戴堅

摘??要：答題正確性不僅取決于學生對某一知識點的掌握程度，還受到學生心理狀態(tài)、答題習慣等多方面因素的影響。為探究學生在線答題正確性的影響因素，基于SPSS?Modeler，使用決策樹和人工神經網絡兩種統(tǒng)計分析方法，對影響學生答題正確性的平均知識水平、平均粗心程度、行為總數、專注度、沮喪、鉆系統(tǒng)的空子這6個因素進行了分析。結果顯示：平均知識水平對平均正確性的影響最大，平均粗心程度次之。研究成果將為學生學習行為的改進和老師教學方法的完善提供理論依據與指導。

關鍵詞：SPSS?Modeler??決策樹??人工神經網絡??答題正確性??影響因素

中圖分類號：G434????????????????文獻標識碼：A???文章編號：1672-3791（2022）07（b）-0000-00

Research?on?Factors?Affecting?the?Correctness?of?Students'?Online?Answers?Based?on?Decision?Tree?and?Artificial?Neural?Network

DAI?Jian

（College?of?Educational?Science?and?Technology，?Zhejiang?University?of?Technology，?Hangzhou，Zhejiang?Province，310023?China）

Abstract：?The?correctness?of?answering?questions?not?only?depends?on?students'?mastery?of?a?certain?knowledge?point，?but?also?is?influenced?by?various?factors?such?as?students'?mental?state?and?answering?habits.?To?investigate?the?factors?influencing?students'?online?answer?correctness，?six?factors，?including?average?knowledge?level，?average?carelessness，?total?number?of?behaviors，?concentration，?frustration，?and?drilling?the?system，?were?analyzed?based?on?SPSS?Modeler，?using?two?statistical?analysis?methods，?decision?tree?and?artificial?neural?network，?to?influence?students'?answer?correctness.?The?results?showed?that?the?average?level?of?knowledge?had?the?greatest?effect?on?average?correctness，?followed?by?the?average?level?of?carelessness.?The?results?of?the?study?will?provide?theoretical?basis?and?guidance?for?the?improvement?of?students'?learning?behaviors?and?the?improvement?of?teachers'?teaching?methods.954C5CC5-D736-41D1-B0D6-667E2E2DF32D

Key?Words：?SPSS?Modeler;?Decision?tree;?Artificial?neural?network;?Correctness?of?answers;?Influencing?factors

1??研究背景

網絡教學平臺是利用網絡技術手段給予學習者支持和服務的網絡工具[1]。后疫情背景下，教師傾向于使用網絡教學平臺開展教學工作和學生考核[2]。在線測試作為一種比較便捷的考核形式，受到了教師和學生的青睞。在線答題的正確性作為衡量學生知識掌握程度的重要指標，受到了教師和學生的廣泛關注。然而，目前的研究很少涉及在線答題正確性的影響因素，導致學生缺乏理論和數據依據來有效提高答題正確性，教師也無法采取針對性的措施來提高班級的整體成績。因此，該文將對影響學生在線答題的因素進行分析，找出主要的影響因素，為廣大師生的教與學提供理論依據和科學指導。

2??研究方法

2.1??數據來源

研究樣本數據來源于ITEST平臺，包含20?638條學生用戶的在線學習數據，其中的字段有AveKnow（學生的平均知識水平）、AveCarelessness（學生的平均粗心程度）等。

2.2??研究工具

SPSS?Modeler是IBM公司開發(fā)的數據挖掘軟件，其由SPSS統(tǒng)計分析軟件與Clementine數據挖掘軟件整合而成[3]，允許研究人員組織數據并對其進行快速概述，以更有效地得出有意義的結果[4]。該研究使用的版本為SPSS?Modeler?18.0。

2.3??變量選取與數據預處理

該文擬探究影響學生在線答題正確性的主要因素，為教育教學提供有價值的參考。因此，研究選取的7個變量分別為：AveKnow（學生的平均知識水平）、AveCarelessness（學生的平均粗心程度）、AveCorrect（學生的平均正確性）、NumActions（系統(tǒng)中學生的行為總數）、AveResEngcon（平均學生情緒：專注度）、AveResFrust（平均學生情緒：沮喪）、AveResGaming（平均學生情緒：鉆系統(tǒng)的空子），其中AveCorrect為輸出變量，其余變量為輸入變量。

對數據進行預處理，將AveCorrect字段中低于或等于0.3的數據替換為“低”，高于0.3且低于0.6的數據替換為“中”，高于0.3或等于0.6的數據替換為“高”。處理完畢后，將數據文件導入SPSS?Modeler?18.0，使用決策樹和神經網絡兩種統(tǒng)計方法對相關情況進行分析和預測，找出影響學生在線答題正確性的主要因素，為制訂更好的學習計劃提出科學的建議。

3??研究過程

3.1??決策樹分析

決策樹借由分類已知的數據建立樹狀結構，從中歸納出數據的規(guī)律性[5]。讀取數據文件后，使用過濾器過濾無關變量，使用“類型”節(jié)點將AveCorrect字段的角色設定為“目標”，再通過“分區(qū)”節(jié)點將訓練分區(qū)大小設為70%，測試分區(qū)大小設為30%，分別作為訓練集和測試集。最后，將“C5.0”節(jié)點連接到當前數據流，運行結果如圖1所示。

左圖為模型的規(guī)則集，其包含9條規(guī)則，解釋列舉如下。

（1）當學生的平均知識水平小于或等于0.118時，如果其平均粗心程度小于或等于0.067、平均知識水平小于或等于0.067、專注度小于或等于0.616，并且系統(tǒng)中的行為總數小于或等于218，則其答題平均正確性為低。在訓練樣本中，有159個學生符合這條規(guī)則且平均正確性低，該規(guī)則準確率為100%。

（2）當學生的平均知識水平小于或等于0.118時，如果其平均粗心程度小于或等于0.067、平均知識水平小于或等于0.067、專注度小于或等于0.616，并且系統(tǒng)中的行為總數大于218，則其答題平均正確性為中。在訓練樣本中，有222個學生符合這條規(guī)則且平均正確性為中，該規(guī)則準確率為100%。

（3）當學生的平均知識水平小于或等于0.118時，如果其平均粗心程度小于或等于0.067、平均知識水平小于或等于0.067，且專注度大于0.616，則其答題平均正確性為低。在訓練樣本中，有869個學生符合這條規(guī)則且平均正確性低，該規(guī)則準確率為100%。

由右圖的預測變量重要性結果可知，變量的重要性排序為：AveKnow>AveCarelessness>AveResGaming>NumActions>AveResEngcon=?AveResFrust。由此可見，學生的平均知識水平對答題平均正確性的影響最大，平均粗心程度次之，專注度和沮喪情緒的影響最小。

3.2??人工神經網絡分析

人工神經網絡是從本質上對大腦工作特性的一種簡單模擬的仿生學[6]。運行模型，即可在出現的對話框中看到模型概要、預測變量重要性、混淆矩陣、神經網絡的層次結構等。

由預測變量重要性（圖2）可知，平均知識水平對平均正確性的影響最大，平均粗心程度次之，其余4個變量的影響都較小。

由混淆矩陣可知，模型預測的總體準確率為100%，非常理想。

由神經網絡的層次結構（圖3）可知，該模型是一個三層神經網絡，其中包含一個隱層，隱層中包含6個隱節(jié)點（神經元1～神經元6）。

4??結語

該文通過決策樹和人工神經網絡探究了影響學生在線答題正確性的影響因素。通過分析可以看出，平均知識水平和平均粗心程度對平均正確性有較大影響，而學生的行為總數對平均正確性的影響較小。鑒于此，學生應該在學習時使用科學合理的方法，不能一味地追求行為的累加，而要注重知識的積累，切實提高自身的知識水平，還應該在答題時認真審題，不要麻痹大意。與此同時，老師應該豐富自己的知識儲備，并使用合適的教學方法將知識教授給學生;此外，還應該在答題時提醒學生注意審題，考慮全面，以便于提高答題正確性。

參考文獻

[1]? 劉歡.基于網絡學習平臺的高中信息技術課互動教學研究[D].延安：延安大學，2021.

[2]? 沈艷.后疫情時代雙線融合混合式教學模式探析——以醫(yī)藥市場營銷為例[J].船舶職業(yè)教育，2021，9（5）：34-37.

[3]? 李郁，韓松，婁永梅，等.SPSS?Modeler在軌道交通客流預測中的應用[J].鐵路通信信號工程技術，2020，17（1）：80-83，95.

[4]? YEH?S?S.?Tourism?recovery?strategy?against?COVID-19?pandemic[J].?Tourism?Recreation?Research，2021，46（2）：188-194.

[5]? 岳景鵬.基于C5.0決策樹算法的學生成績預測算法研究與應用[D].長春：吉林大學，2020.

[6]? 楊猛.基于遺傳算法與人工神經網絡的加熱爐建模方法研究[D].合肥：中國科學技術大學，2017.954C5CC5-D736-41D1-B0D6-667E2E2DF32D