基于決策樹算法的學生學習效果監測系統設計

摘 要：本文針對傳統學生學習效果監測系統精度與準確率較低的問題，設計了一種基于決策樹算法的學生學習效果監測系統。在系統設計中，本文進行了數據采集和處理，利用決策樹算法構建學生學習效果預測模型，重點關注了軟件和硬件層面的實施細節，保證系統能夠處理大規模數據，并具有實時預測能力。測試表明，與傳統系統相比，本系統在精度與準確率上具有顯著優勢，能夠高效、準確地觀察學習效果，可為教師提供個性化支持，有效提升教學質量，為學習效果監測領域的進一步發展提供示范。

關鍵詞：決策樹算法；學習效果；監測系統；精度

中圖分類號：TP 393 " " " " 文獻標志碼：A

隨著信息技術發展，教育領域對個性化教學和學生個體化學習路徑的需求日益增加。學生學習效果監測系統能夠分析學生的學習行為和表現數據，預測學生的學習成績或學習困難，進而提供針對性的教學策略和支持措施。目前，學界已廣泛探討了學生學習效果監測系統的各種應用和實證研究。例如，劉曉[1]結合人工智能技術設計了一種學生學習行為監測系統，實現了個性化無痕監測，能夠對學生學習行為進行智能監測；任潁超[2]引入OpenCV識別算法設計了學生行為監測系統，可自動識別異常行為，各指標均符合預期；繆澤浩等[3]基于YOLOv5設計了疲勞狀態監測系統，能夠有效監測學生的學習疲勞狀態。雖然這些系統具有一定優勢，但是在精度與準確率方面仍有提升空間。決策樹算法是一種經典機器學習方法，能夠處理多樣化的學生數據，例如學術表現、學習行為和社交互動，在課堂教學、在線平臺和個性化推薦系統中取得了顯著成效[4]。鑒于此，本文設計出一種基于決策樹算法的學生學習效果監測系統，該系統精度與準確率均較高，能夠有效預測學生的學習效果，并提供個性化的學習支持。

1 整體方案

本文利用大數據集成技術，以云平臺為支撐，創建學生學習效果監測系統，其硬件結構由傳感器模塊、處理器模塊以及交互模塊構成（如圖1所示）。其中，傳感器模塊為系統前端，能夠收集學生行為、成績和互動等多源數據，并在清洗數據后選擇相關特征，采用交叉驗證評估數據的準確性和泛化能力，便于后續模型構建。處理器模塊是系統中層，單片機STC89C51基于預處理后的數據，應用決策樹算法構建預測模型，并利用模型對數據進行分類，以識別學習成績、學習中遇到的困難等情況，再將處理后的數據經云服務傳輸到交互模塊，保證系統穩定運行。交互模塊是交互界面，交互助手Amazon Echo Show 10將預測結果以可視化方式呈現，根據預測結果向教師推薦教學策略和支持措施，便于教師理解學生的學習狀態。這種結構使系統能夠高效地處理、分析學生數據，并提供實時個性化支持，從而提升教學質量。

2 硬件設計

2.1 傳感器模塊

傳感器為系統提供了多維數據支持，能夠監測、收集學習效果，并對數據進行清洗，再發送給處理器單片機進行計算，全面分析學習效果。傳感器由生理傳感器AD8232和環境傳感器FX-200構成。AD8232能夠監測學生的生理指標，評估學生的情緒狀態和身體反應，并將生理數據傳輸至處理器進行分析，從中提取特征，將其作為決策樹算法的輸入[5]。FX-200能夠監測學習環境條件，將環境信息傳輸至處理器，分析學習環境的影響。傳感器電路設計如圖2所示，Vdd能夠提供穩定電壓，保證組件正常工作。C0與Vdd相連，用以濾除高頻噪聲。S1和S2控制信號采集，當S1閉合時，FX-200開始檢測外部環境指標；當S2閉合時，AD8232開始采集生理指標，將其轉換成相應的電信號。這些原始電信號需要進一步加工，C1a可以平滑信號，為信號穩定提供保障。再對信號進行模數轉換處理，保證信號質量滿足系統要求。此外，傳感器還具有反饋機制，由OUT信號反饋到特定部分進行自動調節，以維持傳感器精度。最終，處理后的信號由輸出端OUT輸出，處理器單片機利用算法邏輯對這些數據進行進一步處理，從而獲得更精準的監測結果。

2.2 處理器模塊

處理器可高效處理傳感器數據，并利用決策樹算法實時生成學習效果評估。處理器采用STC89C51高性能單片機，可以實時處理傳感器數據，并采用決策樹算法將結果反饋給傳感器。STC89C51單片機電路設計如圖3所示。電源由8550電池提供，保證Vdd有穩定的電壓供給。時鐘信號生成后，STC89C51接收信號并執行其內部存儲，該步驟涉及外部信號采樣，通常由數字轉換實現，而具體輸入則由R1進行信號調理，以保證信號在合適電平范圍內。在信號處理中，Q用于將信號放大并控制電路，1N400將電源中的交流成分轉換為直流，為STC89C51提供干凈電源[6]。IRF540能夠控制較大功率的設備，例如24 V電磁閥。STC89C51將控制信號輸出至IRF540的門極，從而控制電磁閥的開關狀態，實現流體控制。大功率電阻R5能限制通過IRF540的電流，防止電流過大，損壞電磁閥。整個電路工作是動態的，STC89C51根據實時反饋信號和預設的程序邏輯，不斷調整對電磁閥的控制，并使用預先訓練好的模型進行數據分類，再將處理后的數據由云服務傳輸至交互模塊，保證系統高效、穩定運行。

2.3 交互模塊

交互模塊將處理器生成的預測結果直觀呈現給用戶，并同時收集反饋。Amazon Echo Show 10交互助手能夠提供視頻輸出，可帶來沉浸式體驗。信號產生的核心是AD9851芯片，該芯片是一個高性能數字合成器（DDS）。VCC和AGND提供模擬電源和模擬地，AVDD提供數字電源。時鐘配置由RESET引腳實現，保證在啟動過程中處于已知狀態。REFCLOCK參考時鐘輸入，用于設定DDS的頻率分辨率。數據輸入由FQ_UD和IOUT引腳執行，允許對DDS的頻率進行編程。控制和配置由W_CLK實現，用于將數據寫入芯片的時鐘。D[0..7]是數據輸入引腳，用于向AD9851發送配置數據。模擬輸出由VOUTP和VOUTN提供，用于生成所需波形。外部接口由DS實現，用于顯示或控制。電源去耦通過大容量電容（例如16 V/1000 μF）完成，以保證電源穩定。在電路運行中，對AD9851的寄存器進行編程，設定所需波形參數，并通過輸入參考時鐘和進行內部數據處理生成波形，再由差分輸出提供給外設，電阻和電容需要保證信號質量，電源去耦和外部接口需要保證輸出內容的可靠性。

3 軟件設計

系統程序均采用C語言編寫，在軟件設計過程中，需要考慮如何將傳感器模塊、處理器模塊和交互模塊的硬件設備有效整合起來，形成一個協調一致、高效運行的系統。

3.1 感應程序設計

感應程序設計需要達到實時采集與集成傳感器數據的目的。首先，收集、清洗生理與環境數據，處理異常值與重復值，保證數據質量。其次，將數據格式化為算法可處理格式，并從中選擇合適特征進行衍生，再這些特征將用于算法預測，以此優化系統性能。再次，將處理后的數據儲存到MariaDB中，由于不同信息存在交換，在集成中會損耗資源，可能會出現“離散”問題，因此需要采用交叉驗證評估數據有效性，從而為算法訓練提供數據基礎。感應程序設計流程如圖4所示。

3.2 執行程序設計

執行程序需要運行算法，處理器根據傳感器數據進行預測。首先，配置具體參數，例如樹深、節點方式和剪枝策略，使用感應程序設計處理后的數據進行模型構建。其次，在已知根節點的情況下，將非葉子預測節點作為連接，再使用一、二級節點將學習效果反饋至底層。在設計過程中，根節點不會限制接入，但是二級節點數量要多于一級節點，既能存儲信息，也能將其分散各處，便于更準確地識別學習效果。

3.3 展示程序設計

展示程序設計需要考慮交互功能，數據格式轉換是實現交互的主要步驟，應在轉換過程中創建節點連接，從而提升數據承載力。設x1為最小轉換系數，x2為最大轉換系數。隨著信息逐步明確，轉換流程也趨向于完善，直至轉換系數x不再出現任何變化。在上述變量支持下，可將轉換結果y用公式（1）表示。

（1）

式中：y為最終轉換結果；ω為轉換因子；t為轉換量；r為轉換權限。

y值越大，表示數據轉換效果越良好，轉換后用于提供交互操作，至此完成軟件設計。

4 系統測試

為驗證系統設計的有效性，本文在Fastone上進行測試工作，測試數據來自某校學生信息中心，將本系統與傳統系統進行精度與準確率比較。

4.1 精度

精度能夠反映系統整體性能，精度越高，監測情況越良好，反之亦然。本系統與傳統系統的精度比較情況見表1。由測試可知，隨著時間增加，本系統的精度基本穩定，保持在85%左右，而傳統系統的精度在穩定后快速下降，最高僅為69%左、右。由此可見，運用決策樹算法，可顯著提升精度，對提高學習效果監測效率具有積極意義。

4.2 準確率

本系統與傳統系統的準確率比較情況如圖5所示。由測試可知，當樣本人數由50人增至300人時，本系統的準確率基本保持在90%左、右，起伏較穩定；隨著樣本人數增加，傳統系統的準確率持續下降，表明其受樣本人數的影響較大，樣本人數越多，系統準確率越低。

為進一步驗證系統準確率，增加噪聲干擾參數，結果見表2。由測試可知，隨著噪聲干擾增加，本系統的準確率變化較小，當樣本人數為300人、噪聲干擾為20時，本系統的準確率為86%，而傳統系統的準確率為31%，表明本系統的抗干擾能力更強，即便受到較強的噪聲干擾，也能較好地監測學生學習效果，穩定性更強。

5 結語

綜上所述，本系統設計在深入了解和預測學生學習表現的基礎上，收集多維度的數據，選擇合適的特征，并構建有效的模型和實施系統，為教師提供更準確、更個性化的指導和支持。測試表明，與傳統系統相比，本系統在精度與準確率方面具有優勢，可顯著提升監測效率，進一步掌握學生學習狀態。該系統不僅是對技術的應用，而且是對教育的關懷和支持。但是該研究尚處于初期，未來會逐步拓展系統應用，實現更為多樣化的服務，從而為每個學生的學習之路增添更多可能性和機遇。

參考文獻

[1]劉曉.基于人工智能技術的學生課堂學習行為監測系統設計[J].中國新通信，2023，25（18）：65-67.

[2]任潁超.基于SVM和OpenCV的學生異常行為識別監測系統設計[J].技術與市場，2023，30（10）：109-111.

[3]繆澤浩，余冬華，劉新穎，等.基于YOLOv5的課堂疲勞狀態監測系統的設計與實現[J].電腦知識與技術，2023，19（1）：20-23.

[4]羅明挽.基于決策樹算法的學生體質預警系統開發與實現[J].電腦編程技巧與維護，2023（2）：12-14.

[5]李加軍.基于大數據的網絡學習行為監測系統設計[J].信息與電腦（理論版），2022，34（19）：251-253.

[6]鄺楚文.基于數據挖掘的校園網絡輿情監測系統研究與設計[J].數字技術與應用，2021，39（5）：158-161.