離散Hopfield 神經網絡模型在微課自主學習效果評價中的應用研究

梁博 劉甲奇 杜野 王仲文 王偉華 張偉 李軍平

摘要：近年來，微課以其教學主題突出、教學方法創新的特點掀起了一股熱潮。如何準確的評價學生微課自主學習效果已成為微課設計者所要面臨的重要問題。傳統數學模型如AHP模型等，難以對其進行準確的評估。本文基于材型學生《物理化學》微課（基于騰訊微信公眾平臺）的自主學習情況，使用離散Hopfield神經網絡模型對學生自主學習效果進行評價。模型仿真結果表明離散Hopfield神經網絡模型的評價結果非常準確，可以很好地運用于學生微課自主學習效果的評價。

關鍵詞：微課;自主學習效果評價;Hopfield神經網絡模型

1前言

2011年“微課”概念提出來后，微課開始在全國如火如荼地開展起來。微課短時間內在世界范圍內引起了巨大的反響，對現行的教育模式和方法產生了巨大的沖擊。如何準確的評價學生微課自主學習效果已成為目前微課設計者所要面臨的一個重要問題。目前研究者大都使用傳統數學模型如AHP模型等，但這些模型難以對其進行準確的評估。而離散Hopfield神經網絡模型作為一種優良的非線性問題識別器，可以很好的彌補傳統評價模型的不足。本文基于材型學生《物理化學》微課（基于騰訊微信公眾平臺）的自主學習情況，使用離散Hopfield神經網絡模型對學生自主學習效果進行評價。

2.模型簡介

Hopfield網絡是由美國California Institute of Technology物理學家Hopfield 教授于1982年所提出的一種具有單層反饋的神經網絡[1]。Hopfield神經網絡具有聯想記憶的功能，它能完成從輸出到輸入的閉環連接。它在輸入的激勵下，會產生不斷的狀態變化。

可以把指標評價問題看作是一種分類問題，將學生自主學習效果分成若干類，因此首先要建立評價學生自主學習效果的體系，并收集學生自主學習效果數據，然后采用一定的算法對數據建模，最后通過Hopfield網絡模型對數據進行分類，得到評價結果。

3.模型建立

Step1 將學生自主學習效果分為五類標準：很好、好、中、差、很差，分別定義為class1、class2、class3、class4、class5[2] 。

Step2 根據模型原理可知“-1”和“1”是Hopfield神經網絡有且僅有的兩個狀態。故需要對五個評價指標進行編碼從而轉化為“-1”和“1”兩個狀態。在此我們定義了如下編碼規則：

Step3 計算Hopfield神經網絡模型 ，其中 為連接矩陣的權重，xj是外部輸入，yi為

4.模型求解

利用MATLAB R2016a對模型進行求解，代碼如下：

通過求解，結果如圖1所示。

將五個標準的等級評價指標保存在class文件中，對應圖1（a）中的class1-5，根據編碼規則，得到待分類等級指標評價分布，對應圖1（b）中的pre-sim1-5。雖然圖1（a）和圖1（b）存在一定差異但比較接近。利用sim函數對樣本進行仿真得到分類結果見圖1（c）sim1-5，結果表明學生利用微課自主學習的效果可分為五類，這與Step1定義分類標準一致。圖1（a）與圖1（c）的樣本分布完全相同說明Hopfield神經網絡模型對學生微課自主學習效果評價準確度很高[3]。

5.結論

本文基于材型學生《物理化學》微課（基于騰訊微信公眾平臺）的自主學習情況，使用離散Hopfield神經網絡模型對學生微課自主學習效果進行評價。結果表明，Hopfield神經網絡模型可以較為準確的評價學生自主學習效果，且評價過程中沒有人為主觀因素的干擾，是一種較為客觀的評價方法。

參考文獻：

[1]吳海燕. 基于離散Hopfield神經網絡的高校創業能力評價[J]. 物流工程與管理， 2018（4）： 194-196

[2]黎明， 楊小芹， 周琳霞. 基于局部進化的Hopfield神經網絡的優化計算方法[J]. 中國圖象圖形學報， 2004， 9（2）：207-213

[3]陶增樂， 章炯民， 吳文娟. 推廣的Hopfield神經網絡模型[J]. 計算機應用與軟件， 1996（4）：6-12

基金項目：哈爾濱理工大學教育教學研究項目（重點）（220180001）。

作者簡介：梁博（1986-），男，副教授，漢族。

通訊作者：杜野（1976-），男，副教授，漢族。