基于Rough集的微信移动学习要素重要度调查研究*

刘 杰，廖卫华

(赣南师范大学 新闻与传播学院，江西 赣州 341000)



·教育技术理论与实践·

基于Rough集的微信移动学习要素重要度调查研究*

刘 杰，廖卫华

(赣南师范大学 新闻与传播学院，江西 赣州 341000)

本文从教学目标、教学内容、教学设计、支持服务等几大要素设计问卷调查表，并通过Rough集理论得到微信移动学习各要素对学习效果的影响重要度，为开展相关研究提供理论依据.

Rough集；移动学习；调查研究

1 引言

《教育信息化十年发展规划2011-2020》要求在信息技术与教育深度融合的基础上，建立新型信息化教学环境，优化教学模式，推动教育改革[1].信息时代的今天，人们学习交流的方式方法发生了巨大变革，特别是随着智能手机的普及和校园无线网络硬件设施的不断完善，高校乃至中小学学生进行移动学习的行为日益普及.

移动学习(M-Learning)是指学习者在其可能实现的任何时间、任何地点通过移动设备(如手机、具有无线通信模块的PDA等)和无线通信网络获取学习资源，与他人进行交流协作，实现个人与社会知识建构的过程，它是数字化学习的延伸[2].微信公众平台具有信息聚合、订阅推送、自动回复响应、信息传播速率快、受众影响面较大等特点，成为移动学习的有益形式[3].

学习评价是根据教学目标，对学生通过教学活动产生的行为变化做出的一种价值判断的过程[4].在价值判断过程中由于受到评价参与者的知识水平、认知能力和个人偏爱等因素的影响，评价结果往往具有不确定性.目前，对这类不确定信息的数据挖掘有概率统计法、层次分析法及模糊数学等方法，这些方法大部分需要先验知识，而这些知识一般不容易得到.Rough集理论以不可分辨关系为基础，能在缺乏任何先验知识的前提下从数据集中获取有利用价值的信息.目前，Rough集理论已被成功应用于教学评价决策研究，如,文献[5]从信息熵的角度提出了一种基于粗糙集的各评教指标的权重值，完成对待评教教师的决策评价分析；文献[6]利用粗糙集理论及其算法,对学生自主学习成绩决策表进行求解,在原始数据的基础上得出了条件属性与决策属性间的关系；文献[7]利用粗糙集理论中的属性简约和重要度计算对评价指标进行约简,得到指标的客观权重,给出了教师评价的排序结果.本文以教学目标、教学内容、教学设计、支持服务等几大要素设计调查表，并通过Rough集理论得到微信移动学习各要素对学习效果的影响程度，旨在为改造优化微信移动学习提供必要的理论依据.

2 Rough集理论概述

Rough集理论的详细介绍可参考文献[8-9]，本文主要介绍调查研究中要用到的几个基本概念.

定义1[8]一个信息系统定义为：S=(U,C,V,f)，其中U={x1,x2,…,xn}是论域，C为条件属性集，f∶U×C→V是信息函数，其中V=∪Va，a∈C，Va表示属性a的值域.每一个属性子集P⊆C决定了一个二元不可区分关系：ind(P)={(x,y)∈U×U，∀a∈P，f(x,a)=f(y,a)}，关系ind(P)构成U的一个划分，用U/ind(P)表示，简记为U/P={P1,P2,…,Pk}，U/P中的任何元素Pi=[x]P={y|a∈P,f(x,a)=f(y,a)}称为等价类.

定义2[8]一个决策表定义为：S=(U,C,D,V,f)，其中U={x1,x2,…,xn}是论域，C为条件属性集，D为决策属性集；f∶U×(C∪D)→V是信息函数，其中V=∪Va，a∈(C∪D)，Va表示属性a的值域.

定义4[8]在决策表S=(U,C,D,V,f)中,∀A⊆C，设U/A= {A1,A2,…,Am}表示由条件属性集A对论域U的一个划分，U/D= {D1,D2,…,Dh}表示决策属性集D对论域U的一个划分，则条件属性集A在论域U关于决策属性D的正区域表示为：

(1)

定义5[8]在决策表S=(U,C,D,V,f)中，如果ind(C)⊆ind(D)，则称决策属性D依赖于条件属性C，其依赖程度的度量为：

(2)

其中card为集合基数运算符号，(2)式表示属性D是k度依赖于属性C.

定义6[8]在决策表S=(U,C,D,V,f)中，设a∈C，则条件属性a关于决策属性D的重要度定义为：

(3)

3 基于Rough集属性重要度分析流程

基于Rough集理论的微信移动学习各要素重要度分析主要有以下步骤：设计评价体系，收集调查问卷数据；离散化数据，建立知识库表达系统(决策表)；对知识库表达系统进行属性重要度分析：首先从决策表中去掉某个属性，再考察没有该属性后分类的变化.若去掉该属性相对分类变化较大，则说明该属性的重要性高；反之，该属性的重要性低.

4 研究实施过程

4.1 微信移动学习效果评价指标体系设计

2003年，北京师范大学黄荣怀教授带领的课题组制订了由教学设计、教学内容、可用性、技术性、信息呈现和文档资源等6个一级指标构成的我国第一个远程网络课程教学评价标准.[10]微信移动学习属于远程网络课程教学范畴，因此我们的评价指标参照了黄荣怀教授制订的此指标，同时根据微信移动学习的特点，而建立起由教学目标、教学内容、教学设计、支持服务、教学效果等5个一级指标、11个二级指标组成的指标评价体系(表1).

表1 微信移动学习效果评价指标体系

4.2 设计问卷调查表

选择2015～2016学年第二学期公共选修课课程《flash动画制作》实施微信教学的100名学生作为测试对象.微信移动学习效果评价调查问卷设计成远程在线问卷调查形式，在线收集调查结果.该问卷以表1的二级评价指标为关键词设计11个问题，具体如下：

问题1.教学目标对微信移动学习效果的影响；

问题2.教学重点难点对微信移动学习效果的影响；

问题3.教学内容的选择对微信移动学习效果的影响；

问题4.教学内容呈现方式对微信移动学习效果的影响；

问题5.教学组织对微信移动学习效果的影响；

问题6.教学方法对微信移动学习效果的影响；

问题7.教学手段对微信移动学习效果的影响；

问题8.教学资源选择对微信移动学习效果的影响；

问题9.交流互动对微信移动学习效果的影响；

问题10.教师的作业测评对微信移动学习效果的影响.

问题11：通过以上选择，你认为本课程的微信移动学习效果如何：(1)非常好；(2)很好；(3)一般；(4)差.

问题1～10的选项均采用语义差别量表计分形式[11]，每题均设计了四个等距选项：(1) 非常重要、(2)重要、(3)不太重要、(4)不重要.

将所有被测者的选项答案汇总整理成信息表形式(表2)，限于篇幅，只列出前10名被测者的选项情况.

表2 《flash动画制作》微信移动学习效果影响调查选项统计表

表3 知识库表达系统(决策表)

4.3 离散化数据，建立知识库表达系统

为了挖掘表2中问题1～10的选项答案在多大程度上改变了问题11的选项结果及其分类，即要计算问题1～10的选项在问题11选项决策中的重要度，因此，条件属性C={c1教学目标、c2重点难点、c3内容选择、c4呈现方式、c5教学组织、c6教学方法、c7教学手段、c8教学资源、c9交流互动、c10作业测评}，决策属性D={f学习效果}，学生个体集U={1,2,3,…,100}.

对表2进行简单的离散化处理，将所有选项的(1)、(2)、(3)、(4)分别记为1、2、3、4，得到知识库表达系统(表3).

4.4 属性重要度分析

根据以上知识库表达系统所提供的数据，分析条件属性中哪些属性最大程度地改变了决策属性及其分类，以此来确定该属性的重要程度.通过Matlab程序可计算出知识库表中按各个属性的分类情况.

例如：按决策属性D的分类用U/D表示，即：

U/D={{3,4,9,13,14,15,16,18,22,24,25,33,49,52,56,60,66,67,70,72,75,81,84,89,93,95,99},{5,6,7,8,10,11,12,17,19,20,21,23,26,27,28,29,31,32,34,36,37,38,39,40,41,42,43,44,45,46,47,48,50,51,53,54,55,57,58,61,62,64,65,68,69,71,73,74,76,77,78,79,80,82,83,86,88,90,91,92,94,96,97,98},{2,30,35, 63, 85},{1, 59, 87, 100}}.

表示对问卷第11号问题的回答，有27人选择“微信移动学习效果非常好”， 有64人选择“微信移动学习效果很好”，有5人选择“微信移动学习效果一般”，有4人选择“微信移动学习效果差”.

按C={c1、…、c10}分类，U/C可分为28类，因此，由式(1)可计算出：

posc(D)={{75},{94},{26,32,58,92,96},{37},{57},{91},{98},{18},{33},{79},{13},{6,41},{53},{65},{97},{17},{23},{63}}.

由式(2)计算出：rc(D)=card(posc(D))/card(U)=23/100.

下面以条件属性c1(教学目标)对决策属性D的重要度计算为例，其分析过程是去掉属性c1，按C-{ c1}对样本U进行分类，可分为19类，得到：

pos(C-{c1})(D)={{6},{13},{20},{21},{31,43},{45},{46},{55},{66},{68},{77},{79},{93},{26,32,54,95},{96}}.

rc-{c2}(D)=0.22，rc-{c3}(D)=0.12，rc-{c4}(D)=0.11，rc-{c5}(D)=0.08，rc-{c6}(D)=0.1，rc-{c7}(D)=0.1，rc-{c8}(D)=0.06，rc-{c9}(D)=0.04，rc-{c10}(D)=0.04.

根据式(3)可得到各条件属性对决策属性D的重要度，分别为：

σD(c1)=rc(D)-rc-{c1}(D)=0.08； σD(c2)=rc(D)-rc-{c2}(D)=0.10；

σD(c3)=rc(D)-rc-{c3}(D)=0.11； σD(c4)=rc(D)-rc-{c4}(D)=0.12；

σD(c5)=rc(D)-rc-{c5}(D)=0.15； σD(c6)=rc(D)-rc-{c6}(D)=0.13；

σD(c7)=rc(D)-rc-{c7}(D)=0.13； σD(c8)=rc(D)-rc-{c8}(D)=0.17；

σD(c9)=rc(D)-rc-{c9}(D)=0.19； σD(c10)=rc(D)-rc-{c10}(D)=0.19.

由此可见，微信移动学习效果影响要素的重要度排序表现为：交流互动=作业测评>教学资源>教学组织>教学方法=教学手段>呈现方式>内容选择>教学重点>教学目标.

5 实证研究结论

根据微信移动学习效果影响要素的重要度排序结果，可以得到以下结论：

[1] 教育部.教育信息化十年发展规划(2011-2020年)[Z].2011,(6):5-6.

[2] 余胜泉.从知识传递到认知建构再到情景认知:三代移动学习的发展与展望[J].中国电化教育,2007,(6):7-18.

[3] 山峰,檀晓红,薛可,等.基于微信公众平台的移动微型学习实证研究[J].开放教育研究,2015,(2):97.

[4] 杨红颖,王向阳,吴俊峰,等.网络教学评价系统的设计与实现[J].现代远距离教育,2007,(4):13.

[5] 高维春,谭旭.决策属性未知下的学生评教粗糙集分析[J].计算机工程与应用,2012,(9):238-241.

[6] 庄怡雯,黄润才.基于粗糙集的学生成绩决策分析[J].计算机应用与软件,2008,(10):172-174.

[7] 韩慧蓉.粗糙集理论在外聘教师教学质量评价中的应用[J].西安航空学院学报,2016(9):65-68.

[8] Pawlak Z.Rough Sets：Theoretical Aspects of Reasoning about Data[M].Boston，USA：Kluwer Academic Pub1ishers,1991.

[9] 刘清.Rough集及Rough推理[M].北京:科学出版社,2001.

[10] 黄荣怀.网络课程质量认证的研究与试验[J].中国远程教育,2003,(21):16.

[11] 王忠玉,吴柏林.模糊数据问卷调查表的设计及应用[J].经济研究导刊,2012,(14):174.

Research on the Importance of WeChat Mobile Learning Elementsbased on Rough Set

LIU Jie, LIAO Weihua

(SchoolofJournalismandCommunication,GannanNormalUniversity,Ganzhou341000,China)

This paper from the teaching objectives, teaching content, teaching design, support services and other major elements of the design questionnaire, and the influencing factors of mobile learning theory to study the effect of WeChat by rough set, and provide a theoretical basis for the related research.

rough set; mobile learning; investigation and study

2016-10-11

10.13698/j.cnki.cn36-1346/c.2016.06.028

2015江西省高等学校省级教改项目(JXJG-15-14-12)；2015江西省教育科学“十二五”规划项目(15YB109)

刘杰(1972-)，男，江西于都人，赣南师范大学新闻与传播学院副教授，研究方向：计算机应用.

http://www.cnki.net/kcms/detail/36.1037.C.20161209.1458.002.html

G641

A

1004-8332(2016)06-0116-04