基于學習矢量量化神經網絡的創造力評價

田金亭，甘媛源，余嘉元

（南京師范大學 教育科學學院，南京 210097）

基于學習矢量量化神經網絡的創造力評價

田金亭，甘媛源，余嘉元

（南京師范大學 教育科學學院，南京 210097）

剖析了創造力評價的重要意義及當前存在的問題，根據創造力評價指標及等級的數目，構建了由輸入層、隱含層、輸出層組成的學習矢量量化（LVQ）神經網絡，用訓練好的網絡對測試樣本進行仿真測試，仿真結果和實際情況正好相符，體現出 LVQ神經網絡在創造力評價中的實用性和有效性。

創造力；LVQ神經網絡；訓練；測試

0 引言

評價人的創造力是一項極富挑戰性的工作，對中學生創造力的評價也不例外，學校鑒別或評價創造力的目的并不是簡單地把學生分為“有創造性”和“無創造性”[1]，而以培養創新性人才為宗旨，把具有不同創造性水平的學生區分開來，利用教育心理學原理、創造力理論等制定出適宜的培養方案。創造力評價是培養開發創造力的首要環節，因為只有評價得當，才能把那些創造力非凡的學生鑒別出來，為他們的發展提供更大的舞臺，同時對創造力水平不突出的學生進行切實有效的培養。

創造力是個抽象的概念，關于它的測評，心理學研究者時常會通過問卷或訪談等方法獲得創造力各個指標上的得分，根據實際需要，列出不同的等級水平，諸如優、良、差等，最后根據各個指標所處的等級，綜合評判出創造力的水平。當需要評價的被試、指標個數、指標等級水平都較少時，由專業人士來完成這份評價工作就相對容易。然而，當三者之中，有一項數目較大時，工作量就變得相當大，評價者也容易犯主觀的錯誤，利用人工甚至就無法完成。為此，作者試圖尋求一種客觀的智能技術來解決此類問題，以求既能省時省力，又能保證評價結果的可靠性。

在模式識別技術中，單層感知器是一致逼近線性函數空間最簡單的網絡，但是它對非線性樣本空間不可分，BP網絡應用很普遍，但容易陷入局部最小值，其它一些優化策略如遺傳算法等，全局最小值可以求得，但是計算量很大，容易出現效率問題。學習矢量量化（LVQ）神經網絡具有較強的容錯性和魯棒性[2]，一般需要設計者自己先建立網絡決策系統，只要網絡決策系統設計的合理，輸入實際所需的性能指標后，就能得到較為滿意的識別結果。作者嘗試用LVQ神經網絡首次對創造力進行評價。

1 創造力數據的采集與處理

1.1 被試

抽取聊城市兩所中學高二年級兩個班的學生作為被試，共110人，其中男生60名，女生50名。被試分別來自市重點高中和非重點高中。

1.2 測量工具與指標的獲得

測量工具為威廉斯創造力傾向測量表，共50個題目，包含正向題目和反向題目，正向題目：A記3分，B記2分，C記1分；反向題目：A記1分，B記2分，C記3分。該問卷考察的創造力指標可歸納為挑戰性、冒險性、好奇性、想象性四個方面。

1.3 創造力等級的評判

問卷實測完畢后，刪除無效問卷，得到有效問卷100份，通過SPSS13.0統計軟件包[3]計算問卷的信度、效度，二者均在0.8以上，說明這是一份可信有效的問卷調查。其中，信度是指采用同一方法對同一對象進行調查時，問卷調查結果的穩定性和一致性，效度是指測量工具或手段能夠準確測出所需測量事物的程度[4]。算出各個指標的分數，每個指標從優、良、差三個等級來衡量，最后，運用模糊綜合評價法[5]把四個指標的等級綜合起來考慮，對創造力總體水平做個評判。鑒于篇幅問題，本文只從100份有效問卷中隨機抽取9份進行實驗，問卷從1到9依次編號，各個指標具體得分和創造力判斷結果見表1。

表1 各指標分數及總體水平

2 LVQ神經網絡簡介

LVQ神經網絡是在有教師指導狀態下對競爭層進行訓練的一種網絡，它在模式識別和優化領域有著廣泛的應用。一個LVQ網絡由輸入層、隱含層、輸出層三層神經元組成，輸入層與隱含層之間為完全連接，隱含層和輸出層間為部分連接，每個輸出神經元與隱含神經元的不同組相連接。

LVQ神經網絡的學習規則結合了競爭學習和有教師學習的規則，即需要一組正確網絡行為的例子來訓練該網絡。此神經網絡的學習是通過改進了的Kohonen規則，改變輸入層和競爭層之間的連接權值來進行的，即在每次迭代過程中，將一個輸入向量提供給網絡，并且通過競爭層計算每個原型向量與輸入向量之間的距離，與輸入向量距離最近的神經元將獲得競爭勝利，這個神經元輸出的元素值定為1，通過相應的公式可以算出輸出向量的值。

3 LVQ網絡的建構

就本文實際問題而言，有4個評價指標和3個等級，故需設計的網絡結構，輸入層應有4個神經元，輸出層有3個神經元，尚待確定的是隱含層神經元個數。考慮到隱含層神經元個數太少容易導致網絡不收斂，太多又容易降低網絡收斂速度，根據以往構建網絡的經驗，選擇隱含層神經元個數為4，LVQ網絡結構初步確定如圖1。

4 程序設置

4.1 訓練、測試樣本的選擇

選取序號為1,2,3,4,5,6的樣本作為訓練樣本，樣本在四個指標上的分數作為輸入向量P，樣本等級輸出的優、良或差分別用二進制代碼001,010,100表示，則目標向量 T為：

序號為7,8,9的樣本構成測試樣本。

4.2 網絡創建與訓練

以Matlab6.5為實驗平臺，創建一個LVQ網絡，

minmax(P)指輸入向量中每行的最小值、最大值組成的矩陣，這里4代表隱含層神經元個數，1/3是指輸入向量對應的等級1，2，3的個數各占1/3。另外，學習速率設為0.1，網絡訓練誤差定為0.01，

學習函數采用learnlv1，檢查確定的初始權值為零，用函數train進行網絡訓練，訓練步數初步設為100，如果訓練步數達到100時，網絡誤差仍達不到要求，適當的增加訓練步數即可。圖2是訓練步數

為100的訓練結果：

可見，網絡經過27次訓練后，網絡性能目標為0，網絡誤差達到要求，此時網絡訓練完畢，網絡各層間的權值已經固定。對于每個輸入值，網絡都會提供相應的等級類別輸出，此時可以對網絡進行測試。

4.3 網絡仿真，測試網絡的性能

測試樣本四個指標上的分數構成輸入向量，利用仿真函數sim進行測試，測試輸出結果為：

由于二進制代碼 1 0 0，0 1 0，0 0 1分別代表優、良、差，故測試樣本對應的輸出即為優、良、差，這與表1中的實際情況完全相符，由此可見本文創建的網絡性能是不錯的，可以應用于創造力的評價。

5 結語

結果表明，只要選取適當的訓練樣本，利用LVQ神經網絡進行創造力的評價是合適的，依據訓練樣本及其對應的等級，不必在創造力每個指標上做判斷，就可以對創造力水平做出正確的判斷，有效降低了評價過程中的工作量，為人們快速準確的評價創造力提供了一種工具。LVQ網絡具備簡單易操作的優勢，較之其它神經網絡，在這個過程中設計人員不需要構造復雜的，甚至是難以構造的非線性處理函數，也不需要將輸入向量進行歸一化、正交化等。

[1]A．J.斯塔科.創造能力教與學[M].上海：華東師范大學出版社,2007.

[2]葛哲學，孫志強.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社,2007.

[3]張奇.SPSS for Windows在心理學與教育學中的應用[M].北京：大學出版社,2009.

[4]戴海崎,張鋒,陳雪楓.心理與教育測量[M].廣州：暨南大學出版社,2007.

[5]杜棟,龐慶華,吳炎.現代綜合評價方法與案例精選[M].北京：清華大學出版社,2008.

[6]乞建勛,李星梅.基于LVQ神經網絡的供電企業客戶信用風險識別[J].統計與決策,2006，(23).

（責任編輯/浩 天）

F224.7

A

1002-6487(2011)03-0160-02

國家社會科學基金“十一五”規劃課題（BBA080050）

田金亭（1981-），女，山東人，博士，研究方向：心理測量與人工智能。

甘媛源（1983-），女，湖北人，博士，研究方向：心理測量。