基于RBF網絡的在線開放課程教學管理體系研究

張省偉， 朱亞男， 李冰毅， 崔晶

(西安鐵路職業技術學院 牽引動力學院， 西安 710026)

0 引言

隨著互聯網技術的發展，教育模式逐漸升級轉型，近年來，在線教育發展迅速。據第42次《中國互聯網絡發展狀況統計報告》統計，截至2018年6月，中國網民數量達8.02億，在線教育用戶規模達到1.72億，僅2017年12月至2018年6月，在線教育用戶增長率就達到10.8%[1]。在這個大背景下，各個高校都積極開展在線開放課程建設工作。然而面對海量用戶所產生的大量數據，要依靠傳統分析從數據中提取用戶的學習模式十分困難，本文提供一種基于神經網絡的數據挖掘方法，幫助分析在線課程用戶的學習模式，從而開發最合適的教學評價體系，對在線開放課程的建設有著重要的指導意義。

1 學生屬性特征值提取

傳統的教學評價體系主要是通過考查學生成績及教師是否完成教學任務這兩個方面來進行的，這種評價方法較為單一，沒有充分考慮教學主體的參與度，因此不能準確的評價教學成效，更不能作為在線課程的評價方法[2]。在線課程有別于傳統課堂，參與在線課程的學生會留下大量數據，本文通過分析在線課程用戶數據，提出學生屬性的定義，即：學生本身具有或客觀發生的性質或行為特征。簡單地說，就是學生具體某個方面的客觀表現[3]。

本文從在線課程用戶數據中分析，總結出以下學生屬性并賦予其特征值，用于教學評價的網絡學習建模。

(1)學生性別

若學生性別為男，則特征值為1；若學生性別為女，則特征值為2。

(2)課堂活躍度。其分類情況及特征值如表1所示。

(3)論壇活躍度。其分類情況及特征值如表2所示。

(4)作業品質。其分類情況及特征值如表3所示。

(5)自主學習程度。自主學習程度主要判定學生課前預習積極程度及課后復習參與程度，其分類情況及特征值如表4所示。

表1 課堂活躍度特征值

表2 論壇活躍度特征值

表3 作業品質特征值

表4 自主學習程度特征值

其中課后提問情況跟課堂活躍度和論壇活躍度部分重合，故不再單獨設置屬性。

2 學生應獲關注度定義

通過分析在線課程中的學生屬性數據，可以構建一個合理的教學管理體系，引導教師重點關注學習自主性較差且不積極活躍的學生，從而幫助教師有針對性地教學。學生應獲關注度的確定應符合[A，R，I]指標，其中A指代學生活躍度，R指代學習反饋效果，I指代學生學習自主性指標。具體定義如表5所示。

根據表5所確定的學生ARI值，就是決定學生最終應獲教師關注度分類的重要依據。其具體取值按權重計算，見式(1)。

ARI=A×40%+R×30%+I×30%

(1)

學生應獲關注度的特征值定義如表6所示。

教師在教學管理中，應對ARI分值較低的學生予以特別關注和針對性輔導。

表5 [A，R，I]指標定義

表6 學生應獲關注度特征值

3 教學管理體系的RBF網絡模型設計

由于學生屬性較多，特征值也呈現多樣化的分布特征，人工樣本分析費時費力且準確度低，本文采用神經網絡建模來構建教學管理體系。具體的做法是采用海量學生數據作為樣本，對其進行特征值提取后用特征值數據作為神經網絡的學習數據，經神經網絡訓練后可自動輸出對學生學習關注度的判別標準，從而幫助構建合理的教學管理體系。

因為該模型是一個典型的多參數非線性模型，因此選用非線性逼近性能較好的RBF網絡，即徑向基函數(Radial-Basis Function，RBF)網絡。該網絡具有輸入層、隱層和輸出層三層結構[4-6]。

結合上節分析，將學生性別、課堂活躍度、論壇活躍度、作業品質和自主學習程度的特征值作為RBF網絡的輸入，將學生應獲關注度作為RBF網絡的輸出。所建立網絡的輸入神經元為5，輸出神經元為1，網絡拓撲結構見圖1。

圖1 教學管理體系RBF網絡拓撲結構

在該網絡中，輸入層為Xn=[x1,x2,…,x5]T，表示第n個學生的輸入特征值序列，輸出yn表示第n個學生的應獲關注度，其中n=1,2，…，N，N為樣本數目。隱層函數φi(i=1,…,h)為高斯徑向基函數，見式(2)。

(2)

本文采用MATLAB的函數newrb創建RBF網絡，見式(3)。

net=newrb(p,t,goal,spread)

(3)

其中，p為輸入樣本向量，t為輸出樣本向量，spread為徑向基神經元層的散布常數，goal為設定的網絡誤差目標。

4 在線課程教學管理RBF網絡訓練

以西安鐵路職業技術學院在線開放課程的學生數據為樣本訓練上節建立的RBF網絡[7]。本文隨機抽取600名學生數據，按照第一節提出的特征提取方法進行數據模式整理，整理后的學生數據樣本(部分)如表7所示。

表7 特征提取后的學生數據樣本(部分)

表7中，將學生隱私數據剔除，用學生編號來區別樣本個體，其余值均是本文定義的特征值。在600組學生數據中，取500組用于網絡訓練，100組用于網絡驗證。創建網絡函數見式(4)。

net=newrb(X5×500,y1×500,0,50)

(4)

具體網絡訓練過程如圖2。

圖2 教學管理體系RBF網絡訓練過程

為驗證所建立網絡的正確性，用100組訓練數據的輸入特征值序列作為上述網絡的輸入，得到網絡輸出結果，將網絡輸出結果與實際ARI特征值結果對比，結果如圖3所示。

圖3 教學管理RBF網絡輸出與實際值比較

從圖3可看出，經測試，本文所建立的RBF網絡輸出值與實際值較為一致，正確程度可達80%以上，說明網絡預測效果好。

5 總結

綜上分析可知，本文提出了一種基于RBF網絡的在線開放課程教學管理體系，該教學管理體系可以根據學生的數據信息，自動分析出學生的學習狀態，從而將學生按其應獲關注度進行分類，教師可根據此分類進行針對性的教學，從而提高教學效果。以西安鐵路職業技術學院學生數據訓練建立網絡后，經測試，網絡輸出值與實際值較為吻合，正確程度可達80%以上。

本文提出的教學管理體系有的主要意義有：

(1)應用神經網絡學習的方法對學生的學習狀態進行評價，評價體系客觀科學，可較為精確的獲得學生的學習狀態。

(2)應用本文提出的教學管理體系，教師可針對學生特點開展教學，做到真正意義上的因材施教，對教學改革和教學效果意義重大。