基于鼠標(biāo)事件的虛擬仿真實(shí)驗(yàn)中學(xué)習(xí)狀態(tài)評(píng)價(jià)模型研究

劉志勇，王淑賢

(東北師范大學(xué)信息科學(xué)與技術(shù)學(xué)院，吉林 長(zhǎng)春 130117)

1 引言(Introduction)

近年來，虛擬仿真實(shí)驗(yàn)為學(xué)習(xí)者帶來一種嶄新的實(shí)驗(yàn)方式，突破了傳統(tǒng)實(shí)驗(yàn)中時(shí)間與空間的約束，并且解決了由于實(shí)驗(yàn)環(huán)境及設(shè)備的限制造成的實(shí)踐性缺乏、實(shí)驗(yàn)培養(yǎng)效果不理想等問題。然而，虛擬仿真實(shí)驗(yàn)中時(shí)空分離的教與學(xué)的方式，使教學(xué)者對(duì)學(xué)習(xí)者實(shí)驗(yàn)時(shí)的學(xué)習(xí)狀態(tài)知之甚少，僅可通過了解實(shí)驗(yàn)者的實(shí)驗(yàn)結(jié)果來進(jìn)行評(píng)價(jià)，缺少了對(duì)實(shí)驗(yàn)的過程性評(píng)價(jià)，顯然具有一定的片面性和局限性。即使有教師實(shí)時(shí)參與的實(shí)驗(yàn)的過程性評(píng)價(jià)，由于缺少數(shù)據(jù)支撐，教師的即時(shí)性診斷仍然偏于經(jīng)驗(yàn)分析和定性分析。

很多學(xué)者致力于研究在線學(xué)習(xí)環(huán)境下的學(xué)習(xí)狀態(tài)評(píng)價(jià)模型，它能夠根據(jù)學(xué)習(xí)過程中的實(shí)驗(yàn)操作數(shù)據(jù)對(duì)學(xué)習(xí)狀態(tài)做出評(píng)價(jià)。黃濤等指出，信息技術(shù)的發(fā)展，使得傳統(tǒng)教育評(píng)價(jià)機(jī)制向數(shù)據(jù)驅(qū)動(dòng)的精準(zhǔn)化學(xué)習(xí)評(píng)價(jià)方向邁進(jìn)，分析多模態(tài)的數(shù)據(jù)更加有利于發(fā)現(xiàn)教育中的問題。王蓓蓓等從大數(shù)據(jù)的視角，對(duì)大數(shù)據(jù)應(yīng)用于學(xué)習(xí)過程評(píng)價(jià)進(jìn)行了特征分析,探究了學(xué)習(xí)過程錯(cuò)題個(gè)性化推送,學(xué)生過程行為評(píng)價(jià)的應(yīng)用模式等?？梢?，在線學(xué)習(xí)環(huán)境中，信息技術(shù)手段賦能學(xué)習(xí)分析，可以大大提高評(píng)價(jià)的全面性與科學(xué)性，也有助于教育者對(duì)后續(xù)課程安排的調(diào)整，有效提高教學(xué)質(zhì)量。學(xué)習(xí)者學(xué)習(xí)狀態(tài)評(píng)價(jià)最常用的方法有兩種，一種是基于生理信號(hào)的方法，比如腦電圖、心電圖等，需要借助專用的傳感設(shè)備；另一種是基于非生理信號(hào)的方法，比如面部表情、眼動(dòng)、手勢(shì)、身體動(dòng)作等。鄭茜元等提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的眼動(dòng)分析算法，判定學(xué)生注意力情況。還有一種較為流行的方案是利用Kinect體感數(shù)據(jù)對(duì)學(xué)習(xí)者學(xué)習(xí)過程中的姿態(tài)識(shí)別，進(jìn)而判斷學(xué)習(xí)者的狀態(tài)，以實(shí)現(xiàn)學(xué)習(xí)過程的監(jiān)測(cè)。基于生理信號(hào)采集數(shù)據(jù)的方式存在設(shè)備佩戴煩瑣從而影響學(xué)習(xí)者等問題，基于非生理信號(hào)的方式又可能造成隱私泄漏，并且獲取到的數(shù)據(jù)不夠準(zhǔn)確、客觀，難以真實(shí)全面地反映學(xué)習(xí)狀態(tài)。利用鼠標(biāo)事件實(shí)現(xiàn)學(xué)習(xí)者學(xué)習(xí)狀態(tài)評(píng)價(jià)是一個(gè)比較新穎的研究方向。美國(guó)楊百翰大學(xué)曾提出僅根據(jù)鼠標(biāo)的運(yùn)動(dòng)方向來評(píng)估使用者的情緒狀態(tài)，該研究發(fā)現(xiàn)，學(xué)習(xí)者的情緒狀態(tài)影響鼠標(biāo)運(yùn)動(dòng)的方式，而鼠標(biāo)事件也能夠反映出使用者的情緒狀態(tài)。

本文以虛擬仿真環(huán)境下的初中物理電學(xué)實(shí)驗(yàn)為研究對(duì)象，以鼠標(biāo)事件與學(xué)習(xí)狀態(tài)的相關(guān)性作為理論基礎(chǔ)，提出了一種基于鼠標(biāo)事件分析的學(xué)習(xí)者學(xué)習(xí)狀態(tài)評(píng)價(jià)模型。該模型分類能力較強(qiáng)，且擴(kuò)展性較好，運(yùn)行也非常穩(wěn)定。

2 數(shù)據(jù)的獲取(Data collection)

采集學(xué)習(xí)者實(shí)驗(yàn)過程中的鼠標(biāo)事件，將其作為原始的數(shù)據(jù)樣本。選定的志愿者群體為初中學(xué)生，共征集了943 名初中在讀學(xué)生參與了數(shù)據(jù)的收集，每人完成七個(gè)物理實(shí)驗(yàn)，完成過程中初中物理老師對(duì)數(shù)據(jù)進(jìn)行人工標(biāo)記。

在對(duì)志愿者實(shí)驗(yàn)結(jié)果進(jìn)行篩選后，剔除了沒有進(jìn)行實(shí)際實(shí)驗(yàn)操作的數(shù)據(jù)，最后得到897 名志愿者的有效數(shù)據(jù)，共計(jì)4,485 條。

以初中物理虛擬仿真實(shí)驗(yàn)軟件“吃掉物理”中電學(xué)的七個(gè)實(shí)驗(yàn)為例，將實(shí)驗(yàn)界面進(jìn)行分區(qū)，分為實(shí)驗(yàn)操作區(qū)與非實(shí)驗(yàn)操作區(qū)。實(shí)驗(yàn)操作區(qū)分為實(shí)驗(yàn)操作區(qū)域與實(shí)驗(yàn)器材區(qū)域，非實(shí)驗(yàn)操作區(qū)為除此之外的其他區(qū)域。從實(shí)驗(yàn)開始時(shí)啟動(dòng)對(duì)學(xué)習(xí)者的鼠標(biāo)事件的收集工作。

鼠標(biāo)事件數(shù)據(jù)要盡可能全面地反映實(shí)驗(yàn)者實(shí)驗(yàn)的全過程。所以從實(shí)驗(yàn)開始每隔1 s收集一次鼠標(biāo)事件信息，收集的主要信息包括鼠標(biāo)位置坐標(biāo)、時(shí)間戳、鼠標(biāo)所在區(qū)域、移動(dòng)的距離、移動(dòng)的角度、鼠標(biāo)點(diǎn)擊的次數(shù)、鼠標(biāo)滾動(dòng)的次數(shù)等。

數(shù)據(jù)的收集原理是將設(shè)計(jì)好的鼠標(biāo)獲取工具嵌入到虛擬仿真實(shí)驗(yàn)的操作界面。當(dāng)學(xué)習(xí)者進(jìn)行實(shí)驗(yàn)時(shí)，對(duì)學(xué)習(xí)者的鼠標(biāo)事件數(shù)據(jù)進(jìn)行收集，然后將收集到的數(shù)據(jù)上傳處理，最后經(jīng)過處理得到實(shí)驗(yàn)所需要的特征。

鼠標(biāo)事件獲取工具基于JavaScript設(shè)計(jì)與實(shí)現(xiàn)，主要利用了一些經(jīng)典的鼠標(biāo)驅(qū)動(dòng)事件。在這些鼠標(biāo)驅(qū)動(dòng)事件中添加腳本，就可以獲取鼠標(biāo)的橫縱坐標(biāo)，再疊加鼠標(biāo)當(dāng)前滾動(dòng)的橫縱距離就可以得到鼠標(biāo)當(dāng)前所在的位置。獲取到原始數(shù)據(jù)后，從原始數(shù)據(jù)中提取了16 個(gè)特征，人工處理后形成數(shù)據(jù)表。部分字段及數(shù)據(jù)如表1所示，數(shù)據(jù)集信息如表2所示。

表1 部分實(shí)驗(yàn)數(shù)據(jù)Tab.1 Some experimental data

表2 數(shù)據(jù)集信息Tab.2 Dataset information

3 評(píng)價(jià)模型的構(gòu)建(Evaluation model construction)

評(píng)價(jià)模型的構(gòu)建過程中，首先分析了實(shí)驗(yàn)對(duì)象和內(nèi)容——初中物理電學(xué)實(shí)驗(yàn)，并根據(jù)各個(gè)物理實(shí)驗(yàn)所涵蓋的知識(shí)點(diǎn)的不同進(jìn)行劃分。其次通過不同的降維方法與回歸方法分別進(jìn)行實(shí)驗(yàn)，分析得出其共性與個(gè)性。在這些基礎(chǔ)上，聚焦實(shí)驗(yàn)完成的過程以及實(shí)驗(yàn)中各知識(shí)點(diǎn)的細(xì)節(jié)，構(gòu)建了基于HMM的融合時(shí)序因素的學(xué)習(xí)狀態(tài)評(píng)價(jià)模型，并分析問題與不足，針對(duì)HMM模型分類能力較弱的特點(diǎn)，采用引入SVM的方式，構(gòu)建了一種結(jié)構(gòu)松散相對(duì)獨(dú)立的混合模型。

3.1 實(shí)驗(yàn)內(nèi)容的選擇與分析

實(shí)驗(yàn)教學(xué)是培養(yǎng)創(chuàng)新思維的重要方式，初中時(shí)期是學(xué)生剛接觸實(shí)驗(yàn)教學(xué)的時(shí)期，這個(gè)時(shí)期的實(shí)驗(yàn)教學(xué)對(duì)于學(xué)生的創(chuàng)新能力有很好的啟蒙作用。其中電學(xué)實(shí)驗(yàn)覆蓋面廣，知識(shí)點(diǎn)豐富，因此選擇初中物理電學(xué)實(shí)驗(yàn)作為研究對(duì)象。

根據(jù)《義務(wù)教育物理課程標(biāo)準(zhǔn)》中要求的“初中物理學(xué)生必做的20 個(gè)分組實(shí)驗(yàn)”，其中電學(xué)共有七個(gè)實(shí)驗(yàn)，分別如下所述。

(1)探究電流與電壓、電阻的關(guān)系；

(2)探究通電螺線管外部磁場(chǎng)的方向；

(3)探究導(dǎo)體在磁場(chǎng)中運(yùn)動(dòng)時(shí)產(chǎn)生感應(yīng)電流的條件；

(4)用電流表測(cè)量電流；

(5)用電壓表測(cè)量電壓；

(6)測(cè)量小燈泡電功率；

(7)連接簡(jiǎn)單的串聯(lián)電路和并聯(lián)電路。

通過分析七個(gè)實(shí)驗(yàn)涵蓋的實(shí)驗(yàn)內(nèi)容和各自的操作要點(diǎn)可以發(fā)現(xiàn)，物理實(shí)驗(yàn)1、6可以涵蓋物理實(shí)驗(yàn)4、5、7的實(shí)驗(yàn)內(nèi)容及操作，于是將物理實(shí)驗(yàn)1、6作為主體實(shí)驗(yàn)。根據(jù)物理教學(xué)要求，在主體實(shí)驗(yàn)中提煉出五個(gè)知識(shí)點(diǎn)：電流表、電壓表、滑動(dòng)變阻器、串聯(lián)、并聯(lián)。

在完成實(shí)驗(yàn)過程中采集的數(shù)據(jù)主要有鼠標(biāo)運(yùn)動(dòng)的平均速度、加速度、角度及時(shí)間等，主要目的是對(duì)學(xué)習(xí)者完成實(shí)驗(yàn)時(shí)的整個(gè)過程建模，通過各知識(shí)點(diǎn)操作采集的時(shí)間序列性的數(shù)據(jù)也可以對(duì)實(shí)驗(yàn)進(jìn)行知識(shí)點(diǎn)的評(píng)價(jià)。為了具體分析知識(shí)點(diǎn)操作情況，將各知識(shí)點(diǎn)的學(xué)習(xí)狀態(tài)分為正常與非正常，如表3所示。

表3 知識(shí)點(diǎn)狀態(tài)及編號(hào)說明Tab.3 Learning status and number of knowledge points

學(xué)習(xí)狀態(tài)評(píng)價(jià)中使用全部七個(gè)物理實(shí)驗(yàn)，評(píng)價(jià)結(jié)果有優(yōu)、中、差三級(jí)。通過研究覆蓋面較廣的主體實(shí)驗(yàn)可為實(shí)驗(yàn)者反饋需要重點(diǎn)關(guān)注的知識(shí)點(diǎn)，便于后續(xù)的學(xué)習(xí)。

3.2 數(shù)據(jù)降維及回歸

數(shù)據(jù)特征的好壞與模型的效果直接相關(guān)，數(shù)據(jù)的降維對(duì)模型的構(gòu)建及訓(xùn)練都至關(guān)重要。我們采用了較為經(jīng)典的三種降維方法，即隨機(jī)森林算法、主成分分析法、卡方檢驗(yàn)法對(duì)特征進(jìn)行降維。合適的評(píng)價(jià)方法可以提高評(píng)價(jià)的準(zhǔn)確性，我們選擇了評(píng)價(jià)方法中較為經(jīng)典的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)、RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與最小二乘向量機(jī)。結(jié)合這些方法，得出各個(gè)物理實(shí)驗(yàn)適用的數(shù)據(jù)維度及回歸方法。

實(shí)驗(yàn)結(jié)果：物理實(shí)驗(yàn)1采用支持向量機(jī)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)2采用反向傳播神經(jīng)網(wǎng)絡(luò)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)3采用反向傳播神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)4采用支持向量機(jī)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)5采用支持向量機(jī)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)6采用支持向量機(jī)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)；物理實(shí)驗(yàn)7采用支持向量機(jī)與卡方檢驗(yàn)法得出的實(shí)驗(yàn)結(jié)果最優(yōu)。

綜合本次實(shí)驗(yàn)中七個(gè)物理實(shí)驗(yàn)的所有結(jié)果，可以得出，在本實(shí)驗(yàn)選取的眾多降維方法中，卡方檢驗(yàn)法的降維效果最好；支持向量機(jī)是本次實(shí)驗(yàn)采用的所有回歸方法中效果最好的，最終均方根誤差較小。

3.3 基于HMM的模型構(gòu)建

鼠標(biāo)事件與知識(shí)點(diǎn)狀態(tài)存在著一定的關(guān)聯(lián)，通過實(shí)驗(yàn)者實(shí)驗(yàn)時(shí)的鼠標(biāo)事件可以了解實(shí)驗(yàn)者各知識(shí)點(diǎn)的學(xué)習(xí)狀態(tài)。計(jì)算機(jī)可以直接觀測(cè)到鼠標(biāo)事件而無法直接觀測(cè)實(shí)驗(yàn)者在知識(shí)點(diǎn)學(xué)習(xí)時(shí)的狀態(tài)。所以就需要用統(tǒng)計(jì)的推理方法確定它們之間的關(guān)聯(lián)。從觀測(cè)序列推斷出概率最大的隱含狀態(tài)，也就是從實(shí)驗(yàn)的鼠標(biāo)事件數(shù)據(jù)中推斷出實(shí)驗(yàn)者的學(xué)習(xí)狀態(tài)。該問題就是HMM中的預(yù)測(cè)問題，要構(gòu)建基于HMM的知識(shí)點(diǎn)學(xué)習(xí)狀態(tài)評(píng)價(jià)模型，首先要提取特征，特征的選取對(duì)模型構(gòu)建及訓(xùn)練至關(guān)重要。其次將建立HMMs模型庫并對(duì)模型庫進(jìn)行訓(xùn)練，最后是分類決策，分類決策將具體實(shí)現(xiàn)知識(shí)點(diǎn)學(xué)習(xí)狀態(tài)的評(píng)價(jià)。

特征提取時(shí)需要考慮初中物理電學(xué)實(shí)驗(yàn)中知識(shí)點(diǎn)操作的要求及特性，從而構(gòu)建合適的觀測(cè)序列。在數(shù)據(jù)收集的過程中，教學(xué)者提出的基本要求如下：能夠?qū)τ趯?shí)驗(yàn)者整體操作時(shí)的情況得出需要重點(diǎn)關(guān)注的模塊。

對(duì)于各個(gè)知識(shí)點(diǎn)，通過分析數(shù)據(jù)可以得出實(shí)驗(yàn)過程中特征值的變化情況，具體情況如圖1所示。

圖1 特征值的變化Fig.1 Variation chart of characteristic values

根據(jù)特征值的變化情況，可為各個(gè)知識(shí)點(diǎn)設(shè)置兩個(gè)關(guān)鍵值。這兩個(gè)關(guān)鍵值分別代表合格、不合格。各知識(shí)點(diǎn)關(guān)鍵值如表4所示。

表4 各知識(shí)點(diǎn)關(guān)鍵值Tab.4 Key values of all knowledge points

模型庫中的模型對(duì)應(yīng)的是對(duì)各個(gè)知識(shí)點(diǎn)的評(píng)價(jià)模型，每個(gè)模型都需要經(jīng)過訓(xùn)練之后再并入HMMs模型庫中，其基本訓(xùn)練流程如圖2所示。

圖2 HMMs模型庫基本訓(xùn)練流程Fig.2 Basic training process of HMMs library

HMMs模型庫建立之后就可以解決概率計(jì)算問題。計(jì)算觀測(cè)序列與模型庫中各個(gè)模型的匹配程度。

實(shí)驗(yàn)采集了300 組實(shí)驗(yàn)過程的數(shù)據(jù)，其中每個(gè)知識(shí)點(diǎn)的狀態(tài)各50 次。將300 組數(shù)據(jù)平均分為兩組，一組用來訓(xùn)練，另一組用來識(shí)別。

實(shí)驗(yàn)結(jié)果如表5所示，表中狀態(tài)所在行代表實(shí)際的狀態(tài)，所在列代表實(shí)驗(yàn)的結(jié)果，數(shù)值代表對(duì)應(yīng)識(shí)別的次數(shù)，最終實(shí)驗(yàn)結(jié)果由準(zhǔn)確率進(jìn)行衡量。

表5 HMM模型的實(shí)驗(yàn)結(jié)果Tab.5 Experimental results of HMM

從表中的識(shí)別結(jié)果來看，準(zhǔn)確率最高的為S1與S4。評(píng)價(jià)的平均準(zhǔn)確率為79.7%。

3.4 混合模型的構(gòu)建

由HMM模型實(shí)驗(yàn)結(jié)果來看，對(duì)于大部分狀態(tài)的識(shí)別還是較為準(zhǔn)確的，因此使用HMM模型是可以對(duì)各知識(shí)點(diǎn)學(xué)習(xí)狀態(tài)進(jìn)行有效評(píng)價(jià)的。但是對(duì)某些狀態(tài)的識(shí)別準(zhǔn)確率欠佳，這就代表當(dāng)觀測(cè)序列較為相似時(shí)，HMM模型并不足以完全識(shí)別。而SVM雖然不考慮時(shí)間因素，但它提升了對(duì)比分類的效果，并且更加適用于小樣本的數(shù)據(jù)。因此SVM可以很好地彌補(bǔ)HMM存在的不足。

混合模型的基本架構(gòu)分為上層和下層，HMM模型位于上層，負(fù)責(zé)處理具有時(shí)序特征的觀測(cè)序列，通過計(jì)算觀測(cè)序列與模型庫中各個(gè)模型的似然率來縮小結(jié)果的范圍。SVM位于下層，由于其分類能力較強(qiáng)，將上層HMM模型縮小范圍后的數(shù)據(jù)輸入到SVM模型中，對(duì)結(jié)果進(jìn)一步處理。這種獨(dú)立的混合模型可以減輕工作負(fù)擔(dān)，提升工作效率，通過聯(lián)合評(píng)價(jià)的方式提高評(píng)價(jià)準(zhǔn)確率。基本架構(gòu)如圖3所示。

圖3 混合模型的基本架構(gòu)Fig.3 Basic architecture of hybrid model

由于混合模型是外部引入的雙層架構(gòu)，因此HMM模型與SVM模型要先單獨(dú)訓(xùn)練，這兩個(gè)模型的訓(xùn)練相互獨(dú)立。HMM模型的訓(xùn)練方法與上一節(jié)中類似，SVM模型的訓(xùn)練要遵循“一對(duì)一”策略，使用序列最小優(yōu)化(Sequential Minimal Optimization,SMO)算法對(duì)分類器進(jìn)行訓(xùn)練。

混合模型的訓(xùn)練與識(shí)別具體步驟如下所述。

(1)首先將觀測(cè)序列輸入HMMs模型庫計(jì)算與各個(gè)模型的似然率，計(jì)算似然率采用了前向-后向算法；

(2)其次將似然率較小的結(jié)果排除后，選擇較高的2—3 個(gè)狀態(tài)，將其觀測(cè)序列傳遞給下層的SVM；

(3)再調(diào)用對(duì)應(yīng)的SVM的分類器對(duì)這些特征向量進(jìn)行投票；

(4)最后將得票率最高的結(jié)果輸出。

這種由外部引入的混合模型，不僅保留了隱馬爾可夫模型對(duì)于實(shí)驗(yàn)中實(shí)驗(yàn)狀態(tài)時(shí)序變化的描述能力，還通過支持向量機(jī)提高了評(píng)價(jià)的準(zhǔn)確性。而且這種松散的結(jié)構(gòu)有助于后續(xù)對(duì)知識(shí)點(diǎn)的添加與刪除，具有很強(qiáng)的可拓展性。

基于HMM/SVM模型的實(shí)驗(yàn)結(jié)果如表6所示，評(píng)價(jià)標(biāo)準(zhǔn)為實(shí)驗(yàn)狀態(tài)識(shí)別的準(zhǔn)確率。

表6 基于HMM/SVM模型的實(shí)驗(yàn)結(jié)果Tab.6 Experimental results of HMM/SVM model

可以發(fā)現(xiàn)，HMM/SVM模型的采用可以顯著改變HMM模型的性能。各個(gè)狀態(tài)的準(zhǔn)確率均有一定的提升，在HMM模型中被識(shí)別為同類問題的串聯(lián)模塊與并聯(lián)模塊，在混合模型中的準(zhǔn)確率上升也非常顯著，可以解決HMM分類能力不足的問題。

基于HMM/SVM的學(xué)習(xí)狀態(tài)評(píng)價(jià)系統(tǒng)將HMM模型與外部引入的SVM模型進(jìn)行結(jié)合。不僅可以處理時(shí)間序列的數(shù)據(jù)，反映實(shí)驗(yàn)完成的過程性，還提高了評(píng)價(jià)的準(zhǔn)確度。同時(shí)，文中提出的基于HMM/SVM的知識(shí)點(diǎn)學(xué)習(xí)狀態(tài)評(píng)價(jià)模型，可拓展性強(qiáng)，對(duì)于后續(xù)需要添加或刪除知識(shí)點(diǎn)的情況非常友好，實(shí)際應(yīng)用性很強(qiáng)。

4 結(jié)論(Conclusion)

提出的學(xué)習(xí)狀態(tài)評(píng)價(jià)模型不僅可以做出過程性的評(píng)價(jià)，彌補(bǔ)實(shí)驗(yàn)評(píng)價(jià)的片面性與局限性，還可以充分挖掘?qū)W習(xí)者在實(shí)驗(yàn)中知識(shí)點(diǎn)的學(xué)習(xí)狀態(tài)信息，對(duì)需要重點(diǎn)關(guān)注的知識(shí)點(diǎn)做出反饋。有利于學(xué)習(xí)者與教學(xué)者及時(shí)發(fā)現(xiàn)問題、解決問題，一定程度上降低了學(xué)生產(chǎn)生厭學(xué)情緒的可能性，增強(qiáng)了學(xué)習(xí)評(píng)價(jià)的科學(xué)性與全面性，同時(shí)也為虛擬仿真實(shí)驗(yàn)評(píng)價(jià)問題提供了一種新的思路。