基于BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型構(gòu)建

尹 桐，杜樹(shù)杰

（中國(guó)海洋大學(xué)基礎(chǔ)教學(xué)中心，山東青島 266000）

基于BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型構(gòu)建

尹 桐，杜樹(shù)杰

（中國(guó)海洋大學(xué)基礎(chǔ)教學(xué)中心，山東青島 266000）

由于BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自組織和自適應(yīng)能力，本文基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型，使用NSSE-China2013問(wèn)卷作為數(shù)據(jù)的來(lái)源，將院校間的五大可比指標(biāo)作為網(wǎng)絡(luò)的輸入、大學(xué)生深度學(xué)習(xí)水平作為網(wǎng)絡(luò)的輸出，并在Matlab中仿真實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明，該預(yù)測(cè)模型克服了傳統(tǒng)評(píng)價(jià)深度學(xué)習(xí)水平的復(fù)雜性和主觀性，具有收斂速度快和預(yù)測(cè)精度高等特點(diǎn)，具有很好的適用性。

BP神經(jīng)網(wǎng)絡(luò)；大學(xué)生深度學(xué)習(xí)水平；NSSE-China；預(yù)測(cè)模型

隨著國(guó)家逐漸步入學(xué)習(xí)型社會(huì)，國(guó)家和社會(huì)對(duì)于知識(shí)和人才的需求和重視程度逐漸加大，而大學(xué)生作為接受高等教育的精英群體，其學(xué)習(xí)情況直接影響著學(xué)習(xí)型社會(huì)的深度和廣度，因此研究大學(xué)生的學(xué)習(xí)情況越來(lái)越具有現(xiàn)實(shí)意義。而評(píng)價(jià)學(xué)生的學(xué)習(xí)情況，不僅要衡量知識(shí)的廣度和數(shù)量，還要考察學(xué)生是否善于將新思想與原有的知識(shí)結(jié)構(gòu)相聯(lián)系，并最終獲得解決問(wèn)題的能力，即深度學(xué)習(xí)能力。全球信息化的快速發(fā)展極大地改變了當(dāng)代大學(xué)生的學(xué)習(xí)模式，大量的學(xué)生長(zhǎng)期處于淺層學(xué)習(xí)當(dāng)中，這會(huì)大大限制學(xué)校對(duì)學(xué)生解決問(wèn)題能力和創(chuàng)新能力的培養(yǎng)。本文通過(guò)分析與預(yù)測(cè)大學(xué)生深度學(xué)習(xí)水平，可以幫助學(xué)生及時(shí)調(diào)整自身學(xué)習(xí)狀態(tài)，幫助教師更加有針對(duì)性地改進(jìn)教學(xué)策略，同時(shí)也可以為院校的教育改革提供科學(xué)的指導(dǎo)。

BP神經(jīng)網(wǎng)絡(luò)是一種人工智能算法，具有很強(qiáng)大的非線性映射能力、自組織和自適應(yīng)能力。因此本文以中國(guó)海洋大學(xué)“大學(xué)生學(xué)習(xí)性投入調(diào)查”問(wèn)卷（NSSE-China）所統(tǒng)計(jì)的數(shù)據(jù)作為依據(jù)，構(gòu)建了評(píng)價(jià)大學(xué)生深度學(xué)習(xí)水平的數(shù)學(xué)模型，從而為大學(xué)生深度學(xué)習(xí)水平的研究提供一定的參考價(jià)值。

一、深度學(xué)習(xí)的內(nèi)涵

深度學(xué)習(xí)和淺層學(xué)習(xí)這兩個(gè)概念是由國(guó)外學(xué)者FerenceMarton和Roger Saljo在1976年聯(lián)名發(fā)表的 《學(xué)習(xí)的本質(zhì)區(qū)別：結(jié)果和過(guò)程》一文中首次提出的。[1]他們通過(guò)一項(xiàng)實(shí)驗(yàn)，總結(jié)出學(xué)生學(xué)習(xí)的兩種不同學(xué)習(xí)策略，即淺層學(xué)習(xí)策略和深層學(xué)習(xí)策略。他們認(rèn)為所謂淺層學(xué)習(xí)，就是指不加以思考地記住書(shū)本中提到的一些原理或事實(shí)，所關(guān)注的是在測(cè)驗(yàn)中遇到的書(shū)本中提及的那些內(nèi)容；而深層學(xué)習(xí)，是指理解整本書(shū)中的思想，試圖領(lǐng)會(huì)其學(xué)術(shù)內(nèi)涵，關(guān)注的焦點(diǎn)是如何將書(shū)本中的知識(shí)應(yīng)用在現(xiàn)實(shí)生活中。

經(jīng)過(guò)長(zhǎng)期對(duì)深度學(xué)習(xí)的深入研究，國(guó)內(nèi)學(xué)者何玲和黎加厚在《促進(jìn)學(xué)生深度學(xué)習(xí)》一文中對(duì)深度學(xué)習(xí)做出了較為精準(zhǔn)的定義。所謂深度學(xué)習(xí)，是指在理解學(xué)習(xí)的基礎(chǔ)上，學(xué)習(xí)者能夠批判性地學(xué)習(xí)新的思想和事實(shí)，并將它們?nèi)谌朐械恼J(rèn)知結(jié)構(gòu)中，能夠在眾多思想間進(jìn)行聯(lián)系，并能夠?qū)⒁延械闹R(shí)遷移到新的情境中，做出決策和解決問(wèn)題的學(xué)習(xí)。[2]

根據(jù)上述對(duì)深度學(xué)習(xí)的定義，可以將深度學(xué)習(xí)按照布魯姆的教育目標(biāo)分類(lèi)學(xué)來(lái)對(duì)其進(jìn)行概括和總結(jié)。布魯姆等人在認(rèn)知學(xué)習(xí)領(lǐng)域?qū)⒔逃繕?biāo)分為六大類(lèi)，從低級(jí)到高級(jí)依次為識(shí)記、理解、應(yīng)用、分析、綜合和評(píng)價(jià)。淺層學(xué)習(xí)的認(rèn)知水平停留在第一、第二層，而深層學(xué)習(xí)的認(rèn)知水平對(duì)應(yīng)著后面的四層。[3]因此，本文認(rèn)為深度學(xué)習(xí)是指批判性地接受新知識(shí)，通過(guò)整合原有知識(shí)，構(gòu)建出屬于自己的知識(shí)體系，并獲得解決問(wèn)題的能力。

本文的重點(diǎn)研究對(duì)象是大學(xué)生群體，相較于中學(xué)生群體而言，大學(xué)生群體擁有更多的自主學(xué)習(xí)時(shí)間和更為豐富的課余活動(dòng)，獲得教學(xué)資源的內(nèi)容和途徑也更加廣泛和便捷，因此大學(xué)生的學(xué)習(xí)模式更多的是自主學(xué)習(xí)模式，這也是其與中學(xué)生的重要差別之一，大學(xué)生真正成為了學(xué)習(xí)活動(dòng)的主體。同時(shí)，由于大學(xué)生即將離開(kāi)校園步入社會(huì)，這一角色特殊性決定了大學(xué)教育應(yīng)該更加注重培養(yǎng)學(xué)生創(chuàng)新和解決問(wèn)題的能力，即深度學(xué)習(xí)能力。然而目前的研究發(fā)現(xiàn)，大量的大學(xué)生長(zhǎng)期處于淺層學(xué)習(xí)狀態(tài)，長(zhǎng)此以往將不利于社會(huì)的進(jìn)步，因此大學(xué)生深度學(xué)習(xí)能力的培養(yǎng)具有更大的研究?jī)r(jià)值。

二、構(gòu)建預(yù)測(cè)模型

本文所采用的數(shù)據(jù)來(lái)源于2013年中國(guó)海洋大學(xué)“全美大學(xué)生學(xué)習(xí)型投入調(diào)查”漢化版（NSSE-China）問(wèn)卷，通過(guò)篩選題目構(gòu)成深度學(xué)習(xí)量表，來(lái)考查大學(xué)生深度學(xué)習(xí)水平的相關(guān)影響因素并構(gòu)建預(yù)測(cè)模型。NSSEChina問(wèn)卷的原型是印第安納大學(xué)開(kāi)發(fā)的 “全美大學(xué)生學(xué)習(xí)性投入調(diào)查”（National Survey of Student Engagement，以下簡(jiǎn)稱(chēng)NSSE）問(wèn)卷。NSSE是一個(gè)針對(duì)美國(guó)全國(guó)范圍內(nèi)四年制本科院校學(xué)生投入高層次學(xué)習(xí)活動(dòng)和發(fā)展程度的年度調(diào)查。[5]NSSE-China項(xiàng)目于2007年啟動(dòng)，經(jīng)過(guò)一系列文化適應(yīng)和預(yù)測(cè)試后于2009年首次在中國(guó)全國(guó)范圍施測(cè)。[6]該問(wèn)卷具體測(cè)量了幾項(xiàng)指標(biāo)，包括院校間的五大可比指標(biāo)（具體包括學(xué)業(yè)挑戰(zhàn)度LAC、主動(dòng)合作學(xué)習(xí)水平ACL、生師互動(dòng)SFI、教育經(jīng)驗(yàn)的豐富程度EEE和校園環(huán)境的支持度SCE）、院校診斷九項(xiàng)指標(biāo)、深度學(xué)習(xí)（DL）指標(biāo)以及社會(huì)稱(chēng)許性指標(biāo)。經(jīng)清華大學(xué)的幾次修訂，目前的量表具有良好的信度與效度。[7]

本文利用NSSE-China問(wèn)卷采集的數(shù)據(jù)來(lái)構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型。經(jīng)過(guò)研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)是構(gòu)建預(yù)測(cè)模型非常有效的方法。其中BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的一種，其具有強(qiáng)大的非線性映射能力和自組織、自適應(yīng)能力，因此本文選擇利用BP神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型。

將回收的有效問(wèn)卷通過(guò)SPSS軟件計(jì)算出每個(gè)學(xué)生的五大可比指標(biāo)成績(jī)與深度學(xué)習(xí)指標(biāo)成績(jī)。經(jīng)分析數(shù)據(jù)得出，學(xué)生的深度學(xué)習(xí)指標(biāo)成績(jī)分布區(qū)間為9.09～100，本文將深度學(xué)習(xí)水平分為優(yōu)秀、良好和不合格三個(gè)等級(jí)。分級(jí)標(biāo)準(zhǔn)如表1所示：

表1

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。最基本的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，每層有許多互相不連接的神經(jīng)元節(jié)點(diǎn)，相鄰兩層節(jié)點(diǎn)通過(guò)連接權(quán)連接，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（1）輸入層節(jié)點(diǎn)的確定

由于問(wèn)卷當(dāng)中涉及的院校間可比指標(biāo)有5個(gè)，因此，輸入層神經(jīng)元個(gè)數(shù)定為n=5。其中：X1表示學(xué)業(yè)挑戰(zhàn)度，學(xué)業(yè)挑戰(zhàn)度的考察包含了學(xué)生個(gè)體和院校組織兩個(gè)層面的含義——既要反映學(xué)生的學(xué)習(xí)行為表現(xiàn)及其在學(xué)業(yè)上的時(shí)間和精力的投入程度，又要通過(guò)學(xué)生的行為表現(xiàn)和自我報(bào)告來(lái)間接對(duì)高校的學(xué)業(yè)要求、學(xué)業(yè)標(biāo)準(zhǔn)和對(duì)學(xué)業(yè)的支持程度等進(jìn)行評(píng)價(jià)，以體現(xiàn)高校的教育質(zhì)量。[8]X2表示主動(dòng)合作學(xué)習(xí)水平，評(píng)價(jià)的是學(xué)生的合作性學(xué)習(xí)能力和與多元人群討論的能力。X3表示生師互動(dòng)，評(píng)價(jià)的是學(xué)生與教師互動(dòng)的頻繁程度及其主動(dòng)性和互動(dòng)的質(zhì)量。X4表示教育經(jīng)驗(yàn)的豐富程度，評(píng)價(jià)的是教師教學(xué)實(shí)踐的有效性，包括有組織的教學(xué)活動(dòng)、清晰的知識(shí)講解、具有說(shuō)明性的舉例和有效的反饋。X5表示校園環(huán)境的支持度，評(píng)價(jià)的是校園中人際溝通的質(zhì)量和學(xué)校對(duì)促進(jìn)學(xué)生學(xué)習(xí)和發(fā)展的支持程度。

（2）輸出層節(jié)點(diǎn)的確定

本文主要是來(lái)評(píng)價(jià)大學(xué)生的深度學(xué)習(xí)情況，最終目的是能夠得到一個(gè)客觀、準(zhǔn)確地反映大學(xué)生深度學(xué)習(xí)水平的量化值。因此本文將大學(xué)生深度學(xué)習(xí)水平的量化值作為BP神經(jīng)網(wǎng)絡(luò)的輸出向量，即輸出層神經(jīng)元個(gè)數(shù)確定為m=1。

（3）隱含層個(gè)數(shù)的確定

如今尚不存在一個(gè)確定的標(biāo)準(zhǔn)來(lái)計(jì)算隱含層的神經(jīng)元個(gè)數(shù)，但可以根據(jù)以下公式來(lái)計(jì)算出隱含層神經(jīng)元數(shù)量的大概區(qū)間范圍，進(jìn)而通過(guò)試湊的方法來(lái)確定最佳的隱含層的神經(jīng)元個(gè)數(shù)。因?yàn)檩斎雽由窠?jīng)元個(gè)數(shù)為5，輸出層神經(jīng)元個(gè)數(shù)為1，則在參考經(jīng)驗(yàn)公式l〈n-1，l〈（式中，n為輸入層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；a為0-10之間的常數(shù)）的基礎(chǔ)上，初步選取一個(gè)比較小的隱含層節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練，如果達(dá)到了規(guī)定的訓(xùn)練次數(shù)或者在有限的訓(xùn)練次數(shù)內(nèi)沒(méi)有收斂，則停止訓(xùn)練，然后逐步增加隱含層節(jié)點(diǎn)數(shù)，重新訓(xùn)練。綜合分析多次訓(xùn)練效果，最終確定該網(wǎng)絡(luò)的隱含層個(gè)數(shù)為兩個(gè)，且每個(gè)隱含層的個(gè)數(shù)分別為25和20。

為取消各維數(shù)據(jù)間數(shù)量級(jí)差別，避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成的網(wǎng)絡(luò)預(yù)測(cè)誤差較大，神經(jīng)網(wǎng)絡(luò)一般會(huì)對(duì)數(shù)據(jù)進(jìn)行歸一化處理。本文采用公式為的函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化，并將數(shù)據(jù)處理為在區(qū)間[0,1]之間的數(shù)據(jù)。

傳遞函數(shù)的選擇與輸入數(shù)據(jù)和輸出數(shù)據(jù)的取值區(qū)間有關(guān)，經(jīng)過(guò)多次實(shí)驗(yàn)，觀察網(wǎng)絡(luò)的訓(xùn)練效果，最終將第一個(gè)隱含層的傳遞函數(shù)參數(shù)確定為S型正切函數(shù)，第二個(gè)隱含層的傳遞函數(shù)參數(shù)確定為S型對(duì)數(shù)函數(shù)，輸出層的傳遞函數(shù)確定為線性函數(shù)。其對(duì)應(yīng)的函數(shù)數(shù)學(xué)表達(dá)式依次如下：

線性函數(shù)y=x

通過(guò)觀察多次訓(xùn)練效果，發(fā)現(xiàn)本網(wǎng)絡(luò)模型的收斂速度快、訓(xùn)練時(shí)間短且訓(xùn)練效果良好，因此該網(wǎng)絡(luò)選取BP網(wǎng)絡(luò)標(biāo)準(zhǔn)的最速下降法作為訓(xùn)練的方法即可。其他函數(shù)參數(shù)均選用BP神經(jīng)網(wǎng)絡(luò)工具箱的默認(rèn)值。

根據(jù)網(wǎng)絡(luò)的性能來(lái)設(shè)定網(wǎng)絡(luò)的訓(xùn)練參數(shù)。其中將網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)置為100次，如果超過(guò)該次數(shù)網(wǎng)絡(luò)仍然沒(méi)有收斂則表示網(wǎng)絡(luò)不收斂，訓(xùn)練停止；將網(wǎng)絡(luò)的最大確認(rèn)失敗次數(shù)設(shè)置為15次，即網(wǎng)絡(luò)的驗(yàn)證誤差連續(xù)15次沒(méi)有下降，則表明網(wǎng)絡(luò)的訓(xùn)練效果不好，訓(xùn)練停止；將網(wǎng)絡(luò)的訓(xùn)練目標(biāo)設(shè)置為0.003，當(dāng)網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到該目標(biāo)值時(shí)，訓(xùn)練停止。

三、Matlab仿真實(shí)現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)模型主要借助Matlab語(yǔ)言工具來(lái)實(shí)現(xiàn)。

根據(jù)上述構(gòu)建的網(wǎng)絡(luò)預(yù)測(cè)模型和函數(shù)參數(shù)的設(shè)置，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體訓(xùn)練過(guò)程如下：

（1）將訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，使其分布在[0,1]之間，并將預(yù)測(cè)輸入數(shù)據(jù)按照同樣的歸一化方式進(jìn)行歸一化處理。

（2）將歸一化后的數(shù)據(jù)輸入到網(wǎng)絡(luò)模型當(dāng)中，按BP網(wǎng)絡(luò)的學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)，其流程圖如圖2所示，最后將預(yù)測(cè)輸出進(jìn)行反歸一化處理。

（3）將預(yù)測(cè)輸出和期望輸出按照分?jǐn)?shù)區(qū)間劃分為三大類(lèi)，即優(yōu)秀、良好和不合格，并計(jì)算該網(wǎng)絡(luò)模型的準(zhǔn)確率。

圖2 BP學(xué)習(xí)算法流程

（4）畫(huà)出BP網(wǎng)絡(luò)預(yù)測(cè)輸出圖形和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比圖形

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)屬于有監(jiān)督式的學(xué)習(xí)，需要一組已知目標(biāo)輸出的學(xué)習(xí)樣本集。因此本文從2013年中國(guó)海洋大學(xué)NSSE-China問(wèn)卷中挑選出預(yù)測(cè)模型所需的1000組數(shù)據(jù)，并隨機(jī)抽取其中的900組數(shù)據(jù)作為訓(xùn)練樣本，其余100組數(shù)據(jù)作為檢驗(yàn)樣本，輸入到網(wǎng)絡(luò)模型當(dāng)中，得到如圖3所示的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)程曲線。從圖中可以看出，訓(xùn)練迭代次數(shù)達(dá)到5次時(shí)，網(wǎng)絡(luò)已經(jīng)收斂并且網(wǎng)絡(luò)的預(yù)測(cè)精度達(dá)到了設(shè)定的目標(biāo)值。訓(xùn)練達(dá)到要求后，選取100組作為檢驗(yàn)樣本，經(jīng)上述網(wǎng)絡(luò)模型輸出的結(jié)果與調(diào)查問(wèn)卷中所顯示的大學(xué)生深度學(xué)習(xí)水平評(píng)價(jià)等級(jí)的結(jié)果相比較具有一致性，其預(yù)測(cè)輸出與期望輸出的相對(duì)誤差較小。舉例如表2所示，由于用于測(cè)試網(wǎng)絡(luò)準(zhǔn)確度的檢驗(yàn)樣本較多，表2中只列舉了從檢驗(yàn)樣本中隨機(jī)挑選的10組數(shù)據(jù)進(jìn)行比較。

圖3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)程

表2

100組檢驗(yàn)樣本的BP網(wǎng)絡(luò)預(yù)測(cè)輸出如圖4所示，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比如圖5所示。從這兩幅圖中可以看出，在100組檢驗(yàn)樣本中有88組樣本的預(yù)測(cè)輸出值與其期望輸出值相符，預(yù)測(cè)準(zhǔn)確率高達(dá)88%，總體預(yù)測(cè)誤差嚴(yán)格控制在20%之內(nèi)。因此證明本文所構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型具有很高的預(yù)測(cè)精確度。

本文為了檢驗(yàn)預(yù)測(cè)輸出對(duì)期望輸出的擬合程度，在BP網(wǎng)絡(luò)訓(xùn)練完成后的處理過(guò)程中對(duì)預(yù)測(cè)輸出的結(jié)果進(jìn)行了回歸分析，回歸直線方程式為：y=0.18x+0.13，相關(guān)系數(shù)R=0.897，通常情況下相關(guān)系數(shù)R越接近1表明網(wǎng)絡(luò)的擬合程度越好，所以根據(jù)回歸分析說(shuō)明該模型的預(yù)測(cè)輸出有效。

由于該網(wǎng)絡(luò)的輸入和輸出值是隨機(jī)選取的，因此每次訓(xùn)練的結(jié)果均有一定程度的差異，本文對(duì)網(wǎng)絡(luò)進(jìn)行了10次訓(xùn)練，計(jì)算出的平均準(zhǔn)確率為85.3%。可以表明該網(wǎng)絡(luò)的準(zhǔn)確度比較理想，能夠根據(jù)院校間的五大可比指標(biāo)來(lái)預(yù)測(cè)大學(xué)生的深度學(xué)習(xí)水平，具有一定的應(yīng)用價(jià)值。

四、結(jié)論

BP神經(jīng)網(wǎng)絡(luò)具有“相似形輸入，相似形輸出”的特征，所以該方法的預(yù)測(cè)精度和科學(xué)性不僅取決于訓(xùn)練樣本的數(shù)量，更取決于訓(xùn)練樣本的質(zhì)量。[9]訓(xùn)練樣本的數(shù)量越多，質(zhì)量越高，越能精確地預(yù)測(cè)出大學(xué)生的深度學(xué)習(xí)水平。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織和自適應(yīng)性，因此利用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型，可以使其預(yù)測(cè)結(jié)果更加精準(zhǔn)且富有合理性。

圖4 BP網(wǎng)絡(luò)預(yù)測(cè)輸出

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比

本文構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型，具有預(yù)測(cè)精度高、學(xué)習(xí)速度快等特點(diǎn)。通過(guò)此預(yù)測(cè)模型，既可以使大學(xué)生及時(shí)地掌握自身的學(xué)習(xí)情況，也可以使教師更加方便地評(píng)價(jià)本班學(xué)生的學(xué)習(xí)狀況并有針對(duì)性地改善自己的教學(xué)策略，同時(shí)，也可以為學(xué)校的教學(xué)改革提供科學(xué)性的指導(dǎo)。因此利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測(cè)模型，在學(xué)習(xí)分析和教育改革領(lǐng)域具有一定的實(shí)用價(jià)值和廣泛的使用前景。

[1]Marton F.and SljR.On Qualitative differences in learning-Outcome and Process[J].British Journal of Edu－cational Psychology 1976(46):4-11.

[2]何玲,黎加厚.促進(jìn)學(xué)生深度學(xué)習(xí)[J].計(jì)算機(jī)教與學(xué),2005(5):29-30.

[3]王玨.杜威的教育思想與深度學(xué)習(xí)[J].教育技術(shù)導(dǎo)刊,2005(9):6-8.

[4]唐吉洪,張秀琦,程琳.基于BP神經(jīng)網(wǎng)絡(luò)的教師教育技術(shù)能力培訓(xùn)評(píng)價(jià)[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013(6):249-252.

[5]張文毅,李漢邦.NSSE對(duì)我國(guó)本科教學(xué)工作評(píng)估的啟示[J].中國(guó)高教研究,2009(10):19-22.

[6]ROSS H,CEN,Y.Reinterpreting quality through assessingstudentengagementin china[G].//SOLOMONIDES I,PETOCZ P,REID A(Eds.).Engaging with Learning in Higher Education.Faringdon,Oxfordshire:Libri,2012: 383-411.

[7]清華大學(xué)“全國(guó)大學(xué)生學(xué)習(xí)與發(fā)展追蹤研究”課題.NSSE-China 2013問(wèn)卷使用手冊(cè)[Z].2013.

[8]吳凡.中美研究型大學(xué)本科生學(xué)業(yè)挑戰(zhàn)度的比較研究[J].中國(guó)大學(xué)教學(xué),2012(10):92-96.

[9]喬維德.基于BP神經(jīng)網(wǎng)絡(luò)的現(xiàn)代遠(yuǎn)程教育教學(xué)質(zhì)量評(píng)價(jià)模型的構(gòu)建[J].中國(guó)遠(yuǎn)程教育,2006(7):69-71.

（編輯:王天鵬）

G434

1673-8454（2015）23-0072-04