基于結構熵權法和MEA-BP神經網絡的MOOC學習效果評價

高興培

茂名開放大學 廣東茂名 525000

一、概述

目前在MOOC平臺上,一方面,課程學習效果評價標準及各項指標的權重一般是由課程團隊教師單方面設定,沒有考慮學習者自身對評價指標的感想和認可度,存在忽視學習者主體性的缺陷[1-2]。另一方面,MOOC平臺普遍使用簡單的加權方式計算課程總成績,不能較好地反映學習效果評價的非線性和模糊化特征,不利于實施對學習者的情感、態度等質性因素評價,也不利于發揮以評價激發學生內在動力的發展性作用[1]。

結構熵權法是主觀賦值法與客觀賦值法相結合的確定指標權重方法,它能提高評估結果的一致性和客觀性[3-4]。BP網絡是應用非常廣泛的神經網絡模型,使用思維進化算法(Mind Evolutionary Algorithm,MEA)優化的BP神經網絡模型(MEA-BP)能獲得更高的預測精度和更好的泛化能力[5-7]。為提高學習效果評價的可靠性、合理性及激勵作用,筆者以中國大學MOOC平臺上2021年8月至2022年1月開設的“液壓與氣動”MOOC為研究對象,探索了結構熵權法與MEA-BP神經網絡相結合的學習效果評價方法。

二、使用結構熵權法確定學習效果評價指標的權重系數

(一)結構熵權法

假設指標集為U=(u1,u2,…,un),共有k個專家參加咨詢調查,用結構熵權法確定指標權重的步驟為:(1)收集專家意見,形成典型排序矩陣A=(aij)k*n,其中aij表示第i個專家對第j個指標uj的評價;然后由典型排序矩陣構建隸屬度矩B=(bij)k*n,其中bij=ln(m-aij)/ln(m-1),m=n+2。(2)計算k個專家對指標uj的平均認識度bj=(b1j+b2j+…+bkj)/k,計算認識盲度Qj=|{[max(b1j,b2j,…,bkj)-bj]+[min(b1j,b2j,…,bkj)-bj]}/2|;再根據bj和Qj計算k個專家對指標集的總體評價向量C=(c1,c2,…,cn),其中cj=bj(1-Qj)。(3)對總體評價向量C進行歸一化處理,得到指標集的綜合權重向量W=(w1,w2,…,wn),其中wj=cj/(c1+c2+…+cn)[3-4]。

(二)學習效果評價指標權重系數計算

本文選定的“液壓與氣動”課程評分標準為:學生綜合成績由單元測驗、單元作業、課程討論、期末考試組成,各部分占總成績的比例為40%、20%、10%、30%,總成績60分及以上為合格,85分及以上為優秀。

在MOOC平臺上,課程評分標準主要由課程團隊教師憑經驗設定,很少在每期開課過程中根據學習者的反饋意見進行相應的調整,存在對學習者的認同度欠關注和對學習者主體性原則不夠重視的問題。為提高MOOC學習效果評價的合理性、公正性和可靠性,本文在課程預設的評分標準基礎上結合學習者的反饋意見及專家意見,使用結構熵權法確定學習效果評價指標的權重系數。為此,本研究隨機抽取7個該期在學的課程學習者組成學習者組,再挑選7個MOOC課程專家組成專家組,由學習者組、專家組各自相互獨立地對單元測驗、單元作業、課程討論、期末考試四個評價指標進行重要性排序。經過若干輪征詢和反饋,得到學習者組的排序為3、2、4、1,即學習者組認為期末考試的重要性最高,期末考試的權重應最大,單元作業次之,單元測驗排第三,課程討論的權重應最小;專家組的排序為3、1、4、2,即專家組認為單元作業的權重應最大。由課程評分標準可得到課程團隊教師的排序為1、3、4、2。

匯集課程團隊教師、專家組和學習者排序結果得到的學習效果評價指標典型排序及權重計算結果如下表所示。

學習效果評價指標典型排序的結構熵權重計算一覽表

左表所示的計算結果表明,在綜合考慮課程團隊的教學設計、專家組的意見和學習者的期望后,計算得到的單元測驗、單元作業、課程討論、期末考試的權重系數分別為0.2569、0.2898、0.1482和0.3051。

三、使用MEA-BP神經網絡模型計算MOOC課程總成績

(一)MEA-BP神經網絡

思維進化算法具有良好的全局尋優能力,本文使用思維進化算法對BP神經網絡進行優化,主要算法思想是將BP網絡的解空間編碼映射為思維進化算法的一個個體,再通過思維進化算法不斷迭代求出最優個體,并將最優個體作為BP網絡的初始權值和閾值[6-7]。MEA-BP算法流程如圖1所示[6-7]。

圖1 MEA-BP算法流程

(二)網絡拓撲結構構建

由于三層神經網絡已可以逼近任何函數,故采用三層BP網絡[8]。對應“液壓與氣動”MOOC評分標準,輸入層節點數取4,4個輸入量x1、x2、x3、x4分別用于輸入單元測驗、單元作業、課程討論、期末考試的百分制成績經歸一化處理后的折算值;輸出層節點數取3,當3個輸出量y1、y2、y3的值為“1、0、0”時表示總成績為優秀,為“0、1、0”時表示總成績為合格,為“0、0、1”時表示總成績為不合格。在實際應用中,3個輸出量y1、y2、y3的值按“最大者為1,其余為0”的原則約簡為1或0。

(三)附加評估規則設置

在MOOC平臺上,學生在單元測試、單元作業、課程討論等方面的表現較集中地反映了其全過程參與學習的程度。為加重對學習過程的評價,激發學生的積極性與主動性,體現以評價促使學生不斷進步的發展性評價理念,本文設定當單元測試、單元作業、課程討論3項分數都滿足相應的等級成績要求后,允許期末考試成績的最大偏差量為8分(在實際使用中此最大偏差量可根據每期開課的實際情況進行調整)。因此,本文設置了以下兩個激勵性評估規則:(1)若按評分標準評定是不合格等級的,但單元測試、單元作業、課程討論成績均為60分及以上,并且期末考試成績為52分及以上,則總成績改評為合格。(2)若按評分標準評定是合格等級的,但單元測試、單元作業、課程討論成績均為85分及以上,并且期末考試成績為77分及以上,則總成績改評為優秀。

(四)MEA-BP模型訓練與仿真

按照課程評分標準及附加的評估規則共設置了453組樣本數據,其中評價結果為不合格、合格、優秀各151組,機抽取各等級中的20組作為測試集,剩余的393組作為訓練集。設置種群大小為200,優勝子種群個數為5,臨時子種群個數為5,子群體大小為20,迭代次數為10;使用MATLAB語言編程實現最優個體的搜索、MEA-BP網絡模型的訓練與仿真測試[6-7]。為取得較好的網絡訓練效果,對BP網絡的訓練使用trainlm函數(L-M算法函數)[5]。

將仿真測試得到的實際輸出量y1、y2、y3按“最大者為1,其余為0”的原則約簡為1和0后,60組測試數據的實際輸出值與期望輸出值完全一致,這說明基于MEA-BP網絡模型的課程總成績評定方法具有較高的準確性和可靠性。

四、應用實例

使用網絡學習訓練得到的權值和閾值,以Visual Basic 6.0語言、Access數據庫為工具開發了基于結構熵權法和MEA-BP神經網絡的“液壓與氣動”MOOC學習效果評價系統,主界面如圖2所示。系統的主要功能包含用戶管理、數據管理、總成績計算和查詢打印;存儲的數據可由后臺直接導入,也可由數據管理模塊輸入或修改。BP網絡的權值和閾值存放于網絡參數表中,允許更新網絡參數是為了滿足不定期修改評估規則并重新訓練網絡的需要。

圖2 系統主界面

結語

通過合理構建學習效果評價指標典型排序矩陣,并使用結構熵權法的盲度分析與處理方法,有效地消除了課程團隊教師、MOOC專家和學習者之間的主觀性認識偏差,提高了學習效果評價的公正性、客觀性和合理性;通過建立基于MEA-BP的總成績評定模型,利用了MEA-BP神經網絡的高精度、高泛化能力優勢,提升了MOOC學習效果評價的科學性、準確性和可靠性;借助附加設置的評估規則,增強了學習評價的模糊性和激勵性作用;結合數據庫技術開發應用系統,提高了對數據的統一管理與控制能力,也為實施動態性學習效果評價提供了可行途徑。文中所使用的方法適合推廣到其他MOOC課程中,對從整體上提高MOOC的學習滿意度有積極的意義。