基于優化的BP神經網絡學生學習狀態指數的評價研究

◆趙智鵬 高艷梅 趙寅旭 王 巍

(1.德惠市校外教育指導中心；2.德惠衛生職工中等專業學校；3.大連民族大學計算機學院)

基于優化的BP神經網絡學生學習狀態指數的評價研究

◆趙智鵬1高艷梅1趙寅旭2王 巍3

(1.德惠市校外教育指導中心；2.德惠衛生職工中等專業學校；3.大連民族大學計算機學院)

隨著教學內容和教學模式方法不斷改進，學生為教學主體的理念逐步深化。有效的掌握學生學習狀態，能夠有效提升教學效果。如何評價學生主體的學習狀態，成為教師關注的重點。算法采用經附加動量和自適應學習速率優化后的BP神經網絡(Back-Propagation Network)進行學生學習狀態指數評價。實驗結果表明參與評價的在校學生的整體學習狀態較好，影響其學習狀態的的主要因素是學習計劃的有效執行，課前課后主動復習和預習、自信樂觀程度、當前學習成績等。

教學模式 BP神經網絡 自適應學習速率

一、問題背景

隨著目前教學研究內容的逐步細化，教學模式和教學方法也在不斷改進。翻轉課堂教學模式，行為導向教學法、案例教學法、任務驅動教學法等，這些教學方式的實施前提都是以學生為主體，以此提高教學效果。教學效果的評價可以通過歷年考試或成績評定，那么如何評價學生學習態度、學習主動性方面的進步，調動學生學習積極性，讓學生參與到教學活動中來，注重課前預習，提高學生的自主學習，自我管理能力，讓學生意識到自己是教學的主體，這才是提高教學效果的根本。本文研究如何進行學習狀態指數評價的問題。以統計分析調查問卷的方式來研究該指數。通過已有調查問卷的結果的分析，確立了評價在校學生學習狀態的18個指標。調查問卷的每個問題和每個指標一一對映，對學生學習態度進行正確的評價。

在目前常用的評價模型中，層次分析法(Analytic Hierarchy Process，簡稱AHP)是將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。采用層次分析法定量數據較少，定性成分多，評價結果說服力不強； BP神經網絡的優勢在于其可以實現復雜的非線性映射并且具有較強的泛化能力，學習能力強，受人為和新增數據影響小，其結果的準確性和可靠性使得評價魯棒且有效。本文采用優化的BP神經網絡對學生學習狀態指數進行評價。

二、評價體系的建立

1.“5分制”標準

規定調查問卷中各題的每個選項的分值為自然數1、2、3、4、5，選項含義越積極分值越大。

2.評價指標確立

問卷調查部分統計信息結果會在實驗部分指出。

經過進一步討論與總結，將影響學生學習狀態的指標歸為以下十八項：

學習活動因素包括如下(T的下標排序與問卷題號順序對應)：

在學習過程中有自己的學習計劃、每天的課程學習時間、每周題庫登陸次數、每周完成題庫題目數量、每周在線學習平臺學習時長、關注老師發布的教學內容、愿意主動和老師進行交流、愿意和同學進行交流、小組合作提高了學習效率和學習進度、在課前和課后主動預習和復習、對目前教學方式滿意。

例如，在每日學習過程中能執行自己的學習計劃嗎(限選一項)

沒有計劃……………………l

偶爾有……………………2

有計劃，但執行力差……………………3

能基本執行計劃…………………………4

嚴格執行計劃…………………………5

以下問題討論非學習活動因素對學生學習狀態的影響：

和老師的關系，和同學的關系、自信樂觀程度、經濟壓力、學習成績、業余生活、自身健康。

上述18個指標隨機分布，分別用T1到T18表示。

經過調研，以上十八個指標影響著學生個體的學習狀態指數。對于每個被調查的個體而言，他的最終結果T取決于他在T1到T18中的選擇結果，而一個總體的指數，取決于每個個體的貢獻值，在BP神經網絡的輸入中所有的輸入值都向T的值靠攏，T的值為用戶回答問題(即認為自己的學習狀態如何)所得的分值。因此，可以指出T1到T18十八個指標能夠體現總體的學習狀態指數。

三、模型的建立與求解

1.模型的建立

(1)BP神經網絡

反向傳播網(Back-Propagation Network，BP網絡)是將由威德羅和霍夫提出的W-H學習規則一般化，對非線性可微分函數進行權值訓練的多層網絡。BP神經網絡的學習過程采用誤差反向傳播算法，它是一個有監督的神經元網絡學習算法。

(2)附加動量法

針對于BP網絡存在局部極小值的情況，利用附加動量的作用則有可能滑過局部極小值。如式3所示。

(3)自適應學習速率

自適應學習效率是指在神經網絡的訓練過程中，為了避免陷入局部最小解，根據訓練集的實際收斂狀況動態調整學習速率。

根據評測取得的26份調查問卷，將其中調查問題Q1到Q18的相應數據構造矩陣P26×18，矩陣P的每一行即為每份問卷的指標向量。用問題Q1的答案構造與P對應的輸出向量Out。

2.神經網絡的訓練與使用

(1)神經網絡的初始化

根據神經網絡設置規則，并通過反復實驗，本文算法將第一層神經元個數設為18，對應的輸入向量為本文確定的18個評價指標的分值，隱含層神經元個數設為5，輸出向量為5維向量，表示該問卷的學生學習狀態指數等級。

第一層的激活函數為正切S型函數，第二層為線性激活函數，有監督的學習方式采用梯度下降動量和自適應學習率的BP算法。

(2)神經網絡的訓練

在訓練過程中迭代次數設為1000，誤差值是0.001，學習速率為0.01，學習速率增長上限為1.05，增長下限為0.7，訓練結果如圖1所示。

(3)神經網絡計算

使用已經訓練好的神經網絡，對P矩陣進行每一行的神經計算和識別，并將計算結果歸一化。輸出結果與學生學習狀態指數的映射關系如表1所示：

從調查問卷中隨機取出6個樣本P6、P20、P15、P3、P16、P4作為測試數據，其余20個作為訓練樣本。通過模型計算得輸出矩陣如式4所示。

通過神經網絡計算后返回的各指標權重為W其對應關系如下，T、W兩個向量按順序一一對應。

T={關注老師發布的教學內容，每周題庫登陸次數，和同學的關系，愿意和同學交流學習，小組合作提高了學習效率和學習進度，每周完成題庫題目數量，愿意主動和老師進行交流，在課前和課后主動預習和復習，自身健康，經濟壓力，對目前教學方式滿意，每周在線學習平臺學習時長，自信樂觀程度，和老師的關系，每天的課程學習時間，學習成績，學習過程中有學習計劃，業余生活}

W={0.2373，0.1746，0.5613，0.3693，-0.2270，0.0614，0.2186，-0.7524，0.6202，0.5122，-0.5278，-0.0553，-0.6948，-0.0971，-0.4196，0.6480，-0.8516，0.4530}

在本次調查問卷范圍內，即學校范圍內，影響該范圍的學生學習狀態指標的重要程度可以從上表通過對權重進行排序得出。關注學生的教師可以參考本狀態指標，有針對性的對學生進行管理，從而達到提高學生學習自主性，提高學習效果的目的。

四、結語

本文利用BP神經網絡原理建立的數學模型具有極好的魯棒性，是一個能夠全面服務于各地域、各年級不同條件的被調查者群體。尤其是對教學一線的教師，讓教師有效理解學生學習狀態，從而更有效的利用各種教育方法，發揮各種教育理念的最優效果，提高學生學習效果。

[1]Bergmann J，Sams A.Flip your classroom：Reach every student in every class every day[M].Arlington，VA：International Society for Technology in Education，2012.

[2]蔣連香.多元化教學評價指標及評價方法探析.新課程研究，2014，(02).

[3]劉艷春，楊德輝，劉艷麗，康建軍.基于神經網絡的某型飛機發動機故障診斷研究.電子設計工程，2012，(06).

[4]田雨波.混合神經網絡技術.科學出版社，2009，6.

[5]何樹紅，吳迪，張月秋.比較BP神經網絡和RBF神經網絡在基金凈值預測中的應用.云南民族大學學報，2014，(02).