混合式教學模式下基于概率神經網絡的學生學習評價模型研究

［摘 要］隨著各種網絡學習平臺的不斷發展，混合式教學模式已經成為高校普遍采用的一種教學模式。如何在混合式教學模式下，對學生進行過程化、多樣化、科學化的學習評價至關重要。本文構建了涵蓋線上、線下由13個指標組成的學習評價指標體系，建立了基于PNN神經網絡的學習評價模型，以學生學習行為數據為樣本進行了仿真實驗。仿真實驗結果表明，本文方法在對學生進行學習評價時可以為教師提供有效的參考依據。

［關鍵詞］混合式教學；學習評價；概率神經網絡；模型

doi：10.3969/j.issn.1673-0194.2023.01.056

［中圖分類號］G642 ［文獻標識碼］A ［文章編號］1673-0194（2023）01-0217-04

0" " "引 言

受新冠疫情的影響，混合式教學模式目前成為各高等院校課程建設的重要內容。混合式教學模式包括線上教學和線下教學兩部分。線上教學一般依托超星學習通、雨課堂等平臺，建設包括知識點微視頻、課程資源、交流互動、線上測驗、線上作業、統計分析等內容的教學平臺；線下課堂則以工程為背景設計課程教學內容，學生以探究式、討論式等參與性較強的方式完成學習。

由于混合式教學模式包含了學生自主學習、在線討論、師生互動、協作學習、工程案例分析、線上測驗、線上作業、線下考試等眾多學習環節和學習行為，學生的參與度較高，因此不能僅僅憑借一張期末試卷成績對學生進行簡單的學習評價，而應該關注學習過程、學習能力的考核［1］。雖然各種線上學習平臺自帶成績統計功能，但無法分辨與剔除虛假數據，從而影響成績的準確性。因此，以學生完整、準確的各項學習行為數據為基礎，研究智能化、科學性的學生學習評價模型具有重要意義。

人工神經網絡是一種類似于人類神經系統的信息處理技術，它從信息處理角度對人腦神經元網絡進行抽象處理，建立某種簡單模型，按不同的連接方式組成不同的網絡，包括BP神經網絡、RBF神經網絡、概率神經網絡等多種類型。人工神經網絡優秀的非線性逼近能力，在模式分類、聚類、回歸與擬合等眾多領域中有廣泛應用。

本文首先確定了參與學習評價的學習行為數據類型，即確定了學生學習評價的指標體系，而后建立基于人工神經網絡的學習評價模型，對學生的學習水平和學習能力進行了科學性評價［2-3］。

1" " "評價指標體系構建

全面分析混合式教學模式下影響學習質量的各種因素，構建出圖1所示的評價指標體系，分為線上教學和線下教學兩部分共13個指標項［4］。其中線上教學評價指標來源于超星學習通平臺成績管理中所設置的各項指標，線下教學評價指標由任課教師和實驗教師根據實際教學情況給出。

2" " "數據采集與處理

線上教學學生學習行為數據首先由學習通平臺自動統計，由于學習平臺自動統計的學習數據完全由結果來給定，例如完成視頻資源的學習就給出相應的分數，而不能分辨是否為短時間內完成大量視頻資源學習。因此在數據處理的過程中，需要對平臺自動統計數據進行虛假數據分辨和降分處理，對于集中刷知識點視頻、討論區集中發帖跟帖、短時間內頻繁登錄等行為進行降分處理。線下教學各項評價指標數據由教師根據學生表現給出成績。

圖1中確定的13個學習結果評價指標為不同類型、不同量綱的數據。例如，學習任務完成率和出勤率的數據是百分數；章節學習次數的數據單位是次；學習天數的數據單位是天；學習視頻觀看時長的數據單位是分鐘；線上作業、章節測驗和線下期末試卷成績的數據單位是分數；線上教學中的課堂互動和線下教學中的項目表現、實驗表現、課堂表現的數據均是等級數據，即優秀、良好、中等、及格和不及格。為了降低學習評價的復雜度，提高評價模型的可操作性，本文所建模型輸入、輸出數據均采用等級制。因此13個評價指標均需按照實際情況處理成五個等級數據，并且將優秀、良好、中等、及格和不及格五個等級分別對應成數字5、4、3、2、1，再作為學習評價模型的輸入數據。同樣，學習評價模型的輸出數據也有5、4、3、2、1五種類型，分別對應學生學習評價結果優秀、良好、中等、及格和不及格五個等級。

3" " "基于概率神經網絡的學習評價模型

3.1" "概率神經網絡基本理論

概率神經網絡（PNN）是一種基于貝葉斯（Bayes）決策理論分類規則以及Parzen窗的概率密度函數估計方法發展而來的并行算法。PNN網絡結構簡單、訓練容易，收斂速度快，非常適合實時處理。PNN網絡能夠實現任意的非線性逼近，沒有BP神經網絡的局部極小值問題。同時PNN網絡擴充性好，各層神經元數目比較固定，易于硬件實現。PNN網絡能用線性學習算法完成非線性學習算法的功能，同時保持非線性算法的高精度特性，因此廣泛應用在模式分類領域［5］。

PNN網絡是由徑向基神經網絡發展而來的一種前饋神經網絡，其理論依據是貝葉斯最小風險準則，即貝葉斯決策理論。

PNN網絡由輸入層、隱含層、求和層和輸出層組成，其中求和層中的神經元只和隱含層中對應類別的神經元連接，與其他的神經元沒有連接。概率神經網絡結構如圖2所示。

第一層輸入層神經元的個數和輸入向量的長度相等。輸入層是用來接收來自訓練樣本的值，之后將數據傳遞給隱含層。

第二層隱含層是徑向基層，神經元個數與輸入訓練樣本個數相等。每一個隱含層的神經元節點都擁有一個中心，該層接收輸入層的樣本輸入，計算輸入向量與中心的距離，最后返回一個標量值。向量x輸入到隱含層，隱含層中的第i類模式的第j神經元所確定的輸入/輸出關系由公式（1）決定：

3.2" "概率神經網絡建模

實驗數據來源于北華大學電氣與信息工程學院電子信息工程2019級1班。其中線上數據來源于筆者在超星學習通中的自建課程高頻電子技術，樣本集為電子信息工程2019級1班33人，取23人的學習數據作為模型訓練集，10人的學習數據作為測試集。

（1）PNN輸入層設計

建立的學習評價指標體系共包含13個指標項，即輸入向量長度為13。因此，PNN神經網絡的輸入層神經元個數為13個。

（2）PNN隱含層設計

訓練集樣本數量為23，因此隱含層神經元個數為23.

（3）PNN求和層設計

訓練集中23個訓練樣本的學習評價結果包含優秀、良好、中等、及格和不及格五個等級，即訓練樣本的總類數是5，因此求和層神經元個數是5。

（4）PNN輸出層設計

輸出層神經元個數為1。

4" " "仿真實驗及結果分析

應用Matlab 2017b軟件進行仿真實驗。將樣本集中原始數據經過數據處理后的33組數據存成data.mat文件，文件中的前23組數據作為訓練集，后10組數據作為測試集。使用newpnn函數建立PNN網絡，設定SPREAD取值等于1.5。圖3和圖4分別為訓練集和測試集的學生學習評價結果。將訓練集數據代入已經訓練好的PNN網絡中，樣本的評價正確率為95.65%（22/23），測試集樣本的評價正確率為90%（9/10），即各有一組樣本的評價類型錯誤。

影響PNN模型評價結果準確率的主要因素是樣本集中學生數據量少，在實際應用中需要建立學生數據樣本庫，隨著樣本集數量的增加、變化，PNN神經網絡追加能力強的優點就會得到充分的體現，PNN網絡模型評價準確率也會提高。

5" " "結 語

本文研究了在混合式教學模式下，以學生線上、線下學習行為數據為基礎，建立的基于PNN網絡的學生學習評價模型。仿真實驗結果驗證了模型的有效性，為改變傳統學習評價方法，提高學生學習評價的科學性、過程性、智能性提供了一個新思路。

主要參考文獻

［1］張玉欣，宋勇，邢吉生，等.新工科背景下“高頻電子技術”課程考核方式的改革研究［J］.花炮科技與市場，2019（3）：200.

［2］魏勍颋，鄒宏，左有遊.基于HMM模型的網絡課程學習過程多維評價研究［J］.軟件導刊，2020，19（5）：247-251.

［3］趙敏，詹瑋.基于深度學習算法的教學質量評價系統［J］.現代電子技術，2020，43（13）：143-146，149.

［4］付靖宇，袁新瑞，種蘭祥.基于大數據的高校學習評價方法研究［J］.中國教育信息化，2020（7）：40-44.

［5］劉宇，盧宇，張玉欣.概率神經網絡在隧道變形位移預測中的應用［J］.冶金自動化，2012，36（4）：20-22.