BP神经网络的网络学习评价模型
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
研究表明，最近邻算法（KNN）对不相关属性非常敏感。[3][4]笔者采用最近邻算法（KNN），
21
判断网络学习综合评价与在线时长、作业平均得分、作业完成率、自测平均成绩等 7 个评价指标之 间的关联程度。通过关联分析，发现各指标对综合评价结果影响都比较明显，且考虑到输入维数并 不高，所以笔者将选择所有的指标作为神经网络系统的输入进行建模。
2 网络学习评价指标体系构建
要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程 和学习效果 3 个方面构建评价指标（如图 1 所示）。
收稿日期：2011-12-22 作者简介：李绍中（1969-），男，湖南娄底人，硕士，副教授，研究方向：智能计算和高等职业教育。
关键词：神经网络；MATLAB；网络学习评价
中图分类号：TP183
文献标识码：A
随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式 已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹， 但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。
第 11 卷第 1 期 2012 年 2 月
广州职业教育论坛 GUANGZHOU VOCATIONAL EDUCATION FORUM
Vol.11 No.1 Feb. 2012
文章编号：2095-364X（2012）01-0020-06
基于 BP 神经网络的网络学习评价模型研究
李绍中
（广州番禺职业技术学院 教务处，广东 广州 511483）
而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺 陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且 各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2]而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已 广泛应用于模式识别和非线性分类问题。
4.1 网络结构 1．确定输入层节点数。网络学习评价指标体系有 7 个二级指标，将 7 个评价指标作为神经网 络的输入层的输入，所以 BP 神经网络的输入层节点数相应确定为 7。 2．确定输出层节点数。由于网络学习评价结果只有一个，因此网络输出层只设 1 个输出节点，
在建模过程中，最重要的是确定网络的结构，而网络结构关键在于隐含层及节点数。对网络学 习评价问题，可以看作是输入（学习评价指标）到输出（对学生网络学习评价的最终结果）的非线 性映射。由于一个 3 层网络（只含一个隐含层）可以任意精度去逼近任意映射关系，[6]因此采用 3 层 BP 网络结构，即只包含输入层、隐含层和输出层来建立模型。下面介绍评价模型的建立。
4 基于 BP 神经网络的网络学习评价模型的建立
BP（Back Propagation，BP，误差反向后传）神经网络是指基于误差反向传播算法（BP 算法） 的多层馈神经网络，是 1986 年 Rumelhart 和 McCelland 提出来的，也是目前数十种神经网络模型 中应用最为广泛的模型。[5]在此，选用 BP 神经网络来构建网络学习评价模型。
指标体系的确定
样本数据采集
模式的确定
模式内样本奇异点去除
样本抽样
模式的学习样本
图 2 建立有效样本的步骤
借助计算机应用基础课网络学习评价数据通过剔除奇异点的方法，将留下的 400 组数据作为有 效样本，并取其中的 370 组数据作为训练数据，其余 30 组数据作为测试数据，用来对训练生成的 模型的进行检验。评价采用五级制（优、良、中、及格、差）。模型对样本处理规则如下：评价指 标优、良、中、及格、差分别转化成相应数字 5、4、3、2、1，而输出优、良、中、及格、差分别 对应 5 个区间，即[4.5 5]、[4 4.5]、[3.5 4]、[3 3.5]、[0 3]。
20
学习态度
网络学习评价指标体 学习过程
学习效果
周 均 在 线 时 长
作 业 完 成 率
周
讨
讨
均
论
论
浏
中
中
作
测
览
发
回
业
试
辅
起
答
平
平
导
的
的
均Hale Waihona Puke Baidu
均
材
问
问
得
得
料
题
题
分
分
时
次
次
间
数
数
图 1 网络学习评价指标体系
3 评价样本库的构建
在智能计算模型中，样本是训练的对象，样本选取的好坏，直接影响到模型的训练结果。因此， 样本一定要选择有代表性的数据，并对数据进行有效性分析。因为样本数据来源于不同的对象、不 同的角色类别，故样本采集时存在人主观上的因素，评价结果差异可能非常大，如果不剔除掉那些 偏离中心太远的样本点，整个样本集的数据势必会受到这些奇异样本的影响，使得整个样本集的信 息受到弱化。所以在选取样本时，必须考虑样本中奇异点的剔除，从而建立有效样本。建立有效样 本的步骤如图 2 所示。
1 网络学习评价问题的提出
网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据， 依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设
x1, x2 ,, xn 为网络学习评价的 n 个评价指标， y 为网络学习评价结果等级，网络学习评价结果等 级 与 评 价 指 标 的 关 系 可 表 示 为 y f (x1, x2 ,, xn ) ， 进 行 网 络 学 习 评 价 就 是 找 出 评 价 指 标 x1, x2 ,, xn 与评价等级 y 之间的函数关系。
摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络
学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法
的不足，实现网络学习评价的智能化，提出了一种基于 BP 神经网络的的网络学习评价模型，并利
用 MATLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。
21
判断网络学习综合评价与在线时长、作业平均得分、作业完成率、自测平均成绩等 7 个评价指标之 间的关联程度。通过关联分析，发现各指标对综合评价结果影响都比较明显，且考虑到输入维数并 不高，所以笔者将选择所有的指标作为神经网络系统的输入进行建模。
2 网络学习评价指标体系构建
要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程 和学习效果 3 个方面构建评价指标（如图 1 所示）。
收稿日期：2011-12-22 作者简介：李绍中（1969-），男，湖南娄底人，硕士，副教授，研究方向：智能计算和高等职业教育。
关键词：神经网络；MATLAB；网络学习评价
中图分类号：TP183
文献标识码：A
随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式 已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹， 但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。
第 11 卷第 1 期 2012 年 2 月
广州职业教育论坛 GUANGZHOU VOCATIONAL EDUCATION FORUM
Vol.11 No.1 Feb. 2012
文章编号：2095-364X（2012）01-0020-06
基于 BP 神经网络的网络学习评价模型研究
李绍中
（广州番禺职业技术学院 教务处，广东 广州 511483）
而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺 陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且 各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2]而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已 广泛应用于模式识别和非线性分类问题。
4.1 网络结构 1．确定输入层节点数。网络学习评价指标体系有 7 个二级指标，将 7 个评价指标作为神经网 络的输入层的输入，所以 BP 神经网络的输入层节点数相应确定为 7。 2．确定输出层节点数。由于网络学习评价结果只有一个，因此网络输出层只设 1 个输出节点，
在建模过程中，最重要的是确定网络的结构，而网络结构关键在于隐含层及节点数。对网络学 习评价问题，可以看作是输入（学习评价指标）到输出（对学生网络学习评价的最终结果）的非线 性映射。由于一个 3 层网络（只含一个隐含层）可以任意精度去逼近任意映射关系，[6]因此采用 3 层 BP 网络结构，即只包含输入层、隐含层和输出层来建立模型。下面介绍评价模型的建立。
4 基于 BP 神经网络的网络学习评价模型的建立
BP（Back Propagation，BP，误差反向后传）神经网络是指基于误差反向传播算法（BP 算法） 的多层馈神经网络，是 1986 年 Rumelhart 和 McCelland 提出来的，也是目前数十种神经网络模型 中应用最为广泛的模型。[5]在此，选用 BP 神经网络来构建网络学习评价模型。
指标体系的确定
样本数据采集
模式的确定
模式内样本奇异点去除
样本抽样
模式的学习样本
图 2 建立有效样本的步骤
借助计算机应用基础课网络学习评价数据通过剔除奇异点的方法，将留下的 400 组数据作为有 效样本，并取其中的 370 组数据作为训练数据，其余 30 组数据作为测试数据，用来对训练生成的 模型的进行检验。评价采用五级制（优、良、中、及格、差）。模型对样本处理规则如下：评价指 标优、良、中、及格、差分别转化成相应数字 5、4、3、2、1，而输出优、良、中、及格、差分别 对应 5 个区间，即[4.5 5]、[4 4.5]、[3.5 4]、[3 3.5]、[0 3]。
20
学习态度
网络学习评价指标体 学习过程
学习效果
周 均 在 线 时 长
作 业 完 成 率
周
讨
讨
均
论
论
浏
中
中
作
测
览
发
回
业
试
辅
起
答
平
平
导
的
的
均Hale Waihona Puke Baidu
均
材
问
问
得
得
料
题
题
分
分
时
次
次
间
数
数
图 1 网络学习评价指标体系
3 评价样本库的构建
在智能计算模型中，样本是训练的对象，样本选取的好坏，直接影响到模型的训练结果。因此， 样本一定要选择有代表性的数据，并对数据进行有效性分析。因为样本数据来源于不同的对象、不 同的角色类别，故样本采集时存在人主观上的因素，评价结果差异可能非常大，如果不剔除掉那些 偏离中心太远的样本点，整个样本集的数据势必会受到这些奇异样本的影响，使得整个样本集的信 息受到弱化。所以在选取样本时，必须考虑样本中奇异点的剔除，从而建立有效样本。建立有效样 本的步骤如图 2 所示。
1 网络学习评价问题的提出
网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据， 依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设
x1, x2 ,, xn 为网络学习评价的 n 个评价指标， y 为网络学习评价结果等级，网络学习评价结果等 级 与 评 价 指 标 的 关 系 可 表 示 为 y f (x1, x2 ,, xn ) ， 进 行 网 络 学 习 评 价 就 是 找 出 评 价 指 标 x1, x2 ,, xn 与评价等级 y 之间的函数关系。
摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络
学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法
的不足，实现网络学习评价的智能化，提出了一种基于 BP 神经网络的的网络学习评价模型，并利
用 MATLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。