3.1 Ứng dụng mạng nơ ron và logic mờ cho vấn đề phân loại đối tƣợng học học
Theo [4], các hành vi có thể quan sát được của người học được chia thành k nhóm. Một giáo viên thường xác định đặc điểm cụ thể của loại hành vi này để có thể phân biệt cho việc dạy học đối với mỗi người học khác nhau.
Tập B = {B1, B2,…,Bi,..,Bk} mô tả một cách ngôn ngữ k khía cạnh về hành vi có thể quan sát được của người học sẽ phục vụ như là đầu vào cho quá trình chẩn đoán, với Bi (i=1,2,..k) là một từ hoặc một câu mô tả loại hành vi thứ i quan sát được. k phản hồi đo được tạo thành một tập hợp thông tin số mô tả hành vi của người học. Mỗi loại i (i =1,2,..,k) lấy giá trị của nó trong một tập hợp các số dương Ui. Đầu vào số X {x1, x2, xi,..., xk}, với xi є Ui và Ui là tập nền của đầu vào thứ i; mỗi Ui ⊂ℜ+ (i =1,2,..., k) đại diện cho giá trị đo được của Bi và lập một đầu vào cho quá trình chẩn đoán.
Đầu ra của quá trình chẩn đoán cập nhật vào mô hình người học liên quan đến L đặc tính học tập khác nhau của người học C1, C2, ..., CL, như khả năng của người học, động lực hoặc phong cách học tập. Sự đánh giá về người học tương ứng với từng đặc tính Cj (j = 1,2, ... .. L) được mô tả qua việc việc sử dụng các giá trị ngôn ngữ. Tùy thuộc vào đặc tính thứ j, sẽ có một số mj khác của các giá trị ngôn ngữ mô tả Cj (j = 1,2, ... .. L).
Mỗi đặc tính của người học được đánh giá bằng cách xử lý các đầu vào số X { x1, x2, xi,..., xk }của hành vi người học. Quá trình này bao gồm ba bước: làm mờ, suy luận, và giải mờ
Hình 3.1: Lược đồ cho mô hình dự đoán [4].
chuyển đổi các dữ liệu đầu vào số thành các thuật ngữ ngôn ngữ. Bộ làm mờ thứ i (i = 1,2,..,k) biến đổi đầu vào số xi thành các mức độ thuộc của các giá trị ngôn ngữ mô tả Bi
Trong bước thứ hai, quá trình suy diễn cung cấp một đánh giá mờ về các đặc tính của người học C1, C2, ..., CL bằng việc đánh giá các mức độ thuộc với các thuật ngữ ngôn ngữ mô tả mỗi đặc tính Cj. Cuối cùng, toàn bộ các hệ thống mờ cụ thể, trong đó mỗi hệ thống suy luận về một đặc tính Cj cụ thể được sử dụng để tạo ra một đánh giá mờ từ một tiền điều kiện mờ. Một hệ thống mờ kết hợp các giá trị ngôn ngữ và nhận ra các mối quan hệ mờ hoạt động với toán tử max – min. Những mối quan hệ này đại diện cho ước lượng của một giáo viên với mức độ liên kết giữa một đầu vào quan sát được X { x1, x2, xi,..., xk}, và một đánh giá mờ của một đặc tính người học Cj cụ thể (j = 1,2, ... .. L).
Cuối cùng, trong bước thứ ba, các đánh giá mờ được giải mờ thành các giá trị không mờ, tức là các quyết định đánh giá cho các đặc điểm C1, C2, ..., CL bằng cách sử dụng một bộ giải mờ từ toàn bộ các bộ giải mờ M. Mỗi bộ giải mờ có một số đầu vào khác nhau. Vì vậy, tùy thuộc vào số lượng giá trị ngôn ngữ mj của mỗi đặc trưng Cj (j = 1,2, ... .. L), 1 bộ giải mờ M khác nhau được sử dụng để đánh giá đặc tính của người học.
3.1.1 Lược đồ thể hiện kiến thức mờ
a. Quá trình làm mờ
Bước này thể hiện cho mô tả chủ quan của giáo viên theo hình thức ngôn ngữ về các phản hồi của người học khi thực hiện giao tiếp mặt đối mặt trong quá trình giảng dạy (ví dụ như thời gian cần thiết để giải quyết bài tập là
ngắn, người học trả lời đầy đủ các câu hỏi trong quá trình giảng dạy). Các loại phản hồi B1, B2, …, Bi được xử lý như các biến ngôn ngữ. Mỗi biến Bi (i =1,2, ... .. k) có thể đưa ra một số giá trị ngôn ngữ fi khác nhau. Số fi của các giá trị ngôn ngữ và tên của nó V1, V2, ..., Vfi được định nghĩa bởi nhà phát triển với sự giúp đỡ của các chuyên gia, và phụ thuộc vào mỗi biến. Tập T (Bi) = {Vi1, Vi2, ..., Vifi} là tập thuật ngữ của Bi.
Ví dụ: Chúng ta hãy xem xét biến ngôn ngữ Bi = "Điểm bài thi". Tập thuật ngữ tương ứng có thể là:
T (Bi) = T (Điểm bài thi) = {Kém, Trung bình, Thấp, Cao} bao gồm bốn giá trị ngôn ngữ (fi = 4), hoặc bất kỳ phân loại nào như T (Bi) = T (Thời gian hoàn thành bài thi= {Chậm, Trung bình, Nhanh} bao gồm ba giá trị ngôn ngữ (fi = 3). T = {T (B1), ..., T(Bi), ..., T (Bk)} là tập hợp của tất cả các tập thuật ngữ mà đại diện toàn bộ hành vi có thể quan sát Β (cho tất cả Bi; i = 1,2, ... .. k). Vì vậy, đầu vào số X = {x1 ,..., xi,...,xk} đại diện các giá trị có thể đo được của B1, B2, ..., Bi, ..., Bk
được mờ bởi các giá trị ngôn ngữ V11, V12,..,V1fi; ..; Vi1, Vi2, ..., Vifi; Vk1, Vk2,..,Vkfi. Vì vậy, hành vi của người học B được thể hiện như 1 tập các giá trị số Y = {(Y11, Y12,..,Y1fi); (Yi1, Yi2,..,Yifi),.. (Yk1, Yk2,..,Ykfi)} trong [0,1] đại diện mức độ thuộc của mỗi giá trị số xi (i = 1,..,k) thành tập thuật ngữ của Bi với các giá trị ngôn ngữ
Vi1, Vi2, ..., Vifi
b. Quá trình suy diễn
Bước này đại diện cho lập luận của giáo viên trong việc phân loại định tính người học theo khả năng và đặc điểm cá nhân, chẳng hạn như chăm chú, khá chậm, tốt,..vv. Giáo viên có thể cung cấp một loạt các quy tắc If-Then gần giống với lý luận của họ. Ví dụ: “Nếu điểm bài thi trung bình và thời gian làm bài chậm thì phân loại người học là trung bình”.
Trong mô hình này, một mô tả định tính về các đặc điểm của người học C1, C2, ..., CL được thực hiện bằng cách coi các đặc điểm của người học như các biến ngôn ngữ. Mỗi biến ngôn ngữ Cj có thể đưa ra một số giá trị ngôn ngữ mj khác nhau. T(Cj) = {Cj1, Cj2, ..., Cjmj} là tập thuật ngữ của Cj. Các giáo viên thiết lập số mj của các giá trị ngôn ngữ và tên Cj1, Cj2, ..., Cjmj của chúng cho mỗi đặc tính Cj theo phán đoán cá nhân của họ.
Ví dụ: Nếu chúng ta xử lý biến ngôn ngữ Cj = "Phân loại người học" bằng cách sử dụng năm giá trị ngôn ngữ (mj = 5) thì tập thuật ngữ có thể là: T(Cj) = T (Phân loại người học) = {Kém, Trung bình, Trung bình khá, Khá, Giỏi}. Bằng cách này, một phương thức lý luận chất lượng, trong đó những tiền điều kiện và kết quả của các luật IF-THEN liên quan đến các biến mờ được sử dụng để cung cấp một mô tả không chính xác về lập luận của giáo viên:
“IF B1 is V1I1 AND B2 is V2I2 …AND Bk is VkIk THEN C1 is C1J1 AND C2 is C2J2…AND CL is CLJL”
Với điều kiện I1=1,2,…,f1 ; I2=1,2,…,f2 ; Ik=1,2,…,fk ; J1=1,2,…,m1;
Tất cả các kết hợp có thể có trong các tiền điều kiện, ký hiệu là PCP dưới đây, T = {T (B1), ..., T(Bi), ..., T (Bk)}: PCP = T (B1) x ...x T(Bi) x ...x T (Bk) và n = f1 x f2 x. .. x fk của các trường hợp có thể có trong các tiền điều kiện bằng n thành phần của PCP. Mỗi hệ thống mờ j (xem hình 3.1) suy luận một đánh giá mờ của một đặc trưng Cj khác nhau (j = 1,2, ..., L). Trong mỗi hệ thống mờ, sự giao nhau (tương ứng với phép logic AND) giữa các hàm thuộc với các giá trị ngôn ngữ của mỗi tiền điều kiện là toán tử min, và các kết quả trong giá trị thực pn của tiền điều kiện. Như vậy, hành vi của người học được mô tả bởi một vector P= (P1, P2, ..., Pn) trong đó P1, P2, ..., Pn trong khoảng [0,1] đại diện cho các mức độ hoàn thành tiền điều kiện.
Bằng một mối quan hệ mờ như mô tả dưới đây, P được dịch sang các đánh giá mờ bằng cách khai thác những đánh giá chủ quan giáo viên (được biểu thị bởi Rj) đối với một đặc điểm Cj:
Po Rj = Cj,
Với Cj là một vec tơ m chiều Cj = [Cj1, Cj2, ..., Cjmj], Cj1, Cj2, Cjmj trong [0,1] đại diện đánh giá mờ về đặc điểm Cj của người học, tức là một đánh giá với các mức độ thuộc Cj1, Cj2, ..., Cjmj trên mỗi giá trị ngôn ngữ (Cj1, Cj2, ..., Cjmj) của biến ngôn ngữ cho đặc điểm Cj0; Rj là một ma trận trọng số n × mj đại diện cho ước tính của giáo viên về mức độ liên kết giữa tiền điều kiện P và các giá trị ngôn ngữ của đặc điểm Cj0 của người học, biểu tượng o biểu thị toán tử thành phần max- min.
c. Quá trình giải mờ
Bước này đại diện cho quyết định cuối cùng của giáo viên trong việc phân loại một người học ở một trong những giá trị ngôn ngữ được xác định trước Cj1, Cj2, ..., Cjmj của đặc điểm Cj. Quá trình này được thực hiện bằng việc đánh trọng số đánh giá mờ. Tùy thuộc vào số lượng các giá trị ngôn ngữ mj của mỗi đặc trưng Cj, sử dụng một bộ giải mờ thích hợp, tức là thực hiện một thủ tục giải mờ khác nhau "bắt chước" các quyết định chủ quan của giáo viên. Các quyết định của giáo viên có thể rõ ràng hoặc trong biên. Các quyết định trong các trường hợp biên được đánh giá chủ quan cao, và thường thường các giáo viên sẽ dành lại sự xác định trình độ tốt nhất hay kém nhất về người học. Vì vậy, chúng ta sử dụng một thực hiện dựa trên mạng nơ ron, cho phép hệ thống thích ứng với các thủ
tục giải mờ cho ý kiến các nhân của người dùng (giáo viên) bằng cách huấn luyện, như sẽ được giải thích trong phần tiếp theo.
(adsbygoogle = window.adsbygoogle || []).push({});