基于網(wǎng)絡(luò)的學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型及仿真

李莉，廖忠慧

（江蘇大學(xué)江蘇鎮(zhèn)江212013）

基于網(wǎng)絡(luò)的學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型及仿真

李莉，廖忠慧

（江蘇大學(xué)江蘇鎮(zhèn)江212013）

基于更好地掌握學(xué)生自主學(xué)習(xí)質(zhì)量的目的，采用BP神經(jīng)網(wǎng)絡(luò)算法，以學(xué)生利用網(wǎng)絡(luò)答疑系統(tǒng)學(xué)習(xí)的內(nèi)容、過程、成效作為網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型的評(píng)價(jià)指標(biāo)，建立了網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型。通過建立好的模型對(duì)學(xué)生網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量進(jìn)行監(jiān)測(cè)，得出學(xué)生網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量的結(jié)果，根據(jù)監(jiān)測(cè)結(jié)果分析學(xué)生學(xué)習(xí)的特征，教師進(jìn)行有針對(duì)性的教學(xué)改革以及學(xué)生的個(gè)性化指導(dǎo)。測(cè)試結(jié)果表明，該監(jiān)測(cè)模型準(zhǔn)確率高，能為教師監(jiān)測(cè)學(xué)習(xí)質(zhì)量提供可靠數(shù)據(jù)。

網(wǎng)絡(luò)學(xué)習(xí)；監(jiān)測(cè)；評(píng)價(jià)指標(biāo)；個(gè)性化指導(dǎo)；BP神經(jīng)網(wǎng)絡(luò)

隨著社會(huì)計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，大學(xué)生將過多的課余時(shí)間用于上網(wǎng)，而用于課外自主學(xué)習(xí)的時(shí)間相對(duì)較少。對(duì)于正在攝取文化知識(shí)的大學(xué)生而言，除課堂上在老師的指導(dǎo)下學(xué)習(xí)外，還必須加強(qiáng)課外自主學(xué)習(xí)。課外自主學(xué)習(xí)因其獨(dú)立性有助于學(xué)生自主探討能力的培養(yǎng)，有助于學(xué)生發(fā)現(xiàn)問題研究問題解決問題能力的培養(yǎng)，在一定程度上提高了自主學(xué)習(xí)的興趣，從而提高學(xué)習(xí)的質(zhì)量。現(xiàn)代網(wǎng)絡(luò)教育環(huán)境為大學(xué)生自主學(xué)習(xí)提供了良好的學(xué)習(xí)平臺(tái)。從某種意義上說，學(xué)生利用網(wǎng)絡(luò)教學(xué)平臺(tái)學(xué)習(xí)的質(zhì)量，不僅反映學(xué)生自主學(xué)習(xí)的態(tài)度，也在一定程度上反映了一個(gè)學(xué)校應(yīng)用信息化水平的高低。

現(xiàn)階段，國(guó)內(nèi)外許多學(xué)者基于不同的研究視角對(duì)網(wǎng)絡(luò)教育下大學(xué)生的自主學(xué)習(xí)進(jìn)行了研究，并取得了豐碩的成果。Moore&Howland認(rèn)為自主學(xué)習(xí)對(duì)于能否通過網(wǎng)絡(luò)交流電子學(xué)習(xí)資料非常重要，他們指出網(wǎng)絡(luò)自主學(xué)習(xí)的效果與學(xué)習(xí)者對(duì)網(wǎng)絡(luò)自主學(xué)習(xí)持有的態(tài)度成正相關(guān)［1］。張瑋提出了基于網(wǎng)絡(luò)教學(xué)平臺(tái)的大學(xué)生應(yīng)用自主學(xué)習(xí)過程管理模式，為構(gòu)建大學(xué)生基于網(wǎng)絡(luò)教學(xué)平臺(tái)自主學(xué)習(xí)的機(jī)制提供了借鑒［2］。這些研究?jī)H僅是從理論上對(duì)網(wǎng)絡(luò)教育下大學(xué)生自主學(xué)習(xí)的優(yōu)勢(shì)、影響因素等方面進(jìn)行了討論，對(duì)于教師通過大學(xué)生利用網(wǎng)絡(luò)教育學(xué)習(xí)的情況來(lái)監(jiān)測(cè)學(xué)生自主學(xué)習(xí)態(tài)度進(jìn)而對(duì)學(xué)生進(jìn)行個(gè)性化指導(dǎo)的研究較少。本文構(gòu)建的網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型是以網(wǎng)站為基礎(chǔ)，通過收集、整理學(xué)生網(wǎng)絡(luò)答疑系統(tǒng)的網(wǎng)絡(luò)行為數(shù)據(jù)（包括瀏覽網(wǎng)站各站點(diǎn)的次數(shù)和提出問題、回答問題等的次數(shù)），根據(jù)學(xué)生網(wǎng)絡(luò)學(xué)習(xí)的特征，定義了監(jiān)測(cè)指標(biāo)體系，建立了BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)模型。利用訓(xùn)練好的模型對(duì)學(xué)生使用該平臺(tái)學(xué)習(xí)的質(zhì)量進(jìn)行監(jiān)測(cè)，教師根據(jù)反饋的監(jiān)測(cè)結(jié)果分析學(xué)生自主學(xué)習(xí)的特征，從而有針對(duì)性的改變教學(xué)方案，對(duì)學(xué)生進(jìn)行個(gè)性化指導(dǎo)，對(duì)提高學(xué)校的教學(xué)質(zhì)量有著重要意義。

1　網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)指標(biāo)體系

分析和評(píng)價(jià)一個(gè)學(xué)生學(xué)習(xí)質(zhì)量的好壞，除了進(jìn)行定性的描述和分析外，更重要的是需要對(duì)其進(jìn)行定量描述和定量分析。將抽象的描述對(duì)象按屬性和特征量化，建立一個(gè)指標(biāo)體系，使指標(biāo)體系科學(xué)化、規(guī)范化并對(duì)其進(jìn)行分析和評(píng)價(jià)。

在分析已有的網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)體系的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)的基本原則與方法，從學(xué)生利用網(wǎng)絡(luò)答疑系統(tǒng)學(xué)習(xí)的內(nèi)容、過程、成效3個(gè)方面建立網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)指標(biāo)（見表1）。

1）學(xué)習(xí)的專業(yè)內(nèi)容：學(xué)生使用網(wǎng)絡(luò)答疑系統(tǒng)學(xué)習(xí)的內(nèi)容就是教師上傳的一些相關(guān)學(xué)習(xí)資料，包括教師的教學(xué)課件、文本資料以及微課程的視頻。同時(shí)，教師在主站上傳部分熱點(diǎn)問題供學(xué)生快速查找，及時(shí)掌握重要知識(shí)點(diǎn)。因此，二級(jí)指標(biāo)包括：資料下載的次數(shù)，瀏覽熱點(diǎn)問題的次數(shù)。

2）學(xué)生學(xué)習(xí)的過程：學(xué)習(xí)的過程就是使用網(wǎng)絡(luò)答疑系統(tǒng)自主學(xué)習(xí)的過程。論壇模塊為學(xué)生自主提問、回答別人問題以及參與討論提供了一個(gè)平臺(tái)，留言板模塊供學(xué)生提出問題并提供教師的回復(fù)，為了避免教師重復(fù)回答學(xué)生提出的相同問題，學(xué)生在提問之前可以首先通過搜索關(guān)鍵字查看老師給出的相關(guān)問題的答復(fù)，微課程在線播放的次數(shù)（每次播放時(shí)間大于10s記為一次播放）直接反映學(xué)生對(duì)知識(shí)的渴望程度。因此，二級(jí)指標(biāo)包括：參與討論的次數(shù)，提出問題的次數(shù)，搜索關(guān)鍵詞的次數(shù)，在線播放的次數(shù)。

3）學(xué)習(xí)的成效：最能體現(xiàn)一個(gè)學(xué)生學(xué)習(xí)質(zhì)量的指標(biāo)就是使用該系統(tǒng)學(xué)習(xí)的成效。學(xué)生在論壇模塊給出正確的答案并被教師采納不僅可以供其他同學(xué)參考，還可以減輕教師的工作量，課后練習(xí)、階段測(cè)試可以幫助老師及時(shí)掌握某一階段學(xué)生的學(xué)習(xí)情況。因此，二級(jí)指標(biāo)包括：回答問題的正確率、完成的練習(xí)、完成的階段測(cè)試。

表1　評(píng)價(jià)指標(biāo)體系

2　建立BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)模型

2.1數(shù)據(jù)來(lái)源與統(tǒng)計(jì)方法

文中所有數(shù)據(jù)來(lái)源于所建的網(wǎng)絡(luò)答疑系統(tǒng)網(wǎng)站，網(wǎng)站網(wǎng)址（http://www.dyxt.ujs.edu.cn）。以江蘇大學(xué)理學(xué)院13級(jí)某個(gè)班級(jí)的30位學(xué)生為數(shù)據(jù)源建立指標(biāo)體系的數(shù)據(jù)，時(shí)間跨度為七周。采用網(wǎng)站跟蹤統(tǒng)計(jì)算法，利用Alexa網(wǎng)站評(píng)價(jià)系統(tǒng)長(zhǎng)期地、持續(xù)地跟蹤學(xué)習(xí)質(zhì)量監(jiān)測(cè)指標(biāo)，對(duì)指標(biāo)進(jìn)行統(tǒng)計(jì)分析后的數(shù)據(jù)保存在以每個(gè)學(xué)生注冊(cè)時(shí)所用的學(xué)號(hào)命名的數(shù)據(jù)庫(kù)中。為了保證統(tǒng)計(jì)數(shù)據(jù)的有效性，在算法中定義在網(wǎng)頁(yè)停留時(shí)間超過10秒且小于15分鐘的為一次有效訪問，最終得到所有統(tǒng)計(jì)數(shù)據(jù)。前24組數(shù)據(jù)為訓(xùn)練樣本，后6組數(shù)據(jù)為檢驗(yàn)樣本。數(shù)據(jù)采樣表見表2。

表2　數(shù)據(jù)采樣表

2.2BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)模型建立的具體步驟如下：

1）網(wǎng)絡(luò)層數(shù)的確定根據(jù)Kolmogrov理論，多層前向神經(jīng)網(wǎng)絡(luò)具有理論上可逼近任意非線性連續(xù)映射的能力，因而非常適合于非線性系統(tǒng)的建模及控制。本文構(gòu)建一個(gè)雙層的BP神經(jīng)網(wǎng)絡(luò)模型。第一個(gè)隱層用于完成輸入信號(hào)的空間加權(quán)聚合及激勵(lì)輸出，第二個(gè)隱層用于提高網(wǎng)絡(luò)對(duì)系統(tǒng)輸入輸出之間復(fù)雜關(guān)系的非線性映射能力。

2）網(wǎng)絡(luò)輸入層、輸出層節(jié)點(diǎn)數(shù)的確定神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層神經(jīng)元的節(jié)點(diǎn)數(shù)應(yīng)由問題的外部描述來(lái)確定。

輸入層節(jié)點(diǎn)的多少與監(jiān)測(cè)指標(biāo)個(gè)數(shù)相對(duì)應(yīng)。根據(jù)網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)指標(biāo)體系，可以把二級(jí)指標(biāo)作為輸入層節(jié)點(diǎn)數(shù)，因此，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為9個(gè)。

輸出層，這里以對(duì)學(xué)生利用該平臺(tái)自主學(xué)習(xí)的知識(shí)內(nèi)容C1、學(xué)習(xí)效果C2、學(xué)習(xí)態(tài)度C3的監(jiān)測(cè)結(jié)果作為系統(tǒng)的輸出，輸出順序依次為C1、C2、C3。因此，BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)應(yīng)為3個(gè)。其中，學(xué)習(xí)內(nèi)容以搜索關(guān)鍵詞的次數(shù)為監(jiān)測(cè)依據(jù)，根據(jù)建立的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型檢索出來(lái)的高頻關(guān)鍵詞（設(shè)定被搜索超過50次的關(guān)鍵詞為高頻關(guān)鍵詞）的次數(shù)，然后采用哈希算法［3-4］統(tǒng)計(jì)出所有的高頻關(guān)鍵詞的具體知識(shí)點(diǎn)，以文本的形式保存下來(lái)作為最終輸出。學(xué)習(xí)效率以一級(jí)評(píng)價(jià)指標(biāo)A3為監(jiān)測(cè)依據(jù)，學(xué)習(xí)態(tài)度以一級(jí)指標(biāo)A1、A2為監(jiān)測(cè)依據(jù)，輸出均分為優(yōu)秀、良好、中等、一般、差5個(gè)等級(jí)，轉(zhuǎn)化成相應(yīng)數(shù)字5、4、3、2、1。

3）網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定對(duì)于BP網(wǎng)絡(luò)各隱層神經(jīng)元數(shù)的選取，本文采用目前較為普遍的Kolmogrov定理確定隱層單元數(shù)，即各隱層元數(shù)M≤2n+1（n為輸入向量）。在確定隱層神經(jīng)元數(shù)時(shí)，先根據(jù)Kolmogrov定理得出一個(gè)初始神經(jīng)元數(shù)，然后采用逐步增長(zhǎng)或逐步修剪法確定最終神經(jīng)元數(shù)［5］。

4）激活函數(shù)的確定隱層單元上的激活函數(shù)，選取tansig雙曲正切函數(shù)。評(píng)估結(jié)果的期望輸出值經(jīng)過歸一化處理后均落于［0 1］區(qū)間內(nèi)，輸出層單元上的激活函數(shù)取為Sigmnid函數(shù)，函數(shù)形式為:

5）模型的確立綜合上述分析，建立一個(gè)結(jié)構(gòu)為9-18-9-3的BP神經(jīng)網(wǎng)絡(luò)如圖1所示。

圖1　網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型

2.3BP算法的學(xué)習(xí)

BP算法的學(xué)習(xí)步驟如下：

1）歸一化處理：采集到樣本后，樣本數(shù)據(jù)要輸入到BP網(wǎng)絡(luò)前，必須進(jìn)行歸一化處理。本文采用最大最小值法進(jìn)行歸一化處理，將輸入、輸出數(shù)據(jù)映射到［0 1］范圍內(nèi)。變化式如下：

其中，X，x分別為轉(zhuǎn)換前、后的值，Xmax、Xmin分別為樣本的最大值和最小值。

2）始化網(wǎng)絡(luò)各層的權(quán)值ω均為0.1、閾值θ均為0.2，設(shè)置誤差目標(biāo)E值，給定迭代次數(shù)T=20O0，令網(wǎng)絡(luò)學(xué)習(xí)精度l= 0.001，將第一組數(shù)據(jù)輸入進(jìn)行運(yùn)算；

3）根據(jù)公式（3）（4）將輸入層數(shù)據(jù)導(dǎo)入隱含層神經(jīng)節(jié)點(diǎn)內(nèi)進(jìn)行計(jì)算；

4）根據(jù)公式（3）（4）將隱含層數(shù)據(jù)導(dǎo)入輸出層神經(jīng)節(jié)點(diǎn)內(nèi)進(jìn)行計(jì)算；

5）調(diào)整參數(shù)：計(jì)算輸出值：Oj=xj，實(shí)際值：Tj。

①根據(jù)公式（5）計(jì)算輸出節(jié)點(diǎn)的數(shù)據(jù)誤差；

②根據(jù)公式（6）計(jì)算隱含層節(jié)點(diǎn)的數(shù)據(jù)誤差；

③根據(jù)公式（7）（8）調(diào)整各節(jié)點(diǎn)權(quán)值；

④根據(jù)公式（9）（10）調(diào)整各節(jié)點(diǎn)的閾值；

6）將參數(shù)更新之后繼續(xù)處理下一組數(shù)據(jù)，直到30組數(shù)據(jù)全部輸入運(yùn)算完畢。

2.4網(wǎng)絡(luò)學(xué)習(xí)

利用Matlab提供的nntool工具箱［6］，建立一個(gè)結(jié)構(gòu)為9-18-9-3的BP神經(jīng)網(wǎng)絡(luò)，將24個(gè)訓(xùn)練樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，啟動(dòng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。通過不斷執(zhí)行迭代過程，直到滿足學(xué)習(xí)精度為止，保存學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)經(jīng)過865次迭代后達(dá)到訓(xùn)練最佳目標(biāo)，BP網(wǎng)絡(luò)訓(xùn)練過程中的誤差變化如圖2所示，其中橫坐標(biāo)為網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)，縱坐標(biāo)為網(wǎng)絡(luò)的誤差。此時(shí)，均方誤差（Mean Squared Error）為0.000 996 54。

圖2BP網(wǎng)絡(luò)訓(xùn)練過程誤差變化

2.5監(jiān)測(cè)模型輸出結(jié)果

將6個(gè)檢驗(yàn)樣本數(shù)據(jù)輸入學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)，利用建立的網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型進(jìn)行訓(xùn)練，輸出結(jié)果C1如表3所示，C2、C3如表4所示。

表3　監(jiān)測(cè)模型C1（知識(shí)內(nèi)容）輸出結(jié)果

3　個(gè)性化指導(dǎo)

利用建立的模型對(duì)注冊(cè)使用該平臺(tái)的學(xué)生進(jìn)行監(jiān)測(cè)前七周的課程學(xué)習(xí)情況，根據(jù)監(jiān)測(cè)結(jié)果，教師調(diào)整后期的教學(xué)方案，并對(duì)學(xué)生進(jìn)行個(gè)性化指導(dǎo)。進(jìn)一步對(duì)后期學(xué)習(xí)情況的監(jiān)測(cè)，根據(jù)C1輸出的高頻關(guān)鍵詞可以歸納出本課程所有知識(shí)點(diǎn)以及每個(gè)學(xué)生對(duì)知識(shí)掌握的薄弱點(diǎn)，有利于對(duì)學(xué)生復(fù)習(xí)進(jìn)行集體知識(shí)點(diǎn)輔導(dǎo)。通過上述遞進(jìn)監(jiān)測(cè)，教師可以對(duì)其后該課程的授課內(nèi)容、難易程度、教學(xué)方法等重新劃分知識(shí)點(diǎn)的重難點(diǎn)，同時(shí)利用該平臺(tái)學(xué)生的自主學(xué)習(xí)特征，制訂一個(gè)常規(guī)化的指導(dǎo)系統(tǒng)，引導(dǎo)學(xué)生制訂合理的學(xué)習(xí)計(jì)劃，充分調(diào)動(dòng)學(xué)生自主學(xué)習(xí)的積極性，明確學(xué)習(xí)目標(biāo)和學(xué)習(xí)計(jì)劃，尋求高效率的學(xué)習(xí)策略，充分挖掘?qū)W生自主學(xué)習(xí)的潛能。

表4　監(jiān)測(cè)模型C2（學(xué)習(xí)效果）、C3（學(xué)習(xí)態(tài)度）輸出結(jié)果

4　結(jié)束語(yǔ)

本研究利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能構(gòu)建了網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量監(jiān)測(cè)模型，仿真結(jié)果表明本研究建立的指標(biāo)體系是合理可行的。利用本研究所建立的監(jiān)測(cè)體系，可以快速而有效地將定性的監(jiān)測(cè)轉(zhuǎn)化為定量的直觀的監(jiān)測(cè)。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)自身具有的強(qiáng)自學(xué)習(xí)性、自適應(yīng)性與容錯(cuò)性等特點(diǎn)可以與學(xué)習(xí)質(zhì)量監(jiān)測(cè)有效地結(jié)合，教師可以通過監(jiān)測(cè)掌握學(xué)生學(xué)習(xí)特征，對(duì)學(xué)生進(jìn)行個(gè)性化指導(dǎo)，學(xué)生可以通過監(jiān)測(cè)選擇自主學(xué)習(xí)內(nèi)容，大大節(jié)省了人力物力，為學(xué)校提高教學(xué)質(zhì)量提供了便利條件。

［1］田華，王旭卿.基于3G時(shí)代支持移動(dòng)學(xué)習(xí)的網(wǎng)絡(luò)教學(xué)平臺(tái)探討［J］.中國(guó)現(xiàn)代教育裝備，2010（5）:26-29.

［2］Akkoyunlu B，Soylu M Y.A Study of student's perceptions in a blended learning environment based on different learning styles［J］.Educational Technology&Society，2008（1）:183-193.

［3］Salakhutdinov R，Hinton G.Semantic hashing［J］.International Journal of Approximate Reasoning，2009，50（7）:969-978.

［4］Weiss Y，Torralba A，F(xiàn)ergus R.Spectral Hashing［J］.Advances in Neural Information Processing Systems，2008（21）：1753-1760.

［5］卓金武.MATLAB在數(shù)學(xué)建模中的應(yīng)用［M］.北京:北京航空航天出版社，2011.

［6］郭利輝，周雅.基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)設(shè)計(jì)［J］.信息技術(shù)與信息化，2009（3）：20-22.

Model and emulation of the learning quality monitoring based on network

LI Li，LIAO Zhong-hui
（College of JiangSu University，Zhenjiang 212013，China）

Based on the purpose of better to grasp the quality of students'autonomous learning，by using BP neural network algorithm，the content，processes and effectiveness of the network answering system as the evaluation indicators for the learning quality monitoring system，the learning quality monitoring system is established.Using the well-established model for monitoring the quality of student learning，the teachers analyzed the characteristics of student learning according to the monitoring results，concluded that results of the online learning quality，targeted to change teaching reform and personalized guidance to students.Test results show that the accuracy of the monitoring system is high and provided reliable data to monitorthe quality of learning for teachers.

network learning；monitoring；evaluation indicators；personalized guidance；BP neural network

TN99

A

1674－6236（2016）17-0031-04

2015-09-10稿件編號(hào)：201509075

李莉（1964—），女，陜西蒲城人，博士，副教授。研究方向：智能控制研究。