基于程序性知识学习的项目状态转移函数与多分知识结构
孙晓燕1, 李进金1,2
1.华侨大学 数学科学学院 泉州 362021
2.闽南师范大学 数学与统计学院 漳州 363000
通讯作者:

李进金,博士,教授,主要研究方向为一般拓扑学、粗糙集、概念格.E⁃mail:jinjinlimnu@126.com.

作者简介:

孙晓燕,硕士,讲师,主要研究方向为一般拓扑学、粗糙集、概念格.E⁃mail:sxy96001@aliyun.com.

摘要

在程序性知识的评估中,技能是指与项目的解决相关的操作路径.基于程序性知识的学习评价,文中提出由项目自身的状态结构诱导多分知识结构的方法,目的是建立适用于问题解答的多分评估体系.首先,根据各项目的解答或操作过程设定响应值,得到项目特定的响应值集.通过项目状态转移函数定义项目状态空间,将问题空间推广到多分情形.然后,由操作路径导出合取的技能映射,讨论由合取的技能映射诱导的多分知识结构.结果表明由技能映射通过合取模型诱导的多分知识结构满足逐项交封闭.最后,给出诱导多分知识结构的算法步骤,并举例说明算法的有效性.

关键词: 项目状态转移函数; 操作路径; 合取的技能映射; 多分知识结构
中图分类号:TP 182
Item State Transition Functions and Polytomous Knowledge Structures Based on Procedural Knowledge Learning
SUN Xiaoyan1, LI Jinjin1,2
1. School of Mathematical Sciences, Huaqiao University, Quan-zhou 362021
2. School of Mathematics and Statistics, Minnan Normal University, Zhangzhou 363000
Corresponding author:
LI Jinjin, Ph.D., professor. His research interests include topology, rough set and concept lattice.

About Author:
SUN Xiaoyan, master, lecturer. Her research interests include topology, rough set and concept lattice.

Abstract

In the assessment of procedural knowledge, skills refer to the operation paths relevant to the solution of an item. Based on the learning assessment of procedural knowledge, a method of delineating polytomous knowledge structure from the state structure of the item itself is proposed to establish a polytomous assessment system for problem solving. Firstly, the response values are set according to the solution or operation process of each item to obtain the item-specific response value set. The item state space is defined by item state transition function, and the problem space is extended to polytomous case. Then,the conjunctive skill maps are derived from the operation paths, and the polytomous knowledge structures delineated by the conjunctive skill maps are discussed. The results show that the polytomous knowledge structure delineated by a skill map based on the conjunctive model satisfies the item-wise intersection closure. Finally, the algorithm steps of delineating polytomous knowledge structure are given, and the effectiveness of the proposed algorithm is illustrated by an example.

Key words: Key Words Item State Transition Function; Operation Path; Conjunctive Skill Map; Polytomous Knowledge Structure

本文责任编委 张燕平

Recommended by Associate Editor ZHANG Yanping

传统的二分KST假设个体对项目的回答为正确(用1表示)或错误(用0表示), 在对知识和学习进行评价时具有局限性.针对这一局限性, Schrepp[8]将KST推广到有两个以上答案的问题, 使用线性有序集评估解决方案的质量.Bartl等[9]讨论具有分级知识状态的知识空间.Stefanutti等[10]提出KST的多分推广, 假设项目集上的水平集为完备格.在Stefanutti等[10]的基础上, Heller[11]将拟序知识空间推广到多分情形, 提出多分知识结构的两个条件, 并考虑项目特定的响应尺度.

在程序性知识的评估中, 技能是指与项目的解决相关的解路径或操作路径[18].李金海等[23]提出概念的渐进式认知, 体现人们认识事物是一个从不完全到完全的逐步完善过程, 能根据阶段性认知及时指导下一步的行动, 并逐渐实现完全认知.同样地, 对程序性知识的学习及其技能的掌握也是渐进式认知过程.概念格是形式概念分析理论中用于数据分析与处理的核心工具, 也是一种挖掘数据关联的有效方法[24].这为进一步研究程序性知识的学习与评价提供方法和工具.

本文基于Stefanutti[18]提出的程序性知识的评估框架, 结合Stefanutti等[10]与Heller[11]的知识空间理论的多分推广, 以对初中数学知识中的解答题、应用题等主观题的学习与技能评价为例, 将问题空间推广到多分情形.首先, 根据各项目的操作元集设定响应值, 得到项目特定的响应值集, 通过项目状态转移函数定义项目状态空间.然后, 由操作路径导出合取的技能映射, 证明由合取的技能映射通过合取模型诱导的多分知识结构满足逐项交 -封闭.最后, 利用对偶性给出诱导多分知识结构的算法步骤, 并举例说明算法的有效性.

1 预备知识
1.1 技能映射诱导的知识结构

在KST中, 知识域Q是一组关于特定主题的项目集合, 其中项目的答案可被二分为正确(用1表示)或不正确(用0表示).知识状态KQ的子集, 表示个人有能力在理想条件(即假设粗心的错误和幸运的猜对不会发生)下正确回答的项目集合.知识结构是二元组(Q, K), 其中K为一个由Q的子集构成的知识状态集族, 至少包含空集Ø 和全集Q.知识域Q上的知识结构K的对偶是由K中所有知识状态的余集构成的知识结构 K-, 即

Q为有限集, 有限知识结构(Q, K)是并封闭的当且仅当对于∀ K1∈ K, K2∈ K, 有K1K2∈ K.有限知识结构(Q, K)是交封闭的当且仅当对于∀ K1∈ K, K2∈ K, 有K1K2∈ K.满足并封闭的知识结构(Q, K)称为知识空间.满足交封闭的知识结构(Q, K)称为简单闭包空间.Q的子集的集合K形成Q上的知识空间当且仅当K的对偶结构 K-是简单闭包空间.有关KST的详细描述, 参见文献[5]~文献[7].

在KST中, 通过技能映射将知识域Q中的每个项目与有助于解决这个项目的技能联系起来, 并从这个关联中推断知识状态.设非空的知识域Q, 非空的技能集S, 技能映射是三元组(Q, S, τ ), 其中, τ :Q→ 2S\{Ø }, 为从QS的非空幂集的映射.给定TS, 由T通过析取模型诱导的知识状态为

T通过合取模型诱导的知识状态为

.

取遍TS, 所有通过析取模型诱导的知识状态的集合是由τ 通过析取模型诱导的知识结构; 所有通过合取模型诱导的知识状态的集合是由τ 通过合取模型诱导的知识结构.由τ 通过析取模型诱导的知识结构是知识空间; 由τ 通过合取模型诱导的知识结构是简单闭包空间.由同一技能映射通过析取模型和合取模型诱导的知识结构是对偶的.有关技能映射及其诱导的知识结构的详细背景参见文献[6]和文献[7].

1.2 多分知识状态

在KST的多分推广中, 知识域Q中的项目的解决质量由水平集L中的级别lL表示.在Schrepp[8]提出的KST多分推广中, L为线性有序集.Stefanutti等[10]设定L为完备格.

X为非空集, ≤ 为X上的偏序关系(即满足自反性、传递性、反对称性的二元关系), 则称(X, ≤ )为偏序集.设(X, ≤ )为偏序集, 对于∀ AX, A的最小上界称为A的上确界, 记为sup A或∨ A; A的最大下界称为A的下确界, 记为inf A或∧ A.若∀ AX, 恒有sup Ainf A存在, 则称(X, ≤ )为完备格.若∀ aX, bX, 恒有

sup{a, b}=ab, inf{a, b}=ab

存在, 则称(X, ≤ )为格.有限格是完备格.有关格理论的详细背景知识参见文献[2]、文献[25]和文献[26].

在Heller[11]提出的KST多分推广中, 个体对知识域Q中各项目的掌握程度用有限的响应值集V表示, 且设非空有限响应值集V是格, 由于V是有限的, 所以V是完备格.

多分知识状态是QV的映射K:QV, 表示将Q中每个项目对应V中的一个响应值.一切这样的映射的集合记为

VQ= qQV.

1.2.1 多分知识状态的表示法

多分知识状态有两种表示形式, 分别由Heller[11]和Stefanutti等[10]提出.

集合表示法[11].多分知识状态KQ× V的特定子集, 即对于∀ KVQ, KQ× V, 记

pv=(p, v)∈ Q× V,

对于∀ KVQ, 规定

pvKK(p)=v,

向量表示法[10].在给定的有限知识域Q中, 设 Q=n, 当固定各项目的顺序时, 多分知识状态K可简记为以V中的响应值为分量的n维向量.设Q={q1, q2, …, qn}, 对于∀ KVQ, 记

,

其中vi=K(qi), i=1, 2, …, n.

例如, 设Q={a, b, c}, V={0, 1, 2}, 多分知识状态K:QV定义为K(a)=1, K(b)=2, K(c)=0, 则多分知识状态K的集合形式为

固定各项目顺序为q1=a, q2=b, q3=c, 则多分知识状态K的向量形式为

.

为了避免记号的混乱, 在下述论述与推导中, 本文均采用多分知识状态的集合表示法, 向量表示法仅出现在图形中.

1.2.2 多分知识状态的集合表示法的扩展

设(V, ≤ )为偏序集, vV, v的下集记为

v={uV:uv},

V的所有下集的集合记为

,

则(V, ≤ )与( π (V), ⊆)同构[11].将多分知识状态K:QV扩展到映射K* :Qπ (V), 其中, 对于所有的pQ, K* (p)=↓ K(p), 称K* K的扩展多分知识状态[11].K* 的集合形式为

.

例如, 设Q={a, b, c}, V={0, 1, 2, 3}, 多分知识状态K:QV定义为

,

则多分知识状态K的集合形式为

,

由于

,

K的扩展多分知识状态为

.

2 程序性知识的项目状态转移函数

程序性知识是一种经过学习自动化的关于行为步骤的知识, 如运算法则、解题步骤、操作程序等.在Stefanutti[18]提出的程序性知识的评估中, 问题的解决过程被描述为从操作集合中获取操作序列, 操作序列应用于问题的某初始状态, 产生一个最终状态, 由此定义问题空间, 并诱导知识空间.本节基于程序性知识的评估框架, 通过项目状态转移函数将项目的状态与相关的操作程序对应, 将问题空间推广到多分情形.

2.1 项目特定的响应值集

设非空有限的程序性知识域Q={q1, q2, …, qn}, 根据各项目的解答或操作过程设定响应值集.不同项目的解答或操作过程具有不同的结构特点, 因此需要考虑项目特定的响应值集.在这里, 本文采用Heller[11]提出的KST多分推广中的假设, 即使用非空有限响应值集Vi表示个体对项目qiQ的掌握程度.设 {Vi}i=1n为一族非空有限响应值集, ∀ qiQ, (Vi, ≤ i)是格.由于有限格是完备格, 故(Vi, ≤ i)是完备格, i=1, 2, …, n.

inf(Vi)=∧ i(Vi)

称为Vi的底元, 记为丄i;

sup(Vi)=∨ i(Vi)

称为Vi的顶元, 记为丅i.特别地, 对于Ø Vi, 规定

i(Ø )=丄i, ∧ i(Ø )=丅i, i=1, 2, …, n.

例1 设Q={q1, q2},

项目q1:已知等腰三角形的腰长为5 cm, 底边长比腰长多1 cm, 周长为多少?

项目q2:已知等腰三角形的一条边长为5 cm, 另一条边长为6 cm, 周长为多少?

根据项目解答过程的类型设定响应值集, 两个项目的响应值集的格结构是不同的.

由于q1的解答过程是层层递推的, 所以设定V1为有限线性序集, 即V1={0, 1, 2}.V1的底元为丄1=0, V1的顶元为丅1=2.

由于q2的解答中有分类讨论, 所以V2不是线性序集.设V2={0, a, b, c}, 其中

0≤ 2a, 0≤ 2b, a2c, b2c,

ab不可比较, 且a2b=c, 如图1所示.V2的底元为丄2=0, V2的顶元为丅2=c.

图1 有限格V2={0, a, b, c}的Hasse图Fig.1 Hasse diagram of finite lattice V2={0, a, b, c}

例2 设Q={q1, q2},

项目q1:计算7+4× 2;

项目q2:计算7+(4-2)× 6.

对于层层递推的项目解答或操作过程, 根据步骤数设定响应值集, 响应尺度可能不同.

q1的解答是层层递推的, 步骤数为2, 所以设定V1为三分的线性序集, 即V1={0, 1, 2}.

q2的解答是层层递推的, 步骤数为3, 所以设定V2为四分的线性序集, 即V2={0, 1, 2, 3}.

2.2 多分知识结构

定义1[11, 25] 设知识域Q={q1, q2, …, qn}, Q上的非空有限响应值集族 {Vi}i=1n, 其中Vi为项目qi的响应值集, 且(Vi, ≤ i)是格, i=1, 2, …, n.多分知识状态是映射K:Qi=1nVi, 对于∀ qiQ, K(qi)∈ Vi表示将项目qi对应于Vi中的一个响应值.一切这样的映射的集合记为

ViQ= i=1nVi,

其中 i=1nVi{Vi}i=1n的笛卡尔积.

K1∈ VQi, K2∈ VQi, K1 K2当且仅当∀ qiQ, K1(qi)≤ iK2(qi).则(VQi, )为偏序集, 称为{(Vi,≤ i)}的直积[25].由于{(Vi,≤ i)}ni=1是一族完备格, 所以其直积(VQi, )也是完备格[25].

注1 对于∀ K1ViQ, K2ViQ, 规定

K1=K2K1(qi)=i K2(qi), i=1, 2, …, n;

K1 K2

K1 K2, 且存在qjQ, 使得K1(qj)≠ jK2(qj).

定义2 设知识域Q={q1, q2, …, qn}及其响应值集族{Vi }i=1n, (Vi, ≤ i)是有限格, i=1, 2, …, n.对于∀ qiQ, qiv∈ {qiVi称为qiv层次状态.特别地, qii称为qi的初始状态, qii称为qi的终止状态.记Ω i={qiVi, Ω i称为qi的状态集.记

Ω = i=1nΩ i,

Ω 称为知识域Q的状态集.

注2 多分知识状态KViQ的集合形式为

{ q1v1, q2v2, …, qnvn}⊆Ω ,

其中viVi, i=1, 2, …, n.特别地,

inf( ViQ)={ q11, q22, …, qnn}

称为 ViQ的底元,

sup( ViQ)={ q11, q22, …, qnn}

称为 ViQ的顶元.

例如, 在例2中,

Q={q1, q2}, V1={0, 1, 2}, V2={0, 1, 2, 3}.

q1的初始状态为 q10, 终止状态为 q12, 项目q1的状态集为

Ω 1={q1V1={ q10, q11, q12};

项目q2的初始状态为 q20, 终止状态为 q23, q2的状态集为

Ω 2={q2V2={ q20, q21, q22, q23}.

于是

Ω =Ω 1Ω 2={ q10, q11, q12, q20, q21, q22, q23}.

设多分知识状态KViQ, 其中K:Qi=12Vi定义为K(q1)=1, K(q2)=2, 则K的集合形式为{ q11, q22}⊆Ω .特别地, ViQ的底元为{ q10, q20}, ViQ的顶元为{ q12, q23}.

定义3[11] 设知识域Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n, (Vi, ≤ i)是有限格, i=1, 2, …, n.多分知识结构是三元组(Q, {Vi}i=1n, K), 其中K为多分知识状态的集合, 满足如下条件:

1)K至少包含 ViQ的底元{ q11, q22, …, qnn}和 ViQ的顶元{ q11, q22, …, qnn};

2) KKK=Ω , 即对于∀ pvΩ ,

K(pv)={K∈ K:pvK}≠ Ø .

例3 续例1.

Q={q1, q2}, V1={0, 1, 2}, V2={0, a, b, c},

其中, 0≤ 2a, 0≤ 2b, a2c, b2c, 则

Ω ={ q10, q11, q12, q20, q2a, q2b, q2c},

ViQ的底元为{ q10, q20}, 顶元为{ q12, q2c}.

K1={{ q10, q20}, { q11, q2a}, { q11, q2b}, { q11, q2c}},

由于{ q12, q2c}∉K1, 故K1不满足定义3中条件1), K1不是多分知识结构.

K2={{ q10, q20}, { q10, q2a}, { q10, q2b}, { q12, q2c}},

由于

q11KK2K,

所以K2不满足定义3中条件2), K2不是多分知识结构.

K3={{ q10, q20}, { q10, q2a}, { q11, q2b}, { q11, q2c}, { q12, q2c}},

{ q10, q20}∈ K3, { q12, q2c}∈ K3

知, K3满足定义3中条件1); 由

KK3K=Ω

知, K3满足定义3中条件2).

如图2所示, K3是多分知识结构.

图2 例3中多分知识结构(K3, )的Hasse图Fig.2 Hasse diagram of polytomous knowledge structure (K3, ) in example 3

注3[10, 11] 任意给定多分知识结构(Q, {Vi}i=1n, K), 对于∀ K1∈ K, K2∈ K, K1K2的逐项并是映射

,

其中

;

K1K2的逐项交是

,

其中

.

特别地, 对于Ø ⊆K, 规定

.

任意给定有限多分知识结构(Q,{Vi}ni=1, K), K满足逐项并 -封闭当且仅当对于∀ K1∈ K, K2∈ K, 恒有K1 K2∈ K.K满足逐项交 -封闭当且仅当对于∀ K1∈ K, K2∈ K, 恒有K1 K2∈ K.满足逐项并 -封闭的多分知识结构称为多分知识空间[10].

例如, 在例3中, K1和K2都不是多分知识结构, 所以K1和K2都不是多分知识空间.K3是多分知识结构, 由

得, K3满足逐项并 -封闭, 故K3是多分知识空间.

2.3 项目状态转移函数与项目的相关技能

设程序性知识域Q={q1, q2, …, qn}, 根据各项目的解答或操作过程设定响应值集.为了保证操作步骤的有限性, 下述论述中均假定各项目的解答或操作是非循环的.∀ qiQ, 项目qi的操作集是由其解答或操作过程的每个步骤构成的集合, 记为Π i.在这里, 本文仅考虑每个项目的某个特定的解法, 对于一题多解的情形将在能力模型中考虑.

命题1 对于∀ qQ, 设q的解答或操作非循环且步骤数有限, 则项目q的操作集Π 是有限集.设Π ={π 1, π 2, …, π r}, 根据每步操作逐一设定响应值, 得到项目q的响应值集V是有限格.

1)如果项目q的解答或操作是层层递推的, 且步骤数为r, 记第k步操作为π k, k=1, 2, …, r, 则q的操作集Π ={π 1, π 2, …, π r}.设项目q的初始状态为q0, 即q的响应值集V的底元为0, 根据每步操作逐一设定响应值, 即每步操作产生新的项目状态, 对应的响应值加1, 则项目q的响应值集V是有限线性序集, 且V={0, 1, …, r}.

2)如果q的解答或操作中有n个分支, 则V不是线性序集.先按各分支的层层递推的步骤数设定各分支上线性有序的响应值集, 再将任意k(2≤ kn)个不可比较的响应值的上确界(称为分支定向并[11])设为新的响应值, 规定:当n=2时, 设a1b1不可比较, a2b2不可比较, 且

a1b1=c, a2b2=d,

如果a1a2b1b2, 则cd.n> 2时, 若∀ lA, 恒有mB, 使得lm, 则∨ A≤ ∨ B.这样得到的项目q的响应值集V是有限格.

例如, 例1中的项目q1的解答步骤是层层递推的, 步骤数为2, 所以V1={0, 1, 2}.项目q2的解答中有分支, 2个分支的步骤数均为1, 所以2个分支上的响应值集分别{0, a}和{0, b}, 其中

0≤ 2a, 0≤ 2b.

由于ab不可比较, 于是设响应值c=a2b, 得到项目q2的响应值集V2={0, a, b, c}.V2是有限格.

如果项目的解答或操作中有分支, 且至少一个分支的步骤数大于1, 则按照命题1中2)的规定给出各分支定向并的序关系, 如例4所示.

例4 设项目q:解方程|x-3|=3x-5.q的解答中有2个分支, 各分支的步骤数均为2, 即

 x-30|x-3|=3x-5x-3=3x-5(响应值1a)x=1, x3矛盾, 舍去; (响应值2a) x-3< 0|x-3|=3x-53-x=3x-5(响应值1b)x=2.(响应值2b)

0≤ 1a≤ 2a, 0≤ 1b≤ 2b.

将{1a, 2a, 1b, 2b}中任意2个不可比较的响应值的上确界设为新的响应值, 即

1a∨ 1b=2c, 2a∨ 1b=3d,

1a∨ 2b=3e, 2a∨ 2b=4.

由1a≤ 2a, 1b≤ 1b

(1a∨ 1b)≤ (2a∨ 1b),

即2c≤ 3d.同理可得

2c≤ 3e, 3d≤ 4, 3e≤ 4.

由于1a≤ 2a, 1b≤ 2b, 所以2a∨ 1b与1a∨ 2b不可比较, 即3d与3e不可比较.如图3所示, 项目q的响应值集

V={0, 1a, 2a, 1b, 2b, 2c, 3d, 3e, 4}

是有限格.

图3 例4中有限格V的Hasse图Fig.3 Hasse diagram of finite lattice V in example 4

设程序性知识域Q={q1, q2, …, qn}.对于∀ qiQ, 设qi的操作集Π i为有限集, 根据qi的每步操作逐一设定响应值.对于∀ qikΩ i, π Π i, 如果将π 作用于 qik是正确操作, 则π 使 qik转移到正确状态 qil, 其中k< i l, 响应值由k变为l; 如果将π 作用于 qik是错误操作, 则π 使 qik转移到错误状态, 响应值k保持不变; 对于由 qikΩ i产生的错误状态, 之后施以任何操作都将产生错误状态, 且响应值k保持不变.对于qi的终止状态 qii不施以任何操作.

这里只考虑由错误操作导致的错误状态.例如, 将“ 7+4× 2” 错误操作为“ 11× 2” .不考虑由操作不熟练或粗心导致的错误状态.例如, 将“ 7+4” 错误计算为“ 12” .由 qikΩ i产生的错误状态不唯一.记 Ωik-表示由 qikΩ i产生的错误状态的集合.记

Ωi-= kViΩik-

表示项目qi的错误状态集.

项目qi的单个操作对项目状态转移的作用可用定义4中的项目状态转移函数φ i表示.

定义4 设程序性知识域Q={q1, q2, …, qn}, 项目qi的非空有限操作集为Π i, 根据每步操作逐一设定响应值, 得到qi的响应值集Vi, i=1, 2, …, n.

其中, Ω iqi的状态集,Ωi-qi的错误状态集.∀ qiQ, 项目状态转移函数φ i是从 到$\widetilde{\Omega}_i$的映射, φ i定义如下.

1)对于∀ qikΩ i\{ qii}, π Π i, 如果π 作用于 qik产生项目状态 qilΩ i, 则

φ i( qik, π )= qil,

响应值由k变为l, 称( qik, π , qil)是以 qik为初始状态, π 为操作步骤, qil为终止状态的正确单一操作路径; 如果π 作用于 qik产生错误状态, 则

φ i( qik, π )= qik-,

响应值k保持不变, 称( qik, π , qik-)为错误操作路径.

2)对于∀ qik-Ωik-, π Π i, 均有

φ i( qik-, π )∈ Ωik-,

且响应值k保持不变.

因为不考虑操作不熟练或粗心导致的错误状态, 所以当项目的初始状态及操作步骤给定时, 操作路径的终止状态是唯一确定的.因此, 设( qik, π , qil)为qi的正确单一操作路径, ( qik, π , qil)简记为 qikπ .

例5 续例2, 考察q1q2的项目状态转移函数.假设学生已掌握加、减、乘的单独运算, 项目q1q2是为了考察学生掌握四则运算顺序的情况.项目q1的操作集Π 1={π 1, π 2}, 项目q2的操作集Π 2={π 1, π 2, π 3}, 其中, π 1表示“ 先乘、除” , π 2表示“ 从左往右依次计算” , π 3表示“ 计算括号内的运算” .项目q1q2的解答是层层递推的, 由命题1中1)知,

V1={0, 1, 2}, V2={0, 1, 2, 3}.

项目q1的初始状态为

q10=7+4× 2,

q1的项目状态转移如图4所示.由图4得以下状态转移函数:

图4 例2中项目q1的状态转移图Fig.4 State transition diagram of item q1 in example 2

φ 1( q10, π 1)= q11=7+8, 响应值由0变为1;

φ 1( q10, π 2)= q1(1)0-=11× 2, 响应值0保持不变;

φ 1( q1(1)0-, π 1)= q1(2)0-=22, 响应值0保持不变;

φ 1( q1(1)0-, π 2)= q1(3)0-=22, 响应值0保持不变;

φ 1( q11, π 1)= q1(1)1-=7+8, 响应值1保持不变;

φ 1( q11, π 2)= q12=15, 响应值由1变为2, q12为项目

q1的终止状态.

因此, q1的正确单一操作路径为 q10π 1q11π 2.

q2的项目状态转移如图5所示.q2的初始状态为

q20=7+(4-2)× 6,

图5 例2中项目q2的状态转移图Fig.5 State transition diagram of item q2 in example 2

终止状态为 q23=19.由图5知, q2的正确单一操作路径为 q20π 3q21π 1q22π 2.

定义5[18] 设非空有限操作集Π , 由Π s个操作元组成的操作序列π 1π 2π sΠ s, 称为Π 的一个长度为s的操作序列.具有任意长度的所有操作序列(包括空操作序列ε , 即s=0)的集合记为Π , 即

Π = sNΠ s={ε }∪ Π Π 2∪ …

其中, 空操作序列ε 表示不施以任何操作, ε Π 的单位元, 即

π Π , ε π =π ε =π .

对于∀ qiQ, 补充定义

φ i( qii, ε )= qii,

则项目状态转移函数φ i扩充为从 Ω~i× (Π i∪ {ε })到 Ω~i的映射.

注4[18] 设程序性知识域Q={q1, q2, …, qn}, 任意项目qi的状态转移满足如下性质:

1)自反性.对于∀ qikΩ~i, 空操作序列ε 作用于 qik产生原状态 qik, 即φ i( qik, ε )= qik;

2)传递性.对于∀ qik0Ω~i, 如果存在π 1Π i, π 2Π i, qik1Ω~i, qik2Ω~i, 使得

φ i( qik0, π 1)= qik1, φ i( qik1, π 2)= qik2,

Φ i( qik0, π 1π 2)=φ i(φ i( qik0, π 1), π 2),

Φ i( qik0, π 1π 2)= qik2.

传递性具体说明如图6所示.

图6 项目状态转移的传递性Fig.6 Transitivity of item state transitions

定义6 设程序性知识域Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n, 其中(Vi, ≤ i)为有限格, i=1, 2, …, n.qiQ的项目状态空间是三元组( Ω~i, Π i, φ i), 其中φ iqi的项目状态转移函数.

定义7 设非空有限操作集Π , 操作序列集Π , 对于∀ s∈ Z+, 任意给定长度为s的操作序列π 1π 2π sΠ s, π 1π 2π s的子序列是操作序列π iπ i+1π i+t, 其中, 1≤ is, 0≤ ts-i.

定义8 设非空有限操作集Π , 操作序列集Π , 对于任意2个非空操作序列σ 1Π \{ε }, σ 2Π \{ε }, 规定σ 1σ 2当且仅当σ 1σ 2的子序列.任意给定非空操作序列σ Π \{ε }, σ 的所有子序列中关于“ ≤ ” 的极小者称为σ 的极小子序列.

命题2 设操作序列

σ =π 1π 2π sΠ \{ε },

其中s∈ Z+, 则σ 的极小子序列为π j, j=1, 2, …, s.

例如, 设非空操作序列σ =π 1π 2π 3, σ 的所有子序列为π 1, π 1π 2, π 1π 2π 3, π 2, π2π3π 3.由于

π 1π1π2π 1π 2π 3,

取关于“ ≤ ” 的极小者得π 1; 由于

π 2π2π3π 1π 2π 3,

取关于“ ≤ ” 的极小者得π 2; 由于

π 3π2π3π 1π 2π 3,

取关于“ ≤ ” 的极小者得π 3.所以σ 的极小子序列为π 1π 2π 3.

由定义4可知, 项目状态转移函数φ i表示项目qi的单个操作对项目状态的作用, 而由注4可知, 项目qi的一个操作序列对给定项目状态的作用由定义9中的过程函数Φ i表示.

定义9 设程序性知识域Q={q1, q2, …, qn}, 项目qi的非空有限操作集为Π i, Πiqi的操作序列集, qi的响应值集Vi为有限格, i=1, 2, …, n.对于∀ qiQ, 过程函数Φ i为从 Ω~i× ΠiΩ~i的映射, Φ i定义如下:

1)任意给定 qikΩ i, 对于∀ qik-Ωik-, σ Πi, 均有Φ i( qik-, σ )∈ Ωik-.

2)任意给定操作序列π 1π 2π sΠi, 如果存在项目状态序列 qik0Ω i, qik1Ω i, …, qiksΩ i, 使得

φ i( qikj-1, π j)= qikj, j=1, 2, …, s,

Φ i( qik0, π 1π 2π s)= qiks,

π 1π 2π sqi的正确操作序列, ( qik0, π 1π 2π s, qiks)是以 qik0为初始状态, π 1π 2π s为操作序列, qiks为终止状态的正确操作路径, 简记为 qik0π 1π 2π s, 其中π 1π 2π s的极小子序列对应的操作路径 qikj-1π j(j=1, 2, …, s)称为 qik0π 1π 2π s的极小子路径.否则, π 1π 2π sqi的错误操作序列.

对于∀ qiQ, qikΩ i, 均有

Φ i( qik, ε )=φ i( qik, ε )= qik,

所以空操作序列ε 为任意项目的正确操作序列.但是ε 未实现状态的转移, 因此下述分析中均不考虑空操作路径.

例6 续例5, 考察项目q1的正确非空操作路径.由图4看出, 对于操作序列π 1π 2π 1π 2, 有过程函数:

Φ 1( q10, π 1)= q11, Φ 1( q11, π 2)= q12, Φ 1( q10, π 1π 2)= q12;

其余均为错误操作序列.所以, q1的正确操作路径为 q10π 1q11π 2q10π 1π 2, 其中, q10π 1q11π 2q10π 1π 2的极小子路径.

推论1 对于解答或操作步骤数较多的复杂项目q, 将q的操作过程划分为t个正确非空操作序列, 以此构成q的操作元集

.

根据每个操作元σ k(k=1, 2, …, t)逐一设定响应值, 得到项目q的响应值集V是有限格.

1)如果q的解答或操作是层层递推的, 则q的响应值集V为有限线性序集.操作元σ k(k=1, 2, …, t)作用于qk-1产生新的项目状态qk, 响应值由k-1变为k, 即φ (qk-1, σ k)=qk, 称(qk-1, σ k, qk)是以qk-1为初始状态, σ k为操作元, qk为终止状态的正确单一操作路径, 简记为qk-1σ k, k=1, 2, …, t.于是, 得到项目q的响应值集V={0, 1, …, t}.

2)如果q的解答或操作中有分支, 对q的操作过程进行不同划分, 可能使V具有不同的格结构.

例7 设项目q:解方程 x2-6=x2-2x+2.项目q的解答中有2个分支, 解答过程如下:

 x2-60:|x2-6|=x2-2x+2x2-6=x2-2x+2操作步骤π12x-8=0    操作步骤π2x=4;      操作步骤π3分支1 x2-60:|x2-6|=x2-2x+26-x2=x2-2x+2操作步骤π42x2-2x-4=0操作步骤π22(x-2)(x+1)=0操作步骤π5x=2x=-1.操作步骤π6分支2

项目q的操作集

Π ={π 1, π 2, π 3, π 4, π 5, π 6},

其中, π 1表示“ 当x≥ 0时, |x|去绝对值” , π 2表示“ 方程移项与合并同类项” , π 3表示“ 解一元一次方程” , π 4表示“ 当x≤ 0时, |x|去绝对值” , π 5表示“ 一元二次多项式的因式分解” , π 6表示“ 解一元二次方程” .

1)将q的操作过程划分成5个正确非空操作序列, 构成操作元集

Σ ={π 1, π 2π 3, π 4, π 2π 5, π 6}.

根据各分支上的每个操作元逐一设定响应值, 得到2个分支上的响应值集{0, 1a, 2a}和{0, 1b, 2b, 3b}, 其中

0≤ 1a≤ 2a, 0≤ 1b≤ 2b≤ 3b.

取分支定向并, 即

1a∨ 1b=2c, 2a∨ 1b=3d, 1a2b=3e, 2a2b=4f, 1a3b=4g, 2a3b=5.

依照命题1中2)的规定得到{2c, 3d, 3e, 4f, 4g, 5}的序, 于是有限格

V1={0, 1a, 2a, 1b, 2b, 3b, 2c, 3d, 3e, 4f, 4g, 5}

q的响应值集, 如图7所示.

图7 例7中响应值集V1的Hasse图Fig.7 Hasse diagram of response value set V1 in example 7

2)将q的操作过程划分成4个正确非空操作序列, 构成操作元集

Σ ={π 1π 2, π 3, π 4π 2, π 5π 6},

q的响应值集

V2={0, 1a, 2a, 1b, 2b, 2c, 3d, 3e, 4}

为有限格, 如图3所示.

3)将q的操作过程划分成3个正确非空操作序列, 构成操作元集

Σ ={π 1π 2π 3, π 4π 2, π 5π 6},

V3={0, 1a, 1b, 2b, 2c, 3}

为有限格, 如图8所示.

图8 例7中响应值集V3的Hasse图Fig.8 Hasse diagram of response value set V3 in example 7

命题1是推论1的特殊情形, 即将每个操作步骤划分为一个操作元σ k=π k, k=1, 2, …, r, 得到操作元集

Σ ={σ 1, σ 2, …, σ r}=Π Π .

因此, 过程函数Φ i的定义9可做如下推广.

定义10 设程序性知识域Q={q1, q2, …, qn}, qi的操作元集Σ i={σ 1, σ 2, …, σti},

Σi= sNΣis,

qi的响应值集Vi为有限格, i=1, 2, …, n.qiQ, 过程函数Φ i为从 Ω~i× ΣiΩ~i的映射, Φ i定义如下:

1)任意给定 qikΩ i, 对于∀ qik-Ωik-, ω Σi, 均有Φ i( qik-, ω )∈ Ωik-.

2)任意操作序列

ω =σ 1σ 2σ sΣi\{ε },

如果存在项目状态序列 qik0Ω i, qik1Ω i, …, qiksΩ i, 使得

φ i( qikj-1, σ j)= qikj, j=1, 2, …, s,

Φ i( qik0, ω )= qiks,

ω =σ 1σ 2σ sqi的正确非空操作序列, ( qik0, ω , qiks)为以 qik0为初始状态, ω 为操作序列, qiks为终止状态的正确操作路径, 简记为 qik0ω , 其中ω 的极小子序列对应的操作路径 qikj-1σ j(j=1, 2, …, s)称为 qik0ω 的极小子路径.否则, ω =σ 1σ 2σ sqi的错误操作序列.

如果项目q的解答或操作中有分支, Vq不是线性序集, 需要考虑操作组合对项目状态的作用.

定义11 设程序性知识域Q={q1, q2, …, qn}, 项目qi的操作元集Σ i={σ 1, σ 2, …, σti}, 响应值集Vi为有限格, i=1, 2, …, n.对于∀ qiQ, ω 1Σi\{ε }, ω 2Σi\{ε }, 如果存在操作路径的初始状态 qikΩ i, 使得

Φ i( qik, ω 1)= qia, Φ i( qik, ω 2)= qib,

其中, ab不可比较, ai b=c, 则将{ω 1, ω 2}作用于 qik, 有

Φ i( qik, {ω 1, ω 2})= qic.

称{ω 1, ω 2}为qi的正确非空操作组合, ( qik, {ω 1, ω 2}, qic)为以 qik0为初始状态, {ω 1, ω 2}为操作组合, qic为终止状态的正确操作路径, 简记为 qik{ω 1, ω 2}, 其中 qikω 1qikω 2的极小子路径称为 qik{ω 1, ω 2}的极小子路径.

例8 续例7.记

σ 1=π 1π 2π 3, σ 2=π 4π 2, σ 3=π 5π 6,

q的操作元集Σ ={σ 1, σ 2, σ 3}, 由例7中3)可知, q的响应值集

V={0, 1a, 1b, 2b, 2c, 3}.

q的项目状态转移图如图9所示.由图可知, q的正确非空操作序列为σ 1σ 2σ 3σ 2σ 3.由

Φ (q0, σ 1)= q1a, Φ (q0, σ 2)= q1b,

图9 例7中3)的项目状态转移图Fig.9 Item state transition diagram in 3) of example 7

1a与1b不可比较, 1a∨ 1b=2c, 可知,

Φ (q0, {σ 1, σ 2})= q2c,

即{σ 1, σ 2}为q的正确操作组合, 其中q0σ 1q0σ 2q0{σ 1, σ 2}的极小子路径.同理,

Φ (q0, {σ 1, σ 2σ 3})=q3,

即{σ 1, σ 2σ 3}为q的正确操作组合, 其中q0σ 1q0σ 2q1bσ 3q0{σ 1, σ 2σ 3}的极小子路径.

定义12 设程序性知识域Q={q1, q2, …, qn}, 项目qi的操作元集Σ i={σ 1, σ 2, …, σti}, 响应值集Vi为有限格, i=1, 2, …, n.对于∀ qiQ, qi的操作程序是由其正确非空操作序列或正确非空操作组合构成的序列δ =ω 1ω 2ω l, 其中

ω j∈ ( Σi\{ε })∪ 2Σi^\{ε}, j=1, 2, …, l.

如果存在操作程序δ =ω 1ω 2ω l, 及项目状态序列 qik0Ω i, qik1Ω i, …, qiklΩ i, 使得

Φ i( qikj-1, ω j)= qikj, j=1, 2, …, l,

Φ i( qik0, ω 1ω 2ω l)= qikl,

δ =ω 1ω 2ω lqi的正确操作程序, ( qik0, δ , qikl)是以 qik0为初始状态, δ 为操作程序, qikl为终止状态的正确操作路径, 简记为 qik0δ . qik0δ 的每个子路径 qikj-1ω j(j=1, 2, …, l)的极小子路径称为 qik0δ 的极小子路径.

例9 设项目q:已知直角三角形的两条边长分别为4 cm和6 cm, 第三条边长为多少?项目q的解答过程如下:

项目q的操作集Π ={π 1, π 2, π 3, π 4}, 其中, π 1表示“ 勾股定理” , π 2表示“ 将x=4, y=6代入方程x2+y2=z2” , π 3表示“ 解一元二次方程” , π 4表示“ 将x=4, z=6代入方程x2+y2=z2” .记

σ 1=π 1, σ 2=π 2π 3, σ 3=π 4π 3, Σ ={σ 1, σ 2, σ 3},

q的响应值集V={0, 1, 2a, 2b, 3}, q的项目状态转移图如图10所示.

图10 例9的项目状态转移图Fig.10 Item state transition diagram of example 9

由图10可知, q的正确非空操作序列为σ 1σ 2σ 3σ1σ2σ 1σ 3; 正确非空操作组合为{σ 2, σ 3}.显然, 每个正确的非空操作序列和正确的非空操作组合都是正确的非空操作程序.由于

Φ (q0, σ 1)=q1, Φ (q1, {σ 2, σ 3})=q3,

所以

Φ (q0, σ 1{σ 2, σ 3})=q3,

σ 1{σ 2, σ 3}为项目q的正确操作程序, 操作路径q0σ 1{σ 2, σ 3}的极小子路径为q0σ 1q1σ 2q1σ 3.因此, 项目q的所有正确操作路径为q0σ 1q1σ 2q1σ 3q0σ 1σ 2q0σ 1σ 3q1{σ 2, σ 3}和q0σ 1{σ 2, σ 3}.

个体掌握操作路径 qik0ω 1ω 2ω l当且仅当掌握该路径的每个极小子路径.例如, 在例9中, 个体掌握操作路径q0σ 1{σ 2, σ 3}当且仅当掌握每个极小子路径q0σ 1q1σ 2q1σ 3.因此, 在合取模型中, 采用极小子路径定义项目的相关技能.

定义 13 设程序性知识域Q={q1, q2, …, qn}, 项目qi的操作元集Σ i={σ 1, σ 2, …, σti}, 响应值集Vi是有限格, i=1, 2, …, n.在合取模型中, 对于∀ qiQ, 项目qi的一个正确操作路径的极小子路径称为qi的一个相关技能.qi的所有相关技能的集合Si称为qi的技能集, i=1, 2, …, n.

由于项目qi的任意一个正确操作路径的极小子路径为Σ i中的构成该路径的操作元对应的正确单一操作路径, 所以, qi的技能集为Σ i中的各操作元对应的正确单一操作路径的集合.

例10 续例8, 考察项目q的技能集.记

σ 1=π 1π 2π 3, σ 2=π 4π 2, σ 3=π 5π 6,

q的操作元集Σ ={σ 1, σ 2, σ 3}, 响应值集

V={0, 1a, 1b, 2b, 2c, 3}.

由图9可知, q的所有正确操作路径为q0σ 1q0σ 2q1bσ 3q0σ 2σ 3q0{σ 1, σ 2}和q0{σ 1, σ 2σ 3}.取所有正确操作路径的极小子路径, 得q0σ 1q0σ 2q1bσ 3.所以, 项目q的技能集为Sq={q0σ 1, q0σ 2, q1bσ 3}.

定义14 设程序性知识域Q={q1, q2, …, qn}, 项目qi的操作元集Σ i={σ 1, σ 2, …, σti}, 响应值集Vi是有限格, i=1, 2, …, n.

Σ = i=1nΣ i,

对于∀ σ Σ ,

[σ ]= i=1n{ qikσ |∀ qikσ Si}

表示以σ 为操作元的正确单一操作路径的等价类, 知识域Q的技能集为

S={[σ ]|∀ σ Σ }.

例11 续例5, 考察例2的项目q1q2的技能集, 以及知识域Q的技能集.记

σ 1=π 1, σ 2=π 2, σ 3=π 3, Σ 1={σ 1, σ 2}, Σ 2={σ 3, σ 1, σ 2},

Σ =Σ 1Σ 2={σ 1, σ 2, σ 3}.

由图4可知, 项目q1的所有正确单一操作路径为 q10σ 1q11σ 2.所以, 项目q1的技能集为

S1={ q10σ 1, q11σ 2}.

由图5可知, 项目q2的所有正确单一操作路径为 q20σ 3q21σ 1q22σ 2.所以, 项目q2的技能集为

S2={ q20σ 3, q21σ 1, q22σ 2}.

因此, 记

Q的技能集

.

3 基于程序性知识的多分知识结构

已知程序性知识域Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n.在下述分析与论述中, 均假设(Vi, ≤ i)为有限格, 其中丄i=0, i=1, 2, …, n.

3.1 由操作路径导出的合取的技能映射

Q的技能集S={s1, s2, …, sm}.技能状态T是技能集S的子集, TS, T表示个体掌握(或没掌握)技能的集合.在合取模型中, 个体必须掌握所有的相关技能, 才能达到相应的项目状态.因此, 对于∀ qikΩ i, qik的相关技能集是以 qi0为初始状态, qik为终止状态的操作路径的极小子路径所属等价类的集合.因为空操作序列ε 和空操作组合Ø 不是技能, 所以不考虑 qi0的相关技能.

定义15 设程序性知识域Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n, S={s1, s2, …, sm}.记

Ωi+=Ω i\{ qi0},

对于∀ qikΩi+, 称sSqik的相关技能, 如果s为操作路径( qi0, δ , qik)的极小子路径所属的等价类.

例12 续例11, 考察例2中q1的项目状态 q11q12的相关技能.由图4可知, 操作路径( q10, σ 1, q11)的极小子路径为 q10σ 1, 而

q10σ 1∈ [σ 1]=s1,

所以 q11的所有相关技能为s1; 操作路径( q10, σ 1σ 2, q12)的极小子路径为 q10σ 1q11σ 2, 而

q10σ 1∈ [σ 1]=s1, q11σ 2∈ [σ 2]=s2,

q12的所有相关技能为s1s2.

定义16 设程序性知识域Q={q1, q2, …, qn}

及其响应值集族 {Vi}i=1n, S={s1, s2, …, sm}.记

(ViQ)+= ViQ\{ q10, q20, …, qn0},

(ViQ)+上合取的技能映射τ : (ViQ)+→ 2S\{Ø }, 对于∀ K(ViQ)+, τ (K)⊆S, 且τ (K)是能实现从{ q10, q20, …, qn0}到K的转移过程的所有相关技能的集合.

Ω += i=1nΩi+,

设从Ω +S的非空幂集的映射τ , 其中, 对于∀ qikΩi+, τ ( qik)⊆S, 且τ ( qik)为 qik的所有相关技能的集合.定理1表明 (ViQ)+上的技能映射可由Ω +上的映射张成.

定理1 设Ω +上的映射τ :Ω +→ 2S\{Ø }, ∀ qiviΩi+, τ ( qivi)为 qivi的所有相关技能的集合.对于任意的多分知识状态

K={ q1v1, q2v2, …, qnvn}∈ (ViQ)+,

H={i| qiviKΩi+, i=1, 2, …, n},

τ (K)= iH(τ ( qivi)).

证明 ∀ iH, 设 δvi为从 qi0qivi的操作路径的操作程序, 记

δ = iH{ δvi},

δ 能实现从{ q10, q20, …, qn0}到K={ q1v1, q2v2, …, qnvn}的转移.由于 δvi的极小子序列必定是δ 的极小子序列, 所以对于∀ iH, s=[σ ]∈ τ ( qivi), σ δvi的极小子序列, 从而必定是δ 的极小子序列, 即sτ (K).因此

iH(τ ( qivi))⊆τ (K).

另一方面, ∀ iH, 记

Ki={ q10, …, qi-10, qivi, qi+10, …, qn0},

τ (Ki)=τ ( qivi).

知, ∀ sτ (K), 必定存在iH, 使得

sτ (Ki)=τ ( qivi),

siH(τ ( qivi)),

从而

τ (K)⊆ iH(τ ( qivi)).

因此

τ (K)= iH(τ ( qivi)).

例13 续例12.

由例12可知, q11的所有相关技能为s1, q12的所有相关技能为s1s2, 所以

τ ( q11)={s1}, τ ( q12)={s1, s2}.

同理可得q2的项目状态 q21q22q23的相关技能, 从而得到τ ( q21)、τ ( q22)和τ ( q23).因此, Ω +上的技能映射τ 定义为

Ω +上的技能映射τ 可张成 (ViQ)+上的技能映射:

τ ({ q11, q20})=τ ( q11)={s1},

同理可得

定义17 设程序性知识域Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n, S={s1, s2, …, sm}.合取的技能映射是三元组(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }, 对于∀ qikΩ +, τ ( qik)为项目状态 qik的所有相关技能的集合.

由于仅考虑每个项目的某个特定解法, 所以对于∀ qiQ, qiwΩi+, 从 qi0qiw的操作路径是唯一的.于是, ∀ vVi\{0}, wVi\{0}, vi w, 从 qi0qiw的操作路径必经过 qiv, 即 qivqiw.因此, 操作路径( qi0, δ v, qiv)为操作路径( qi0, δ w, qiw)的子路径.于是, ( qi0, δ v, qiv)的极小子路径必定是( qi0, δ w, qiw)的极小子路径, 从而τ ( qiv)⊆τ ( qiw).

另一方面, 根据Σ i的每个操作元逐一设定响应值, 则对于∀ vVi\{0}, wVi\{0}, vi w, 从 qi0qiv的操作路径与从 qi0qiw的操作路径不同, 即τ ( qiv)≠ τ ( qiw).若v< i w, 则τ ( qiv)⊂τ ( qiw); 当vw不可比较时, 必存在svτ ( qiv)与swτ ( qiw), 使得svτ ( qiw)且swτ ( qiv).于是, 合取的技能映射τ 满足命题3的2个条件.

命题3 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }, 则对于∀ qiQ, τ 满足如下2个条件:

1)兼容性.∀ vVi\{0}, wVi\{0}, v< i w, 则τ ( qiv)⊂τ ( qiw);

2)差异性.∀ vVi\{0}, wVi\{0}, vw不可比较, 则

τ ( qiv)( qiw)≠ Ø , τ ( qiw)( qiv)≠ Ø .

3.2 由合取的技能映射诱导的多分知识结构

在合取模型中, 个体必须掌握所有的相关技能, 才能达到相应的项目状态.因此, 设个体掌握的技能状态为T, TS, 如果τ ( qiv)⊆T, 说明该个体掌握 qiv的所有相关技能, 能达到项目状态 qiv.对该个体能达到的所有项目状态取逐项并, 得到由技能状态T通过合取模型诱导的多分知识状态.

定义18 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.给定技能状态TS, T表示个体掌握的技能的集合, 由T通过合取模型诱导的多分知识状态为

.

命题4 由合取的技能映射τ 通过合取模型诱导的所有多分知识状态的集合K至少包含{ q10, q20, …, qn0}和{ q11, q22, …, qnn}, 即K满足多分知识结构的定义3中1).

证明 设个体掌握的技能状态T=Ø , ∀ qivΩ +, τ ( qiv)≠ Ø , 故τ ( qiv)⊆Ø 不成立, 所以

.

设个体掌握的技能状态T=S, ∀ qivΩ +, τ ( qiv)⊆S, 所以

.

定理2 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.取遍所有的技能状态TS, 所有通过合取模型诱导的多分知识状态的集合

是多分知识结构.

证明 首先, 由命题4可知, K满足定义3中1).然后, 在合取模型中, 对于∀ qiQ, qiwΩi+, 从 qi0qiw的操作路径是唯一的; 对于∀ vVi\{0}, wVi\{0}, vi w, 从 qi0qiv的操作路径与从 qi0qiw的操作路径是不同的.因此, 对于∀ qiwΩi+, qiw与操作路径( qi0, δ w, qiw)一一对应, 于是可唯一确定( qi0, δ w, qiw)的极小子路径, 从而唯一确定τ ( qiw).∀ vVi\{0, w}, 如果v< i w, 由命题3中1)可知, τ ( qiv)⊂τ ( qiw); 如果w< i v, 由命题3中1)可知, τ ( qiw)⊂τ ( qiv), 即τ ( qiv)⊈τ ( qiw); 若vw不可比较, 由命题3中2)可知,

τ ( qiv)( qiw)≠ Ø , τ ( qiw)( qiv)≠ Ø ,

于是τ ( qiv)⊈τ ( qiw).因此, 取Tw=τ ( qiw), 由Tw通过合取模型诱导的qi的状态集为

,

由于

,

qiwKcτ(Tw), 因此

.

于是, ∀ qiQ, qiwΩi+, K( qiw)≠ Ø .又由命题4可知,

.

因此, ∀ qiwΩ i, K( qiw)≠ Ø , 即

KKK=Ω .

所以, K满足多分知识结构的定义3中2).综上所述, 取遍所有的TS, 所有通过合取模型诱导的多分知识状态的集合K为多分知识结构.

定义19 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.取遍所有的技能状态TS, 所有通过合取模型诱导的多分知识状态的集合K称为由技能映射τ 通过合取模型诱导的多分知识结构.

例14 续例13.

Q={q1, q2}, Ω +={ q11, q12, q21, q22, q23}, S={s1, s2, s3}.

合取的技能映射τ 定义为

取遍所有的技能状态TS, 得到如下通过合取模型诱导的多分知识状态:

.

所以, 由τ 通过合取模型诱导的多分知识结构为

如图11所示, K满足逐项交 -封闭.但是, 因为

,

图11 例14中多分知识结构(K, )的Hasse图Fig.11 Hasse diagram of polytomous knowledge structure (K, ) in example 14

所以K不满足逐项并 -封闭, 因此K不是多分知识空间.

注5 命题3中1)对于通过合取模型诱导多分知识结构是必要的.如果技能映射τ 不满足该条件, 则由τ 通过合取模型诱导的多分知识状态的集合可能不满足定义3中2).

例如, 在例14中, 若定义技能映射τ '

其中τ '( q21)=τ '( q22), 不满足命题3中1).由τ '通过合取模型诱导的所有多分知识状态的集合为

由于

q21KK'K,

所以K'不满足定义3中2), K'不是多分知识结构.

根据项目qi的操作元集Σ i逐一设定响应值, 得到qi的响应值集Vi不一定是线性有序集.

例15 续例1.

Q={q1, q2}, Π 1={π 1, π 2}, Π 2={π 2, π 3}.

σ 1=π 1, σ 2=π 2, σ 3=π 3, Σ 1={σ 1, σ 2}, Σ 2={σ 2, σ 3},

由项目状态转移(图12)可得

,

图12 例1的项目状态转移图Fig.12 Item state transition diagram of example 1

S={s1, s2, s3}.由操作路径导出的合取的技能映射τ

取遍所有的技能状态TS, 得到由τ 通过合取模型诱导的多分知识结构为

如图13所示, K满足逐项交 -封闭.但是, 因为

,

图13 例15中多分知识结构(K, )的Hasse图Fig.13 Hasse diagram of polytomous knowledge structure (K, ) in example 15

所以K不满足逐项并 -封闭, K不是多分知识空间.

注6 命题3中2)对于通过合取模型诱导多分知识结构是必要的.如果技能映射τ 不满足该条件, 则由τ 通过合取模型诱导的多分知识状态的集合可能不满足定义3中2).

例如, 在例15中, 若定义技能映射τ '

,

其中, ab不可比较,

τ '( q2a)\τ '( q2b)={s3}≠ Ø ,

但是

τ '( q2b)\τ '( q2a)=Ø ,

不满足命题3中2).由τ '通过合取模型诱导的所有多分知识状态的集合为

由于

q2aKK'K,

所以K'不满足定义3中2), K'不是多分知识结构.

命题5 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.给定技能状态TS, T表示个体掌握的技能的集合, 由T诱导的个体能达到的项目状态的集合记为

,

T通过合取模型诱导的多分知识状态 Kcτ(T)的扩展多分知识状态为

,

则G(T)为 (Kcτ(T))* Ω +上的限制, 即

.

,

(Kcτ(T))+* 为由T通过合取模型诱导的扩展多分知识状态.

证明 设 qiwKcτ(T), 则τ ( qiw)⊆T, 由命题3中1)可知,

v∈ ↓ w\{0}, τ ( qiv)⊆τ ( qiw)⊆T,

于是 , 即

.

另一方面, 对于 , 由

知, 必存在 qiwKcτ(T), 使得vi w.又由G(T)⊆Ω +v≠ 0, 故v∈ ↓ w\{0}, 于是 qiv(Kcτ(T))+* , 即G(T)⊆( Kcτ(T))+* .综上所述, G(T)= (Kcτ(T))+* .

由命题5和定义18可得推论2.

推论2 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.给定技能状态TS, T表示个体掌握技能的集合, 由T通过合取模型诱导的多分知识状态为

定理3 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.由技能映射τ 通过合取模型诱导的多分知识结构K满足逐项交 -封闭.

证明 对于∀ K1∈ K, K2∈ K, 其中Ki是由技能状态Ti通过合取模型诱导的多分知识状态, 即

,

T1T2Ti得G⊆Gi, i=1, 2.因此, G⊆G1∩ G2.另一方面, 设q v i ∈ G1∩ G2, 则τ (q v i)⊆T1τ (q v i)⊆T2, 即τ (q v i)⊆T1T2, 故 ∈ G, 于是G1∩ G2⊆G.综上所述, G=G1∩ G2.又由 , i=1, 2, 得

因为

,

所以 是由T1T2通过合取模型诱导的多分知识状态, 即 因此, K满足逐项交 -封闭.

3.3 对偶性

在合取模型中, 个体必须掌握所有的相关技能, 才能达到相应的项目状态.因此, 只要存在至少一个相关技能是个体没有掌握的, 则该个体不能达到相应的项目状态.于是, 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }, 设个体没有掌握技能的集合为TS, 只要存在至少一个tτ ( qiv), 使得tT, 则说明至少有一个 qiv的相关技能是该个体没有掌握的, 从而不能达到项目状态 qiv.因此, 由T诱导的个体没达到的项目状态的集合为

.

设技能状态T表示个体没有掌握技能的集合, 则 $\bar{T}$=S\T表示个体掌握的技能集.显然, 由T诱导的个体没达到的项目状态的集合与由 $\bar{T}$诱导的个体能达到的项目状态的集合互为余集.由命题5知, 由$\bar{T}$诱导的个体能达到的项目状态的集合为 , 于是得到推论3.

推论3 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.给定技能状态TS, T表示个体没有掌握技能的集合, 由T诱导的个体没达到的项目状态的集合记为

Lτ (T)为 的余集, 其中 $\bar{T}$=S\T.

Kcτ(T-)-为由 T-通过合取模型诱导的扩展多分知识状态的对偶.

例如, 在例14中, 取个体没有掌握技能的集合T={s2}, 则

T-通过合取模型诱导的扩展多分知识状态为

所以, 由{s2}诱导的个体没达到的项目状态的集合是由{s1, s3}通过合取模型诱导的扩展多分知识状态 {q11, q22}+* 的对偶, 即

Lτ ({s2})=Ω +\ {q11, q22}+* ={ q12, q23}.

推论4 设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.TS表示个体没有掌握技能的集合.取遍TS, 由τ 诱导的个体没达到的项目状态的集合为

设K是由τ 通过合取模型诱导的多分知识结构, K+* ={ K+* :K∈ K}是K的扩展多分知识结构[11], 则L是 K+* 的对偶, 即

L满足集合并∪ -封闭.

例如, 在例14中, 由τ 通过合取模型诱导的多分知识结构为

则K的扩展多分知识结构为

于是, K+* 的对偶为

所以, 由推论3可知, 取遍个体没有掌握的技能状态, 所有由τ 诱导的个体没达到的项目状态的集合为

如图14所示, 由于

图14 例14中多分知识结构的对偶(L, )的Hasse图Fig.14 Hasse diagram of the dual (L, ) of polytomous knowledge structure in example 14

同理可得,

所以L满足集合并∪ -封闭.但是, 因为

所以L不满足集合交∩ -封闭.

定义20[27] 称三元组(U, A, I)为一个形式背景, 其中U={x1, x2, …, xn}为对象集, 每个xi(1≤ in)称为一个对象; A={a1, a2, …, am}为属性集, 每个aj(1≤ jm)称为一个属性; IU× AUA之间的二元关系, 若(x, a)∈ I, 则称对象x具有属性a, 若(x, a)∉I, 则称对象x不具有属性a.

用1表示(x, a)∈ I, 用0表示(x, a)∉I, 则形式背景可表示为只有0和1的表格, 如表1所示.

表1 形式背景表 Table 1 Formal background

设合取的技能映射(Ω +, S, τ ), 其中τ :Ω +→ 2S\{Ø }.将Ω +视为对象集, S视为属性集, IΩ +× SΩ +S之间的二元关系, 规定

( qiv, s)∈ Isτ ( qiv),

( qiv, s)∈ I记1, ( qiv, s)∉I记0, 于是得到形式背景表(Ω +, S, I).设TS表示个体没有掌握技能的集合.取遍TS, 所有由τ 诱导的个体没达到的项目状态的集合L可由形式背景表(Ω +, S, I)导出.由推论4可知, L是由τ 通过合取模型诱导的扩展多分知识结构 K+* 的对偶, 所以

又由推论2可知, 由τ 通过合取模型诱导的多分知识结构为

3.4 从状态空间导出多分知识结构的算法

作为本节的小结, 给出从程序性知识域Q的项目状态空间通过合取模型导出多分知识结构的算法.设Q={q1, q2, …, qn}及其响应值集族 {Vi}i=1n, S={s1, s2, …, sm}.算法由2部分构成.

算法1 在Q的项目状态空间中以 qi0(i=1, 2, …,

n)为起点的所有操作路径导出合取的技

能映射(Ω +, S, τ ).

step 1 构造Q的项目状态空间中以 qi0为起点的所有操作路径的集合Pi( qi0), i=1, 2, …, n.

初始设置.由qi的所有正确单一操作路径构成队列

Wi={ qivσ :vVi, σ Σ i},

并将Wi中任意有限条起点相同的路径的组合添加到Wi中, 得

W~i={ qivδ :vVi, δ Σ i2Σi}, i=1, 2, …, n.

迭代步k=0时, Pi0( qi0)=Ø , i=1, 2, …, n.

迭代步k=1时, 从 W~i的顶部依次提取路径 qivδ , 若v≠ 0, 提取下一条路径; 若v=0, 将 qivδ W~i中删除并添加到 Pi0( qi0)中, 再提取下一条路径; 取遍 W~i中所有路径, 得

Pi1( qi0)={ qi0δ :δ Σ i2Σi}, i=1, 2, …, n.

迭代步k> 1时, 对所有的i=1, 2, …, n, 从 W~i的顶部依次提取路径 qiwλ , 若存在 qi0δ Pik-1, 使

Φ i( qi0, δ )= qiw,

则将 qiwλ W~i中删除, 并将 qi0δ λ 添加到 W~i的底部, 令

Pik= Pik-1∪ { qi0δ λ };

Φ i( qiw, λ )= qiv, 若存在 qi0δ Pik-1, 使

Φ i( qi0, δ )= qiu,

其中wi v, 且uv不可比较, 则将 qiwλ W~i中删除, 并将 qi0{δ , λ }添加到 W~i的底部, 令

Pik= Pik-1∪ { qi0{δ , λ }}.

继续迭代, 直到 W~i\ PikØ , i=1, 2, …, n.

step 2 由操作路径集Pi( qi0), i=1, 2, …, n, 导出合取的技能映射(Ω +, S, τ ).

对于∀ qiQ, qikΩi+, 设 qi0δ Pi( qi0), 使

Φ i( qi0, δ )= qik,

τ ( qik)为 qi0δ 的所有极小子路径的所属等价类的集合, 即

τ ( qik)={[ σk1], [ σk2], …, [ σks]},

其中, σk1, σk2, …, σks为操作程序δ 的所有极小子程序.

算法2 由形式背景(Ω +, S, I)导出L, 利用L与 K+*

的对偶性得到由τ 通过合取模型诱导的多

分知识结构K.

step 1 在形式背景(Ω +, S, I)中, 规定

( qiv, s)∈ Isτ ( qiv),

( qiv, s)∈ I记1, ( qiv, s)∉I记0, 生成形式背景表.

step 2 取个体没有掌握的技能状态Ti={si}, 由(Ω +, S, I)导出Ti诱导的没达到的项目状态Lτ (Ti), i=1, 2, …, m.由{Lτ (T1), Lτ (T2), …, Lτ (Tm)}取集合并∪ -封闭, 张成所有由τ 诱导的个体没达到的项目状态的集合L.

step 3 取L的对偶得到由τ 通过合取模型诱导的扩展多分知识结构 K+* .对 K+* 中的每个扩展多分知识状态取逐项并, 得到由τ 通过合取模型诱导的多分知识结构K.

算法1采用起点固定的广度优先路径搜索算法(Breadth First Search, BFS).这是基于队列这种数据结构的搜索方式, 特点是由每个状态扩展出许多状态, 然后再以此扩展, 直到处理完毕队列中所有状态.算法1中step 1的时间复杂度为O(|S|+|Ω +|).算法2中step 2的时间复杂度为O(|Ω +|· |S|).在算法2中, 可考虑结合形式背景或概念格中的已有结果, 如对象约简或属性约简, 从而去除计算中的冗余部分, 达到算法的简化.

例16 设Q={q1, q2}, 项目q1是例7中的q:解方程|x2-6|=x2-2x+2; 项目q2:已知x> 1, 且|x-1|=x2-4x+5, 求x.q2的解答:

x> 1: |x-1|=x2-4x+5

x-1=x2-4x+5 操作步骤π 1

x2-5x+6=0 操作步骤π 2

⇒ (x-2)(x-3)=0 操作步骤π 5

x=2或x=3 操作步骤π 6

σ 1=π 1π 2, σ 2=π 3, σ 3=π 4π 2, σ 4=π 5π 6,

由例7中2)可知,

V1={0, 1a, 2a, 1b, 2b, 2c, 3d, 3e, 4}, V2={0, 1, 2}.

Σ ={σ 1, σ 2, σ 3, σ 4},

项目状态转移如图15所示.

图15 例16的项目状态转移图Fig.15 Item state transition of example 16

由算法1中step 1可得

P1( q10)=

{ q10σ 1, q10σ 3, q10{σ 1, σ 3}, q10σ 1σ 2, q10σ 3σ 4,

q10{σ 3, σ 1σ 2}, q10{σ 1, σ 3σ 4}, q10{σ 1σ 2, σ 3σ 4}},

P2( q20)={ q20σ 1, q20σ 1σ 4}.

再由算法1中step 2可得, 导出的合取的技能映射τ

由于1a11b=2c, 且

τ ( q12c)=τ ( q11a)∪ τ ( q11b),

所以 q12cΩ +中的∪ -可约元.同理可得, q13dq13eq14均为∪ -可约元.记

Ω ++=Ω +\{ q12c, q13d, q13e, q14}.

由算法2得到由形式背景(Ω ++, S, I)导出的个体没达到的项目状态的集合L, 从而得到由τ 通过合取模型诱导的多分知识结构K.

1)在形式背景(Ω ++, S, I)中, 规定

( qiv, s)∈ Isτ ( qiv),

( qiv, s)∈ I记1, ( qiv, s)∉I记0, 生成表2.

表2 例16中技能映射(Ω ++, S, τ )的形式背景表 Table 2 Formal background of skill map(Ω ++, S, τ ) in example 16

2)由表2导出个体没达到的项目状态.取

Ti={si}, i=1, 2, 3, 4,

由{Lτ (T1), Lτ (T2), Lτ (T3), Lτ (T4)}取∪ -封闭张成τ 诱导的个体没达到的项目状态的集合:

3)取L的对偶, 即

,

得到τ 通过合取模型诱导的Ω ++上的扩展多分知识结构:

K++* 中的每个扩展多分知识状态取逐项并, 则得到由τ 通过合取模型诱导的多分知识结构:

K的Hasse图如图16所示.由定理3可知, K满足逐项交 -封闭.

图16 例16中多分知识结构(K, )的Hasse图Fig.16 Hasse diagram of polytomous knowledge structure(K, ) of example 16

所以K不满足逐项并 -封闭.

4 结束语

本文根据程序性知识域中各项目的操作元逐一设定响应值, 得到项目特定的响应值集.基于程序性知识的学习评价[18], 通过项目状态转移函数定义项目状态空间, 并导出合取的技能映射, 证明由技能映射通过合取模型诱导的多分知识结构满足逐项交封闭.最后讨论由合取的技能映射通过合取模型诱导的多分知识结构与所有没达到的项目状态的集合之间的对偶性, 并给出诱导多分知识结构的算法步骤.值得注意的是, 在本文框架中, 仅考虑每个项目的某个特定解法, 对于一题多解的情形将在后续的能力模型中考虑.为了保证操作集的有限性, 假定各项目的解答或操作是非循环的, 所以可在后续研究中考虑对循环解路径的约简.

知识空间的形式背景与形式概念分析[27, 28]密切相关, 因此可考虑将KST的多分推广与面向属性或面向对象概念格的相关结果[29, 30, 31, 32]结合.程序性知识学习与形式概念分析中的概念认知学习有诸多关联, 因此, 基于程序性知识的学习评价与概念认知学习的交叉融合也是今后研究的方向.

参考文献
[1] BIRKHOFF G. Rings of Sets. Duke Mathematical Journal, 1937, 3(3): 443-454. [本文引用:1]
[2] BIRKHOFF G. Lattice Theory. 3rd Edition. New York, USA: Ame-rican Mathematical Society, 1967 [本文引用:1]
[3] DOIGNON J P, FALMAGNE J C. Spaces for the Assessment of Knowledge. International Journal of Man-Machine Studies, 1985, 23(2): 175-196. [本文引用:1]
[4] DOIGNON J P, FALMAGNE J C. Knowledge Spaces. Berlin, Germany: Springer-Verlag, 1999. [本文引用:1]
[5] FALMAGNE J C, KOPPEN M, VILLANO M, et al. Introduction to Knowledge Spaces: How to Build, Test and Search Them. Psychological Review, 1990, 97(2): 204-224. [本文引用:1]
[6] FALMAGNE J C, DOIGNON J P. Learning Spaces: Interdisciplinary Applied Mathematics. Berlin, Germany: Springer-Verlag, 2011. [本文引用:1]
[7] FALMAGNE J C, ALBERT D, DOBLE D, et al. Knowledge Spa-ces: Applications in Education. Berlin, Germany: Springer-Verlag, 2013. [本文引用:2]
[8] SCHREPP M. A Generalization of Knowledge Space Theory to Pro-blems with More Than Two Answer Alternatives. Journal of Mathematical Psychology, 1997, 41(3): 237-243. [本文引用:2]
[9] BARTL E, BELOHLAVEK R. Knowledge Spaces with Graded Know-ledge States. Information Sciences, 2011, 181(8): 1426-1439. [本文引用:1]
[10] STEFANUTTI L, ANSELMI P, DE CHIUSOLE D, et al. On the Polytomous Generalization of Knowledge Space Theory. Journal of Mathematical Psychology, 2020, 94. DOI: 10.1016/j.jmp.2019.102306. [本文引用:8]
[11] HELLER J. Generalizing Quasi-Ordinal Knowledge Spaces to Polytomous Items. Journal of Mathematical Psychology, 2021, 101. DOI: 10.1016/j.jmp.2021.102515. [本文引用:13]
[12] DOIGNON J P. Knowledge Spaces and Skill Assignments // FISCHER G H, LAMING D. Contributions to Mathematical Psycho-logy, Psychometrics and Methodology. Berlin, Germany: Springer-Verlag, 1994: 111-121. [本文引用:1]
[13] DÜNTSCH I, GEDIGA G. Skills and Knowledge Structures. Bri-tish Journal of Mathematical and Statistical Psychology, 1995, 48(1): 9-27. [本文引用:1]
[14] KOROSSY K. Modeling Knowledge as Competence and Perfor-mance // ALBERT D, LUKAS J. Knowledge Spaces: Theories, Empirical Research, Applications. 1st Edition. New York, USA: Psychology Press, 1999: 103-132. [本文引用:1]
[15] HELLER J, REPITSCH C. Distributed Skill Functions and the Me-shing of Knowledge Structures. Journal of Mathematical Psycho-logy, 2008, 52(3): 147-157. [本文引用:1]
[16] HELLER J, ANSELMI P, STEFANUTTI L, et al. A Necessary and Sufficient Condition for Unique Skill Assessment. Journal of Mathematical Psychology, 2017, 79: 23-28. [本文引用:1]
[17] STEFANUTTI L, ALBERT D. Skill Assessment in Problem Solving and Simulated Learning Environments. Journal of Universal Computer Science, 2003, 9(2): 1455-1468. [本文引用:1]
[18] STEFANUTTI L. On the Assessment of Procedural Knowledge: From Problem Spaces to Knowledge Spaces. British Journal of Mathematical and Statistical Psychology, 2019, 72(2): 185-218. [本文引用:6]
[19] 李进金, 孙文. 知识空间、形式背景和知识基. 西北大学学报(自然科学版), 2019, 49(4): 517-526.
(LI J J, SUN W. Knowledge Space, Formal Context and Know-ledge Base. Journal of Northwest University(Natural Science Edition), 2019, 49(4): 517-526. ) [本文引用:1]
[20] STEFANUTTI L, DE CHIUSOLE D, GONDAN M, et al. Mode-ling Misconceptions in Knowledge Space Theory. Journal of Mathe-matical Psychology, 2020, 99. DOI: 10.1016/j.jmp.2020.102435. [本文引用:1]
[21] SUN W, LI J J, GE X, et al. Knowledge Structures Delineated by Fuzzy Skill Maps. Fuzzy Sets and Systems, 2021, 407: 50-66. [本文引用:1]
[22] STEFANUTTI L, DE CHIUSOLE D, BRANCACCIO A. Markov Solution Processes: Modeling Human Problem Solving with Procedural Knowledge Space Theory. Journal of Mathematical Psycho-logy, 2021, 103. DOI: 10.1016/j.jmp.2021.102552. [本文引用:1]
[23] 李金海, 米允龙, 刘文奇. 概念的渐进式认知理论与方法. 计算机学报, 2019, 42(10): 2233-2250.
(LI J H, MI Y L, LIU W Q. Incremental Cognition of Concepts: Theories and Methods. Chinese Journal of Computers, 2019, 42(10): 2233-2250. ) [本文引用:1]
[24] 李金海, 魏玲, 张卓, . 概念格理论与方法及其研究展望. 模式识别与人工智能, 2020, 33(7): 619-642.
(LI J H, WEI L, ZHANG Z, et al. Concept Lattice Theory and Method and Their Research Prospect. Pattern Recognition and Artificial Intelligence, 2020, 33(7): 619-642. ) [本文引用:1]
[25] 王国俊. L-Fuzzy拓扑空间论. 西安: 陕西师范大学出版社, 1988.
(WANG G J. The Theory of L-Fuzzy Topology. Xi'an, China: Shaanxi Normal University Press, 1988. ) [本文引用:4]
[26] DAVEY B A, PRIESTLEY H A. Introduction to Lattices and Order. Cambridge, UK: Cambridge University Press, 1990. [本文引用:1]
[27] WILLE R. Restructuring Lattice Theory: An Approach Based on Hierarchies of Concepts // Proc of the International Conference on Formal Concept Analysis. Berlin, Germany: Springer, 2009: 314-339. [本文引用:2]
[28] GANTER B, WILLE R, FRANZKE C. Formal Concept Analysis: Mathematical Foundations. Berlin, Germany: Springer, 1999. [本文引用:1]
[29] 魏玲, 祁建军, 张文修. 决策形式背景的概念格属性约简. 中国科学(信息科学), 2008, 38(2): 195-208.
(WEI L, QI J J, ZHANG W X. Attribute Reduction Theory of Concept Lattice Based on Decision Formal Contexts. Science in China(Information Science), 2008, 38(2): 195-208. ) [本文引用:1]
[30] SPOTO A, STEFANUTTI L, VIDOTTO G. Knowledge Space Theo-ry, Formal Concept Analysis, and Computerized Psychological Assessment. Behavior Research Methods, 2010, 42(1): 342-350. [本文引用:1]
[31] 林艺东, 李进金, 张呈玲. 基于矩阵的模糊-经典概念格属性约简. 模式识别与人工智能, 2020, 33(1): 21-31.
(LIN Y D, LI J J, ZHANG C L. Attribute Reductions of Fuzzy-Crisp Concept Lattices Based on Matrix. Pattern Recognition and Artificial Intelligence, 2020, 33(1): 21-31. ) [本文引用:1]
[32] 陈东晓, 李进金, 林荣德, . 基于信息熵的形式背景属性约简. 模式识别与人工智能, 2020, 33(9): 786-798.
(CHEN D X, LI J J, LIN R D, et al. Attribute Reductions of Formal Context Based on Information Entropy. Pattern Recognition and Artificial Intelligence, 2020, 33(9): 786-798. ) [本文引用:1]