1选题：本课题国内外研究现状述评,提出选题的背景及意义.doc

1.选题：本课题国内外研究现状述评，提出选题的背景及意义。

2.目标与内容: 本课题研究拟完成的研究目标和主要研究内容，研究内容要对•拟解决的问题进行具体化。3、研究思路与方法：本课题研究的技术路线、方法和计划。4.预期价值：本课题理论创新程度和实践应用价值。（课题设计论证限3000字以内）

一直以来如何有效的提高学生的学习效率和教师的教学效率不断的得到大量的研究，近二十年以来，随着计算机信息技术和互联网应用的飞速发展，在教育心理学中正在发生着一场革命，应用建构主义的学习理论（Slavin, 1994）来指导改革教学成为一大趋势。建构主义学习理论从“学习的含义”（即关于“什么是学习”）与“学习的方法”（即关于“如何进行学习”）这两个角度说明学习的影响因素及提高学习效率的方法，建构主义学习理论认为学习是在一定的基础知识之上，在一定的情境即社会文化背景下，借助其他人的帮助即通过人际间的协作活动而实现的意义建构过程。“情境”、“协作”、“会话”和“意义建构”是学习环境中的四大要素或四大属性。所谓“情境”即是学习的综合环境；“协作”: 指学习中与他人的沟通与合作；“会话”：学习小组成员之间通过会话商讨如何完成规定的学习任务的计划；“意义建构”：建构事物的性质、规律以及事物之间的内在联系，是整个学习过程的最终目标。建构主义的学生观、教师观和知识观和以往的学习理论有了很大的变化，应用建构主义学习理论来提高教学效率正成为当前的研究热点，但目前的研究多从学习的方法论和学习技术本身入手，考虑学生的具体群体的学习特点较少，不能很好的有的放矢，在分析学生的学习影响因素时多直接用常规的数理统计理论进行分析与讨论，而实际上影响学生的学习因素是相当复杂与繁多的，而且学习因素之间W能存在相互的因果关系，而这种因果关系有时往往不知道，因素之间的影响到底多大，定量的关系不明确，甚至可能有很多隐藏的因素在起作用，发现学习的各种影响因素及其因果关系与比重，以及它们的变化分布规律对我们找出主要因素从而正确指导教学以及设计调查问卷摸查学生的学习基础与学习特点对教师的教学设计和提高教学效率具有重要意义，目前对此的研究还比较少。

贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。自1988年由Pearl提出后，己知成为近几年来研究的热点一般的贝叶斯网络结构是一个有向无环图（Directed Acyclic Graph,DAG）,如图1所示，由代表变量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的互相关系（由父节点指向其后代节点），用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达, 节点变量可以是任何问题的抽象（如知识表达），适用于表达和分析不确定性和概率性的事件，可以从不完全、不精确或不确定的知识或信息中做出推理。贝叶斯网络本身是一种不确定性因果关联模型，贝叶斯网络与其他决策模型不同，它本身是将多元知识图解可视化为一种概率知识表近与推理模型，更为贴切地蕴含了网络节点，变量之间的因果关系及条件相关关系，如果节点表达为学习因素，

就可应用贝叶斯网络技术从更深的层次研究前述的影响学习的因素及其相互问 的关系。为表示未知的影响因素，可在网络中引入隐变量，引入隐变量后的贝叶 斯网络结

构如图2所示。

A

B

C

D|ABC E|ABCD F|ABCDE

(b)因素表示

图1贝

叶斯网

络结构

C

D)H

E|H

F|H

H|ABC

(b)因素表示 图2引入隐变量后的贝叶斯网络结构

设贝叶斯网络为G,节点对应随机变量％,乂2，・・・，乂〃，0代表用于网络量化的一 组参数

称为条件概率表(Conditional Probability Table, CPT),。= {P(X,・ 1», ) 11

f=l

通过机器学习的方法(如基于依赖分析的方法、基于打分搜索的方法等)来学习 和样本匹配程度最高的网络结构G*,有了贝叶斯网络结构，再通过后验概率分 布计算得到结构参数，然后可通过精确推理方法(如Poly Tree Propagation 算法、 Clique Tree Propagation 算法、Graph Reduction 算法、组合优化问题求解方法SPI 等)或不精确推理方法(如：随机仿真法(Stochastic Sampling)>基于搜索的 近似算法(Search —based)＞模型简化方法(Model Simplification)和循环信度传 递方法(Loopy Propagation)

(a)贝叶斯网络示例 (。)引入隐变量后的贝叶斯网络结构

等)由已知推理未知的可能结果，找出各种影响因素及其相互间的定量关系。

研究目标：

基于建构主义的学习理论，通过贝叶斯网络探索影响学习的因素及其相互问的定量关系，指导教学的设计以提高教学效率。

研究内容：

1、基于建构主义的学习理论分析影响学习的可能因素；

2、设计调查问卷以采样用于训练贝叶斯网络的样本数据；

3、开展问卷调查；

4、求解学习因素贝叶斯网络的结构及其参数；

5、利用贝叶斯网络推理分析、研究影响学习的因素及对.教学的指导意义。

研究的思路与方法：

1、研究路线图：

2、以医用物理学的教学为案例，根据建构主义的学习理论分析学习的影响因素，细化为若干表现的问题，设计调查问卷；

3、随机抽取班级，开展问卷调查；

4、通过问卷评分，加入期末考试成绩分析，形成样本数据，剔除不完整的或异常的数据，产生各因素的随机变量，表达节点；

5、通过基于Kullback-Leibler (KL)散度的贝叶斯网络结构学习算法训练获取网络结构，采用离散型参数学习算法，得到贝叶斯网络结构参数；

6、选择合适的贝叶斯网络推理算法，推理研究分析各因素对教学的指导意义。

预期价值：

本课题结合了现代教育理论与信息技术，通过贝叶斯网络及其不确定性推理来发现影响学习的主要因素，客观性强，技术路线创新，通过研究结果可指导教学设计，指导学期初的摸底调查，针对性的采取措施提高教学效率，为教学改革探索新思路与新方法提供有益的经验。