摘 "要：為克服教育評(píng)估中人為因素的干擾，提高評(píng)估的準(zhǔn)確性和效率，該文探索將離散Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用到職業(yè)院校學(xué)生綜合素養(yǎng)的評(píng)價(jià)中。Matlab仿真發(fā)現(xiàn)，通過設(shè)置合適的神經(jīng)元平衡點(diǎn)，離散Hopfield神經(jīng)網(wǎng)絡(luò)可根據(jù)輸入的指標(biāo)數(shù)據(jù)對(duì)學(xué)生的職業(yè)綜合素養(yǎng)給出有效的評(píng)估，評(píng)估結(jié)果與專家評(píng)估的結(jié)果完全一致。

關(guān)鍵詞：離散Hopfield神經(jīng)網(wǎng)絡(luò)；職業(yè)院校；綜合素養(yǎng)評(píng)價(jià)；二值化編碼；教育評(píng)估

中圖分類號(hào)：G434 " " "文獻(xiàn)標(biāo)志碼：A " " " " "文章編號(hào)：2095-2945（2024）20-0150-04

Abstract： In order to overcome the interference of human factors in educational evaluation and improve the accuracy and efficiency of educational evaluation， this paper explores the application of Discrete Hopfield Neutral Network（DHNN） to the evaluation of vocational college students' comprehensive literacy. Matlab simulation shows that by setting appropriate neuron balance point， the Discrete Hopfield Neutral Network can effectively evaluate students' professional comprehensive literacy according to the input index data， and the evaluation results are completely consistent with the results of expert evaluation.

Keywords： Discrete Hopfield Neutral Network（DHNN）; vocational college; comprehensive literacy evaluation; binary coding; educational evaluation

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種基于生物神經(jīng)系統(tǒng)的仿生學(xué)算法，它能通過對(duì)過去信息的學(xué)習(xí)而具備分析、預(yù)測(cè)、識(shí)別當(dāng)前信息的能力[1]。當(dāng)前人工神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于信號(hào)處理、自動(dòng)控制、模式識(shí)別等領(lǐng)域，然而在社會(huì)科學(xué)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)的使用尚存在較大的空白。教育評(píng)價(jià)作為教育活動(dòng)不可或缺的環(huán)節(jié)，近年來其在教育界所受的關(guān)注度日益增加。傳統(tǒng)的教育評(píng)價(jià)通?；诮處熁蚪逃龑＜胰斯べx分。對(duì)于主觀性較強(qiáng)的評(píng)價(jià)內(nèi)容（如素養(yǎng)、態(tài)度、情感等），即使對(duì)指標(biāo)進(jìn)行量化分級(jí)，評(píng)估者的個(gè)體因素仍會(huì)對(duì)賦分造成較大的干擾，從而影響評(píng)估的質(zhì)量。此外，人工評(píng)估效率低下，在很大程度上制約了評(píng)估規(guī)模的擴(kuò)大。Hopfield神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)高質(zhì)量的樣本，然后依托其強(qiáng)大的聯(lián)想記憶功能實(shí)施評(píng)價(jià)，可以在一定程度上彌補(bǔ)人工評(píng)價(jià)的上述不足。

1 "離散Hopfield神經(jīng)網(wǎng)絡(luò)的工作原理

Hopfield是一種帶有反饋結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，它是由多個(gè)神經(jīng)元構(gòu)成的單層網(wǎng)絡(luò)，每個(gè)神經(jīng)元的輸出信號(hào)通過負(fù)反饋，以一定的權(quán)重組成所有神經(jīng)元的輸入信號(hào)，因此具有“聯(lián)想記憶功能”[2]。其示意如圖1所示。

假設(shè)在包含n個(gè)神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)中，從神經(jīng)元j輸出到神經(jīng)元i輸入的互聯(lián)權(quán)值為wij，某個(gè)神經(jīng)元i在t時(shí)刻傳遞函數(shù)的輸入為ui（t），t時(shí)刻的輸出為vi（t），偏差值為bi，則t時(shí)刻的傳遞函數(shù)輸入可表示為

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如下：

1）對(duì)網(wǎng)絡(luò)進(jìn)行初始化；

2）在網(wǎng)絡(luò)中隨機(jī)選取一神經(jīng)元i，按公式（1）計(jì)算出ui（t）；

3）按公式（2）計(jì)算出該神經(jīng)元的輸出vi（t+1），同時(shí)保持網(wǎng)絡(luò)中其他神經(jīng)元的輸出不變；

4）判斷網(wǎng)絡(luò)是否達(dá)到穩(wěn)定狀態(tài)，若是，則結(jié)束訓(xùn)練；若否，則跳轉(zhuǎn)到步驟2繼續(xù)執(zhí)行，直到網(wǎng)絡(luò)達(dá)到穩(wěn)定。

反饋型神經(jīng)網(wǎng)絡(luò)需達(dá)到穩(wěn)定狀態(tài)才能正常工作。Hopfield神經(jīng)網(wǎng)絡(luò)從初始狀態(tài)按照Lyapunov能量函數(shù)減小的方向演化，直到達(dá)到穩(wěn)定狀態(tài)，獲得穩(wěn)定的網(wǎng)絡(luò)輸出[3]。即

vi（t+1）=vi（t）。（4）

根據(jù)Coben和Grossberg的驗(yàn)證[4]，Hopfield神經(jīng)網(wǎng)絡(luò)達(dá)到穩(wěn)定的充分條件為wij=wji，且wii=0，因此，可用正交化法計(jì)算出每個(gè)神經(jīng)元節(jié)點(diǎn)的權(quán)重系數(shù)wij和偏移量bi。

2 "基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的職校學(xué)生綜合素養(yǎng)評(píng)估

綜合素養(yǎng)是一個(gè)人知識(shí)、技能、情感、心理等諸多特質(zhì)屬性的總集合，是影響個(gè)體職業(yè)生涯發(fā)展的重要變量。近年來，隨著《關(guān)于全面深化課程改革落實(shí)立德樹人根本任務(wù)的意見》《中國(guó)學(xué)生發(fā)展核心素養(yǎng)》等文件和研究報(bào)告的陸續(xù)出臺(tái)，職業(yè)院校的育人追求亦呈現(xiàn)出由傳統(tǒng)的“技能為本”轉(zhuǎn)向“素能雙修”的轉(zhuǎn)變。學(xué)生綜合素養(yǎng)的發(fā)展水平已成為衡量職業(yè)院校人才培育質(zhì)量的重要準(zhǔn)繩。

2.1 "設(shè)計(jì)評(píng)價(jià)指標(biāo)體系

依托CIPP（Context Input Process Product）評(píng)價(jià)模式的設(shè)計(jì)思路[5]，首先通過查閱學(xué)術(shù)文獻(xiàn)和教育、人社等部門頒布的相關(guān)政策文件，結(jié)合專家訪談，形成備選指標(biāo)。對(duì)備選指標(biāo)進(jìn)一步梳理，刪除重復(fù)選項(xiàng)，合并概念相近選項(xiàng)，初步建立職業(yè)院校學(xué)生綜合素養(yǎng)評(píng)價(jià)體系。在此基礎(chǔ)上運(yùn)用德爾菲法，邀請(qǐng)部分專家、職校行政管理人員和一線教師開展三輪咨詢，對(duì)指標(biāo)體系初稿進(jìn)行修改、優(yōu)化，采用層次分析法（Analytic Hierarchy Process，AHP）[6]計(jì)算各級(jí)指標(biāo)權(quán)重，最終確立由4項(xiàng)一級(jí)指標(biāo)、12項(xiàng)二級(jí)指標(biāo)構(gòu)成的職校學(xué)生綜合素養(yǎng)評(píng)價(jià)指標(biāo)體系，見表1。

運(yùn)用表1中的學(xué)生綜合素養(yǎng)評(píng)價(jià)指標(biāo)，通過專家打分的方式對(duì)某職業(yè)院校學(xué)生進(jìn)行評(píng)估，收集的數(shù)據(jù)樣本分成2部分，選取其中的12份樣本用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其余樣本用于檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的評(píng)估效果（待測(cè)樣本）。

2.2 "確定離散Hopfield神經(jīng)網(wǎng)絡(luò)平衡點(diǎn)

由于各項(xiàng)指標(biāo)的權(quán)重不同，打分后各指標(biāo)的分值差異較大，需首先對(duì)原始賦分?jǐn)?shù)據(jù)進(jìn)行歸一化處理。歸一化的方法為：原始分/權(quán)重值。處理后的12項(xiàng)二級(jí)指標(biāo)得分?jǐn)?shù)據(jù)與最終的綜合素養(yǎng)等級(jí)評(píng)定關(guān)系見表2。

計(jì)算表2中各等級(jí)指標(biāo)數(shù)據(jù)的算數(shù)平均值，即可得到該等級(jí)各指標(biāo)的離散Hopfield神經(jīng)網(wǎng)絡(luò)平衡點(diǎn)，見表3。

2.3 "指標(biāo)二值化編碼

離散Hopfield神經(jīng)網(wǎng)絡(luò)的神經(jīng)元只能為二值狀態(tài)（1或-1），因此需對(duì)評(píng)價(jià)指標(biāo)進(jìn)行二值化編碼。編碼規(guī)則為：當(dāng)歸一化的指標(biāo)值大于等于表3中的平衡點(diǎn)，將對(duì)應(yīng)的神經(jīng)元狀態(tài)置“1”，否則置為“-1”。由此構(gòu)造出由4個(gè)評(píng)價(jià)等級(jí)的理想態(tài)矩陣組成的目標(biāo)向量矩陣T，即T=[A1，A2，A3，A4]，其中A1—A4依次代表“優(yōu)秀”“良好”“合格”“不合格”4個(gè)評(píng)估等級(jí)的編碼，矩陣如下。

運(yùn)用相同的編碼規(guī)則，對(duì)所有待測(cè)樣本的指標(biāo)數(shù)據(jù)進(jìn)行二值化編碼。為方便顯示，設(shè)定每次輸入4個(gè)待測(cè)樣本，于是構(gòu)建出12×16的待測(cè)樣本矩陣A=[sim_1，sim_2，sim_3，sim_4]。其中sim_1—sim_4分別為一組待測(cè)樣本二值化后構(gòu)成的12×4矩陣。

3 "實(shí)驗(yàn)結(jié)果分析

以評(píng)價(jià)等級(jí)的理想態(tài)矩陣T作為目標(biāo)向量，以完成二值化編碼的待測(cè)樣本數(shù)據(jù)矩陣A作為輸入，運(yùn)用MATLAB（R2018a）工具箱自帶的函數(shù)newhop創(chuàng)建離散Hopfield神經(jīng)網(wǎng)絡(luò)，對(duì)輸入數(shù)據(jù)進(jìn)行評(píng)估并輸出結(jié)果。為便于觀察，采用“●”代表神經(jīng)元處于激活狀態(tài)，使用“○”代表神經(jīng)元未激活，得到的仿真結(jié)果如圖2所示。

圖2中第一行為理想等級(jí)指標(biāo)的二值化編碼，第二行為待測(cè)樣本的二值化編碼，第三行為離散Hopfield神經(jīng)網(wǎng)絡(luò)的評(píng)估結(jié)果。從該圖可見，離散Hopfield神經(jīng)網(wǎng)絡(luò)可根據(jù)輸入的指標(biāo)數(shù)據(jù)對(duì)學(xué)生的職業(yè)綜合素養(yǎng)給出有效的評(píng)估，評(píng)估結(jié)果與專家評(píng)估的結(jié)果完全一致。證明該神經(jīng)網(wǎng)絡(luò)在等級(jí)分類評(píng)估的應(yīng)用場(chǎng)景中具有較強(qiáng)的可靠性。

4 "結(jié)束語

傳統(tǒng)的教育教學(xué)評(píng)估依托人工賦分，并在此基礎(chǔ)上計(jì)算評(píng)估結(jié)果，工作效率較為低下，針對(duì)這一問題，本文運(yùn)用離散Hopfield神經(jīng)網(wǎng)絡(luò)對(duì)職業(yè)院校學(xué)生綜合素養(yǎng)進(jìn)行評(píng)價(jià)。通過對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理、設(shè)置合適的神經(jīng)元平衡點(diǎn)、進(jìn)行二值化編碼，調(diào)用MATLAB 庫(kù)函數(shù)構(gòu)建離散Hopfield神經(jīng)網(wǎng)絡(luò)并計(jì)算評(píng)估結(jié)果。仿真數(shù)據(jù)顯示，該神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分不同指標(biāo)賦分被試的綜合素養(yǎng)等級(jí)，且評(píng)估結(jié)果與人工賦分計(jì)算結(jié)果完全一致。本文的探索為人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于教育評(píng)價(jià)領(lǐng)域提供了一種可借鑒的思路。

參考文獻(xiàn)：

[1] ADRIANO B， ALBERTO B， ENRICA S，et al. On the equivalence of Hopfield networks and Boltzmann Machines[J]. Neural Networks，2012，34（5）：32-37.

[2] 全建勇.離散型Hopfield神經(jīng)網(wǎng)絡(luò)在教師教學(xué)質(zhì)量中的應(yīng)用[D].重慶：重慶師范大學(xué)，2018.

[3] 韓琦.神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及其在聯(lián)想記憶中的應(yīng)用研究[D]. 重慶：重慶大學(xué)，2013.

[4] GUO S， HUANG L. Stability analysis of Cohen-Grossberg neural networks[J]. IEEE Transactions on Neural Networks， 2006，17（1）：106-17.

[5] HAKAN，KARATAS，SEVAL F. CIPP evaluation model scale： Development， reliability and validity[J].Procedia-Social and Behavioral Scienｃｅｓ，２０１１（１５）：５９２－599.

[6] CHENG，EDDIE W.L.， LI H，et al. Analytic hierarchy process（AHP）[J]. Measuring Business Excellencｅ，２００２，６（4）：33-37.