趙智鵬+高艷梅+趙寅旭+王巍

隨著教學(xué)內(nèi)容和教學(xué)模式方法不斷改進(jìn)，學(xué)生為教學(xué)主體的理念逐步深化。有效的掌握學(xué)生學(xué)習(xí)狀態(tài)，能夠有效提升教學(xué)效果。如何評價學(xué)生主體的學(xué)習(xí)狀態(tài)，成為教師關(guān)注的重點(diǎn)。算法采用經(jīng)附加動量和自適應(yīng)學(xué)習(xí)速率優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network）進(jìn)行學(xué)生學(xué)習(xí)狀態(tài)指數(shù)評價。實(shí)驗(yàn)結(jié)果表明參與評價的在校學(xué)生的整體學(xué)習(xí)狀態(tài)較好，影響其學(xué)習(xí)狀態(tài)的的主要因素是學(xué)習(xí)計劃的有效執(zhí)行，課前課后主動復(fù)習(xí)和預(yù)習(xí)、自信樂觀程度、當(dāng)前學(xué)習(xí)成績等。

教學(xué)模式BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)速率

一、問題背景

隨著目前教學(xué)研究內(nèi)容的逐步細(xì)化，教學(xué)模式和教學(xué)方法也在不斷改進(jìn)。翻轉(zhuǎn)課堂教學(xué)模式，行為導(dǎo)向教學(xué)法、案例教學(xué)法、任務(wù)驅(qū)動教學(xué)法等，這些教學(xué)方式的實(shí)施前提都是以學(xué)生為主體，以此提高教學(xué)效果。教學(xué)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(xué)生學(xué)習(xí)態(tài)度、學(xué)習(xí)主動性方面的進(jìn)步，調(diào)動學(xué)生學(xué)習(xí)積極性，讓學(xué)生參與到教學(xué)活動中來，注重課前預(yù)習(xí)，提高學(xué)生的自主學(xué)習(xí)，自我管理能力，讓學(xué)生意識到自己是教學(xué)的主體，這才是提高教學(xué)效果的根本。本文研究如何進(jìn)行學(xué)習(xí)狀態(tài)指數(shù)評價的問題。以統(tǒng)計分析調(diào)查問卷的方式來研究該指數(shù)。通過已有調(diào)查問卷的結(jié)果的分析，確立了評價在校學(xué)生學(xué)習(xí)狀態(tài)的18個指標(biāo)。調(diào)查問卷的每個問題和每個指標(biāo)一一對映，對學(xué)生學(xué)習(xí)態(tài)度進(jìn)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(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法。采用層次分析法定量數(shù)據(jù)較少，定性成分多，評價結(jié)果說服力不強(qiáng)； BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于其可以實(shí)現(xiàn)復(fù)雜的非線性映射并且具有較強(qiáng)的泛化能力，學(xué)習(xí)能力強(qiáng)，受人為和新增數(shù)據(jù)影響小，其結(jié)果的準(zhǔn)確性和可靠性使得評價魯棒且有效。本文采用優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對學(xué)生學(xué)習(xí)狀態(tài)指數(shù)進(jìn)行評價。

二、評價體系的建立

1.“5分制”標(biāo)準(zhǔn)

規(guī)定調(diào)查問卷中各題的每個選項(xiàng)的分值為自然數(shù)1、2、3、4、5，選項(xiàng)含義越積極分值越大。

2.評價指標(biāo)確立

問卷調(diào)查部分統(tǒng)計信息結(jié)果會在實(shí)驗(yàn)部分指出。

經(jīng)過進(jìn)一步討論與總結(jié)，將影響學(xué)生學(xué)習(xí)狀態(tài)的指標(biāo)歸為以下十八項(xiàng)：

學(xué)習(xí)活動因素包括如下（T的下標(biāo)排序與問卷題號順序?qū)?yīng)）：

在學(xué)習(xí)過程中有自己的學(xué)習(xí)計劃、每天的課程學(xué)習(xí)時間、每周題庫登陸次數(shù)、每周完成題庫題目數(shù)量、每周在線學(xué)習(xí)平臺學(xué)習(xí)時長、關(guān)注老師發(fā)布的教學(xué)內(nèi)容、愿意主動和老師進(jìn)行交流、愿意和同學(xué)進(jìn)行交流、小組合作提高了學(xué)習(xí)效率和學(xué)習(xí)進(jìn)度、在課前和課后主動預(yù)習(xí)和復(fù)習(xí)、對目前教學(xué)方式滿意。

例如，在每日學(xué)習(xí)過程中能執(zhí)行自己的學(xué)習(xí)計劃嗎（限選一項(xiàng)）

沒有計劃……………………l

偶爾有……………………2

有計劃，但執(zhí)行力差……………………3

能基本執(zhí)行計劃…………………………4

嚴(yán)格執(zhí)行計劃…………………………5

以下問題討論非學(xué)習(xí)活動因素對學(xué)生學(xué)習(xí)狀態(tài)的影響：

和老師的關(guān)系，和同學(xué)的關(guān)系、自信樂觀程度、經(jīng)濟(jì)壓力、學(xué)習(xí)成績、業(yè)余生活、自身健康。

上述18個指標(biāo)隨機(jī)分布，分別用T1到T18表示。

經(jīng)過調(diào)研，以上十八個指標(biāo)影響著學(xué)生個體的學(xué)習(xí)狀態(tài)指數(shù)。對于每個被調(diào)查的個體而言，他的最終結(jié)果T取決于他在T1到T18中的選擇結(jié)果，而一個總體的指數(shù)，取決于每個個體的貢獻(xiàn)值，在BP神經(jīng)網(wǎng)絡(luò)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(rèn)為自己的學(xué)習(xí)狀態(tài)如何）所得的分值。因此，可以指出T1到T18十八個指標(biāo)能夠體現(xiàn)總體的學(xué)習(xí)狀態(tài)指數(shù)。

三、模型的建立與求解

1.模型的建立

（1）BP神經(jīng)網(wǎng)絡(luò)

反向傳播網(wǎng)（Back-Propagation Network，BP網(wǎng)絡(luò)）是將由威德羅和霍夫提出的W-H學(xué)習(xí)規(guī)則一般化，對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程采用誤差反向傳播算法，它是一個有監(jiān)督的神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)算法。

（2）附加動量法

針對于BP網(wǎng)絡(luò)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。

其中，k為訓(xùn)練次數(shù)，η為學(xué)習(xí)率，mc為動量因子，按照神經(jīng)網(wǎng)絡(luò)機(jī)制取0.95左右，Δbj為閾值，Δwij為權(quán)值增量。

（3）自適應(yīng)學(xué)習(xí)速率

自適應(yīng)學(xué)習(xí)效率是指在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，為了避免陷入局部最小解，根據(jù)訓(xùn)練集的實(shí)際收斂狀況動態(tài)調(diào)整學(xué)習(xí)速率。

根據(jù)評測取得的26份調(diào)查問卷，將其中調(diào)查問題Q1到Q18的相應(yīng)數(shù)據(jù)構(gòu)造矩陣P26×18，矩陣P的每一行即為每份問卷的指標(biāo)向量。用問題Q1的答案構(gòu)造與P對應(yīng)的輸出向量Out。

2.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與使用

（1）神經(jīng)網(wǎng)絡(luò)的初始化

根據(jù)神經(jīng)網(wǎng)絡(luò)設(shè)置規(guī)則，并通過反復(fù)實(shí)驗(yàn)，本文算法將第一層神經(jīng)元個數(shù)設(shè)為18，對應(yīng)的輸入向量為本文確定的18個評價指標(biāo)的分值，隱含層神經(jīng)元個數(shù)設(shè)為5，輸出向量為5維向量，表示該問卷的學(xué)生學(xué)習(xí)狀態(tài)指數(shù)等級。

第一層的激活函數(shù)為正切S型函數(shù)，第二層為線性激活函數(shù)，有監(jiān)督的學(xué)習(xí)方式采用梯度下降動量和自適應(yīng)學(xué)習(xí)率的BP算法。

（2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

在訓(xùn)練過程中迭代次數(shù)設(shè)為1000，誤差值是0.001，學(xué)習(xí)速率為0.01，學(xué)習(xí)速率增長上限為1.05，增長下限為0.7，訓(xùn)練結(jié)果如圖1所示。

（3）神經(jīng)網(wǎng)絡(luò)計算

使用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對P矩陣進(jìn)行每一行的神經(jīng)計算和識別，并將計算結(jié)果歸一化。輸出結(jié)果與學(xué)生學(xué)習(xí)狀態(tài)指數(shù)的映射關(guān)系如表1所示：

從調(diào)查問卷中隨機(jī)取出6個樣本P6、P20、P15、P3、P16、P4作為測試數(shù)據(jù)，其余20個作為訓(xùn)練樣本。通過模型計算得輸出矩陣如式4所示。

通過神經(jīng)網(wǎng)絡(luò)計算后返回的各指標(biāo)權(quán)重為W其對應(yīng)關(guān)系如下，T、W兩個向量按順序一一對應(yīng)。

T={關(guān)注老師發(fā)布的教學(xué)內(nèi)容，每周題庫登陸次數(shù)，和同學(xué)的關(guān)系，愿意和同學(xué)交流學(xué)習(xí)，小組合作提高了學(xué)習(xí)效率和學(xué)習(xí)進(jìn)度，每周完成題庫題目數(shù)量，愿意主動和老師進(jìn)行交流，在課前和課后主動預(yù)習(xí)和復(fù)習(xí)，自身健康，經(jīng)濟(jì)壓力，對目前教學(xué)方式滿意，每周在線學(xué)習(xí)平臺學(xué)習(xí)時長，自信樂觀程度，和老師的關(guān)系，每天的課程學(xué)習(xí)時間，學(xué)習(xí)成績，學(xué)習(xí)過程中有學(xué)習(xí)計劃，業(yè)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(diào)查問卷范圍內(nèi)，即學(xué)校范圍內(nèi)，影響該范圍的學(xué)生學(xué)習(xí)狀態(tài)指標(biāo)的重要程度可以從上表通過對權(quán)重進(jìn)行排序得出。關(guān)注學(xué)生的教師可以參考本狀態(tài)指標(biāo)，有針對性的對學(xué)生進(jìn)行管理，從而達(dá)到提高學(xué)生學(xué)習(xí)自主性，提高學(xué)習(xí)效果的目的。

四、結(jié)語

本文利用BP神經(jīng)網(wǎng)絡(luò)原理建立的數(shù)學(xué)模型具有極好的魯棒性，是一個能夠全面服務(wù)于各地域、各年級不同條件的被調(diào)查者群體。尤其是對教學(xué)一線的教師，讓教師有效理解學(xué)生學(xué)習(xí)狀態(tài)，從而更有效的利用各種教育方法，發(fā)揮各種教育理念的最優(yōu)效果，提高學(xué)生學(xué)習(xí)效果。

參考文獻(xiàn)：

＼[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(xué)評價指標(biāo)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(jīng)網(wǎng)絡(luò)的某型飛機(jī)發(fā)動機(jī)故障診斷研究.電子設(shè)計工程，2012，（06）.

＼[4＼]田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù).科學(xué)出版社，2009，6.

＼[5＼]何樹紅，吳迪，張?jiān)虑?比較BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)在基金凈值預(yù)測中的應(yīng)用.云南民族大學(xué)學(xué)報，2014，（02）.