基于微信的國(guó)際交流口語訓(xùn)練系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

季波 郝明明 劉海濤 任運(yùn) 劉飛虹

摘要：為解決各高校學(xué)生國(guó)際交流情境問題，開發(fā)以微信小程序?yàn)橹黧w的互聯(lián)網(wǎng)智慧校園學(xué)生服務(wù)系統(tǒng)。給學(xué)生提供與國(guó)際交流相關(guān)的多情境口語交流訓(xùn)練，提高學(xué)生在不同情景下的口語交流能力，使日后的國(guó)際交流更加流暢。系統(tǒng)采用微信小程序框架、Servlet技術(shù)等主流的開發(fā)工具，界面簡(jiǎn)潔友好，性能良好。

關(guān)鍵詞：國(guó)際交流;口語訓(xùn)練;多情境

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）14-0047-02

近年來，高校越來越多的學(xué)生有機(jī)會(huì)接觸到國(guó)際交流、境外研修等相關(guān)的學(xué)習(xí)活動(dòng)，并且社會(huì)日漸關(guān)注學(xué)生的英語口語能力，單純的書本式英語已經(jīng)不能滿足高校學(xué)生的素質(zhì)要求。有很多即將要去國(guó)外學(xué)習(xí)的同學(xué)還未感受到國(guó)外真正的生活環(huán)境，簡(jiǎn)單的基礎(chǔ)英文和肢體語言不能很好地支撐國(guó)外生活和學(xué)習(xí)。

項(xiàng)目反映理論（Item Response Theory，IRT），IRT將學(xué)生描述成一維的能力值，并結(jié)合試題參數(shù)（難度，區(qū)分度等）對(duì)學(xué)生進(jìn)行建模。IRT主要用在測(cè)量學(xué)生能力和知識(shí)點(diǎn)掌握程度。IRT作為一種模型參數(shù)的估計(jì)方法，學(xué)生能否答對(duì)一個(gè)題目是和學(xué)生本人以及題目這兩個(gè)因素有關(guān)系的，答對(duì)題目的概率是學(xué)生和題目的一個(gè)函數(shù)[1]。確定型技能診斷模型（Deterministic Input， Noisy And gate， DINA），DINA模型結(jié)合Q矩陣，將學(xué)生表達(dá)成一個(gè)在多維知識(shí)點(diǎn)上的掌握向量，對(duì)于得到的學(xué)生模型，可以進(jìn)一步預(yù)測(cè)試題得分從而進(jìn)行試題推薦[2]?；谏鲜鰞蓚€(gè)基礎(chǔ)模型，學(xué)者們又提出了一系列認(rèn)知診斷模型，如多技能聯(lián)系的補(bǔ)償型IRT-C模型和非補(bǔ)償型IRT-NC模型，高階先驗(yàn)HO—DINA模型，以及基于模糊理論的FuzzyCDM模型[3]。

市面上口語訓(xùn)練平臺(tái)普遍存在以下不足：第一，無法針對(duì)常見的國(guó)際交流情景針對(duì)性的口語訓(xùn)練;第二，無法針對(duì)場(chǎng)景下的圖片針對(duì)性訓(xùn)練口語單詞發(fā)音。本文設(shè)計(jì)的基于微信的國(guó)際交流口語訓(xùn)練系統(tǒng)，綜合了目前市場(chǎng)上已存在的口語訓(xùn)練平臺(tái)的功能，采用當(dāng)前盛行的微信小程序框架進(jìn)行開發(fā)，并解決了上述的不足之處，將國(guó)際交流相關(guān)的情景提前模擬訓(xùn)練，讓學(xué)生通過訓(xùn)練了解從簽證出境到國(guó)外生活，以及與人交流和吃穿住行等等各種不同情景下，相應(yīng)的英語單詞和交流語句的模擬訓(xùn)練，為大學(xué)生國(guó)際交流口語訓(xùn)練提供高效的解決方案。

1 系統(tǒng)分析

通過基于微信的國(guó)際交流口語訓(xùn)練，意在打造一個(gè)可以幫助大學(xué)生有效訓(xùn)練常見情景下的國(guó)際交流口語訓(xùn)練，本文在需求分析的相關(guān)基礎(chǔ)之上著重研究以下幾個(gè)方面：

如何利用常見的國(guó)際交流十大情景，根據(jù)不同用戶階段的學(xué)生需求，形成最佳學(xué)習(xí)情景訓(xùn)練路徑;

如何根據(jù)訓(xùn)練內(nèi)容錯(cuò)誤類型，智能分析用戶薄弱環(huán)節(jié)，進(jìn)行自適應(yīng)的針對(duì)性訓(xùn)練;為實(shí)現(xiàn)上述研究目標(biāo)，系統(tǒng)需具備如下功能：

1）國(guó)際交流情境訓(xùn)練功能：包括最佳學(xué)習(xí)情景訓(xùn)練路徑、薄弱環(huán)節(jié)口語針對(duì)性訓(xùn)練。

2）宣傳頁面：招新報(bào)名、活動(dòng)報(bào)名、聯(lián)誼合作、意見建議。

2 系統(tǒng)主要功能實(shí)現(xiàn)

2.1 技術(shù)架構(gòu)

系統(tǒng)前端采用微信小程序開發(fā)框架，后端Eclipse IDE 2019+Tomcat8.0+Java JDK1.8技術(shù)，數(shù)據(jù)庫采用MySQL數(shù)據(jù)庫，如表1所示。

2.2 主要功能實(shí)現(xiàn)

根據(jù)系統(tǒng)分析，本系統(tǒng)主要包含如下功能， 考試主界面如圖1和圖2所示。

1）國(guó)際交流主界面

本模塊包括國(guó)際交流情境訓(xùn)練、招新報(bào)名、活動(dòng)報(bào)名、聯(lián)誼合作、意見建議等，如圖1所示。

2）國(guó)際交流情境訓(xùn)練模塊

本模塊包括最佳學(xué)習(xí)情景訓(xùn)練路徑和薄弱環(huán)節(jié)口語針對(duì)性訓(xùn)練，如圖3和圖4所示。

利用常見的國(guó)際交流十大情景，按照先后發(fā)現(xiàn)的順序形成情景導(dǎo)圖，利用知識(shí)圖譜技術(shù)，根據(jù)不同用戶階段的學(xué)生需求，形成最佳學(xué)習(xí)情景訓(xùn)練路徑。

針對(duì)薄弱環(huán)節(jié)智能，生成學(xué)生對(duì)各種情景下的掌握情況的雷達(dá)圖，并根據(jù)薄弱環(huán)節(jié)，利用協(xié)同過濾算法，找出掌握情況相似的學(xué)生，根據(jù)這些學(xué)生不同階段所需情景的難度范圍，篩選得分預(yù)測(cè)在適合范圍內(nèi)的情景并形成推薦情景集。比如，結(jié)合相似學(xué)生的實(shí)際需求，當(dāng)學(xué)生需要對(duì)所學(xué)的基本情景進(jìn)行鞏固時(shí)，可以向該學(xué)生推薦難度范圍較低（正確作答的概率較高）的個(gè)性化練習(xí);當(dāng)學(xué)生需要對(duì)所學(xué)情景進(jìn)行拔高訓(xùn)練時(shí)，可以向其推薦難度較高（正確作答的概率較低）的個(gè)性化練習(xí);當(dāng)學(xué)生進(jìn)行實(shí)際情景?？紩r(shí)，可以根據(jù)國(guó)際交流不同的情況混合配置難度不同的情景對(duì)話進(jìn)行模擬國(guó)際交流自適應(yīng)訓(xùn)練。

3 結(jié)束語

本文設(shè)計(jì)與實(shí)現(xiàn)的基于微信的國(guó)際交流口語訓(xùn)練系統(tǒng)是針對(duì)高校學(xué)生國(guó)際交流情境問題，開發(fā)以微信小程序?yàn)橹黧w的互聯(lián)網(wǎng)智慧校園學(xué)生服務(wù)系統(tǒng)。給學(xué)生提供與國(guó)際交流相關(guān)的多情境口語交流訓(xùn)練，提高學(xué)生在不同情景下的口語交流能力，為日后的國(guó)際交流更加流暢。本系統(tǒng)的創(chuàng)新點(diǎn)包括：

1）本項(xiàng)目根據(jù)常見的國(guó)際交流十大情景，按照先后發(fā)現(xiàn)的順序形成情景導(dǎo)圖，根據(jù)不同用戶階段的學(xué)生需求，形成最佳學(xué)習(xí)情景訓(xùn)練路徑。

2）根據(jù)訓(xùn)練內(nèi)容錯(cuò)誤類型，智能分析用戶薄弱環(huán)節(jié)，進(jìn)行自適應(yīng)的針對(duì)性訓(xùn)練。

參考文獻(xiàn)：

[1] DiBello L V，Roussos L A，Stout W.31A review of cognitively diagnostic assessment and a summary of psychometric models[J].Handbook of Statistics，2006（26）：979-1030.

[2] de la Torre J.DINA model and parameter estimation：a didactic[J].Journal of Educational and Behavioral Statistics，2009，34（1）：115-130.

[3] Liu Q，Wu R Z，Chen E H，et al.Fuzzy cognitive diagnosis for modelling examinee performance[J].ACM Transactions on Intelligent Systems and Technology，2018，9（4）：1-26.

[4] Piech C， Bassen J， Huang J， et al. Deep knowledge tracing[C].Advances in Neural Information Processing Systems. Cambridge： MIT Press，2015：505-513.

收稿日期：2021-03-28

作者簡(jiǎn)介：季波（1985—），男，安徽宿州人，工程師，碩士，主要研究方向?yàn)閿?shù)據(jù)挖掘與機(jī)器學(xué)習(xí)。