基于FNN與表現(xiàn)評價模型的生物教學研究

黃勝威

(安徽科技學院 生命與健康科學學院，安徽 滁州 233100)

模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Network，F(xiàn)NN)是一種基于模糊邏輯的人工神經(jīng)網(wǎng)絡模型，具有模糊推理能力和學習能力。它可以通過模糊規(guī)則和輸入輸出數(shù)據(jù)訓練，實現(xiàn)對復雜問題的建模和求解。在生物課堂教學中，利用模糊神經(jīng)網(wǎng)絡可以對學生的學習情況進行評估和預測。表現(xiàn)型評價模型是一種基于學生實際表現(xiàn)的評價方法，通過對學生的行為和動作進行觀察和記錄，評價學生的學習效果和能力水平。在教學中，利用表現(xiàn)型評價模型客觀地評估學生的實際掌握情況，為教師提供準確的反饋信息，幫助教師調(diào)整教學策略[1]。

1 融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡的生物教學模型構建

1.1 基于表現(xiàn)型評價的生物課堂教學方法優(yōu)化

生物教學是指傳授生物學知識和概念的教育活動。它的目的是幫助學生理解生物學的基本原理、生命現(xiàn)象和生物系統(tǒng)的結構和功能。生物教學通過課堂教學、實驗、觀察和研究等多種方式進行。它不僅培養(yǎng)學生對生物學的興趣和理解，還培養(yǎng)學生的科學思維、觀察和實驗技能，以及解決生物學問題的能力[2]。學生在實驗室或自然環(huán)境中進行實驗和觀察，通過親自操作和觀察現(xiàn)象來獲取生物學知識。如學生可以進行植物的生長觀察、動物行為觀察等，從中總結生物學規(guī)律和概念。通過學生的實操能夠發(fā)現(xiàn)相應的生物學問題，學生在生物學問題的解決中發(fā)揮主動性和創(chuàng)造性，還需要運用所學的知識和技能，分析和解決現(xiàn)實生物問題。在解決問題的過程中，需要學生充分利用團隊合作和交流，可以共同設計實驗、討論實驗結果和解釋觀察到的現(xiàn)象，互相學習和提供反饋。對表現(xiàn)型評價的生物課堂教學方法優(yōu)化操作有：激發(fā)學生的學習興趣，通過實際操作和觀察，學生可以親身體驗生物學的奧妙，增加對生物學的興趣，提高學習的主動性和積極性；培養(yǎng)學生的實踐能力，通過實驗、觀察和問題解決，學生可以鍛煉實際操作和實踐能力，提高科學思維和解決問題的能力；加強學生的團隊合作和交流能力，通過小組合作和班級討論，學生可以相互交流和學習，培養(yǎng)團隊合作和交流能力，提高學習效果；提高教學的針對性和個性化，基于表現(xiàn)型評價可以更全面地了解學生的實際能力和表現(xiàn)，教師可以根據(jù)學生的不同特點和需求，提供有針對性的教學措施和指導[3]。詳見圖1所示。

圖1 基于表現(xiàn)型評價的生物課堂優(yōu)化流程圖

將表現(xiàn)型評價應用到生物課堂教學中，能夠在現(xiàn)有教學課標的要求的基礎上，對生物學科課堂上學生的表現(xiàn)評價的內(nèi)涵進一步豐富和具體化。可見，表現(xiàn)型評價是教師通過模擬或真實的情境，讓學生完成特定的任務，如小組討論、實驗、提問等，然后觀察和分析學生在任務中的表現(xiàn)，根據(jù)學業(yè)質(zhì)量標準制定評價標準，對學生的思維方法、探究能力和態(tài)度責任進行評價。通過評價，教師可以改進自己的教學方法，促進學生生物學學科核心素養(yǎng)的發(fā)展。

1.2 基于表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡的生物課堂教學模型構建

在表現(xiàn)型評價中，很多評價數(shù)據(jù)都是建立在經(jīng)驗知識基礎上的，這種經(jīng)驗知識很多時候存在主觀性。為了解決主觀性的問題，研究引入了帶有學習機制的模糊神經(jīng)網(wǎng)絡。為了減少主觀性，可以引入學習機制對模糊系統(tǒng)進行修改和完善[4]。將模糊集合論中的模糊邏輯與神經(jīng)網(wǎng)絡的學習能力相結合，以更好地處理模糊、不確定和模糊邊界的問題。結合表現(xiàn)型評價的模糊神經(jīng)網(wǎng)絡的設計步驟為：數(shù)據(jù)準備、創(chuàng)建模糊集合、設計模糊規(guī)則并推理、聚合結合并分析，根據(jù)輸入和規(guī)則進行模糊推理，最后設計網(wǎng)絡權值的學習算法，通過調(diào)整權值來優(yōu)化網(wǎng)絡性能。模糊神經(jīng)網(wǎng)絡的結構見圖2。

通過模糊神經(jīng)網(wǎng)絡預測學生的學習情況，可以為教師提供科學的決策依據(jù)，幫助教師制定個性化的教學策略[5]。在生物課堂教學中，研究將表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡相結合，構建生物課堂教學模型。模糊神經(jīng)網(wǎng)絡是由輸入層、模糊化層、模糊推理層和輸出層構成的。在輸入層中，節(jié)點與輸入層是相連的，每個節(jié)點的輸入公式可用公式(1)計算。

f1(i)=[x1，x2]，

式(1)

公式(1)中，x1，x2分別表示兩個輸入數(shù)據(jù)的值。為了進行模糊化，需要對利用高斯隸屬函數(shù)進行模糊化操作，此時對高斯型隸屬函數(shù)進行模糊化，該函數(shù)可用公式(2)表示。

式(2)

公式(2)中，cij表示第i輸入變量在對應的第j個模糊集合隸屬函數(shù)中的中心位置的數(shù)值；bj表示第i輸入變量在對應的第j個模糊集合隸屬函數(shù)中的寬度值。模糊化的目的是有效地映射輸入值，需要根據(jù)網(wǎng)絡輸入值的范圍設計隸屬函數(shù)的參數(shù)。模糊化的目的是在有效地映射輸入值的基礎上，將輸入值轉(zhuǎn)化為模糊集合的隸屬度。為了實現(xiàn)這一目標，需要根據(jù)網(wǎng)絡輸入值的范圍來設計隸屬函數(shù)的參數(shù)。隸屬函數(shù)的參數(shù)包括模糊集合的形狀、寬度和中心等屬性，這些參數(shù)的選擇對于模糊化的效果至關重要。通過合理地選擇這些參數(shù)，可以確保輸入值在模糊集合中得到準確的隸屬度。模糊推理層通過與模糊化層的連接來匹配模糊規(guī)則，各個節(jié)點之間通過模糊與運算進行組合，從而得到相應的輸出。對應模糊的規(guī)則輸出可用公式(3)表示。

f3(l)=f2(1，j1)f2(2，j2)，

式(3)

公式(3)中，j1，j2的取值范圍為[1，5]；l的取值范圍為[1，25]。通過對應的模糊操作后，再對輸出值進行加權操作，此時輸出層的值可用公式(4)表示。

式(4)

公式(4)中，ω表示第四層輸出與上一層各節(jié)點之間的連接矩陣對應值。在進行下一次迭代的過程中，重復權值的更新過程，直到滿足預先設定的誤差性能指標的要求為止。這種逐個樣本的訓練方式可以確保每個樣本都得到充分的學習和更新，使得神經(jīng)網(wǎng)絡逐漸趨向理想的性能。通過不斷迭代和調(diào)整權值，網(wǎng)絡的性能逐漸提升，最終達到滿足性能指標的要求。這種迭代訓練的過程是神經(jīng)網(wǎng)絡學習和優(yōu)化的關鍵步驟之一。結合上述研究，融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡的流程見圖3。

圖3 結合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡的流程圖

2 融合表現(xiàn)型評價與模糊神經(jīng)網(wǎng)絡的生物教學模型性能分析

研究通過對1032名在校學生和10名授課老師在生物課堂教學中的授課方式、學生學習情況等進行分析，獲得了15組測試樣本，23組驗證樣本。為了驗證課堂教學模型的預測能力和樣本數(shù)據(jù)檢測能力，研究利用循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)和圖神經(jīng)網(wǎng)絡(Graph Neural Networks，GNN)與模型方法進行對比，通過對比三種算法的檢測率、召回率、F1值和損失值來判斷模型方法的性能。圖4表示三種算法在相同數(shù)據(jù)集下的檢測率和召回率的對比結果。

圖4 三種方法的檢測率和訓練誤差率對比

見圖4(a)，模型方法的檢測率最大值為97.26%，GNN的檢測率最大值為84.33%，RNN的檢測率最大值為73.92%。模型方法的檢測率平均值為91.21%，GNN的檢測率平均值為78.34%，RNN的檢測率平均值為71.37%。由圖4(b)可知，模型方法的召回率最高，平均值為90.53%，GNN的召回率平均值為82.41%，RNN的誤差率平均值為73.83%；三種方法相比，模型算法比GNN和RNN的召回率平均值高8.12%、16.7%。這說明模型方法在數(shù)據(jù)集中的檢測率和召回率均為最高。三種算法在訓練集訓練后的損失值和F1值對比結果如圖5所示。

圖5 三種方法的損失值和F1值對比結果

見圖5(a)，三種方法的損失值隨著迭代次數(shù)的增加都在降低，其中模型方法的損失值在迭代次數(shù)為206時基本沒有出現(xiàn)波動，表明此時訓練值已趨于穩(wěn)定。GNN的損失值在迭代次數(shù)為367時趨于平穩(wěn)，而RNN在迭代次數(shù)為583時才趨于穩(wěn)定。見圖5(b)，模型方法的F1平均值最高，模型方法的F1平均值為0.91，GNN和RNN的F1平均值分別為0.82和0.71，模型方法明顯高于GNN和RNN的F1平均值。這說明從訓練損失值和F1值來看，模型方法的性能優(yōu)于GNN和RNN。驗證了研究構建模型在生物課堂教學中的數(shù)據(jù)提取、分析的能力。為了驗證模型預測成績的實際應用效果，研究通過一段時間生物課堂教學后對某班的20名學生成績進行分析和預測，同時也通過學生對該教學模型的滿意度進行打分來判斷構建模型的實際效果。真實成績與預測成績之間的誤差代表了預測模型的準確度或誤差程度。可以用于評估模型的性能和判斷模型的可靠性。成績預測和滿意度評價結果見表1。

表1 預測成績與真實成績以及滿意度對比結果

見表1，真實成績與預測成績之間的誤差最大值為6分，其中誤差可以分為正誤差和負誤差，可以推斷誤差是呈正態(tài)分布的，這進一步證明了模型的可靠性。同時，從學生的滿意度評價中可以看出，大多數(shù)同學對生物課堂教學是滿意的，只有少數(shù)同學覺得教學效果一般。這種差異可能與預測成績的誤差超過他們的心理預期有關。據(jù)此推測，對于那些預測成績誤差超過心理預期的同學來說，他們對教學效果的評價可能會受到一定的影響。通過表1的數(shù)據(jù)驗證了生物課堂教學模型的可信性和穩(wěn)定性。這意味著該模型在預測學生成績方面是可靠的，能夠為教師和學生提供準確的參考。同時，仍然需要關注那些對預測成績誤差較為敏感的學生。教師可以與這些學生進行溝通，幫助他們找到適合自身學習的方式，并鼓勵他們根據(jù)實際情況進行努力，從而進一步提升整體教學效果。

3 結論

通過觀察學生的行為和反應，教師可以及時調(diào)整教學策略和方法，然后引入模糊神經(jīng)網(wǎng)絡的理論，通過建立模糊神經(jīng)網(wǎng)絡模型來分析和預測學生的學習過程。通過模糊神經(jīng)網(wǎng)絡模型，教師可以更好地理解學生的學習特點和學習需求，從而更好地調(diào)整教學內(nèi)容和方法。最后利用實驗來驗證構建模型的性能和實際應用效果。結果表明，模型方法的檢測率平均值為91.21%，比GNN和RNN的召回率平均值高8.12%、16.7%，誤差在迭代次數(shù)為206時基本沒有出現(xiàn)波動，迭代次數(shù)也明顯低于對比方法，同時從預測成績與真實成績的對比可知，大多數(shù)同學對構建的生物課堂教學模型是滿意的。但研究還存在不足之處，該模型的數(shù)據(jù)采集具有局限性，在以后研究中需進一步完善數(shù)據(jù)的采集和整理工作，提高其適用性，將其應用于其他學科的教學中。