个性化网络学习评价模型与系统的设计
传统工业自动控制原理中，自动化控制的核心思想就是反馈，通过反馈建立起输入(原因)和输出(结果)的联系。根据反馈在系统中的作用与特点不同分正反馈和负反馈两种。把网络学习评价看作一个负反馈系统。该系统中以网络课程中知识属性基准为参值量，表示为s(t)。在课程模型中除了包含课程内容信息，还包含学习不同课程的学习目标和要求，以此作为系统，通过对学习状态参数实施评价作为当前学生学习依据，以评价过程作为控制装置，输出评价结果，表示为q(t)。通过该输出得到反馈调整策略，表示为r(t)。以此调整学生下一阶段的学习，表示为w(t+1)。从而达到调整评价维度中具体状态值(如学习时间、交互次数)来使评价结果和课程模型基准之间的偏差q(t)一s(t)越来越小。使得课程对学习的要求和学习结果趋于一致，从而促进学习者学习。通过分析及反馈控制原理，其函数存在如下关系：q(t)=h(s(t)，w(t))；r(t)=f(s(t)，q(t))；w(t+1)=g(w(t)，r(t))
2 网络学习评价指标体系
考虑影响学习的主要因素，将指标体系的对象和目标划分成若干个不同组成部分(子系统)，并逐步细分(即形成各级子系统及功能模块)，直到每一部分可用具体的统计指标描述、实现。得到具有层次型结构的指标集合一网络学习评价指标体系。该体系共含5个一级指标、10个二级指标、21个评价参数。涵盖了学生的心理特征因素的定位分析；学习过程的关键因素一交互与协作和资源的利用。其中交互与协作主要观测点集中在跟踪学习历程、记录参与交互与协作程度的数据。而资源的利用从再学习的角度，利用评价激励其合理分配学习时间：学习效果主要从阶段性和综合性给出准确、科学的说明。网络学习评价如表1所示。
3 基于NTFAHP-FCE网络学习评价的实施
3．1 NTFAHP法的权重确定
(1)判断矩阵的建立 文献给出TFAHP法采用三角模糊数评判方法确定权重值。这种方式给出的结果仍然是定性判断而不是定量准确值。
在此提出一种NTFAHP法，具体实施步骤：①利用不同专家给出各自的传统判断矩阵建立两个矩阵：模糊比较判断矩阵N，N=(nij)nn，其中元素wij=[lij,mij,uij]是一个以mij为中值的闭区间，(lij和uij是某专家对某因素给出的最低标度值)和利用mij构造模糊数中值矩阵M，M=(mij)nn。②构建模糊评判调整因子S。
式中：
为标准偏离率，其值越小表示专家的判断越一致，偏差越小，因此可利用S调整模糊数中值矩阵M，使之更加准确。③计算调整矩阵M’。利用模糊评判调整因子S对M做运算：M’=MxS。④得到最终判断矩阵A，将M’按列转化成对角线为1的矩阵A。
(2)计算判断矩阵A的特征值和特征向量λmax为A的最大特征根；W为对应于λmax的正规化特征向量；W的分量Wi即是相应因素的权值。
(3)一致性检验可根据λmax是否等于n来检验判断矩阵A是否为一致矩阵。当CRO．10时，判断矩阵的一致性可以接受，否则应对判断矩阵作适当修正。根据上述算法得到网络学习评价指标的权重分布如表2所示。
3．2 改进的FCE(模糊综合评价法)的评定
①确定评语集合论域Vn，V={v1，v2，……，vn}；②用隶属度函数确定各子因素相对于评语集的隶属度，得到了单因素的模糊评价矩阵M1；③改进的一级模糊综合评价，确定进行二级模糊综合评价模糊矩阵R=[R1，R2，……，RI，……，RK]T(k为一级指标项的数目)。利用上面的M1和相对于一级指标i的二级指标权重Ai={a1，a2，…，am}(利用NTFAHP法求得)为模糊向量(m为相对于某一级指标的二级指标项目数)，计算一级隶属度。改进传统的计算R1方法，利用取权与单因素隶属度的乘积代替模糊变换中的取大取小算法。此改进的目的在于：在“标准”的模糊综合评价算法中，R1计算方法为把r’ij作为样本X就m个指标对第j类Cj的综合隶属度。事实上，这样计算的r’ij不能综合反映X对Cj的综合隶属情况，因为在进行ai∧mlij运算时，只选取了部分信息，丢掉了某些更重要的信息。而取权与单因素隶属度的乘积aimlij，综合反映了样本就因素对类Cj的隶属情况，综合考虑各单因素的影响后，样本对Cj综合隶属度R1为：
评论