《虚拟学习社区的绩效评估模型.pdf》由会员分享，可在线阅读，更多相关《虚拟学习社区的绩效评估模型.pdf（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2011，47（4）1前言虚拟学习社区是一种新型的学习组织，是当代社会需求和科学技术及其学与教理论相结合的产物。虚拟学习社区的功能体现在两个方面：一是为e-Learning构建一个交互环境以作为传统学习的补充；二是为学习者提供一种良好的环境以作为实现学习目的的平台。文献1中的Helpdesk系统，A.Inaba、T.Tamura、R.Ohkubo等开发的TGF系统2-3，以及黄荣怀、林凉在WebCLTM协作学习平台中利用Agent构建的E-Tutor系统4等，都从不同角度对这种新型学习平台进行了研究。目前对虚拟社区的相关研究中，对结果评估研究还比较少，评估这方面的主题将会是今后研究的重点。所谓
2、虚拟学习社区，是指借助网络和通信技术，由各种不同类型和个体组成，通过教学、研究等活动建立一个虚拟的社会形态，以交互学习、协作学习和自主学习方式为主，使学习者获取知识、增进理解和提高技能，形成以此为目的的一个交互的区域。基于此目的，综合社区学习者学习积极性、知识水平和能力水平这三个方面来对学习社区绩效进行评估。目前的网络学习评价大多仅限于对在线测验成绩进行评价，这种评价是不科学的，评价不应只是学习结束后简单的总结性判断，而应贯穿整个 e-Learning 学习过程中。由于e-Learning学习评价过程要综合考虑许多因素，既有确定性的因素，也有很多模糊因素，并且各因素之间又有层次之分，考虑到这些
3、问题，采用基于等级隶属度量化的二级模糊综合评判模型对社区学习绩效进行综合评价。另外，由于e-Learning系统的学习评价过程的因素集中有的因素可以进行定量分析，而有的因素只能进行定性分析，根据不同的情况，选用不同的方法来确定隶属度，不同的评价模型所得评价结果的模糊度存在差别，怎样可使评价结果获得较小的模糊度是一个值得研究解决的问题。如多目标模糊评价的模型5-6的结果是一个与评语集相对应的隶属度向量，而最大隶属原则有可能虚拟学习社区的绩效评估模型程艳1，许维胜2，何一文2CHENG Yan1，XU Weisheng2，HE Yiwen21.江西师范大学 计算机信息工程学院，南昌 3300222
4、.同济大学 电子与信息工程学院，上海 2018041.College of Computer Information Engineering，Jiangxi Normal University，Nanchang 330022，China2.College of Electronics and Information Engineering，Tongji University，Shanghai 201804，ChinaCHENG Yan，XU Weisheng，HE Yiwen.Effectiveness assessment model of virtual learning communit
5、y.Computer Engi-neering and Applications，2011，47（4）：17-21.Abstract：According to the characteristics of the virtual learning community，this paper assesses its effectiveness combiningthe learnersenthusiasm，knowledge and ability.Since current assessment models mainly deal with the results of online tes
6、ts，a fuzzy integrative model is set up based on mutual，cooperative and independent learning.According to the index of onlinelearning activities，an independent study evaluation submodel is established.In order to accurately distinguish students and nar-row the fuzzy disparity and the distortion cause
7、d by the maximum member theory，a more appropriate submodel is here putforward on the basis of online learning activities.It suggests a member quantitative model to further quantify the membervector resulting from the knowledge level and ability assessment submodel，to update the former elementary mod
8、el.Compari-sons and analysis are also made.Key words：community learning effectiveness；ability assessment；membership vector；classification quantitative摘要：基于虚拟学习社区的特点，综合社区学习者学习积极性、知识水平和能力水平三个方面来对学习社区绩效进行评估。针对目前网络学习评价大多仅限于对在线测验成绩进行评价的不足，充分利用综合评判带来的信息，结合社区协作学习和自主学习的特点，建立了一个社区学习绩效模糊综合评价模型。为了解决模型评价结果为隶属向量
9、，模糊度较大和最大隶属原则有可能导致评价结果失真的问题，重点提出并建立隶属等级量化精确模型对评价向量作进一步量化，进一步准确区分学生，并与初等量化方法作了比较分析。关键词：社区学习绩效；能力评价；隶属度向量；等级量化DOI：10.3778/j.issn.1002-8331.2011.04.005文章编号：1002-8331（2011）04-0017-05文献标识码：A中图分类号：TP39基金项目：国家自然科学基金（the National Natural Science Foundation of China under Grant No.70871091，No.60804042）。作者简介：
10、程艳（1976），女，博士，副教授，研究方向为人工智能、智能计算机辅助教育和数据挖掘等；许维胜（1966），男，博士，教授，博士生导师，主要研究方向为智能控制等；何一文（1966），男，博士研究生，工程师，主要研究方向为数据挖掘等。E-mail：收稿日期：2009-12-01修回日期：2010-12-09Computer Engineering and Applications计算机工程与应用17Computer Engineering and Applications计算机工程与应用2011，47（4）xLa1a2a3a401图2基准函数L（x）导致评价结果失真。其中文献7所提出的确定评价等
11、级的置信度准则同样存在使评价结果失真的问题。为解决这一问题，人们进行了大量的研究工作5，7-8。其中文献5，8的研究结果仅仅是一个均值，而非一个模糊集合。本文中网络学习能力模糊评价子模型和网络成绩模糊评价子模型的评价结果也是与评语集相对应的隶属度向量，为了解决最大隶属原则导致评价结果的模糊度较大和评价结果失真问题，充分利用综合评判带来的信息，提出并建立隶属度等级量化模型对评价结果作进一步量化，达到进一步准确区别学生水平的目的，并用等级量化精确模型对量化初等模型进行了改进。2评价因素和多层次评价指标体系的建立评价指标是获得科学、客观的评价结果的根本保证9。根据信息论，在一个模型中，使用的信息越多
12、，这个模型就能达到更高的精确度。依据网络教学的特点，结合实际教学经验，主要从社区学习者学习积极性、知识水平和能力水平这三个方面对社区学习绩效进行综合评价，确定了网络社区学习绩效评价指标体系。如图1所示。设评价因素集合为定义为U=u1u2u3。其中u1=u11u12u13，u2=u21u22，u3=u31u32。式中ui为各评价因素，Ai为对应权重；uij为其下层评价因素，Aij为相应权重值。限于文章篇幅，不对评价因素权值的确定过程作叙述，假定各因素权重Ai、Aij值如图1所示。3网上学习活动的量化从学习社区学习者的学习活动情况可判断其学习的积极性。由于网络学习评价的因素中有的可以进行定量分析，
13、如测试成绩，而有的尤其是学习过程中的因素只能进行定性分析，由于模糊理论是根据模糊不精确的信息对人类主观表达的概念作大概的定量化处理10，可利用模糊理论将其定量化。3.1学习活动量化模型的建立定义1 在各个学习活动的程度指标中，fki为第i个学生的第k项学习活动程度指标值，其中tki为第i个学生在第k项指标中的时间或次数；avgk为各个学习活动的评分指标中第k项指标的平均时间或次数；tmin为所有学生中第k项指标时间或次数最低值；tmax为所有学生中第k项指标时间或次数最高值。fki=50-avgk-tkiavgk-tmin50tkiavgk（1）若tki=tmin,fki=0;tki=avgk
14、,fki=50;tki=tmax,fki=100。与实际情况相符。根据经验，将fki模糊化为5等，即：L1：80 fki100，为“优”；L2：60fki80，为“良”；L3：40fki60为“中”；L4：20fki40，为“较差”；L5：0fki20，为“差”。找出与各学习活动相对应的等级后，根据各变量L1L5所对应的值（等级变量的数值化见3.2节），再将先前求出的权重Ai，依照加权平均法得出下式：u1=i=1n(AiLi)（2）则可计算出学习过程的综合评价成绩u1。其中各等级变量L值的确定是接下来要讨论的内容。3.2等级变量的数值化在目前的学习评价中大多采用的是V=V1V2Vn=优，良，中
15、，及格，不及格的五等级评价方式11，分别用等级变量L1,L2,L5表示。把从优到不及格，或从好到差的等级次序称为降序，如优，良，中，及格，不及格和好，较好，一般，较差，差；反之，从差到好的等级排列称为升序。可设定各等级的隶属度，隶属度可以通过一个隶属函数给出，模糊数的计算是繁复的，选择合适的模糊数将给后面的讨论带来许多方便之处12。取L-R型模糊数，首先定义基准函数L(x)（见图2）。VLi(x)=0 xa1x-a1a2-a1a1xa21a2xa3x-a4a3-a4a3xa40 xa4（3）有了基准函数，还需确定L-R型模糊数公式（3）中的4个参数a1、a2、a3、a4的值，可根据模糊综合评定
16、、专家评分等方法来确定。|a2-a1|=|a4-a3|=评分误差值；则L1=（88，92，98，102）；L2=（78，82，88，92）；L3=（68，72，78，82）；L4=（58，62，68，72）；L5=（48，52，58，62）。即可产生五等级正梯形模糊隶属函数VLi(x)。模糊数的种类很多，最常用的模糊数为梯形模糊数和三角模糊数。根据 Delgado等人13的文章可知，一个梯形模糊数可以用来表示其他类型的模糊数，因此，仅探讨了梯形模糊数应用于学习评价的表示，这个方法同样可以推广到其他模糊数。3.3反模糊化因为正梯形的模糊数最能表达重要程度的是中央部分，所以可利用中心值法作为正梯形
17、模糊数a=(a1a2a3a4)反模糊化的结果13：学习绩效评价网络自主学习评价u1(A1=0.3)浏览教材时间u11(A11=0.3)浏览教辅资料时间u12(A12=0.3)参与讨论发表情况u13(A13=0.4)知识水平测评u2(A2=0.4)平时成绩u21(A21=0.4)期终成绩u22(A22=0.6)学习能力水平评价u3(A3=0.3)个人学习能力u31(A31=0.5)合作学习能力u32(A32=0.5)图1学习社区绩效评估体系结构图182011，47（4）M(a)=a1if(a1=a2=a3=a4)a1+a32+(a4-a3)-(a2-a1)6=2a2+2a3+a1+a46othe
18、rwise（4）所以学习活动综合评价成绩u1=(abcd)的反模糊化值可按下式计算：Su1=M(u1)=2b+2c+a+d6（5）将和学习过程的综合评价成绩u1对应的五等级隶属函数Li的a、b、c、d代入式（5）进行反模糊化，可求出最后的各项学习活动的综合评定分数结果。4社区学习知识水平测评(u2)通过测试成绩可初步掌握学习者知识水平情况，可在一些情况下需要更精确地区分学生，我们需要增加另外的信息来达到目的。在实际网络教学中，一般会记录学生的平时成绩，如作业或平时测试情况，平时成绩等级可以对期末成绩进行综合修改，可以更客观地反映学生的知识水平。定义2L=l1l2ln是课程集，li表示一个学生在
19、一个学期中学的课程i；R=r1r2rm是等级集，rj是每个等级的序列号，j=12m；T=t1t2是测试集，t1表示平时作业情况或平时测试情况，t2代表期终测试。根据模糊集理论，为了说明每个学生属于哪个级别，必须获取一个权重向量。然后分类，用模糊理论把学生分到一个等级。算法具体步骤如下：（1）根据学生的平时成绩等级，建立平时成绩初始矩阵R(1)=(r(1)ij)，其中rij(1)=nj/total，是学生在某门课程li的平时测试中成绩等级为rj的平时测试的次数，total是平时测试的总数。（2）根据学生的期末成绩，建立期末成绩初始矩阵R(2)=(r(2)ij)，r(2)ij=10如果课程li的等
20、级是rj如果课程li的等级不是rj。（3）确定测试的权值向量Wt=(wt1wt2)和课程的权值向量Wl=(wl1wl2wln)。（4）设rij=k=12wtkr(k)ijR=(rij)为判断矩阵。（5）设Su2=(s1s2sm)代表成绩模糊综合评价向量，Su2=WlR。5网络学习能力水平评估(u3)评价改革的方向更注重评价学习者的能力，所以评价系统在基于传统的试题库的评价形式基础上，还应该通过网络学习者学习过程中的自主学习以及协作学习的能力表现来进行评价。5.1独立学习能力测评(u31)学习者的学习能力主要体现学生对课程知识的总体掌握程度，经常以学生网上学习知识掌握情况来评定学生学习能力，学生
21、知识掌握程度主要体现在做题过程中。由于学生对知识的掌握是一个渐进的过程，且学生的知识水平是动态变化的，学生学习能力也在动态变化，一般学生通过网上学习和反复练习，学习能力会得到不同程度的提高。在这里采用模糊集的方式来表示学生的知识水平。5.1.1相关定义通过学生对知识的掌握情况来评测学生的个人学习能力，考虑两个方面因素：做题时间和试题的难度。用做题时间来衡量学生的掌握程度。规定两个时间段：正常时间和最长时间。学生在正常时间内做对题，认为对知识的掌握到了较高的程度；在正常与最长时间之间做出题，可认为学习者知识掌握程度一般；若超过最长时间则认为对知识的掌握程度较低。因为学生对某一知识的掌握程度本身具
22、有模糊性，所以用隶属函数来表示学习者对知识的掌握程度，对知识掌握程度隶属函数F（t）进行了如下定义（只考虑做题时间）。定义3 F（t）为学生对知识的掌握程度隶属函数，其中t为答题时间，n为正常时间，l为最长时间。F(t)=1tnl-tl-nntl0tl（6）F函数的值随t的增大而单调递减，即学生掌握程度是按时间递减的。当学生在正常时间内做题，F(t)=1；当学生做题超过最大时间，F(t)=0。5.1.2独立学习能力隶属度的改变学习能力模糊集隶属度的改变采用Sherlock II14-15思想。Sherlock II是一个运用模糊集来实现用户状态改变的系统，它采用模糊集把一个问题的认识分为几个等
23、级，通过各个等级隶属度的不同来判断认识情况，考虑试题难度和做题时间，形成知识掌握隶属度改变规则16。定义4 把学生的知识掌握能力水平分为低、较低、中等、较高、很高共5个等级（升序），分别用15表示。每个级别隶属度表示为S(i)，i=1，2，5，用S来表示学生的知识掌握模糊集。对于试题的难度，用D来表示，分为5个级别：难、较难、中、较易、易，分别表示为1、2、3、4、5。即难度越大值越小；若学生做对一题难度为D的题，则每个级别隶属度发生如下变化：S(1)=S(1)-S(1)CS(i)=S(i)-S(i)-S(i-1)C;i=234S(5)=S(5)+S(5)C（7）其中，C=DF(t)，C是常数
24、，01，D12345（D表示难度）。当做对一题，低级别隶属度必定下降，高级别隶属度必上升。学生用时越长，则表示相应的学习能力越小。当学生做题时间超过最长时间，C=0(F(t)=0)，上升规则将不起作用。在F（t）一定的情况下，因01，则D越小（表示难度越大），D的值越大，C的值就越大，即做对难度越大的题高等级隶属度上升得越多。反映了做对难度越大的题学习能力上升越快。定义5 若学生做错一题难度为D的题，则每个级别隶属度发生如下变化：S(1)=S(1)+S(1)CS(i)=S(i)-S(i)-S(i+1)C;i=234S(5)=S(5)-S(5)C（8）其中，C=D，C是常数，01/5,H1234
25、5。当学生做错一题时，则只需考虑它的试题难度D（此时做题时间t已不重要），相应高级别隶属度减少，低级别隶属度增加。D值越大（表示难度越小），低等级隶属度上升得多。反映了做错难度小的题比做错难度大的题知识掌握能力水平下降得快。实验表明，随着做题的增加，用此方法求得的学习能力水平比较接近学生的实际水平。同时，随着做题练习的增加，会发现学习者学习能力水平也随之提高。程艳，许维胜，何一文：虚拟学习社区的绩效评估模型19Computer Engineering and Applications计算机工程与应用2011，47（4）5.2协作学习能力评估(u32)根据e-learning学习过程中交互程度和
26、协作情况，由学习社区或小组中其他成员的评价来确定该成员的协作学习能力。协作学习能力是根据社区学习过程中学习社区成员间的评价来确定的。对学生的协作学习能力的评价主要体现在4个方面：团队合作表现及态度、组织能力、表达能力、团体合作责任感；评价的等级有5个，假设为升序，用15表示。评价由经过一次协作学习后学习小组中的学习伙伴对每项协作因素分别进行打分。得出当前协作能力的评价矩阵：R=c11c12c13c14c15c21c22c23c24c25c31c32c33c34c35c41c42c43c44c45（9）其中，cij01，i=1，2，3，4（i表示评价因素），j=1，2，3，4，5（j表示评价集的
27、等级），cij是赞成第i项因素为j等级的人数。对于每个评价因素有对应的权值（由教师给出），设为wj(0wj1)，则对应权值矢量为:w=(w1w2w3w4)，从而得到对这位学生的该项协作能力评价矢量为：Su32=Q=WR=(q1q2q3q4q5)。6等级量化模型网络学习能力和成绩评测的模糊评判结果为隶属度向量，确定了各等级隶属度向量S后，采用最大隶属度法来确定学习能力水平等级。但在很多情况下需要更精确地区分学生，如求得一学生甲学习能力水平的5个等级隶属度为：Su31=S=0.1，0.2，0.4，0.1，0.2，求得另一学生乙学习能力水平的5个等级隶属度为：Su31=S=0.1，0.1，0.4，0
28、.2，0.2，可得出这两个学生的学习能力水平都达到了第三级。如何进一步区分学生的学习能力水平也是值得研究的问题。本文采用了等级量化模型来解决这个问题。6.1等级量化初等模型在对有些实际问题的处理中，为了充分利用综合评判带来的信息，可视评判结果所形成的向量为一权重（归一化），将评判集中各等级用1分制或100分制数量化，然后将评判结果进行加权平均，可得到总分。比如，成绩测试评判结果：B=(0.460.180.120.120.12)，评 判 集V=v1(好)v2(较好)v3(一般)v4(较差)v5(差),用1分制数量化表示为：V=1.00.80.70.60.5T则得总分为：S=BV=0.82（分）。
29、上面用到量化的普通方法是给每个成绩等级按经验或习惯分配一个大概确定的分数。例如上面所述五等级的评判集，用100分制数量化表示为V=10080706050，显然，这种量化方法不够准确不够理想，在一定程度上会影响结果的精确度。因此怎样去合理量化评判集是另一个重要的研究方面。6.2等级量化精确模型根据模糊集理论、大数定理和心理学得到一个合适的公式。定义如下：定义6 假定一个人对一个客观事物或一个系统的感觉变化正比于这个客观事物或系统的变化。设S代表人的感觉，T代表客观事物或系统的状态。客观状态的变化率为DT/T。根据上面的假设，得到：DS=KDT/T。积分方程得：S=KlnT（10）也就是说，人的感
30、觉和T成对数比。通过人脑的处理，定性级别有：+，+，设I描述客观形式的变化，假设：T=f(I)=XI。其中X是一个不确定的变量，根据式（10）得：S(I)=Klnf(I)=Kln(XI)（11）假设S01，I=12j。使用两个边界条件：（1）I=1S=1Kln(X1)=1（12）（2）I=j+1S=0KlnX(j+1)=0（13）解方程（12）、（13），得：X=j+2，K=1ln(X-1)=1ln(j+2)-1（14）当在方程中的符号是+，解没有实义。设m=j+2，将式（14）代入式（11），能够得如下函数：S(I)=ln(X-I)ln(X-1)=ln(m-I)ln(m-1)（15）函数中，
31、I=1，2，j，S(I)是和I对应的函数值，j代表成绩等级数，m是一个普通参数。认为这种方法的结果是合理的，函数（15）表示定量值S(I)和定性值I之间的关系如表1所示。在某些情况下把S(1)取为100%是不合适的，假设最高的S(i)是Max，Max(01)，可以用如下式子替代式（12）：I=1S=Max:Kln(X1)=Max（16）因此也能得到一个函数：S(i)=Maxln(x-i)ln(x-Max)（17）例如 设Max=95%，可以得到：S(i)=0.95ln(x-i)ln(x-0.95)（18）用方程（18），可以得到表2。可见，如果最高S(i)不是100%，级别数减少到一个最小数，
32、这个真实最高S(i)少于给定的Max。根据上面分析，这个量化方法适合于最高量化值为100%时，否则，该方法只有在级别数足够高的情况下适用。得各等级定量值后，用同样的方法，将评判结果各等级隶属度向量转化为最后得分。视评判结果所形成的向量为一权重（归一化），然后将评判结果进行加权平均，可得到总分。比如，某项评判结果等级隶属度向量为（假设为降序）：B=(0.460.180.120.120.12)，用100分制将等级定量化为：V=10090776139T。则得总分为：S=BV=83.44（分）。6.3等级量化两种模型比较下面通过3个例子对两种等级量化模型进行比较分析。例1 假设求得学生甲的知识水平的个
33、等级隶属度为：IS（I）110029539048557867076084893011002903774615391100268343等级数j=9等级数j=5等级数j=3表1等级数j=9，5，3的定量与定性值关系（S（1）=100%）（%）iS（i）195290390486578674760857929195285373458537187269344等级数j=9等级数j=5等级数j=3表2等级数j=9，5，3的定量与定性值关系（S（1）100%）（%）202011，47（4）B=0.1，0.2，0.4，0.1，0.2。根据最大隶属原则可知该生水平达到了第三级（一般）。利用所得信息，分别用两种方法
34、进一步量化并比较。据等级量化初等模型，评价五等级差，较差，一般，较好，好按经验数量化为V1=0.5，0.6，0.7，0.8，1.0T，则该项得分：S=BV=0.73。据等级量化精确模型，V2=（39，61，77，90，100）T，则S=BV2=75.9。例2 假设求得学生乙的知识水平的5个等级隶属度为：0.1，0.1，0.4，0.2，0.2。据等级量化初等模型，S=BV1=0.75。据等级量化精确模型，S=BV2=78.8。例3 假设求得学生丙的知识水平的5个等级隶属度为：0.2，0.1，0.4，0.2，0.1。据等级量化初等模型，S=BV1=0.61。据等级量化精确模型，S=BV2=72.7
35、。通过以上例子，可得：（1）从五等级隶属度向量看，学生乙和学生甲相比，学生乙的知识水平明显略高，都为第三等级，两种方法分别计算都可得学生乙总分比学生甲有所提高，都为第三等级，与实际相符。（2）学生丙和学生甲、乙相比情况更为复杂，从等级隶属度向量不易看出谁的水平更高或更低，但用等级量化初等模型求得的分值0.61更接近于第二等级（较差），这与0.2，0.1，0.4，0.2，0.1最大隶属原则达到第三等级不符，等级量化精确模型计算结果与实际相符，可见在更为复杂的情况，等级量化初等模型存在一定误差，等级量化精确模型是更为准确的模型。6.4综合评价对成绩、个人学习能力和协作学习能力进行模糊综合评价后的五
36、等级隶属度向量Su2、Su31、Su32用等级量化精确模型进行处理，得各项分值Su2、Su31、Su32。再对评价结果按AHP层次法直接采用加权平均法计算。（1）由Sui=j=1n(AijSuij)可求得社区成员学习能力水平综合评价值：Su3=A31Su31+A32Su32。（2）再由评价因素Su1、Su2、Su3及相应权重Ai值求得社区成员学习绩效评价值（100分制）：S=i=1n=3(AiSui)=A1Su1+A2Su2+A3Su3（19）（3）将该社区所有成员学习的绩效成绩求平均值，即得该社区学习绩效评估值（n为学习社区成员数）：-S=1ni=1nSi（20）7小结根据虚拟学习社区的特点
37、，针对目前网络学习评价大多仅限于对在线测验成绩进行评价的不足，建立了一个社区学习绩效模糊综合评价模型，该模型综合考虑了社区学习的交互学习、协作学习和自主学习的情况，对虚拟社区学习作了综合评价。为了进一步准确区分学生，解决模糊评价模型评价结果为隶属向量，导致评价结果的模糊度较大和最大隶属原则有可能导致评价结果失真的问题，充分利用综合评判带来的信息，重点提出隶属等级量化精确模型对网络学习能力评价子模型和网络成绩评价子模型所得的隶属度向量结果作进一步量化，并与等级量化初等模型进行了对比分析，体现其优越性，模型的有效性得到了验证。参考文献：1 Greer J，Mccalla G，Cooke J，et
38、al.The intelligent helpdesk：Sup-portingpeer-helpinauniversitycourseEB/OL.2006-12-12.http：/julita.usask.ca/Texte/Jim-html/I-Help.htm.2 Inaba A，Tamura T，Ohkubo R，et al.Design and analysis oflearnersinteraction based on collaborative learning ontologyC/Proceedings of Euro-CSCL2001.Maastricht，Netherland
39、s：s.n.，2001：308-315.3 Inaba A，Ikeda M，Mizoguchi R.Learning goals and design ratio-nales in collaborative learning：An ontological approach to sup-port design of collaborative learningEB/OL.2006-12-12.http：/www.ei.sanken.Osaka-u.ac.jp/pub/ina/isir03.pdf.4 黄荣怀，林凉.构建WebCL平台上的e-TutorEB/OL.2006-12-20.http
40、：/ 陈守煜.工程模糊集理论与应用M.北京：国防工业出版社，1998：6-39.6 许开立.系统危险性的模糊评价D.沈阳：东北大学，1999：60-68.7 许开立，陈宝智，陈全.安全等级模糊特征量及其计算方法J.中国安全科学学报，1999，9（6）：6-12.8 陈守煜.系统模糊决策理论与应用M.大连：大连理工大学出版社，1994：8-221.9 许学国，邱一样，彭正龙.组织学习协同性评价模型设计与应用J.系统工程，2005，23（6）：6-11.10 Zzdeh L A.Fuzzy setsJ.Information and Control，1965，8：338-353.11 刘力红，王晓
41、平，吴启迪.E-learning系统中学习评价的研究J.计算机工程与应用，2005，41（34）：52-53.12 张阳，王东，杨贯中.基于模糊AHP理论的网络学习评价模型研究J.湖南师范大学：自然科学学报，2007，30（2）：71-75.13 Delgado M，Vila M A，Voxman W.A fuzziness measure forfuzzy numbers：ApplicationsJ.Fuzzy Sets and Systems，1998，94：205-216.14 Katz S，Lesgold A，Eggan G，et al.Modeling the student inS
42、herlock IIJ.Journal of Artificial Intelligence in Education，1993，3（4）：495-518.15 Gurer D，Desjard I，Schlager M.Representing a student s learn-ing states and transitionsC/The 1995 American Associationof Artificial Intelligence Spring Symposium on RepresentingMental States and Mechanisms.Stanford，CA：s.n，1995.16 程向荣，周竹荣，邓小清.计算机支持的协作学习的伙伴模型J.计算机应用，2007，27（7）：4671-6671.程艳，许维胜，何一文：虚拟学习社区的绩效评估模型21