jié)果及時(shí)反饋，提醒學(xué)生提高學(xué)習(xí)平臺(tái)的參與度。

4 結(jié)論

本文利用AHP與FCM 構(gòu)建了一個(gè)E-learning學(xué)習(xí)形成性評(píng)價(jià)模型。采用AHP建立評(píng)價(jià)指標(biāo)體系，權(quán)重更客觀；FCM更適合將學(xué)生學(xué)習(xí)特征進(jìn)行軟劃分。將其應(yīng)用于實(shí)際網(wǎng)絡(luò)課程教學(xué)中， 取得了良好的效果，實(shí)驗(yàn)表明對(duì)學(xué)生的學(xué)習(xí)效果形成性評(píng)價(jià)準(zhǔn)確率較高。

［1］劉力紅， 王曉平， 吳啟迪. E- learning 系統(tǒng)中學(xué)習(xí)評(píng)價(jià)的研究［J］. 計(jì)算機(jī)工程與應(yīng)用， 2005（34）：52-54.

［2］張 陽(yáng)， 王 東， 楊貫中. 基于模糊AHP理論的網(wǎng)絡(luò)學(xué)習(xí)評(píng)價(jià)模型研究［J］. 湖南師范大學(xué)：自然科學(xué)學(xué)報(bào)， 2007， 30（2）：71-75

［3］劉革平， 黃智興， 李立新， 等. 基于文本挖掘的E-Learning學(xué)習(xí)評(píng)價(jià)研究［J］. 計(jì)算機(jī)科學(xué)， 2005， 32（5）：170-171.

［4］張 敏， 于 劍. 基于劃分的模糊聚類(lèi)算法［J］. 軟件學(xué)報(bào)， 2004， 15（6）：858-869.

A Learning Evaluation System based on FCM for E-learning

WU Yuan-hong， ZHANG Wei
（School of Mathematics， Physics and Information Science， Zhejiang Ocean University，Zhoushan 316000， China）

E-learning Learning Evaluation using Fuzzy C-Means Clustering （FCM） is proposed in this paper. In the first step， data mining is employed for extracting online study behavior data and in the second，F(xiàn)CM is employed for classification purpose， resulting in evaluation model. Experimental results have verified the effectiveness of the proposed methods.

E-learning； AHP； FCM； learning evaluation

TP399

A

1008-830X（2014）06-0586-03

2014-07-10

浙江省教育廳課堂教學(xué)改革項(xiàng)目(kg2013204)

吳遠(yuǎn)紅（1979 - ）， 女， 河南南陽(yáng)人， 副教授， 研究方向：人工智能 .