基于学习风格和概率推理的智能教学系统研究

摘要

本文阐述了解决此问题的方法并提出了一个基于B/S(服务器和客户端)结构的，并且结合了学习风格理论和贝叶斯网络的智能教学系统，称为ITLP(IntelligentTutoringSystemBasedonLearningStyleandProbablisticInference)。既然学生具有不同的学习风格，那么开发一个能够自动识别学生的学习风格，并且以此作为依据，来生成个性化的用户接口并呈现匹配的学习内容以便提高学生学习效率和积极性的教学系统是非常有价值的。除此之外，系统还集成了贝叶斯网络来跟踪和记录学生的知识状态，以此作为提供自适应教学策略的依据。通过集成如上所述的功能后，本系统在帮助学生更彻底和更有效率学习方面将非常有实际意义。文中讨论了如何利用学习风格工具来识别学生的学习风格，并且本文介绍了如何通过引入JavaBayes建模工具来构建贝叶斯网来推测学生的知识状态。而且，我详细介绍了ITLP的设计架构以及实现过程。为了测试系统在提高学生的学习效果的能力，对计算机系一年级的学生进行了实验，并且结果证实了我的设想：ITLP在某种程度上，是一个帮助计算机新生学习计算机编程语言的有效和实用的工具。

目录

文摘

英文文摘

声明

第一章绪论

1.1 问题描述

1.2 本文的主要研究内容和创新

1.3 本文的章节安排

第二章 智能教学系统的背景

2.1 智能教学系统介绍

2.1.1智能教学系统的构成

2.1.2智能教学系统的分类

2.2 学生模型

2.2.1学生模型的任务

2.2.2学生模型与不确定性管理

2.3 学习风格模型

2.3.1学习风格的定义

2.3.2 MBTI学习风格评估工具

2.3.3 Kolb学习风格模型

2.3.4 Herrmann全脑优势测评工具(HBDI)

2.3.5 Felder-Silverman学习风格模型

2.4 智能教学系统研究现状

2.4.1 国外研究现状

2.4.2国内研究现状

2.4.3 ITLP智能教学系统

2.5 小结

第三章 Felder and Silverman学习风格模型

3.1 学生差异的研究

3.2 学习风格的维度(Dimensions)

3.2.1感官型(Sensing)与直觉型(Intuitive)

3.2.2视觉型(Visual)与语言型(Verbal)

3.2.3积极型(Active)与反思型(Reflective)

3.2.4循序型(Sequential)与全局型(Global)

3.3 学习风格指数问卷(ILS)

3.3.1 ILS的组成

3.3.2学习风格ILS的使用与须知

3.3.3 ILS的可靠性和合理性分析

3.4 小结

第四章 学生模型建模中的概率推理

4.1 图模型理论

4.2 贝叶斯网(BN)

4.3 贝叶斯网推理

4.4 联合树算法

4.4.1联合树算法概述

4.4.2贝叶斯网的教化

4.4.3图的三角化

4.4.4团的识别

4.4.5构建联合树

4.4.6联合树推理

4.5 小结

第五章 系统设计与实现

5.1 系统总体设计

5.1.1 ITLP系统设计概述

5.1.2 ITLP多层结构

5.2 学习风格模型在ITLP中的应用

5.2.1学习风格识别法

5.2.2学习风格组件设计

5.2.3用户界面定制

5.3 贝叶斯网络在ITLP中的应用

5.3.1 JavaBayes介绍

5.3.2 JavaBayes贝叶斯网的设计与实现

5.3.3 JavaBayes的推理和更新

5.3.4辅助导航

5.4 小结

第六章 实验结果与分析

6.1 实验目标

6.2 实验细节

6.2.1实验方法论

6.2.2实验对象与实验材料

6.2.3步骤

6.3 实验结果总结

6.3.1问卷第一部分

6.3.2问卷第二部分

第七章 总结与展望

7.1 总结

7.2 研究展望

参考文献

攻读学位期间公开发表的论文

致谢