第二章 相關研究
2.3 以概念為基礎之學習障礙診斷方法
緊接著在2.3 節中,將介紹以概念為基礎之學習障礙診斷方法,提供對應的數位學 習標準,使所分享的試題可為智慧型學習診斷系統所用。如此一來,線上測驗便能真正 找出學生的學習障礙,協助學生達到更好的學習成效。
一般的教材具有樹狀組織結構,教材內容通常是依照章、節、重點概念等層級建構 而成的,但是做為學習診斷系統[3][21][28][29][30]的分析診斷依據並沒有太大幫助。因 為這種樹狀組織結構只是將較相同的教材內容分到同一個範圍內,其中間並沒有太大的 關聯性,而教師通常也根據自己的教學經驗,來判斷要先從何處教起。舉例來說﹕假設 有一數學課程,課程目標是在讓學生了解「數」的概念,此課程共分成四節分別是:一、
整數,二、有理數與實數,三、複數及其運算,四、一元二次方程式根的討論。在第一 節中有幾個重要概念,如因數、倍數、公倍數、最大公因數、最小公倍數。若依照傳統 的樹狀結構編排教材,此單元的結構就如(圖 2.11)。這樣的編排僅能提供教材編排次序 的資訊,但並沒有辦法獲得各概念間的相關性,例如概念學習的先後次序、概念形成的 基本內涵與合理的學習路徑。
數
有理數與實 整數 複數及其運 一元二次方程式根解
圖2. 11 數學課程樹狀結構圖
通常一個概念的形成是由一個或一個以上的基礎概念所發展而成,舉例來說,要學”
公因數”必須先有”因數”的概念、要學游泳前必須先學會換氣…。這種具有先後次序關 係,或是一個概念中隱含其他基本概念的行為樣式,正是一種基本的學習模式與過程。
根據傳統的樹狀結構編排教材,無法展現出這樣的先後次序關係,基於這一點,是有必 要重建構課程結構。為了合理展現概念學習的先後次序關係與概念形成的基本內涵,物 件導向原理中的繼承關係很適合用來解決這樣的問題。
繼承關係指的是兒子的某些特性來自於父親,且父親與兒子的出現次序具有先後關 係。運用這樣的觀念,除去章、節等上層架構,只留下概念部份,並找出各概念間的相
倍數 實數
因數 公因數 公倍數 最大公因數 最小公倍數
互關聯性,包括概念內涵與先後次序關係,建構成「概念關係圖」[6]如圖 2.12。
C1 C2
C3 C4 C5
圖2. 12 概念關係圖 (1)
依照概念關係圖的觀念,前述”數”的例子就可以建構成如圖 2.13。
圖2. 13 概念關係圖之數學課程範例一
接下來本論文將要介紹智慧型診斷系統診斷的過程,假設智慧型學習診斷系統依學 生之特性動態產生了一份試題,並且平均地含蓋了課程中的每一個概念。試卷中共有10
負分數
正整數 負整數 零 正分數 有限小數 無線循環小數
小 分數 數
整數
倍數 因數
公倍數 質數
最大公因數
最大公倍數
有理數 無理數
實數 虛數
複數 公因數
C6 C7 C8 C9
C10
道試題,分別為Q1,Q2,Q3,…,Q10,且整個課程經過分析後,共可粹取得到10 個概念,分 別為C1,C2,C3,…,C10,其概念關係圖如2.13,為了表現每道題目所包含的概念內涵與各概 念在該道題目中的相對比重關係,本論文建立了概念分配表,如表2.2[7]。
表2. 2 概念分配表
Cj
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
Q1 5 1 0 0 0 0 0 0 0 0
Q2 0 4 2 0 0 0 0 0 0 0
Q3 0 0 3 1 2 0 0 0 0 0
Q4 0 0 0 5 0 0 0 0 0 0
Q5 0 0 0 0 5 0 0 0 0 0
Q6 1 0 0 0 0 4 1 0 0 0
Q7 0 0 0 0 0 0 5 0 0 0
Q8 0 0 0 0 0 0 0 3 1 2
Q9 0 0 0 0 0 1 0 0 4 0
Qi
Q10 0 0 0 0 0 1 0 2 0 5
Sum 6 5 5 6 7 6 6 5 5 7 Error 1 0 3 1 2 4 6 0 0 0
ER(Cj) 0.16 0 0.6 0.16 0.28 0.66 1 0 0 0
步驟一:概念認知程度分析
經由概念分配表﹙表2.2﹚可以求得每個概念的錯誤比率ER(Cj),其中
erj代表第r題答錯的題目中,第j個概念的比重值;eij代表整份試題中,第i題的第j個概念
的 比 重 值 。 假 設 學 生 的 答 題 狀 況 為Q3、Q6、Q7答 錯 , 其 餘 答 對 , 由 表 2.2 可得 ER(C1)=(0+1+0)/6=0.16,ER(C2)=(0+0+0)/5=0,ER(C3)=(3+0+0)/5=0.6,……,因此,可 以得到一個新的概念關係圖,如圖2.14。
∑
=
∑
i ij r
rj
j e
e C
ER( )
0.16 0
C1 C2
C3 C4 C5
圖2. 14 概念關係圖(2)
有一點值得注意的是,若學生答錯了Qi這道題目,並不代表學生對於包含在Qi中的每一 個概念都不懂,很有可能他只是因為其中的某一個概念不懂或沒學好,而導致了他答錯 Qi這道題目。因此一個比較合理的解釋必須觀察Qi中每一個概念所佔的比重值(rating value),必須將導致學生答錯Qi的錯誤概念加以排序,找出其中的輕重分別。基於這個 理由,不能百分之百由ER(Cj)的值來斷定學生對Cj這個概念的認知或瞭解程度,一個概 念的錯誤可能是因為對另一個概念的認知或瞭解不足所導致的。因此找尋一個臨界值 θ,用以代表對錯誤率的容忍程度。當ER(Cj) ≤ θ時,認定學生對於Cj這個概念的認知程 度已經到達一個符合要求的水準;若ER(Cj) > θ時,就必須對這個錯誤率加以重視,可 以認定學生對於Cj這個概念的認知或瞭解程度尚未到達一個要求的水準,必須重新學 習。對於這種尚未符合標準的概念,必須再深入探究其學習上的障礙點。透過對這個節 點的父節點的分析,可以瞭解學生對形成這個概念的基礎概念的認知程度。
步驟二:原始學習路徑分析
第二個步驟是原始學習路徑分析。在實作時可以透過對表2.2 的操作,計算出每個 節點的子節點個數NC(Ci),與父節點個數NP(Cj)。若NC(Ci) = 0,代表Ci這個節點無子節 點,亦即Ci是個最終節點,因此可以由Ci往上尋找其父節點,最後求得一條原始學習路
C6 C7 C8 C9
0.28
0.6 0.16
0 0
0.66 1
C1 0
非零值,往左邊對應到一個父節點C3,再由C3這一欄找到一個非零值,往左邊對應到一 個父節點C1,再由C1這一欄找一個非零值,此時發現找不到,停止。至此,找到了一條 原始學習路徑C1ÆC3ÆC6。以相同的方法,可以找出所有的原始學習路徑,如下﹕
PATH1﹕C1ÆC3ÆC6
PATH2﹕C1ÆC3ÆC7
PATH3﹕C1ÆC4ÆC8ÆC10
PATH4﹕C2ÆC4ÆC8ÆC10
PATH5﹕C2ÆC5ÆC9
在電腦內部實際運作上,可以使用矩陣﹙Matrix﹚及堆疊﹙Stack﹚的技術完成實作。
步驟三:建立補救學習路徑
圖 2.14 的例子而言,對於某個概念Ci,若ER(Ci) ≤θ,表示學生對於此概念已達到 學習目標,故Ci這個節點將不會被選入補救學習路徑中;反之,若ER(Ci) >θ,代表學生 對於Ci瞭解的程度尚未到達要求水準,因此Ci將列為補救學習路徑的一個節點。假設θ 值為 0.3,代表對於某個概念之錯誤比率的最大容忍程度為 30%,依上述原則,可得到 補救學習路徑如下:PATH1:C3ÆC6,PATH2:C3ÆC7
這是一組建議的補救學習路徑,它明白指出了學生對於C3、C6、C7這三個概念的認知程 度之不足。
步驟四:決定關鍵學習路徑
通常補救的學習路徑會不止一條,且學生對於每條補救的學習路徑的學習成效與對 路徑上的每個概念的認知程度會有不同的水準,為了達到最有效率的學習,必須將每條 路徑的學習順序與課程進行的輕重緩急明確定出。因此定出關鍵學習路徑,代表學生學 習成效最差的部分,建議學生優先再學習。首先計算每條路徑的權重:
其中error(Cij)代表第i條路徑中第j個概念的錯誤總比重值,sum(Cij)
∑
=
∑
j
ij j
ij
i sum C
C error PATH
weight
) (
) ( )
(
代表第i條路徑中第j個概念的總比重值。weight(PATHi)是一個介於 0 到 1 的正規化數值,
藉由觀察每條PATH的比重值,可以訂出關鍵學習路徑,如下:
IF weight(PATHi) ≥ δ THEN PATHi IS A CRITICAL PATH.
根據上述之算法可以得到以下之結果:weight(PATH1) = 0.64,weight(PATH2) = 0.82 若δ = 0.7,則關鍵學習路徑為 PATH2。
步驟五:學習障礙分析
再一次觀察補救的學習路徑:
PATH1:C3ÆC6 PATH2:C3ÆC7
觀察上述的路徑可以得到以下兩點解釋:
1. 學生對於C6這個概念的認知或瞭解程度不夠,是導因於學生對於C3這個概念的認知 或瞭解程度不足。
2. 學生對於C7這個概念的認知或瞭解程度不夠,是導因於學生對於C3這個概念的認知 或瞭解程度不足。
綜合上述之分析可知,學生對於C6、C7的學習成效差,其根本原因與問題癥結在於 學生對於C3的認知或瞭解程度不足。因此,可以找到改善學習成效之根源在於C3這個概 念。而每條路徑的根節點(root)即可視為造成學習障礙的根本原因。
介紹完以概念為基礎的學習診斷的方式後,此方法在於學生學習每個概念時候,每 個概念分配不同的權重,而且學習的概念順序也都息息相關,再經由演算法精密計算而 求得補救學習路徑、關鍵學習路徑。以概念為基礎的學習診斷的方式將有助於學生克服 學習盲點。