基于RBT的計算機(jī)編程自適應(yīng)教學(xué)策略研究

孫 進(jìn)，陸 音，朱云霞

（南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院，江蘇南京 210003）

0 引言

社會各行各業(yè)都需要大量的智能信息系統(tǒng)，如電子商務(wù)網(wǎng)上商城、飯店酒店管理系統(tǒng)、交通管理控制系統(tǒng)、軍隊指揮信息系統(tǒng)等，這些都離不開編程設(shè)計與實現(xiàn)［1］。由于我國教育體制方面的原因，國內(nèi)的學(xué)生一般需要到大學(xué)一年級以后才開始學(xué)習(xí)計算機(jī)編程課程。C 語言是一門面向過程的計算機(jī)編程語言，其設(shè)計目標(biāo)是提供一種能以簡易方式編譯、處理低級存儲器，僅產(chǎn)生少量機(jī)器碼以及不需要任何運(yùn)行環(huán)境支持便能運(yùn)行的編程語言［2］。

國內(nèi)很多高校在多個學(xué)院都開設(shè)了計算機(jī)編程的主干必修課程。C 程序設(shè)計課程是計算機(jī)編程中具有入門性和引導(dǎo)性的基礎(chǔ)性課程，其最根本目的是使學(xué)生接觸并了解計算機(jī)編程概念，以便在后續(xù)學(xué)習(xí)和工作中將計算機(jī)編程思想融入到自己的專業(yè)中［3］。

布魯姆分類學(xué)是美國教育心理學(xué)家本杰明·布魯姆于1956 年提出的分類法，其對教學(xué)者的教學(xué)目標(biāo)進(jìn)行分類，以便更有效地達(dá)成各個目標(biāo)。布魯姆分類學(xué)的最終目標(biāo)是鼓勵教學(xué)者達(dá)到3 個領(lǐng)域的教學(xué)目標(biāo)，以構(gòu)建完整的教育目標(biāo)體系［4-5］。很多學(xué)者將布魯姆分類學(xué)應(yīng)用于各種課程和教學(xué)模式中，如李征驥等［6］探索了布魯姆教學(xué)目標(biāo)分類理論在人工智能導(dǎo)論課程教學(xué)中的應(yīng)用；靳英輝等［7］對布魯姆目標(biāo)教學(xué)法應(yīng)用于留學(xué)生循證醫(yī)學(xué)全英文教學(xué)的實踐效果進(jìn)行了研究；齊燦等［8］對布魯姆教育目標(biāo)分類理論視閾下的混合式大學(xué)英語課程思政進(jìn)行了研究；陳妍如等［9］從力學(xué)課程基本教學(xué)目標(biāo)出發(fā)，以線上線下混合教學(xué)模式為載體進(jìn)行布魯姆目標(biāo)分類法實踐。但以上研究并未解決學(xué)生在學(xué)習(xí)領(lǐng)域知識時，對于學(xué)習(xí)活動數(shù)量、種類和復(fù)雜性方面的適應(yīng)性問題。

本文的創(chuàng)新之處在于將智能技術(shù)與學(xué)習(xí)理論相結(jié)合，以便在計算機(jī)編程課程中為學(xué)生提供適應(yīng)性學(xué)習(xí)活動。進(jìn)一步來說，為更好地評估學(xué)生對課程的學(xué)習(xí)效果，采用基于規(guī)則的決策模型和改進(jìn)的布魯姆分類（Revised Bloom Taxonomy，RBT）中的模糊權(quán)重，以便根據(jù)學(xué)生的知識水平以及活動的類型、數(shù)量和復(fù)雜性向?qū)W生提供自適應(yīng)學(xué)習(xí)活動。

1 基于RBT的學(xué)習(xí)活動

本文涉及的領(lǐng)域知識為計算機(jī)科學(xué)課程本科階段的編程語言C，相關(guān)知識由8 章組成，包含基于RBT 的不同類型的學(xué)習(xí)活動。該分類法提供了一個框架，可根據(jù)學(xué)生的認(rèn)知技能將學(xué)習(xí)成果分為6 個級別，根據(jù)復(fù)雜程度逐漸深入，即：

（1）L1（記憶）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠定義、描述、識別、了解、概述、回憶和識別事實；學(xué)習(xí)活動：標(biāo)記圖書、抽認(rèn)卡、閱讀材料、記憶活動、觀看演示文稿和視頻。

（2）L2（理解）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠解釋、概括、解釋和重寫事實或案例；學(xué)習(xí)活動：創(chuàng)建類比、小組討論、記筆記、講故事、用光板畫圖表和流程圖。

（3）L3（應(yīng)用）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠應(yīng)用、構(gòu)造、演示、發(fā)現(xiàn)、修改和使用事實；學(xué)習(xí)活動：構(gòu)造概念圖、分析解決問題的案例、通過簡答題學(xué)習(xí)、演示、小組工作、練習(xí)和計算。

（4）L4（分析）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠分析、比較、區(qū)分、識別、說明、概述、關(guān)聯(lián)和分離事實；學(xué)習(xí)活動：分析魚缸、辯論、測試、研究案例、采用圖表進(jìn)行對比、小組調(diào)查、問卷調(diào)查。

（5）L5（評價）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠評價、比較、批評、解釋和證明事實；學(xué)習(xí)活動：調(diào)查、評論論文、寫博客、列表優(yōu)缺點。

（6）L6（創(chuàng)造）。學(xué)習(xí)目標(biāo)：學(xué)生應(yīng)該能夠分類、合并、組合、生成、組織、重構(gòu)和重寫事實；學(xué)習(xí)活動：創(chuàng)建新模型、撰寫論文、研究項目、開發(fā)與描述新的解決方案或計劃、集思廣益。

RBT 可用于為學(xué)習(xí)者選擇最合適的學(xué)習(xí)活動，因此可系統(tǒng)使用RBT 來推斷每個學(xué)生的經(jīng)驗、能力和知識水平，以便提供給學(xué)生適合其水平的學(xué)習(xí)活動。

2 使用標(biāo)準(zhǔn)化的模糊權(quán)重調(diào)整學(xué)習(xí)活動

向?qū)W生提供適應(yīng)性學(xué)習(xí)活動需要考慮其知識水平，然而，確定一個學(xué)生的知識水平并不是一個簡單的過程，而且充滿了不確定性。特別是，得分為8.8/10 的學(xué)生不能確定為優(yōu)秀或非常好，兩種狀態(tài)都有一定程度的真實性。在這種情況下，模糊邏輯可成為解決方案［10］。在此方法中，指定了7 個模糊權(quán)重來表示學(xué)生學(xué)習(xí)編程語言C 的知識水平，即新生（N）、初學(xué)者（B）、中級（I）、良好（G）、很好（VG）、高級（A）、專家（E），其中新手（N）的模糊權(quán)重隸屬函數(shù)如下：

其余6 個模糊權(quán)重隸屬函數(shù)與上式類似，這里不再一一贅述。式中，x是學(xué)生分?jǐn)?shù)，同時圖1 描述了模糊權(quán)重方案。

Fig.1 Schemes of fuzzy weights圖1 模糊權(quán)重方案

每個模糊權(quán)重由梯形隸屬函數(shù)表示，這些函數(shù)由4 個邊界值(a1、a2、a3和a4)描述：隸屬度在a1與a2之間從0 增加到1，在a2與a3之間以1 的度數(shù)變平，然后在a3與a4之間從1 減小到0。選擇梯形隸屬函數(shù)是因為在每個知識水平類別中都有一個區(qū)間（a2與a3之間），學(xué)生的分?jǐn)?shù)完全屬于該類別。

綜上所述，7 個模糊權(quán)重用于描述學(xué)生在所教領(lǐng)域（編程語言C）的當(dāng)前知識水平。上述隸屬函數(shù)用于定義這些模糊權(quán)重的值，范圍為0～1。當(dāng)知識水平的值等于1 時，意味著學(xué)生已掌握了該領(lǐng)域知識，并且對知識是完全熟悉的。因此，每個劃分的模糊集中的總值描述了一個領(lǐng)域?qū)W習(xí)單元的知識水平，并且等于1。因此，μN(yùn)(x) +μB(x) +μI(x) +μG(x) +μVG(x) +μA(x) +μE(x)=1。

模糊權(quán)重及其隸屬函數(shù)的閾值由15 名公立大學(xué)計算機(jī)編程領(lǐng)域的教師確定。更具體地說，要求教師以描述性的方式定義學(xué)習(xí)者在整個學(xué)習(xí)過程中的知識水平，并描述不同知識水平學(xué)習(xí)者的差異。教師教授編程語言的經(jīng)驗超過12年，可以準(zhǔn)確描述學(xué)生的知識水平。

3 自適應(yīng)輔導(dǎo)決策

本節(jié)介紹基于7 種模糊權(quán)重應(yīng)用的規(guī)則，以便針對學(xué)生的知識水平提供自適應(yīng)輔導(dǎo)。在教學(xué)策略上，每一章都是通過學(xué)習(xí)活動來教授的，因此這些規(guī)則有助于系統(tǒng)決定每個RBT 級別學(xué)習(xí)活動的數(shù)量和復(fù)雜性，且這些活動必須交付給每個學(xué)生。這些規(guī)則是由上述15 位計算機(jī)編程教師制定的，特別地，其被賦予13 個派生類別的隸屬函數(shù)，并被問及獲取每個案例領(lǐng)域知識所需的每個RBT 級別學(xué)習(xí)項目的數(shù)量和難度，然后考慮其答案的平均值來形成規(guī)則。

整套規(guī)則如表1 所示，其描述了每個模糊權(quán)重實例的學(xué)習(xí)活動數(shù)量和復(fù)雜程度。RBT -Li(i=1，2，3，4，5，6)是RBT 的第i 級，cj(j=1，2，3，4，5，)是復(fù)雜度j從1（非常容易）到5（非常難）的學(xué)習(xí)活動。規(guī)則形成的推理為：學(xué)生成績的提高表明學(xué)生獲得知識，并進(jìn)入更高階的認(rèn)知技能階段。因此，隨著學(xué)生取得更好成績，RBT 水平越高，批量學(xué)習(xí)活動越少。例如，新手學(xué)生需要研究RBT 初始水平（如記憶或理解）和低復(fù)雜性的問題，而專家級的學(xué)生則需要處理更復(fù)雜的問題。該主張基于15 位經(jīng)驗豐富的教師的意見以及RBT 模型，該模型指出，高階認(rèn)知技能的獲得以較低層次的知識為前提。

例如，根據(jù)這些規(guī)則，如果一個學(xué)生被歸類到第3 個模糊集中，即其被定性為中級［等級：5.2/10，μN(yùn)(5.2)=0，μB(5.2)=0，μI(5.2)=0.8，μG(5.2)=0.2，μVG(5.2)=0，μA(5.2)=0，μE(5.2)=0］，所提供的學(xué)習(xí)活動將是：①1 個復(fù)雜度為5的RBT-L1學(xué)習(xí)活動；②2個RBT-L2學(xué)習(xí)活動：1 個復(fù)雜度為4，1 個復(fù)雜度為5；③1 個復(fù)雜度為3 的RBTL3 學(xué)習(xí)活動；④2 個RBT-L4 學(xué)習(xí)活動：1 個復(fù)雜度為3，1個復(fù)雜度為4；⑤2 個RBT-L5 學(xué)習(xí)活動：1 個復(fù)雜度為2，1個復(fù)雜度為3；⑥2 個RBT-L6 學(xué)習(xí)活動：1 個復(fù)雜度為1，1個復(fù)雜度為2。

4 評價結(jié)果及討論

教育軟件評價對于評估系統(tǒng)的有效性和學(xué)生的認(rèn)可程度非常重要。因此，其被視為開發(fā)周期的核心階段。為進(jìn)行定性評估，本文對系統(tǒng)進(jìn)行了以下兩方面評估：①使用t 檢驗對教學(xué)策略的適應(yīng)性、學(xué)習(xí)活動類型和數(shù)量進(jìn)行評估；②學(xué)習(xí)成果評估。

4.1 參與人員

在南京一所公立大學(xué)C 編程本科課程的輔導(dǎo)期間，本文對該系統(tǒng)進(jìn)行了評估，為期一個學(xué)期，150 名二年級本科生與該課程的3 位導(dǎo)師參與了評估過程。將所有人員分為3 組，每組人數(shù)相等，即50 名學(xué)生。為保證定性評價，分組時注重考慮學(xué)生特點。每組人員特征如下：第一組——平均年齡：19.3，性別：23 個女性，27 個男性；第二組——平均年齡：19.2，性別：22 個女性，28 個男性；第三組——平均年齡：19.3，性別：23 個女性，27 個男性。3 組共同特征如下：①城市學(xué)生與農(nóng)村學(xué)生比例相等；②都學(xué)習(xí)過計算機(jī)高級知識；③所有學(xué)生第一年都成功通過了相同數(shù)量的課程；④所有學(xué)生都參加了C 編程課程并希望取得高分。

Table 1 Adaptive-assisted decision rules表1 適應(yīng)性輔助決策規(guī)則

在整個學(xué)期中，實驗組（第1 組）學(xué)生都使用該系統(tǒng)進(jìn)行學(xué)習(xí)，通過自適應(yīng)學(xué)習(xí)活動實現(xiàn)領(lǐng)域知識的個性化，而對照組學(xué)生使用具有相同用戶界面的傳統(tǒng)版本的系統(tǒng)進(jìn)行學(xué)習(xí)。第2 組使用的系統(tǒng)版本提供了具有特定學(xué)習(xí)活動的學(xué)習(xí)材料，所有學(xué)生都相同，并且不是基于RBT 設(shè)計的，而第3 組使用的系統(tǒng)版本提供了理論格式的學(xué)習(xí)材料，也沒有適應(yīng)學(xué)生的需要。3 位導(dǎo)師參與了該實驗，每組1位，幫助學(xué)生使用這些系統(tǒng)。

4.2 教學(xué)策略評價

為評估學(xué)生對領(lǐng)域知識適應(yīng)的滿意度，本文采用統(tǒng)計假設(shè)檢驗（t 檢驗）將所提出的系統(tǒng)與傳統(tǒng)版本的系統(tǒng)進(jìn)行比較。傳統(tǒng)的系統(tǒng)通過固定的學(xué)習(xí)活動傳遞領(lǐng)域知識，其中第2 組沒有采用適應(yīng)性學(xué)習(xí)活動及任何學(xué)習(xí)理論，所以本文使用第2 組的數(shù)據(jù)進(jìn)行對比。該實驗可揭示通過基于RBT 設(shè)計的適應(yīng)性學(xué)習(xí)活動進(jìn)行的輔導(dǎo)是多么成功。在學(xué)期末課程結(jié)束后，要求兩組學(xué)生根據(jù)李克特量表回答以下問題，并從“非常”（10）到“完全不”（0）進(jìn)行打分：

Q1：學(xué)習(xí)活動是否與你的知識水平相對應(yīng)？

Q2：活動數(shù)量是否適合有效學(xué)習(xí)？

Q3：活動的復(fù)雜程度是否有助于你的學(xué)習(xí)？

t 檢驗分析結(jié)果如表2 所示。由此可推斷出針對上述問題，兩個實驗的平均值之間存在統(tǒng)計學(xué)上的顯著差異。本文提出的系統(tǒng)在基于學(xué)生知識水平的學(xué)習(xí)活動的準(zhǔn)確性以及活動數(shù)量和復(fù)雜性方面超越了傳統(tǒng)版本，這些結(jié)果是意料之中的，因為本文提出的系統(tǒng)結(jié)合了領(lǐng)域知識的智能機(jī)制，使學(xué)習(xí)活動可適應(yīng)學(xué)生需求。通過提供以學(xué)生為中心的學(xué)習(xí)環(huán)境，進(jìn)一步提高了知識獲取與學(xué)習(xí)效率。

Table 2 Analyzing the results of the t-test表2 t檢驗分析結(jié)果

4.3 學(xué)習(xí)成果評價

本節(jié)通過比較使用本文系統(tǒng)與兩個傳統(tǒng)版本系統(tǒng)的學(xué)習(xí)成果來評估輔導(dǎo)質(zhì)量。為評估學(xué)習(xí)成果的改善情況，采用前測—后測非等效組設(shè)計。其中，對3 組的所有學(xué)生進(jìn)行了相同的預(yù)測試，以評估其以前在該領(lǐng)域的學(xué)習(xí)情況。在整個學(xué)期中，實驗組（第1 組）的學(xué)生使用本文的系統(tǒng)進(jìn)行學(xué)習(xí)，而對照組（第2、3 組）的學(xué)生使用兩個傳統(tǒng)版本的系統(tǒng)進(jìn)行學(xué)習(xí)。每章結(jié)束時，所有學(xué)生都接受了相同測試。由于后測分?jǐn)?shù)被認(rèn)為是其最終分?jǐn)?shù)，因此采用章節(jié)測試的平均值。

采用配對t 檢驗來比較每組前測與后測分?jǐn)?shù)之間的差異。在第1 組中，前測平均值為5.58/10，后測平均值為8.06/10，其均值差為2.48，表明t1=-28.555 和P1=3.37 ×10-32＜0.05 有顯著改善。對于第2、3 組，前測與后測均值分 別 為5.62-7.02 和5.34-6.8，t2=-16.333，P2=1.84 ×10-21＜0.05，t3=-17.834 和P3=4.55 × 10-23＜0.05 均 有顯著改善。為識別本文系統(tǒng)與傳統(tǒng)版本系統(tǒng)之間的差異，使用單向方差分析統(tǒng)計模型，該模型是測試以上3 個組以探索其之間在假設(shè)方面是否存在顯著差異最合適的方法。本文對學(xué)生的最終成績進(jìn)行了方差分析檢驗，零假設(shè)表明實驗組與對照組之間的學(xué)習(xí)成果沒有差異。因為F=13.221 ＞F臨界值=3.058，方差分析檢驗的結(jié)果表明零假設(shè)不成立，表明3 組的平均值并不完全相等。為了確定哪個組不同，采用最小顯著性差異（LSD）檢驗，得到LSD=0.46。將第1、2 組（diff1，2=1.04）和第1、3 組（diff1，3=1.26）平均值之間的差異與LSD 值進(jìn)行比較，因為兩個差異值都大于最小顯著性差異值（diff1，2＞0.46 和diff1，3＞0.46），所以報告了一個顯著結(jié)果。因此，本文提出的系統(tǒng)在提高學(xué)習(xí)效果方面優(yōu)于傳統(tǒng)版本。第1 組與第2 組之間的統(tǒng)計顯著性差異顯示了本文采用學(xué)習(xí)活動的適應(yīng)性及學(xué)習(xí)活動設(shè)計效率，第1 組與第3 組之間的統(tǒng)計顯著性差異也驗證了本文采用教學(xué)策略的有效性。

5 結(jié)語

本文根據(jù)RBT 學(xué)習(xí)理論，通過為學(xué)生提供適應(yīng)性學(xué)習(xí)活動，提出一種新穎的教學(xué)策略。其是通過采用基于模糊權(quán)重的決策來實現(xiàn)的，該決策根據(jù)學(xué)生在領(lǐng)域概念中的分?jǐn)?shù)來定義學(xué)生的知識水平并推斷出學(xué)習(xí)材料。結(jié)果是每個學(xué)生都根據(jù)其知識水平來接受學(xué)習(xí)活動，而其在學(xué)習(xí)活動的數(shù)量、類型和復(fù)雜性方面都具有適應(yīng)性。系統(tǒng)評估結(jié)果是非常樂觀的，顯示學(xué)生滿意度較高，而且獲得了更好的學(xué)習(xí)結(jié)果。學(xué)生對這種新穎的教學(xué)策略的評分高于8.2/10，表明基于其知識水平所提供學(xué)習(xí)活動的數(shù)量和復(fù)雜性是合適的。此外，前測與后測評估顯示學(xué)生成績得到了顯著提高，證實了該學(xué)習(xí)方法的適用性。最后，將該系統(tǒng)與兩種傳統(tǒng)版本的系統(tǒng)進(jìn)行比較，結(jié)果表明，該系統(tǒng)在提高學(xué)習(xí)效果、適應(yīng)性、RBT 使用效率以及教學(xué)策略的有效性方面都優(yōu)于傳統(tǒng)版本的系統(tǒng)。本研究的重點是以學(xué)生的知識水平作為其適應(yīng)性的主要決定因素，從而為學(xué)生提供適當(dāng)?shù)膶W(xué)習(xí)活動。未來將結(jié)合其他學(xué)生特征的模糊權(quán)重，如情緒狀態(tài)、錯誤類型等，以期增強(qiáng)系統(tǒng)適應(yīng)能力，進(jìn)一步提升學(xué)習(xí)效果。