基于DS證據(jù)融合的學(xué)習(xí)者學(xué)習(xí)風(fēng)格研究

李強(qiáng)

(東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院， 黑龍江 大慶 163318)

0 引言

伴隨著網(wǎng)絡(luò)、信息以及計(jì)算機(jī)技術(shù)的不斷發(fā)展和更新，學(xué)習(xí)者的學(xué)習(xí)模式也逐步從傳統(tǒng)模式演變?yōu)樵诰€模式，也就是常說的網(wǎng)絡(luò)學(xué)習(xí)[1]。這種學(xué)習(xí)模式具有傳統(tǒng)模式所不具備的便捷性、可移動(dòng)性、交互性以及學(xué)習(xí)者為主體的個(gè)性化教學(xué)等特點(diǎn)。同時(shí)，網(wǎng)絡(luò)學(xué)習(xí)依托各種專屬授導(dǎo)系統(tǒng)或?qū)W習(xí)平臺(tái)，以自主、遠(yuǎn)程學(xué)習(xí)為基礎(chǔ)，開展多元化微課、公開課等學(xué)習(xí)形式，被各類學(xué)習(xí)者所喜愛。漸漸的，人們?cè)诰W(wǎng)絡(luò)學(xué)習(xí)實(shí)際教學(xué)的應(yīng)用過程中發(fā)現(xiàn)，網(wǎng)絡(luò)學(xué)習(xí)對(duì)比傳統(tǒng)授課模式，仍然存在一定的缺陷。因此，分析學(xué)習(xí)者學(xué)習(xí)行為，推測不同學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，是達(dá)到個(gè)性化教學(xué)的重要部分，同時(shí)，也是實(shí)現(xiàn)最佳學(xué)習(xí)效果的有效途徑。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的概念是1968年由Rumelhart與McCelland等人組成的科學(xué)家小組提出來的[2]。是目前為止，應(yīng)用非常廣泛的一種神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程由兩個(gè)部分組成：其一，信號(hào)的正向傳播；其二，誤差的反向傳播。而對(duì)于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的實(shí)際流程，當(dāng)信號(hào)向前傳播，即正向傳播時(shí)，輸入的采樣樣本會(huì)通過隱藏層從輸入層傳遞到輸出層。而如果輸出層的實(shí)際輸出與預(yù)期輸出不匹配時(shí)，信號(hào)則進(jìn)入誤差反向傳播階段，同時(shí)將誤差分配給每一層的多個(gè)單元，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D

總結(jié)來看，BP神經(jīng)網(wǎng)路的基本思想即：信號(hào)正向傳播和誤差反向傳播周期性地往復(fù)運(yùn)動(dòng)，直到神經(jīng)網(wǎng)絡(luò)輸出的錯(cuò)誤減少到可接受的水平或預(yù)設(shè)的次數(shù)為止。

但是，單一的BP神經(jīng)網(wǎng)絡(luò)很容易進(jìn)入局部極小點(diǎn)，導(dǎo)致識(shí)別率或預(yù)測準(zhǔn)確度低等問題，這是BP神經(jīng)網(wǎng)絡(luò)的硬性缺點(diǎn)。所以需要引入DS證據(jù)理論的合成規(guī)則，因?yàn)镈S的優(yōu)點(diǎn)是可以處理不確定事件，在證據(jù)源中加入主觀因素。將二者結(jié)合，利用BP神經(jīng)網(wǎng)絡(luò)的輸出作為證據(jù)理論的識(shí)別框架的元素，DS證據(jù)理論對(duì)BP的輸出結(jié)果進(jìn)行證據(jù)合成，進(jìn)而達(dá)到提高預(yù)測準(zhǔn)確度的目的。

2 DS證據(jù)理論

DS證據(jù)理論是一種推理算法，該算法憑借其在處理非確定性信息方面的明顯優(yōu)勢而被廣泛應(yīng)用于數(shù)據(jù)信息融合領(lǐng)域，甚至在決策分析等領(lǐng)域中，DS證據(jù)理論算法也可以起到重要的作用[3]。

(1) 識(shí)別框架

在DS證據(jù)理論中，一切證據(jù)的推理都建立在一個(gè)有限集合上，這個(gè)集合是非空的。非空有限集合可以看作是一個(gè)樣本空間，而這個(gè)樣本空間被稱為識(shí)別框架。假設(shè)識(shí)別框架Θ為一個(gè)元素集合，基本信任分配函數(shù)m是一個(gè)集合2Θ到[0,1]的映射，A是識(shí)別框架中的任意一個(gè)子集，記作A?Θ，如式(1)。

(1)

(2) 組合規(guī)則

D-S證據(jù)理論融合的組合規(guī)則(也稱合成規(guī)則)是證據(jù)理論的核心，其基本策略即：結(jié)合多個(gè)證據(jù)體，將其概率函數(shù)進(jìn)行正交運(yùn)算，一般用⊕表示組合運(yùn)算，如式(2)。

m=m1⊕m2⊕…⊕mi

(2)

其組合規(guī)則在多證據(jù)體的情況下進(jìn)行如下計(jì)算,如式(3)、式(4)。

(3)

(4)

式中，k表示證據(jù)體Xi，Yi之間沖突程度的大小，稱為沖突系數(shù)，范圍在[0,1]之間。當(dāng)沖突系數(shù)k的值越大時(shí)，說明證據(jù)體之間的沖突越大。1/(1-k)稱為歸一因子。另外，Dempster組合規(guī)則滿足數(shù)學(xué)中的結(jié)合律和交換律。也就是說：多證據(jù)組合運(yùn)算的結(jié)果不會(huì)受到計(jì)算順序的影響。

3 BP-DS模型

BP-DS模型中的主體部分BP神經(jīng)網(wǎng)絡(luò)主要負(fù)責(zé)得到DS合成時(shí)所需的概率向量，而DS證據(jù)理論只負(fù)責(zé)對(duì)BP的輸出結(jié)果進(jìn)行融合處理，在這個(gè)過程中，二者互補(bǔ)，使推測學(xué)習(xí)風(fēng)格的結(jié)果更準(zhǔn)確。

BP-DS模型的框架[4],如圖2所示。

圖2 BP-DS模型框架

首先將選定的學(xué)習(xí)行為數(shù)據(jù)輸入，進(jìn)行數(shù)據(jù)歸一化處理,然后利用已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行推測，將得到的概率向量組進(jìn)行歸一化，最后利用DS合成規(guī)則進(jìn)行合成。

4 學(xué)習(xí)行為采集及學(xué)習(xí)風(fēng)格

學(xué)習(xí)行為的定義概括來講，是學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中，為完成學(xué)習(xí)任務(wù)，達(dá)到對(duì)知識(shí)獲取的目的而產(chǎn)生的一系列學(xué)習(xí)動(dòng)作，是分析學(xué)習(xí)風(fēng)格，達(dá)到個(gè)性化教學(xué)的重要基礎(chǔ)。既然是學(xué)習(xí)者的學(xué)習(xí)動(dòng)作，那么其行為主體是學(xué)習(xí)者，客體是網(wǎng)絡(luò)學(xué)習(xí)資源。在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境(包括在線學(xué)習(xí)平臺(tái)、學(xué)習(xí)軟件在內(nèi)的數(shù)字化學(xué)習(xí)環(huán)境)的各類學(xué)習(xí)平臺(tái)中，收集需要的學(xué)習(xí)行為屬性(只列出本文所需屬性)，如表1所示。

表1 學(xué)習(xí)行為及其屬性

根據(jù)現(xiàn)有的網(wǎng)絡(luò)學(xué)習(xí)環(huán)境狀況和在線學(xué)習(xí)的常見方式，基于BP-DS的學(xué)習(xí)風(fēng)格研究的推測模型,如圖3所示。

圖3 學(xué)習(xí)風(fēng)格推測模型

通過分析學(xué)習(xí)者的學(xué)習(xí)行為，進(jìn)而推測該學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，我們可以清楚的了解到：對(duì)于不同學(xué)習(xí)者來說，學(xué)習(xí)方式及學(xué)習(xí)偏好都是有差異的。進(jìn)而得出確定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格是個(gè)性化教學(xué)中重要環(huán)節(jié)的結(jié)論。

國內(nèi)外有不少研究者都曾基于各個(gè)不同的角度或者維度對(duì)學(xué)習(xí)風(fēng)格理論建模，并依據(jù)理論模型對(duì)學(xué)習(xí)風(fēng)格進(jìn)行分類，比如：菲爾德等人提出的學(xué)習(xí)風(fēng)格理論，將學(xué)習(xí)者分為活躍型、沉思型、感悟型、自覺型、視覺型、言語型、序列型和綜合型八類；而Honey and Mumford學(xué)習(xí)風(fēng)格理論，則依托學(xué)習(xí)者在學(xué)習(xí)動(dòng)作中的習(xí)慣、偏好與愛好需求，關(guān)聯(lián)學(xué)習(xí)風(fēng)格與學(xué)習(xí)行為，將學(xué)習(xí)者分為行動(dòng)者、理論者、反思者和使用者四類[5]。

通過收集的學(xué)習(xí)行為信息，結(jié)合對(duì)多個(gè)文獻(xiàn)的理解、總結(jié)以及實(shí)際所需，簡單地將學(xué)習(xí)者學(xué)習(xí)風(fēng)格歸納為以下兩組四類：

①努力型 懶惰型

②聰明型 笨拙型

并針對(duì)其中的努力型與懶惰型進(jìn)行實(shí)驗(yàn)分析。

5 實(shí)驗(yàn)及分析

5.1 實(shí)驗(yàn)環(huán)境介紹

本文實(shí)驗(yàn)背景情況如下。

(1) CPU:英特爾Core i5 5200U@2.20GHz；

(2) 內(nèi)存：4GB；

(3) 操作系統(tǒng)：Win7旗艦版(64位)；

(4) 軟件環(huán)境：Matlab 2016a。

5.2 實(shí)驗(yàn)分析

本文所采集數(shù)據(jù)來源于黑龍江省某高校計(jì)算機(jī)專業(yè)慕課教學(xué)平臺(tái)，以“數(shù)據(jù)結(jié)構(gòu)”這門課程為例，時(shí)間范圍為2018年9月至2019年1月，共采集427名學(xué)生的相關(guān)學(xué)習(xí)數(shù)據(jù)，其中396名學(xué)生的學(xué)習(xí)行為數(shù)據(jù)較完整，并將每名學(xué)生一周的數(shù)據(jù)進(jìn)行預(yù)處理。將前395組數(shù)據(jù)分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)。再將剩余的一組樣本數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，如表2所示。

表2 一組學(xué)習(xí)行為數(shù)據(jù)

為了保證神經(jīng)網(wǎng)絡(luò)的收斂性和穩(wěn)定性，本文將7個(gè)指標(biāo)分為三組，建立3個(gè)神經(jīng)網(wǎng)絡(luò)NN1,NN2和NN3。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計(jì)為(0.6,0.4)T、(0.4,0.6)T，表示的學(xué)習(xí)風(fēng)格類型為努力型、懶惰型。歸一化處理輸出結(jié)果,即得該證據(jù)對(duì)該命題的基本概率分布,如表3所示。

表3 經(jīng)由BP神經(jīng)網(wǎng)絡(luò)確定的基本概率分配

利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果,如表4所示。

表4 經(jīng)由DS證據(jù)理論融合的結(jié)果

由表4可知，努力型學(xué)習(xí)行為O1的概率隨著融合次數(shù)的增多逐漸趨近于1，而O2懶惰型則趨近于0，與表3中的結(jié)果相比提高了決策結(jié)果的準(zhǔn)確性。

同理，通過教師對(duì)作業(yè)及實(shí)驗(yàn)實(shí)踐的評(píng)分、測試成績與網(wǎng)上答疑情況等其它學(xué)習(xí)行為的屬性進(jìn)行學(xué)習(xí)者為聰明型或笨拙型學(xué)習(xí)風(fēng)格的決策。

6 總結(jié)

本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論構(gòu)建模型對(duì)學(xué)習(xí)者學(xué)習(xí)風(fēng)格的研究，其優(yōu)勢表現(xiàn)為：兩種算法結(jié)合，不僅能克服單一神經(jīng)網(wǎng)絡(luò)由于高精度而產(chǎn)生過多迭代次數(shù)所造成的實(shí)時(shí)性差的缺點(diǎn)，而且通過大量樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)后的數(shù)據(jù)歸一化，使得DS證據(jù)理論對(duì)學(xué)習(xí)行為特征類型的決策更加準(zhǔn)確。