從再現(xiàn)到預測：基于BP神經(jīng)網(wǎng)絡的中小學生數(shù)字閱讀素養(yǎng)評測體系研究

王佑鎂　李寧宇　尹以晴　柳晨晨

[摘? ?要] 針對現(xiàn)有數(shù)字閱讀素養(yǎng)評測中存在的概念不清和多采用主觀構建評測指標等問題，有必要引入人工智能技術來改進評測方法。首先，使用層級分析法（AHP）確定數(shù)字閱讀素養(yǎng)各維度及其指標權重，形成面向中小學生的數(shù)字閱讀素養(yǎng)評測指標體系;其次，利用BP神經(jīng)網(wǎng)絡訓練所收集的樣本數(shù)據(jù)，生成能夠再現(xiàn)專家評價體系的神經(jīng)網(wǎng)絡模型;最后，根據(jù)所開發(fā)的數(shù)字閱讀素養(yǎng)評測系統(tǒng)得到數(shù)字閱讀素養(yǎng)評測值，利用BP神經(jīng)網(wǎng)絡學習樣本中關于專家指標值和評測值的映射關系，驗證數(shù)字閱讀素養(yǎng)評測指標權重的合理性，并存儲該BP神經(jīng)網(wǎng)絡用于預測中小學生數(shù)字閱讀素養(yǎng)評測值，從而形成客觀合理的數(shù)字閱讀素養(yǎng)評測體系，為我國中小學生數(shù)字閱讀評測提供模型、工具和技術系統(tǒng)，也為相關領域評價體系建構提供一種方法。

[關鍵詞] BP神經(jīng)網(wǎng)絡; 數(shù)字閱讀素養(yǎng); 層級分析法; 人工智能

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 王佑鎂（1974—），男，江西吉安人。教授，博士，主要從事人工智能教育、數(shù)字閱讀研究。E-mail：wangyoumei@126.com。

一、問題的提出

迅猛發(fā)展的互聯(lián)網(wǎng)技術和不斷普及的移動終端，使得數(shù)字閱讀成為中小學生語言文字理解和知識建構的重要方式，數(shù)字閱讀素養(yǎng)已成為個體數(shù)字化生存的核心素養(yǎng)[1-2]。數(shù)字閱讀是近年國內(nèi)外學術研究的熱門議題，但數(shù)字閱讀素養(yǎng)研究卻沒有得到應有重視。總體上看，國內(nèi)研究多傾向于概念分析和經(jīng)驗研究，未能闡明中小學生數(shù)字閱讀素養(yǎng)的結構內(nèi)涵與評價指標[3];國外重要評測項目研究多從單一視角開展，缺少多模型的理論視域和技術分析[4]，因此，使用新興研究技術和方法對其評測指標開展研究顯得尤為必要。同時，國內(nèi)中小學生數(shù)字閱讀素養(yǎng)評測技術工具研究明顯滯后，國外數(shù)字閱讀素養(yǎng)評測嵌入在閱讀素養(yǎng)或者學業(yè)水平測試系統(tǒng)中，但尚未見獨立的、成熟的評測量表與樣卷[5]，需要建構系統(tǒng)性強、操作性好的評測系統(tǒng)。

由于數(shù)字閱讀素養(yǎng)上下級指標之間是典型的非線性映射，傳統(tǒng)的統(tǒng)計學和結構方程模型（SEM）在解釋非因果關系的維度變量中有著較大局限性，而具有自主學習能力、自適應組織能力及強非線性映射能力的BP神經(jīng)網(wǎng)絡[6]，能被用于解決上述困境和不足。本研究根據(jù)中小學生數(shù)字閱讀實際情況，建立一套合理的數(shù)字閱讀素養(yǎng)評測指標體系以及評測系統(tǒng)，根據(jù)評價指標體系設計調(diào)查問卷，利用層級分析法對指標體系進行權重賦值，采用抽樣調(diào)查收集數(shù)據(jù)，并利用中小學生樣本對象的評測數(shù)據(jù)，以數(shù)字閱讀素養(yǎng)問卷觀測指標值為輸入、以數(shù)字閱讀素養(yǎng)系統(tǒng)評測值為輸出構成樣本集，采用BP神經(jīng)網(wǎng)絡對其進行分析和樣本訓練，生成輸入與輸出之間的非線性映射關系，形成基于BP神經(jīng)網(wǎng)絡的數(shù)字閱讀素養(yǎng)評測體系，為我國中小學生數(shù)字閱讀素養(yǎng)評測提供支持，也為相關領域評價體系建構提供一種方法。

二、基于BP神經(jīng)網(wǎng)絡的中小學生

數(shù)字閱讀素養(yǎng)評估模型

數(shù)字閱讀素養(yǎng)評測是一項系統(tǒng)性和復雜性的工作，也是一種綜合評價過程。其中，建立評價指標體系是最重要的要素之一，是其基礎和核心[7]。國內(nèi)的相關研究分別從數(shù)字化視角、閱讀視角和混合視角對數(shù)字閱讀素養(yǎng)的概念內(nèi)涵進行了初步厘清，也在數(shù)字閱讀素養(yǎng)能力結構的界定方面形成了三分法[8]（數(shù)字閱讀意識、能力、道德）、四分法[9]（數(shù)字閱讀意識、知識、技能、倫理）、五分法[4]（數(shù)字閱讀意識、知識、能力、方法策略、道德）的內(nèi)涵結構體系。而國外的有關研究重視傳統(tǒng)閱讀素養(yǎng)測試中嵌入數(shù)字閱讀素養(yǎng)評測，比較有影響的包括PISA、ePIRLS、ORCA等。因此，本研究基于素養(yǎng)模型、閱讀素養(yǎng)、數(shù)字閱讀行為、數(shù)字素養(yǎng)等理論視角，整合素養(yǎng)結構—閱讀過程—數(shù)字能力三維結構，建立中小學生數(shù)字閱讀素養(yǎng)的DaRpLs內(nèi)涵模型（如圖1所示），并以此為理論基礎，融合國內(nèi)有關數(shù)字閱讀素養(yǎng)的研究，以及PISA、ePIRLS、OCRA等大規(guī)模國際評測指標體系中的數(shù)字閱讀素養(yǎng)體系，進行中小學生數(shù)字閱讀素養(yǎng)的評價指標開發(fā)。聚焦中小學生閱讀認知理解、信息素養(yǎng)能力、創(chuàng)新性問題解決和道德倫理素養(yǎng)，建構包括數(shù)字閱讀意識、數(shù)字閱讀知識、數(shù)字閱讀能力、數(shù)字閱讀道德在內(nèi)的中小學生數(shù)字閱讀素養(yǎng)評價維度，映射至意識、元認知、行為、人際四大應用領域，形成從評價維度到觀測點的三級評測指標體系，如圖2所示。

（一）數(shù)字閱讀素養(yǎng)評價指標權重的建立

數(shù)字閱讀素養(yǎng)評測是一項復雜的、綜合性的評測活動。因此，只確定中小學生數(shù)字閱讀評測指標體系是不夠的，需要對各評價指標的權重進行設置。層級分析法（Analytic Hierarchy Process，簡稱AHP）常被用于結合定性分析和定量分析，把復雜的問題分解成層次問題，極大地便于人們解決問題。層級分析法的基本思想是先對復雜的決策問題進行分解，得到具有關聯(lián)性的有序?qū)哟谓Y構。由于同層次的不同指標點進行比較會存在各自不同的相對重要性，因此，便會形成若干個同級指標兩兩比較下的判斷矩陣，依次計算出各層指標元素的相對重要性權值，最后根據(jù)各層次之間指標上下級相對權重形成全部指標的權重，并據(jù)此對研究問題作出全面評估[10]。

層級分析法中構建指標層次結構需要滿足以下條件：（1）同層指標為上層指標的子指標，并對上層指標產(chǎn)生影響;（2）同時該層指標又會影響下層指標，并受到下層指標的反作用;（3）同層指標保持相互獨立。這些層次具體可分為目標層、準則層和方案層。雖然不對層次結構中的級別個數(shù)進行限制，但也要根據(jù)問題的復雜程度謹慎設置層次數(shù)，盡量確保各個層次的指標數(shù)不超過9個，以免形成過多兩兩比較而對判斷矩陣的構建造成困難。

本研究的專家小組首先通過對數(shù)字閱讀素養(yǎng)影響因素的深入分析，根據(jù)普遍采用的1-9標度法，對各級指標建立起各級判斷矩陣。其次，使用MATLAB軟件進行軟件編程，求解出判斷矩陣的最大特征根λ，以及和λ所對應的特征向量;隨后對所求解進行一致性檢驗，得到的檢驗結果中顯示一致性比率小于0.1，則表明檢驗通過。最后對最大特征根向量歸一化處理，就可以得到所求的各個評價指標的權重，部分MATLAB代碼如圖3所示。

對每一個判斷矩陣都進行上述的一致性檢驗操作后，得到了中小學生數(shù)字閱讀素養(yǎng)各個評價指標的權重，見表1。

（二）BP神經(jīng)網(wǎng)絡模型的構建

BP神經(jīng)網(wǎng)絡算法本質(zhì)上是一種具有多層次結構神經(jīng)網(wǎng)絡的學習方法，其特點是信號向前傳遞，而算法訓練的誤差向后傳遞，在比較誤差和期望值的過程中，對每一層網(wǎng)絡的連接權值以及閾值不斷地進行調(diào)節(jié)，重復多次最終使得神經(jīng)網(wǎng)絡的訓練輸出盡可能地與期望輸出接近，從而完成神經(jīng)網(wǎng)絡訓練目的[11]。

1. BP神經(jīng)網(wǎng)絡結構及其描述

BP 神經(jīng)網(wǎng)絡模型如圖4所示，主要包含輸入層、隱含層和輸出層這三個部分。該圖展示了一個由l層神經(jīng)元組成的多層神經(jīng)網(wǎng)絡，第一層與最后一層分別是輸入層和輸出層，而第2層到第l-1層均被稱為隱含層。

令輸入向量為：

其中，f（x）是神經(jīng)元的激活函數(shù)，neti（l）則代表l層第i個神經(jīng)元的輸入。

建立BP神經(jīng)網(wǎng)絡模型分為兩個步驟[12]：（1）輸入信號的正向傳播過程，先構建一個給定神經(jīng)網(wǎng)絡，設置好輸入、輸出以及隱含層的神經(jīng)元節(jié)點數(shù)并賦值初始連接權值和閾值，將訓練樣本作為輸入，由輸入層傳遞到隱藏層，在隱藏層中經(jīng)過數(shù)據(jù)處理后傳遞給輸出層，由輸出層處理后會產(chǎn)生一個輸出;（2）誤差信號的反向傳播過程，神經(jīng)網(wǎng)絡處理后的實際輸出會與期望的輸出值產(chǎn)生一定的誤差，反饋該誤差值，將其沿神經(jīng)網(wǎng)絡進行反向傳播，修正調(diào)整相關的連接權值與閾值用以進行下一次計算。對于每一個輸入重復上述兩個過程，直到神經(jīng)網(wǎng)絡達到設定的訓練次數(shù)或輸出的誤差減小到可以接受的程度。

假定現(xiàn)在有m個用來進行神經(jīng)網(wǎng)絡訓練的樣本集合{（x（1），y（1）），（x（2），y（2）），…，（x（m），y（m））}，其中d（i）為對應輸入x（i）的期望輸出（即實際值），對于給定的m個訓練樣本，定義誤差函數(shù)為：

這種神經(jīng)網(wǎng)絡的BP算法就是通過上述的過程，把輸入的信號通過正向傳播得到輸出值，把獲得的誤差信號反向傳播，進而調(diào)整連接權值與閾值，采用批量更新的方法對該神經(jīng)網(wǎng)絡的權值和閾值進行不斷循環(huán)往復的更新，對各層神經(jīng)元的連接權值以及閾值的最優(yōu)化計算，讓神經(jīng)網(wǎng)絡的樣本訓練輸出值與期望的輸出盡可能地接近，直到E小于給定誤差值或者達到規(guī)定的最大訓練次數(shù)，以達到訓練的目的[13]。

2. BP神經(jīng)網(wǎng)絡的MATLAB軟件實現(xiàn)

構建BP神經(jīng)網(wǎng)絡時，需要根據(jù)實際情況對該神經(jīng)網(wǎng)絡的隱含層層數(shù)、隱含層節(jié)點數(shù)、輸入樣本進行神經(jīng)網(wǎng)絡的初始權值和閾值、神經(jīng)元激活函數(shù)、訓練參數(shù)、訓練樣本數(shù)據(jù)的歸一化等方面的設定操作。MATLAB軟件中集成了人工神經(jīng)網(wǎng)絡工具箱，可以根據(jù)實際需要直接調(diào)用，無需再進行復雜的求解過程，極大地方便了BP神經(jīng)網(wǎng)絡的應用[6]。

在MATLAB軟件中，newff函數(shù)可以用來生成BP神經(jīng)網(wǎng)絡并進行初始化賦值，具體函數(shù)語法表現(xiàn)為：net=newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF），根據(jù)函數(shù)格式和實際樣本情況對神經(jīng)網(wǎng)絡中各個參數(shù)進行設置，便可以得到一個未經(jīng)訓練的初始BP神經(jīng)網(wǎng)絡。由于初始生成的神經(jīng)網(wǎng)絡中，連接權值和閾值都是隨機賦值的初始值，因而必然會存在著較大誤差，接下來需要設置訓練參數(shù)進行訓練，不斷修正連接權值和閾值以減小誤差。

訓練神經(jīng)網(wǎng)絡使用的函數(shù)名是train，設定后會根據(jù)神經(jīng)網(wǎng)絡的樣本輸入值與目標期望輸出樣本[14]，對初始隨機賦值生成的神經(jīng)網(wǎng)絡進行根據(jù)BP算法的計算，不斷地通過比對誤差來修正神經(jīng)網(wǎng)絡各層的權值連接和閾值，以達到最終的設定要求。而不同訓練算法的選擇也會影響訓練的速度和精度，需要根據(jù)實際樣本數(shù)據(jù)不斷調(diào)試。

三、分析與結果

數(shù)字閱讀文本具有互動性、多模態(tài)性和可擴展性等特點，要求讀者具備不同于紙質(zhì)文本閱讀的新的技能與策略。本研究針對數(shù)字閱讀利用數(shù)字化平臺或移動終端定位、獲取、閱讀和傳遞、反思和評價、管理與創(chuàng)造多種形式閱讀資源時所具備的知識、能力和文化的綜合素養(yǎng)，設計了數(shù)字閱讀素養(yǎng)評測量表工具，用于評測數(shù)字閱讀素養(yǎng)的自我反思與實踐體驗。量表設計主要采用李克特五點分級，主要用于考查中小學生對數(shù)字文本多模態(tài)信息獲取、使用、評價、反思和創(chuàng)造的能力與素質(zhì)。

（一）BP神經(jīng)網(wǎng)絡參數(shù)設定

在BP神經(jīng)網(wǎng)絡的結構設定中，有關于各隱含層節(jié)點數(shù)量以及隱含層的層數(shù)，雖然在理論上可以設置多個，但若是神經(jīng)網(wǎng)絡的網(wǎng)絡結構設定得太過復雜，就意味著要設置很多的訓練參數(shù)，計算的過程進一步復雜化，這往往會導致模型的精度變差，也會使神經(jīng)網(wǎng)絡訓練時間過長[15]。Kolmogorov定理表明，具有一個隱含層的三層BP神經(jīng)網(wǎng)絡，當隱含層的神經(jīng)元節(jié)點數(shù)盡可能多，便能實現(xiàn)對任意非線性函數(shù)無限逼近[16]。基于此定理，本研究構建了具有一個隱含層的三層 BP 神經(jīng)網(wǎng)絡。

輸入項的特征點決定輸入層節(jié)點數(shù)，在本研究中，中小學生數(shù)字閱讀素養(yǎng)三級評價指標有10個，因此，輸入層的神經(jīng)元節(jié)點數(shù)為10。中小學生數(shù)字閱讀素養(yǎng)系統(tǒng)實際測試評價結果作為神經(jīng)網(wǎng)絡的單輸出，因而設定輸出層的神經(jīng)元個數(shù)為1。而有關隱含層節(jié)點數(shù)的設置，并無成熟的理論對其進行驗證，許多學者曾研究如何來確定一個恰當?shù)碾[含層神經(jīng)元節(jié)點個數(shù)。節(jié)點個數(shù)過少，會使得網(wǎng)絡難以識別出樣本，可能導致訓練失敗或精度低，但若是隱含層神經(jīng)元節(jié)點個數(shù)過多，神經(jīng)網(wǎng)絡的訓練時間則會被延長，同時該神經(jīng)網(wǎng)絡的泛化能力會大幅降低[17]。本研究根據(jù)具體樣本數(shù)和實際情況，多次嘗試對不同神經(jīng)元進行訓練，發(fā)現(xiàn)確定的隱含層節(jié)點數(shù)為10時效果最好，最終在MATLAB軟件中得到如圖5所示的三層BP神經(jīng)網(wǎng)絡模型。

該神經(jīng)網(wǎng)絡的訓練參數(shù)設置如下：輸入層和隱含層之間的激活函數(shù)設定為tansig;隱含層和輸出層之間的激活函數(shù)設定為purelin;訓練函數(shù)則采用有動量和自適應lr的梯度下降法traingdx函數(shù);同時根據(jù)樣本數(shù)據(jù)的特點和實際需求，將學習次數(shù)閾值設定為10000;目標誤差設定為0.0001;學習速率取0.01。

（二）模型對比與驗證

1. BP神經(jīng)網(wǎng)絡再現(xiàn)專家評價指標

本研究收集到的有效樣本數(shù)量為295個，將中小學生數(shù)字閱讀素養(yǎng)評價指標A1、A2、B1、B2、B3、C1、C2、C3、D1、D2共10個指標作為BP神經(jīng)網(wǎng)絡的輸入向量。考慮到每個指標維度具有不同的題目數(shù)，因此，學生在各個維度的量表得分需要根據(jù)題目數(shù)量求加權平均分，將該加權平均分作為該維度下的樣本輸入，并對每一個維度都進行此操作，最終得到結合專家指標權重評價的樣本輸入向量。將維度下的加權平均分乘以前文提出的各指標權重，進行求和，最終得到綜合數(shù)字閱讀素養(yǎng)自測值的評價結果矩陣，組成神經(jīng)網(wǎng)絡的輸岀向量。

在神經(jīng)網(wǎng)絡中，隱含層所采用的的一般是S型或雙極S型激活函數(shù)，輸入的數(shù)值范圍需要在1的絕對值內(nèi)，這就需要對輸入和輸出數(shù)據(jù)進行歸一化處理。采用的函數(shù)為mapminmax，作為一種線性轉換函數(shù)，它可以很好地保存數(shù)據(jù)原始意義而不造成數(shù)據(jù)遺失[18]。先將各個評價指標的分值做歸一化處理，以使數(shù)據(jù)集中在[-1，1]范圍內(nèi)。

然后將處理過的數(shù)據(jù)中的280項作為訓練樣木集訓練網(wǎng)絡，其余的15項數(shù)據(jù)則作為測試樣本集輸入完成訓練的神經(jīng)網(wǎng)絡中進行誤差測試。這15項測試集的數(shù)據(jù)經(jīng)由神經(jīng)網(wǎng)絡模型進行仿真處理，并把仿真得到的數(shù)據(jù)通過反歸一化還原為原始的數(shù)量級，作為15項測試集的預測值與其真實值進行對比計算誤差，計算決定系數(shù)R2，驗證其回歸擬合程度。部分MATLAB代碼如圖6所示。

如圖7所示，神經(jīng)網(wǎng)絡迭代5406次即完成收斂，達到規(guī)定誤差精度，回歸擬合的效果非常好。將數(shù)字閱讀素養(yǎng)真實值與神經(jīng)網(wǎng)絡預測值的誤差進行比較，如圖8所示，訓練完成的神經(jīng)網(wǎng)絡模擬數(shù)字閱讀素養(yǎng)評價輸出值，非常接近真實評價數(shù)值，即表明經(jīng)過訓練完成的BP神經(jīng)網(wǎng)絡具有非常好的非線性函數(shù)逼近效果。

經(jīng)過神經(jīng)網(wǎng)絡訓練不斷修正后的連接權值和閾值，此時不再發(fā)生改變，神經(jīng)網(wǎng)絡經(jīng)過自適應學習后，得到了無限迫近先前對各維度評價指標擬定的專家評價指標權重。也就是說，該神經(jīng)網(wǎng)絡學習了專家知識和經(jīng)驗，其輸入—輸出的映射關系，在某種意義上來講，就是專家小組利用層級分析法確定的數(shù)字閱讀素養(yǎng)評價指標權重體系。

訓練好的神經(jīng)網(wǎng)絡積累了評價專家的知識和經(jīng)驗，將其進行保存后就能成為有效進行評價的工具。以后當需要對中小學生數(shù)字閱讀素養(yǎng)進行評價時，可以向已經(jīng)訓練完成的BP神經(jīng)網(wǎng)絡中輸入對應的數(shù)字閱讀素養(yǎng)評價指標的數(shù)據(jù)矩陣，該神經(jīng)網(wǎng)絡就會對專家的知識和經(jīng)驗進行再現(xiàn)，從而在沒有人為干預的情況下，即時做出響應，形成評價結果。這樣可以有效避免傳統(tǒng)評價中可能出現(xiàn)的人為失誤，提高評價的準確度，從而極大地提高工作處理數(shù)據(jù)的效率[11]。

2. BP神經(jīng)網(wǎng)絡驗證指標權重的合理性

雖然已經(jīng)利用BP神經(jīng)網(wǎng)絡再現(xiàn)專家小組知識和經(jīng)驗，但專家小組確定的評價指標權重體系是否合理，是否能夠符合大數(shù)據(jù)樣本的實際情況，還有待商榷。此外，中小學生通過數(shù)字閱讀素養(yǎng)問卷得到的數(shù)字素養(yǎng)自測值，能否代表其真實數(shù)字閱讀素養(yǎng)水平，也是一個需要回答的問題。同時，學生的數(shù)字閱讀素養(yǎng)也需要一個基于真實數(shù)字閱讀環(huán)境的評測系統(tǒng)進行測量。

因此，結合前文所提出的目前數(shù)字閱讀素養(yǎng)評測所存在的困境與不足，在操作層面，本研究開發(fā)了一個PC端和Android移動端的中小學生數(shù)字閱讀素養(yǎng)評測系統(tǒng)（如圖9所示），并通過一定規(guī)模的中小學場景實證應用，反饋修正評測技術工具并完善系統(tǒng)。該系統(tǒng)設計遵循以非線性方式呈現(xiàn)文本的要求，模擬出一個數(shù)字化的閱讀環(huán)境，數(shù)字閱讀任務的完成需要基本的數(shù)字化素養(yǎng)與傳統(tǒng)的閱讀理解能力的相互融合。評測系統(tǒng)注重給學生創(chuàng)造情境性的、擬真性的閱讀任務環(huán)境，注重考查學生在多文本閱讀過程中的表現(xiàn)。

基于此中小學生數(shù)字閱讀素養(yǎng)評測系統(tǒng)，研究中測量得到了學生在數(shù)字閱讀傾向、數(shù)字閱讀動機、數(shù)字技術知識、數(shù)字閱讀內(nèi)容知識、數(shù)字閱讀策略知識、信息獲取與整合能力、閱讀認知與理解能力、信息評價與使用能力、隱私與安全、規(guī)范與道義10個維度的數(shù)字閱讀素養(yǎng)實際得分。

該得分并未結合專家小組提出的權重計算，而是對每個維度賦予相同權重，得到的是數(shù)字評測環(huán)境下中小學生的真實數(shù)字素養(yǎng)水平。先前之所以要對量表各個指標進行權重分配，是因為各個指標在評價綜合成績的過程中反映出各自不同的重要程度，是否科學合理地對指標權重進行分配，會直接影響評價結果。而此時對數(shù)字閱讀素養(yǎng)評測系統(tǒng)得分不進行權重分配，是為了探究在大樣本數(shù)據(jù)量下，能否通過BP神經(jīng)網(wǎng)絡，對考慮權重的各個評價指標值與未考慮權重的綜合成績進行擬合并得到較好的擬合效果。如果將考慮權重的各個評價指標值作為輸入向量，將未考慮權重的評測系統(tǒng)數(shù)字閱讀素養(yǎng)得分作為輸出向量，其輸入—輸出的映射關系反映出較好的擬合水平，則說明專家小組通過層級分析法構建的中小學生數(shù)字閱讀測評指標權重體系具有合理性，中小學生數(shù)字閱讀測評量表能夠反映大樣本數(shù)據(jù)量下中小學生的真實數(shù)字閱讀素養(yǎng)水平。

研究過程中收集到45份有效的中小學生數(shù)字閱讀素養(yǎng)評測系統(tǒng)評分，將這45位學生在各個維度的量表得分根據(jù)題目數(shù)量求加權平均分，乘以專家小組提出的各指標權重，得到結合專家指標權重評價的樣本輸入向量;將收集到的這45位學生的中小學生數(shù)字閱讀素養(yǎng)評測系統(tǒng)評分加以組合，得到綜合數(shù)字閱讀素養(yǎng)系統(tǒng)評測真實值的評價結果矩陣，組成神經(jīng)網(wǎng)絡的輸岀向量。然后將處理過的數(shù)據(jù)中的40項作為訓練樣木集訓練網(wǎng)絡，其余的5項數(shù)據(jù)則作為測試樣本集輸入完成訓練的神經(jīng)網(wǎng)絡中進行誤差測試。這5項測試集的數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡模型進行仿真處理，把仿真得到的數(shù)據(jù)通過反歸一化還原為原始的數(shù)量級，作為5項測試集的預測值與其真實值進行對比計算誤差，計算決定系數(shù)R2驗證其回歸擬合程度。MATLAB代碼與前文類似，只需要對部分參數(shù)進行修改。

如圖10所示，神經(jīng)網(wǎng)絡迭代2580次即完成收斂，達到規(guī)定誤差精度。將數(shù)字閱讀素養(yǎng)真實值與神經(jīng)網(wǎng)絡預測值的誤差進行比較，如圖11所示，訓練完成的神經(jīng)網(wǎng)絡模擬數(shù)字閱讀素養(yǎng)評價輸出值，非常接近真實評價數(shù)值，即表明經(jīng)過訓練完成的BP神經(jīng)網(wǎng)絡具有非常好的非線性函數(shù)逼近效果。

不斷經(jīng)過神經(jīng)網(wǎng)絡訓練修正后的連接權值和閾值，此時不再發(fā)生改變，神經(jīng)網(wǎng)絡經(jīng)過自適應學習后，得到考慮權重的各個評價指標值與未考慮權重的評測系統(tǒng)數(shù)字閱讀素養(yǎng)得分之間的輸入—輸出的映射關系。此時，該神經(jīng)網(wǎng)絡不再是學習了專家知識或經(jīng)驗，而是驗證了專家小組評價指標權重體系的合理性。其輸入—輸出的映射關系說明，即使在大量樣本數(shù)據(jù)下，根據(jù)專家小組評價指標權重體系進行問卷調(diào)查得到的指標觀測值，依然能夠反映學生的真實數(shù)字閱讀素養(yǎng)水平。

3. 存儲神經(jīng)網(wǎng)絡預測數(shù)字素養(yǎng)評測值

既然該神經(jīng)網(wǎng)絡能夠用于驗證指標權重合理性，并且本研究所建立的BP神經(jīng)網(wǎng)絡模型擬合精度較高，神經(jīng)網(wǎng)絡的數(shù)字閱讀素養(yǎng)預測值與實際值較小（見表2），該對比顯示，用于檢驗的樣本中，其神經(jīng)網(wǎng)絡模型的預測值和系統(tǒng)評測真實值的相對誤差不超過4.33%，表明該神經(jīng)網(wǎng)絡模型適用于中小學生數(shù)字閱讀素養(yǎng)評價問題，所得到的預測結果可信度較高。因此，該神經(jīng)網(wǎng)絡模型亦可用于對中小學生數(shù)字閱讀素養(yǎng)系統(tǒng)評測得分進行預測。

也就是說，利用中小學生數(shù)字閱讀素養(yǎng)評測量表收集到數(shù)字閱讀素養(yǎng)自測值，結合專家小組提出的指標權重體系，得到的數(shù)字閱讀素養(yǎng)各維度觀測值作為輸入向量，神經(jīng)網(wǎng)絡能夠根據(jù)之前訓練好的映射關系輸出數(shù)字閱讀素養(yǎng)預測值。

此時，神經(jīng)網(wǎng)絡實現(xiàn)了對中小學生數(shù)字閱讀素養(yǎng)的預測，這能極大地擴展數(shù)字閱讀素養(yǎng)評測場景。考慮到不同地區(qū)間的設施差異，并不是所有學生都能夠采用完善的數(shù)字閱讀環(huán)境評測數(shù)字閱讀素養(yǎng)，利用BP神經(jīng)網(wǎng)絡模型和開發(fā)的數(shù)字閱讀素養(yǎng)量表，能夠讓學生無需再在數(shù)字閱讀素養(yǎng)評測系統(tǒng)中進行測驗，便可以根據(jù)量表觀測值模擬得出其評測系統(tǒng)得分，該模型的實用價值得到進一步提升。

四、結? ?語

本文綜合使用抽樣調(diào)查、評價研究、層級分析法（AHP）、BP神經(jīng)網(wǎng)絡模型等方法，探究中小學生數(shù)字閱讀素養(yǎng)評價指標體系，開發(fā)中小學數(shù)字閱讀素養(yǎng)量表和評測系統(tǒng)進行評測，實現(xiàn)了BP神經(jīng)網(wǎng)絡應用于數(shù)字閱讀素養(yǎng)評測過程，并通過MATLAB軟件對設計好的BP神經(jīng)網(wǎng)絡模型進行訓練和測試，獲得較為準確可靠的評價結果。本研究實際上探索了一種基于人工智能技術的評測體系建構方法，為中小學生數(shù)字閱讀評測提供模型、工具和技術系統(tǒng)，也可以為相關領域評價體系建構提供一種方法，尤其是對于建構主觀性較強、指標維度之間存在交叉難以判斷的測評體系更具參考價值。

存在的問題及改進之處在于：由于生成神經(jīng)網(wǎng)絡的時候，MATLAB軟件會賦予隨機生成的連接權值和閾值，經(jīng)由樣本輸入后的BP算法不斷修正誤差達到訓練要求以得到最終值，神經(jīng)網(wǎng)絡每次訓練過程的迭代次數(shù)、訓練時間以及回歸擬合度都是不同的，需要多次訓練才能得到較為符合需求的神經(jīng)網(wǎng)絡。此外，訓練樣本數(shù)據(jù)也會對神經(jīng)網(wǎng)絡的訓練產(chǎn)生較大影響，不僅會影響對神經(jīng)網(wǎng)絡訓練的結果，也會影響構造出的網(wǎng)絡系統(tǒng)的適用性。因此，在選取數(shù)據(jù)樣本時，需要采用更加科學的選取方法，篩選出的數(shù)據(jù)樣本需要更具代表性，可以擴大神經(jīng)網(wǎng)絡模型的適用范圍。本研究過程訓練生成并保存了兩個可用于后續(xù)研究的神經(jīng)網(wǎng)絡，后續(xù)將通過不斷增加訓練樣本數(shù)，提升神經(jīng)網(wǎng)絡模型的訓練精度。

[參考文獻]

[1] 樊敏生，武法提，王瑜.數(shù)字閱讀：電子書對小學生語文閱讀能力的影響[J].電化教育研究，2016，37（12）：106-110，128.

[2] 賴文華，王佑鎂，楊剛.語言圖式和內(nèi)容圖式對數(shù)字化閱讀影響的實證研究[J].電化教育研究，2015，36（7）：89-93.

[3] 周惠敏.大學生數(shù)字閱讀素養(yǎng)現(xiàn)狀及提升策略研究[J].大學圖書情報學刊，2019，37（01）：55-61.

[4] 楊帆.大學生數(shù)字閱讀素養(yǎng)評價研究[D].臨汾：山西師范大學，2017.

[5] 岑佳懌.小學生數(shù)字化閱讀素養(yǎng)調(diào)查研究[D].重慶：西南大學，2020.

[6] 羅成漢.基于MATLAB神經(jīng)網(wǎng)絡工具箱的BP網(wǎng)絡實現(xiàn)[J].計算機仿真，2004（05）：109-111，115.

[7] 王宗軍.綜合評價的方法、問題及其研究趨勢[J].管理科學學報，1998（1）：75-81.

[8] 王健，張立榮.新媒介時代大學生數(shù)字化閱讀素養(yǎng)的內(nèi)涵與培養(yǎng)[J].現(xiàn)代遠距離教育，2011（6）：73-77.

[9] 張傳真.大學生數(shù)字閱讀素養(yǎng)現(xiàn)狀調(diào)查及提升策略研究[D].曲阜：曲阜師范大學，2018.

[10] 鄧雪，李家銘，曾浩健，陳俊羊，趙俊峰.層次分析法權重計算方法分析及其應用研究[J].數(shù)學的實踐與認識，2012，42（7）：93-100.

[11] 蔡會娟.基于AHP和BP神經(jīng)網(wǎng)絡的高校研究生綜合素質(zhì)評價研究[D].新鄉(xiāng)：河南師范大學，2014.

[12] 姚裕盛，徐開俊.基于BP神經(jīng)網(wǎng)絡的飛行訓練品質(zhì)評估[J].航空學報，2017，38（S1）：24-32.

[13] 喬維德.基于BP神經(jīng)網(wǎng)絡的現(xiàn)代遠程教育教學質(zhì)量評價模型的構建[J].中國遠程教育，2006（7）：69-71.

[14] 李學鋒，鐘叔玉.數(shù)據(jù)挖掘及其在礦業(yè)中的應用研究[J].礦業(yè)研究與開發(fā)，2006（5）：51-54.

[15] 沈花玉，王兆霞，高成耀，秦娟，姚福彬，徐巍.BP神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J].天津理工大學學報，2008（5）：13-15.

[16] HECHT-NIELSEN R. Kolmogorov's mapping neural network existence theorem[C]//Proceedings of the International Conference on Neural Networks. New York： IEEE Press， 1987： 11-14.

[17] 宋宇辰，何瑋，張璞，韓艷.基于BP神經(jīng)網(wǎng)絡的資源型城市可持續(xù)發(fā)展指標預測[J].西安財經(jīng)學院學報，2014，27（6）：79-84.

[18] 袁曾任.人工神經(jīng)元及其應用[M].北京：清華大學出版社，1999.

From Reproduction to Prediction： Research on Digital Reading Literacy Evaluation System for Primary and Secondary School Students Based on

Back-propagation Neural Network

WANG Youmei，? LI Ningyu，? YIN Yiqing，? LIU Chenchen

（Research Center for Big Data and Smart Education， Wenzhou University， Wenzhou Zhejiang 325035）

[Abstract] Given the problems of unclear concepts and subjective construction of evaluation indicators in the existing digital reading literacy evaluation， it is necessary to introduce artificial intelligence technology to improve the evaluation method. Firstly， the analytic hierarchy process（AHP） is used to determine the dimensions of digital reading literacy and their index weights， so as to form a digital reading literacy evaluation index system for primary and secondary school students. Secondly， the sample data collected by BP neural network training is used to generate a neural network model that can reproduce the expert evaluation system. Thirdly， according to the developed digital reading literacy evaluation system， the digital reading literacy evaluation value is obtained， the mapping relationship between expert index value and evaluation value in BP neural network learning sample is used to verify the rationality of the weight of digital reading literacy evaluation index， and the BP neural network is stored to predict the digital reading literacy evaluation value of primary and secondary school students， so as to form an objective and reasonable digital reading literacy evaluation system to provide models， tools and technical systems for digital reading evaluation of primary and secondary school students in China， and also provide a method for the construction of evaluation system in related fields.

[Keywords] Back-propagation Neural Network; Digital Reading Literacy; Analytic Hierarchy Process; Artificial Intelligence

基金項目：國家語委2019年度重點（信息化專項）科研項目“我國中小學生數(shù)字閱讀素養(yǎng)測評技術研究”（項目編號：ZDI135-113）