基于信息融合与机器学习的智能计算机辅助教学系统的制作方法

本发明涉及计算机辅助教学领域，尤其是涉及面向基于信息融合与机器学习的智能计算机辅助教学系统的设计实现方法。

背景技术：

计算机辅助教学(CAI)是利用先进信息技术如移动计算、多媒体、网络互联的功能与特点，利用计算机辅助教师完成各个教学工作环节，并通过与计算机之间的交互活动，激发学生的学习积极性和主动性，帮助学生更有效地学习，从而提高教学质量。在这种教学形式中，计算机主要是用来呈现教学目标、教学重点与难点、记录学生的学习情况、控制学生的学习进度等信息，计算机在教学软件的控制下可以通过输入设备接收各种信息，并对其进行分析判断，根据判断提供有针对性的提示信息，最后通过输出设备输出，显示结果。使用CAI系统，有利于认知主体作用的发挥，为制定科学合理的教学方法策略提供技术依据；它所提供的图像、声音、动画等多媒体信息有利于学生知识的获取与保持，达到提高教学效果的目的。

计算机与网络技术的不断进步与发展使得CAI技术也得到了快速发展与完善；而诸多相关领域的新理论、新方法及新技术的持续引入，也使得CAI的研究内容日趋丰富。当前互联网(Internet)已成为必要的公共通讯工具，数字化校园网络(DCN)在教育领域得到了广泛应用与推广，并对教育、教学过程产生着深刻影响。J.Foster等人基于NeXT工作站设计实现了面向大规模集成电路的远程CAI系统。V.R.Frank&C.Karin提出了一种基于网络多媒体的CAI系统实现方法，并在计算机图形学方面的教学工作方面证明了其有效性与先进性。K.L.Li&J.Cheng提出了一种基于万维网的CAI实现方法，在汇编语言的教学中得到了较好应用。蒋铁海提出了一种基于.NET的英语口译CAI实现方法，并成功解决了海量素材选择、多媒体断点设置等问题。M.Li将决策支持系统原理及其技术方法引入CAI领域，并在具体教学实践中取得了一定成果。

根据上述文献的调研结果可知，CAI技术在其发展初期多集中在多媒体教学领域，使教学实现手段更加丰富、生动，从而提高了教学效果与质量；网络化技术的引入拓宽了CAI的有效工作范围，使其在教学的可控范围、实时性、交互性方面有显著提高，但只是在实现方式方面的改进与发展，就CAI的内在机理而言并未有本质性变化。而随着现代科学技术的进步与发展，对于高等教育的要求也越来越高，尤其是在医学专业教育方面，要求能够完成许多具有较高难度的专业领域知识的学习与强化训练任务。在这种情况下，传统的CAI技术无法满足现代高等专业教育的基本要求，因此出现了计算机支持教育(CSE)概念，即在当前日益提高的专业教学要求条件下，需要面向不同的学科背景，制定不同的教学应对策略；这时计算机已经不是教学过程中的辅助技术，而发展成为关键支撑技术。

技术实现要素：

为了克服已有计算机辅助教学方式的智能化较低、适用性较差的不足，本发明提供一种智能化较高、适用性良好的基于信息融合与机器学习的智能计算机辅助教学系统。

本发明解决其技术问题所采用的技术方案是：

一种基于信息融合与机器学习的智能计算机辅助教学系统，所述智能计算机辅助教学系统包括教学过程信息融合子系统与教学模拟执行子系统；

所述的教学过程信息融合子系统，用于对教学过程中所涉及的对象、素材和工具要素进行多维对象信息提取，处理非结构化不完备数据，消除各指标数据间的耦合噪声与相关冗余数据，为教学模拟执行子系统提供元数据支持；

所述的教学模拟执行子系统，用于对教学过程信息融合子系统上传的元数据进行挖掘与整合，模拟教学过程所涉及的执行环节；根据对学生学习效果的评价和当前教学资源配置情况，实现对实际教学过程的自动优化和动态调度。

进一步，所述的教学过程信息融合子系统中，教学过程信息融合处理的过程如下：

①确定一具体教学班级作为工作对象，通过所在院校教务管理系统获取学生的基本档案数据，对其学缘历程、文化背景信息进行扩充与完善，并已数据记录的形式进行表述；

②通过访谈与调查问卷的方式采集教务管理系统未包含的学生信息数据，按照数据库第三范式(3NF)进行编排与初步规格化，建立扩展的学生学习信息数据表；

③采用静态数学统计算法进行特征数据提取，得到该方向学生在学缘结构、知识储备、记忆特征和学习策略方面的特征数据，并在此基础上得到统计平均值、方差、标准差、自相关、互相关和数据偏移衍生数据项；

④采用粗糙集经验学习系统对上一步处理的数据对象进行多维对象信息提取，处理非结构化不完备的衍生数据项，消除各指标数据间的耦合噪声与相关冗余数据，提高所获信息的可用度，为教学过程模拟计算提供完备、可靠的数据序列。

再进一步，所述教学模拟执行子系统划分为3个逻辑功能模块：面向专业领域知识点系统的超文本知识库模块、面向教师教学过程的教师模块与面向学生学习过程的学生模块。

更进一步，所述的超文本知识库模块是面向某具体专业的领域知识超集，包括领域知识点网络实例、过程性知识素材实例、结构化知识素材实例、教师先验规则、难度问题实例、知识迁移过程实例组元；所述的领域知识点网络实例、过程性知识素材实例、结构化知识素材实例为静态组元，只能进行定期更新维护，其中领域知识点网络实例通过超文本链接方式构建关联并完成内容表述，过程性知识素材实例与结构化知识素材实例通过多级嵌入式超媒体进行递进式构建与表达，所述的教师先验规则、难度问题实例、知识迁移过程实例为动态组元，通过超文本知识库模块的用户接口对上述组元进行更新、删减、补充和扩展操作。

所述的教师模块是面向教学过程产生式规则推理机制，对教师教学活动的过程模拟，完成对学生模型记录下来的学生信息进行处理，并运用知识库中的知识进行推理，做出决策和判断；教师模块由教学过程推理构件与应用程序接口组成，处理过程如下：①学生在做完一道习题后，通过教师模块应用程序接口唤醒教学过程推理构件；②教学过程推理构件通过隐性马尔科夫模型算法对学生所做习题进行错误诊断，并根据不同的情况给出不同的提示信息和辅导；③若学生出现错误，学生是因某一个知识点不懂而导致的错误给出文本描述，通过先序遍历的方式在知识库中先找到该知识点；④在规则库中找到与该知识点相关的推理规则，利用自适应贝叶斯网络算法得出与该知识点有联系的知识网络路径，通过教师模块指导学生的学习，并把相关的错误原因分析过程提示给学生。

所述的学生模块包括无导师学习构件、有导师学习构件、智能化人机接口，所述的无导师学习构件利用自组织神经网络算法实现对学生自学过程的模拟与优化，即通过自组织神经网络算法自主调用超文本知识库模块中的知识规则，建立新的知识联系，形成新的知识规则；所述的有导师学习构件利用误差反向传播神经网络算法对学生在有老师教授的学习过程进行模拟与优化，即通过人工方式从调用超文本知识库模块中的知识规则，按照预设目标进行逐级聚类学习，最后在设定阈值处(教学目标)收敛结束；所述的智能化人机接口跟踪学生学习过程，过程如下：①对每个课程建立独立的单元，建立各单元水平的判定规则；②学生进入学习状态，在教师模块的指导下，根据教学目标选择学习内容和习题；③若学生完成一课的学习，给出水平判定值，并进行错误诊断时，并从教师模块和知识库中得到系统对学生行为诊断的信息反馈；④将反馈频率较高的信息设定为典型记录，组成学习过程主题记录文件，作为知识库模块更新的重要依据。

本发明的有益效果主要表现在：

1)采用粗糙集(RS)方法进行多维对象信息提取，处理非结构化不完备数据，消除各指标数据间的耦合噪声与相关冗余数据，提高了数据的可用性。

2)引入机器学习(ML)技术与认知心理学方法，实现对学生专业知识认知过程的实时追踪与出错机制分析，提高教学质量。

3)对测得的数据进行挖掘与整合，并根据对学生学习效果的评价和当前教学资源配置情况，实现对实际教学过程的自动优化和动态调度。

附图说明

图1是学习特征提取与信息融合处理示意图；

图2是教学模拟执行子系统构架示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于信息融合(IF)与机器学习(ML)的智能计算机辅助教学(ICAI)系统，包括教学过程信息融合子系统(TPFS)与教学模拟执行子系统(TSES)；

TPFS对教学过程中所涉及的对象、素材、工具等要素进行多维对象信息提取，处理非结构化不完备数据，消除各指标数据间的耦合噪声与相关冗余数据，为教学模拟执行子系统提供元数据支持。

TSES对教学过程信息融合子系统上传的元数据进行挖掘与整合，模拟教学过程所涉及的执行环节；根据对学生学习效果的评价和当前教学资源配置情况，实现对实际教学过程的自动优化和动态调度。

如图1所示，教学过程信息融合子系统(TPFS)中，教学过程信息融合处理过程如下：

①确定一具体教学班级作为工作对象，通过所在院校教务管理系统获取学生的基本档案数据，对其学缘历程、文化背景信息进行扩充与完善，并已数据记录的形式进行表述。

②通过访谈与调查问卷的方式采集教务管理系统未包含的学生信息数据，按照数据库第三范式(3NF)进行编排与初步规格化，建立扩展的学生学习信息数据表(SID)。

③采用静态数学统计(SMS)算法进行特征数据提取，得到该方向学生在学缘结构、知识储备、记忆特征、学习策略等方面的特征数据，并在此基础上得到统计平均值、方差、标准差、自相关、互相关、数据偏移等衍生数据项。

④考虑上述过程，通过教务系统及其它方式获得的非计算性数据可认为是具有确定性结构，是完备的。由于各个信息指标因素之间并非完全独立，因此通过SMS计算获得的数据具有耦合覆盖特征，是不完备的。而ICAI系统对于输入参数的要求是具有统一完备性，这样其计算结果才具有实际意义。采用粗糙集(LERS)经验学习系统对上一步处理的数据对象进行多维对象信息提取，处理非结构化不完备的衍生数据项，消除各指标数据间的耦合噪声与相关冗余数据，提高所获信息的可用度，为教学过程模拟计算提供完备、可靠的数据序列。LERS无需提供问题所需处理的数据集合之外的任何先验信息，所以对问题的不确定性的描述或处理可以说是比较客观的。由于上述方法未能包含处理不精确或不确定原始数据的机制，所以上述方法与概率论、模糊数学和证据理论等其他处理不确定或不精确问题的理论有很强的互补性。

基于上述工作所获得的学生学习特征数据，进而分析其学习过程与知识认知形成机制，对其在专业方向的学习策略优劣条件进行对比研究，并进行相关指标评价，建立SID主题数据库，为后续的ICAI系统实例以及该方向学习策略优化方法的研究提供理论依据与数据支持。

教学模拟执行子系统(TSES)，针对实际教学过程特点与阶段功能需求，TSES可划分为3个逻辑功能模块：面向专业领域知识点系统的超文本知识库模块、面向教师教学过程的教师模块与面向学生学习过程的学生模块，如图2所示。

(1)超文本知识库模块

超文本知识库模块是面向某具体专业(如机械工程、临床医学等)的领域知识超集，包括领域知识点网络实例、过程性知识素材实例、结构化知识素材实例、教师先验规则、难度问题实例、知识迁移过程实例等组元，如附图2所示。所述的领域知识点网络实例、过程性知识素材实例、结构化知识素材实例为静态组元，只能进行定期更新维护，其中领域知识点网络实例通过超文本链接方式构建关联并完成内容表述，过程性知识素材实例与结构化知识素材实例通过多级嵌入式超媒体进行递进式构建与表达。所述的教师先验规则、难度问题实例、知识迁移过程实例为动态组元，通过超文本知识库模块的用户接口对上述组元进行更新、删减、补充、扩展等操作。

知识库应该能够体现知识的体系结构，并满足系统教学过程的需要，要形成前后连贯的关系或基础知识体系，形成一个适用的思维或推理模块。各个知识点之间的联系是复杂的，新知识点的学习需要先行知识的支持，一个知识点的掌握又影响着其它知识的学习与理解。可见知识点间是一种支持和被支持的相互关系，它们构成一种交错网络结构。因此，知识库的结构可以看成是一个网状结构，各知识点之间的关系有着固定的链路链接，这样才便于推理机制的推理，得出正确的结果。

(2)教师模块

教师模块是面向教学过程产生式规则推理机制，对教师教学活动的过程模拟，完成对学生模型记录下来的学生信息进行处理，并运用知识库中的知识进行推理，做出决策和判断，如附图2所示。教师模块由教学过程推理构件与应用程序接口组成，过程如下：

①学生在做完一道习题后，通过教师模块应用程序接口唤醒教学过程推理构件；

②教学过程推理构件通过隐性马尔科夫模型算法对学生所做习题进行错误诊断，并根据不同的情况给出不同的提示信息和辅导；

③若学生出现错误，学生是因某一个知识点不懂而导致的错误给出文本描述，通过先序遍历的方式在知识库中先找到该知识点；

④在规则库中找到与该知识点相关的推理规则，利用自适应贝叶斯网络算法得出与该知识点有联系的知识网络路径，通过教师模块指导学生的学习，并把相关的错误原因分析过程提示给学生。

教师模块解决问题的能力应达到领域专家的水准，可以分析学生对某一知识点的掌握程度，及时诊断学生的解题行为，并给出对应的操作建议，如求解提示、警界提示、引导学习等。学生在做完一道习题后，通过相关接口唤醒推理模块，推理模块依据一定的规则对学生所做习题进行错误诊断，并根据不同的情况给出不同的提示信息和辅导，在很大程度上实现了一对一、个性化教学。

(3)学生模块

学生模块由无导师学习构件、有导师学习构件、智能化人机接口三部分组成，如附图2所示。

无导师学习构件利用自组织神经网络(AR-ANN)算法实现对学生自学过程的模拟与优化，即通过自组织神经网络算法自主调用超文本知识库模块中的知识规则，建立新的知识联系，形成新的知识规则(自学成果)。

有导师学习构件利用误差反向传播神经网络(BP-ANN)算法对学生在有老师教授的学习过程进行模拟与优化，即通过人工方式从调用超文本知识库模块中的知识规则，按照预设目标进行逐级聚类学习，最后在设定阈值处(教学目标)收敛结束。

智能化人机接口跟踪学生学习过程，过程如下：

①对每个课程建立独立的单元，建立各单元水平的判定规则；

②学生进入学习状态，在教师模块的指导下，根据教学目标选择学习内容和习题；

③若学生完成一课的学习，给出水平判定值，并进行错误诊断时，并从教师模块和知识库中得到系统对学生行为诊断的信息反馈；

④将反馈频率较高的信息设定为典型记录，组成学习过程主题记录文件，作为知识库模块更新的重要依据。

学生模块在跟踪学习时给出错误的原因，如概念性错误用扰动法、方法性错误用过程协议分析法和解题过程网络分类分析法等。查出原因后再给出改正的提示，同时记录下来作为学习辅导的依据；学习跟踪是学习过程的记录，记下学生的学习历史和进步情况；模块更新是随着学生学习的深入而改变的，它可以用覆盖法或差错法来说明学生具有的知识与计算机系统中存储知识的差距，进一步更新学生模块，继续进行教授内容和方法的决策。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。