人工神经网络在个性化教学上的应用案例
（一）人类性格——大五理论
在人格科学研究领域，传统上有三种不同的研究取向：临床的、相关的和实验的。但无论研究者采用什么研究取向，他们的一个共同目标就是构建一个可能描述和解释人格特点的人格模型。从弗洛伊德的本我—自我—超我的人格结构到卡特尔（R.B.Cattell）的16种人格因素，可以看出每一个著名的人格心理学家均会提出一个人格结构模型。但是分析研究这些众多的人格模型，发现它们所包括的因素数量和因素性质有很大的不同，一致性很小，没有取得共识。随着研究的不断深入，人格结构五因素模型取得了令人瞩目的进展，被许多研究所证实和支持，也被众多的心理学家认为是人格结构的最好范型。
人格结构中的五个因素后来被称为“大五”（Big Five），强调该人格模型中每一维度的广泛性。这五个维度因素是经验开放性（Openness to Experience）、认真性（Conscientiousness）、外倾性（Extraversion）、宜人性（Agreeableness）和神经质（Neuroticism），简称OCEAN。
得出五因素模型的一个很重要的方法就是问卷研究。科斯塔（Costa）等人根据对16人格的因素分析和自己的理论构想编制了测验五因素的NEO-PI人格量表。该量表包括300个项目，被测试者在五点量表（从完全同意到完全不同意）上指出每个句子表示他们自身特点的程度。除了五个因素上的得分，还为每个维度量表设置了六个测量特质水平的层面量表得分，这些层面量表提供了有关“大五”因素的每个因素内的行为的更大区分性。有关人格“大五”特质因素和相关特征见表6-1。
表6-1 人格“大五”特质因素和相关特征
续 表
（二）人类智能—多元智力理论
美国哈佛大学心理学教授霍华德·加德纳（Howard Gardner）针对传统智能理论于20世纪80年代提出了多元智力理论（The Theory of Multiple Intelligences）。加德纳认为，智力并非像传统智力定义所说的那样是以语言、数理或逻辑推理等能力为核心、以整合方式存在的一种智力，而是彼此相互独立、以多元方式存在的一组智力。人除了言语（语言智力）和逻辑（数理智力）两种基本智力以外，还有视觉（空间智力）、音乐（节奏智力）、身体（运动智力）、人际交往智力、自我内省智力、自然观察智力和存在智力。加德纳认为，每个学生不同程度地拥有上述九种智力，智力之间的不同组合表现出了个体之间的智力差异。加德纳指出，实施个性化教学没有捷径可走，对学校教育实践而言，通过多元智力理论可以使教师加深对学生智力潜能、学习策略、学习风格和多元评价的认识与研究。教师和学生可以通过项目学习、教学策略、学习风格以及真实评价等途径来实现个性化教学的理念。
多元智力理论虽作为理论假设被提出，但很快在教育领域内激起了广泛的回响，这是加德纳本人始料未及的。仅在美国有关多元智力的学校或加德纳实验学校就有一百多所，而根据多元智力理论进行教育改革的学校则不计其数。多元智力理论为教育工作者找到了一条发现和培养每个儿童潜能的途径和方法，为确立个性化教学理念奠定了基础。
学习风格和多元智力理论的融合可以把人的各自的局限性降到最低程度，提高人的智力强项，从而帮助教师在课堂教学中成功地形成学习风格。教师只有充分认识到学生在学习风格上的差异，才能采用灵活多样的教学策略和方法，为每个学生提供适合其学习风格的学习机会，让学生发挥长处，以促进教学更好地实现个性化，使因材施教真正变成现实。
从传统的智力理论到多元智力理论的发展无疑标志着人类智力研究领域的一场革命。多元智力视野下的教学思想秉持一种乐观的学生观、个性化的课程观、“对症下药”式的教学观和多元化的评价观。
（三）通过神经网络识别个人特征
大多数适应性教育软件系统研究集中在对用户特征的适应，比如用户目标/任务、知识、背景、偏好和兴趣等。然而，基于Web的教育系统也必须包括关于学生学习风格的信息，以便将学习材料优化地呈现给学生。学生的学习风格鉴别对于开发适应性教育软件至关重要。
为了检测学生的学习风格，目前的系统一般需要学生填写心理学调查问卷。比如，一个帮助学习网站上的个性问卷，通过询问学生一些日常问题来获得学生的学习特性。该问卷结果将学生类型划分为视觉型的、听觉型的和运动型的三类。然而，在某些背景下实施这样的问卷调查比较困难。因为不可能通过一次简单的会谈就获得个性化的学习风格，而必须通过多次特定的心理学测试。
个人特征识别的问题和字符识别问题非常相似，因为他们要从可能的无限多的输入中来对有限数量的特征进行分类。有些学者强调在学习者识别中，神经网络方法要比其他方法优越，如基于规则的方法和统计方法，因为它能够识别不精确的或者未被完全理解的数据，对特殊例子进行归纳和学习，在有特殊参数的情况下迅速更新，运行速度也比较快。
（四）学习行为评价
运用神经网络评价学习行为时，必须首先确定能正确反映学生学习行为的主要特征参数，如学生登录该课件的次数、停留时间、有效点击次数、离开原因、评论笔记、发表文章次数、参与活动次数、作业情况、考试情况等，这些参数主要来自学生所在学习系统环境的自动监测，经过量化后成为网络输入节点的输入值。
选取多组对应不同学生不同学习行为的特征参数作为学习样本，进行参数预处理，供网络学习。这些样本应尽可能反映各种学习行为。在网络训练学习过程中，根据样本确定网络连接权值，按照网络基本原理进行误差反复修正。经过神经网络学习算法训练的网络结构，包括输入、输出、隐层节点数、权值矩阵的组合，此结构即为具有推理机制的标准化评价结果库。
将未知结果的某学生学习行为的特征参数值转换后输入经过训练的具有推理功能的神经网络中，运用标准化评价结果库处理后，即可得到该生的学习行为评价结果，并提出相应建议反馈给学生。
利用人工神经网络对远程教学模式下的学生学习行为进行评价，其突出的特点为：首先，使用人工神经网络并行处理的特征，可选择多个适当评价项，克服评价的片面性；其次，用人工神经网络知识存储和自适应特征可自动识别经过训练记忆的评价类别；最后，运用神经网络的容错特征，通过选取适当的作用函数和数据结构，可处理各种非数值型指标，实现对学生学习行为的模糊评价。
采用神经网络进行学习行为评价保证了对学习过程和效果进行充分有效的评价，确保评价的可比性、全面性、客观性、科学性和规范性，可以促进网络环境下学生自主性的学习。但是，由于系统精度的提高取决于学习样本的代表性和数量，需要更多的实验数据不断完善样本库，而这又会加大了网络的复杂性。另外，如何选择足够多的以认知为目的的评价指标来进一步正确评价学生行为等问题，仍有待于进一步研究和探讨。