基于FNN與表現(xiàn)評價模型的生物教學(xué)研究

黃勝威

(安徽科技學(xué)院 生命與健康科學(xué)學(xué)院，安徽 滁州 233100)

模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network，F(xiàn)NN)是一種基于模糊邏輯的人工神經(jīng)網(wǎng)絡(luò)模型，具有模糊推理能力和學(xué)習(xí)能力。它可以通過模糊規(guī)則和輸入輸出數(shù)據(jù)訓(xùn)練，實現(xiàn)對復(fù)雜問題的建模和求解。在生物課堂教學(xué)中，利用模糊神經(jīng)網(wǎng)絡(luò)可以對學(xué)生的學(xué)習(xí)情況進(jìn)行評估和預(yù)測。表現(xiàn)型評價模型是一種基于學(xué)生實際表現(xiàn)的評價方法，通過對學(xué)生的行為和動作進(jìn)行觀察和記錄，評價學(xué)生的學(xué)習(xí)效果和能力水平。在教學(xué)中，利用表現(xiàn)型評價模型客觀地評估學(xué)生的實際掌握情況，為教師提供準(zhǔn)確的反饋信息，幫助教師調(diào)整教學(xué)策略[1]。

1 融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)的生物教學(xué)模型構(gòu)建

1.1 基于表現(xiàn)型評價的生物課堂教學(xué)方法優(yōu)化

生物教學(xué)是指傳授生物學(xué)知識和概念的教育活動。它的目的是幫助學(xué)生理解生物學(xué)的基本原理、生命現(xiàn)象和生物系統(tǒng)的結(jié)構(gòu)和功能。生物教學(xué)通過課堂教學(xué)、實驗、觀察和研究等多種方式進(jìn)行。它不僅培養(yǎng)學(xué)生對生物學(xué)的興趣和理解，還培養(yǎng)學(xué)生的科學(xué)思維、觀察和實驗技能，以及解決生物學(xué)問題的能力[2]。學(xué)生在實驗室或自然環(huán)境中進(jìn)行實驗和觀察，通過親自操作和觀察現(xiàn)象來獲取生物學(xué)知識。如學(xué)生可以進(jìn)行植物的生長觀察、動物行為觀察等，從中總結(jié)生物學(xué)規(guī)律和概念。通過學(xué)生的實操能夠發(fā)現(xiàn)相應(yīng)的生物學(xué)問題，學(xué)生在生物學(xué)問題的解決中發(fā)揮主動性和創(chuàng)造性，還需要運(yùn)用所學(xué)的知識和技能，分析和解決現(xiàn)實生物問題。在解決問題的過程中，需要學(xué)生充分利用團(tuán)隊合作和交流，可以共同設(shè)計實驗、討論實驗結(jié)果和解釋觀察到的現(xiàn)象，互相學(xué)習(xí)和提供反饋。對表現(xiàn)型評價的生物課堂教學(xué)方法優(yōu)化操作有：激發(fā)學(xué)生的學(xué)習(xí)興趣，通過實際操作和觀察，學(xué)生可以親身體驗生物學(xué)的奧妙，增加對生物學(xué)的興趣，提高學(xué)習(xí)的主動性和積極性；培養(yǎng)學(xué)生的實踐能力，通過實驗、觀察和問題解決，學(xué)生可以鍛煉實際操作和實踐能力，提高科學(xué)思維和解決問題的能力；加強(qiáng)學(xué)生的團(tuán)隊合作和交流能力，通過小組合作和班級討論，學(xué)生可以相互交流和學(xué)習(xí)，培養(yǎng)團(tuán)隊合作和交流能力，提高學(xué)習(xí)效果；提高教學(xué)的針對性和個性化，基于表現(xiàn)型評價可以更全面地了解學(xué)生的實際能力和表現(xiàn)，教師可以根據(jù)學(xué)生的不同特點和需求，提供有針對性的教學(xué)措施和指導(dǎo)[3]。詳見圖1所示。

圖1 基于表現(xiàn)型評價的生物課堂優(yōu)化流程圖

將表現(xiàn)型評價應(yīng)用到生物課堂教學(xué)中，能夠在現(xiàn)有教學(xué)課標(biāo)的要求的基礎(chǔ)上，對生物學(xué)科課堂上學(xué)生的表現(xiàn)評價的內(nèi)涵進(jìn)一步豐富和具體化。可見，表現(xiàn)型評價是教師通過模擬或真實的情境，讓學(xué)生完成特定的任務(wù)，如小組討論、實驗、提問等，然后觀察和分析學(xué)生在任務(wù)中的表現(xiàn)，根據(jù)學(xué)業(yè)質(zhì)量標(biāo)準(zhǔn)制定評價標(biāo)準(zhǔn)，對學(xué)生的思維方法、探究能力和態(tài)度責(zé)任進(jìn)行評價。通過評價，教師可以改進(jìn)自己的教學(xué)方法，促進(jìn)學(xué)生生物學(xué)學(xué)科核心素養(yǎng)的發(fā)展。

1.2 基于表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)的生物課堂教學(xué)模型構(gòu)建

在表現(xiàn)型評價中，很多評價數(shù)據(jù)都是建立在經(jīng)驗知識基礎(chǔ)上的，這種經(jīng)驗知識很多時候存在主觀性。為了解決主觀性的問題，研究引入了帶有學(xué)習(xí)機(jī)制的模糊神經(jīng)網(wǎng)絡(luò)。為了減少主觀性，可以引入學(xué)習(xí)機(jī)制對模糊系統(tǒng)進(jìn)行修改和完善[4]。將模糊集合論中的模糊邏輯與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力相結(jié)合，以更好地處理模糊、不確定和模糊邊界的問題。結(jié)合表現(xiàn)型評價的模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計步驟為：數(shù)據(jù)準(zhǔn)備、創(chuàng)建模糊集合、設(shè)計模糊規(guī)則并推理、聚合結(jié)合并分析，根據(jù)輸入和規(guī)則進(jìn)行模糊推理，最后設(shè)計網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法，通過調(diào)整權(quán)值來優(yōu)化網(wǎng)絡(luò)性能。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)見圖2。

通過模糊神經(jīng)網(wǎng)絡(luò)預(yù)測學(xué)生的學(xué)習(xí)情況，可以為教師提供科學(xué)的決策依據(jù)，幫助教師制定個性化的教學(xué)策略[5]。在生物課堂教學(xué)中，研究將表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建生物課堂教學(xué)模型。模糊神經(jīng)網(wǎng)絡(luò)是由輸入層、模糊化層、模糊推理層和輸出層構(gòu)成的。在輸入層中，節(jié)點與輸入層是相連的，每個節(jié)點的輸入公式可用公式(1)計算。

f1(i)=[x1，x2]，

式(1)

公式(1)中，x1，x2分別表示兩個輸入數(shù)據(jù)的值。為了進(jìn)行模糊化，需要對利用高斯隸屬函數(shù)進(jìn)行模糊化操作，此時對高斯型隸屬函數(shù)進(jìn)行模糊化，該函數(shù)可用公式(2)表示。

式(2)

公式(2)中，cij表示第i輸入變量在對應(yīng)的第j個模糊集合隸屬函數(shù)中的中心位置的數(shù)值；bj表示第i輸入變量在對應(yīng)的第j個模糊集合隸屬函數(shù)中的寬度值。模糊化的目的是有效地映射輸入值，需要根據(jù)網(wǎng)絡(luò)輸入值的范圍設(shè)計隸屬函數(shù)的參數(shù)。模糊化的目的是在有效地映射輸入值的基礎(chǔ)上，將輸入值轉(zhuǎn)化為模糊集合的隸屬度。為了實現(xiàn)這一目標(biāo)，需要根據(jù)網(wǎng)絡(luò)輸入值的范圍來設(shè)計隸屬函數(shù)的參數(shù)。隸屬函數(shù)的參數(shù)包括模糊集合的形狀、寬度和中心等屬性，這些參數(shù)的選擇對于模糊化的效果至關(guān)重要。通過合理地選擇這些參數(shù)，可以確保輸入值在模糊集合中得到準(zhǔn)確的隸屬度。模糊推理層通過與模糊化層的連接來匹配模糊規(guī)則，各個節(jié)點之間通過模糊與運(yùn)算進(jìn)行組合，從而得到相應(yīng)的輸出。對應(yīng)模糊的規(guī)則輸出可用公式(3)表示。

f3(l)=f2(1，j1)f2(2，j2)，

式(3)

公式(3)中，j1，j2的取值范圍為[1，5]；l的取值范圍為[1，25]。通過對應(yīng)的模糊操作后，再對輸出值進(jìn)行加權(quán)操作，此時輸出層的值可用公式(4)表示。

式(4)

公式(4)中，ω表示第四層輸出與上一層各節(jié)點之間的連接矩陣對應(yīng)值。在進(jìn)行下一次迭代的過程中，重復(fù)權(quán)值的更新過程，直到滿足預(yù)先設(shè)定的誤差性能指標(biāo)的要求為止。這種逐個樣本的訓(xùn)練方式可以確保每個樣本都得到充分的學(xué)習(xí)和更新，使得神經(jīng)網(wǎng)絡(luò)逐漸趨向理想的性能。通過不斷迭代和調(diào)整權(quán)值，網(wǎng)絡(luò)的性能逐漸提升，最終達(dá)到滿足性能指標(biāo)的要求。這種迭代訓(xùn)練的過程是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和優(yōu)化的關(guān)鍵步驟之一。結(jié)合上述研究，融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)的流程見圖3。

圖3 結(jié)合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)的流程圖

2 融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡(luò)的生物教學(xué)模型性能分析

研究通過對1032名在校學(xué)生和10名授課老師在生物課堂教學(xué)中的授課方式、學(xué)生學(xué)習(xí)情況等進(jìn)行分析，獲得了15組測試樣本，23組驗證樣本。為了驗證課堂教學(xué)模型的預(yù)測能力和樣本數(shù)據(jù)檢測能力，研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)和圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks，GNN)與模型方法進(jìn)行對比，通過對比三種算法的檢測率、召回率、F1值和損失值來判斷模型方法的性能。圖4表示三種算法在相同數(shù)據(jù)集下的檢測率和召回率的對比結(jié)果。

圖4 三種方法的檢測率和訓(xùn)練誤差率對比

見圖4(a)，模型方法的檢測率最大值為97.26%，GNN的檢測率最大值為84.33%，RNN的檢測率最大值為73.92%。模型方法的檢測率平均值為91.21%，GNN的檢測率平均值為78.34%，RNN的檢測率平均值為71.37%。由圖4(b)可知，模型方法的召回率最高，平均值為90.53%，GNN的召回率平均值為82.41%，RNN的誤差率平均值為73.83%；三種方法相比，模型算法比GNN和RNN的召回率平均值高8.12%、16.7%。這說明模型方法在數(shù)據(jù)集中的檢測率和召回率均為最高。三種算法在訓(xùn)練集訓(xùn)練后的損失值和F1值對比結(jié)果如圖5所示。

圖5 三種方法的損失值和F1值對比結(jié)果

見圖5(a)，三種方法的損失值隨著迭代次數(shù)的增加都在降低，其中模型方法的損失值在迭代次數(shù)為206時基本沒有出現(xiàn)波動，表明此時訓(xùn)練值已趨于穩(wěn)定。GNN的損失值在迭代次數(shù)為367時趨于平穩(wěn)，而RNN在迭代次數(shù)為583時才趨于穩(wěn)定。見圖5(b)，模型方法的F1平均值最高，模型方法的F1平均值為0.91，GNN和RNN的F1平均值分別為0.82和0.71，模型方法明顯高于GNN和RNN的F1平均值。這說明從訓(xùn)練損失值和F1值來看，模型方法的性能優(yōu)于GNN和RNN。驗證了研究構(gòu)建模型在生物課堂教學(xué)中的數(shù)據(jù)提取、分析的能力。為了驗證模型預(yù)測成績的實際應(yīng)用效果，研究通過一段時間生物課堂教學(xué)后對某班的20名學(xué)生成績進(jìn)行分析和預(yù)測，同時也通過學(xué)生對該教學(xué)模型的滿意度進(jìn)行打分來判斷構(gòu)建模型的實際效果。真實成績與預(yù)測成績之間的誤差代表了預(yù)測模型的準(zhǔn)確度或誤差程度。可以用于評估模型的性能和判斷模型的可靠性。成績預(yù)測和滿意度評價結(jié)果見表1。

表1 預(yù)測成績與真實成績以及滿意度對比結(jié)果

見表1，真實成績與預(yù)測成績之間的誤差最大值為6分，其中誤差可以分為正誤差和負(fù)誤差，可以推斷誤差是呈正態(tài)分布的，這進(jìn)一步證明了模型的可靠性。同時，從學(xué)生的滿意度評價中可以看出，大多數(shù)同學(xué)對生物課堂教學(xué)是滿意的，只有少數(shù)同學(xué)覺得教學(xué)效果一般。這種差異可能與預(yù)測成績的誤差超過他們的心理預(yù)期有關(guān)。據(jù)此推測，對于那些預(yù)測成績誤差超過心理預(yù)期的同學(xué)來說，他們對教學(xué)效果的評價可能會受到一定的影響。通過表1的數(shù)據(jù)驗證了生物課堂教學(xué)模型的可信性和穩(wěn)定性。這意味著該模型在預(yù)測學(xué)生成績方面是可靠的，能夠為教師和學(xué)生提供準(zhǔn)確的參考。同時，仍然需要關(guān)注那些對預(yù)測成績誤差較為敏感的學(xué)生。教師可以與這些學(xué)生進(jìn)行溝通，幫助他們找到適合自身學(xué)習(xí)的方式，并鼓勵他們根據(jù)實際情況進(jìn)行努力，從而進(jìn)一步提升整體教學(xué)效果。

3 結(jié)論

通過觀察學(xué)生的行為和反應(yīng)，教師可以及時調(diào)整教學(xué)策略和方法，然后引入模糊神經(jīng)網(wǎng)絡(luò)的理論，通過建立模糊神經(jīng)網(wǎng)絡(luò)模型來分析和預(yù)測學(xué)生的學(xué)習(xí)過程。通過模糊神經(jīng)網(wǎng)絡(luò)模型，教師可以更好地理解學(xué)生的學(xué)習(xí)特點和學(xué)習(xí)需求，從而更好地調(diào)整教學(xué)內(nèi)容和方法。最后利用實驗來驗證構(gòu)建模型的性能和實際應(yīng)用效果。結(jié)果表明，模型方法的檢測率平均值為91.21%，比GNN和RNN的召回率平均值高8.12%、16.7%，誤差在迭代次數(shù)為206時基本沒有出現(xiàn)波動，迭代次數(shù)也明顯低于對比方法，同時從預(yù)測成績與真實成績的對比可知，大多數(shù)同學(xué)對構(gòu)建的生物課堂教學(xué)模型是滿意的。但研究還存在不足之處，該模型的數(shù)據(jù)采集具有局限性，在以后研究中需進(jìn)一步完善數(shù)據(jù)的采集和整理工作，提高其適用性，將其應(yīng)用于其他學(xué)科的教學(xué)中。