基于BP神经网络的课件点播学习质量评价模型

1、基于BP神经网络的课件点播学习质量评价模型论文导读：课件点播系统是指学生按自己的认知结构、学习方式选择需要的知识课件。利用BP神经网络理论建立学习质量评价系统的数学模型。关键词：BP算法,课件点播,层次分析法,学习质量评价1 引言课件点播系统是指学生按自己的认知结构、学习方式选择需要的知识课件，以自定的进度学习，它有利于学生的主动探索、主动发现，有利于培养学生分析问题、解决问题及创新的能力。这里存在个适度的问题，如果学生自主学习时自由度过大，就容易偏离教学目标要求，所以我们要进行教学评价。以往传统的教学评价中存在很多问题：一评价主体单一，把教师作为评价工作中的绝对权威，对学生主体性地位重视程度

2、不够。二不注重分析学生的特征，评价学习是一个复杂过程，没有大量的、全面的反映该过程的准确信息根本不可能实现全面的客观评价。三偏重成绩评价，而无视对学习环境、方法、能力及学习全过程的评价。四评价信息反响不及时，延迟过大，无形中挫伤学习者的积极性。结合以上问题，提出更能反响学生成长、进步和开展的学习评价指标，利用BP神经网络理论建立学习质量评价系统的数学模型，为学习质量评价体系的研究提供了有意义的参考价值。2编制评价指标体系2.2评价指标确定针对课件点播学习方式的特点，在编制学习质量评价指标体系时，应该从以下几方面考虑：1从整体出发。课件点播学习是以以学为中心;，它强调学生是认知的主体，强调学生的

3、自由探索，强调学习者与教师的交互作用。2动态性。传统的评价理论根本属于静态的总结性评价，而课件点播学习评价应该同时重视形成性评价，即进行性评价，使评价过程和教学过程相结合，在教学过程中就采集各种评价信息，来指导和改良下一步的学习。重视动态性，重视其反响是课件点播学习评价的一大特色。3只需要选取最能反映评价对象在评价目标上开展水平的典型行为，没必要把所有反映目标的内容都一项不漏地放进来。编制指标体系时所要遵循的全面性原那么，也只是要求主要方面不能丢，指标体系反响的只是评价对象的有代表性的典型行为，而不是全部行为。学习评价体系注重对学习者的态度和学习过程的评价，目的在于一方面真正了解学生的学习过程

4、，另一方面做出评价和反响，提出问题和建议。具体来说，评价体系包括以下几项：一资源利用情况学生利用丰富的课件资源进行学习是课件点播学习的一大优势。评价学生资源利用效果可以通过记录学生翻开课件的时间及关闭课件的时间来确定学习者的学习课件时间，通过课件内容页面浏览范围和次数来了解学生学习范围、进度，通过电子图书馆资料的使用来了解学生学习的深度与广度，学生在笔记本;上作学习记录的情况和下载课件次数来了解学生学习态度。二答疑情况在课件点播学习过程中，学生需要向教师请教问题是不可防止的事情。通过答疑，学生可以更加深入地理解学习的主题，促进知识意义的建构。答疑情况可以通过学生请教问题的次数，浏览问题解决的次

5、数，请教问题的质量来反响学生对所学知识的理解程度。三作业情况根据学生作业完成次数，作业完成质量，提交作业及时与否，作业是否作弊来了解学生平时知识点掌握程度，问题解决能力与学习态度。四相互作用与交流对于网上学习的学生来说，只有课件资料的浏览和作业练习对学生的认知领域和情感领域开展是极为不利的。学生与教师、其他同学之间的交互交流能激发与保持学习动力，促进学生更好学习。聊天室是以实时答疑的形式提供一个实时交互的学习环境，使教师学生能充分进行交流讨论；BBS讨论提供的是非实时的交互学习，学生通过发表贴子进行提问和提出自己的观点，通过阅读贴子获得解答。五测试情况在线测试给学生自我测试的时机，学生通过它可

6、以了解自己对所学知识的掌握情况。当然考试只对学生学习情况做一阶段性的评定，是一种促进学习的手段。基于以上评价内容构建学习质量评价指标体系根本框架，然后用特尔斐法在大范围内对框架进行屡次讨论和修改。讨论的中心是指标框架是否科学，合理，具有可操作性。讨论的范围包括教育技术专业人士，学校知名教授，网络课程教师，网络课件开发技术人员及使用课件点播系统的学生等不同人员。他们可以从社会的不同角度提出最直接的意见，使评价体系具有科学性和指导实践的价值。最后运用层次分析确定评价指标的权重。先对同一层次的各元素关于上一层中某一准那么的重要性进行两两比拟，构造两两比拟的判断矩阵；通过解判断矩阵的特征根来计算被比拟

7、元素对于该准那么的相对权重。免费论文参考网。表1 学习质量评价表 一级指标 一级指标权重 二级指标 二级指标权重 资源 利用 情况 0.22 学习课件时间 0.046 使用电子图书馆资料的次数 0.042 学生做学习记录的次数 0.044 学生做学习记录的质量 0.042 下载课件次数 0.043 答疑 情况 0.14 学生请教问题的次数 0.048 浏览问题解决的次数 0.044 请教问题的质量 0.044 作业 情况 0.13 作业完成次数 0.045 作业完成质量 0.043 作业作弊次数 0.042 相互 作用 与 交流 0.24 在聊天室发言次数 0.041 在聊天室发言对他人的帮助

8、情况 0.038 在讨论区读帖次数 0.037 在讨论区回帖次数 0.039 在讨论区发新帖次数 0.044 测试 情况 0.27 测试的次数 0.088 测试成绩 0.096 选择测试题的难度 0.086 3 BP神经网络学习质量评价评价指标体系由两类指标组成，一是定量指标，如：学习课件时间、使用电子图书馆资料的次数等，可以直接获得量化数值。二是定性指标，如请教问题的质量、作业完成质量等，此类指标需要进行量化处理才能在评价系统中使用，定性指标的量化根据不同的指标需采取相应的方法。例如，对作业完成质量的化采用尺度评分法。这是一种在数据采集过程中进行的直接量化方法，即将作业质量直接给出一个定量的

9、数值。由于每一个定性变量都有其程度;上的变化情况，因此可以将定性变量的取值按方向两极和深度强弱进行细化。对作业质量的量化用尺度评分法细化。为了得到准确到小数点后一位的分数，需要将0，2020，4040，6060，8080，100区间值再用尺度评分法细化。刻度点的个数与分值是教师确定的，一般的刻度点的个数都取5-9个，刻度点越多，评分越精确，但区分起来的难度也相应增大了。每一刻度点的评分值通常取为等差数列。3.1对原始变量数据进行标准化处理由于各个指标会随着学习评价的表现形式的不同而不具有可比性，因此，为了进行科学的综合评价，有必要对各个指标予以标准化处理。所谓标准化处理，也就是对指标数值的无量

10、纲化、归一化处理，它主要是通过一定的数学变换方法，把性质、量纲各异的指标转化为可以进行综合的一个相对数量化值，以此来消除量纲的影响，并使其保持方向上的一致性。免费论文参考网。标准化过程实际上就建立单项评价指标的评价函数的过程，即是把指标实际值转化为评价值的过程。单项评价值是个相对数，它说明：从某项评价指标来看，被评价对象在总体中的相对地位，即被评价对象相对于总体某一比照标准最高、最低、平均或其它水平的相对地位。由数学原理来看，假设用 m 个指标就构成了一个空间 A。空间 A是m 维的，那么，第i 个被评对象j实际值就决定了空间 A中的一个点a ij. 。标准化处理，即把指标实际值转化为指标评价

11、值，实际上这是作了一次映射 f ( f i ,1,2,3,m) ，把空间 A 映射到空间B 上，亦即f : A B ，空间 B 仍是 m 维的，但B中各点已具有可比性。当一组评价对象的各评价指标都有确定的取值时，通常采用相对系数评分法使其标准化。免费论文参考网。本文利用下面的公式进行计算： 式中，Xij为第i个学生的第j 个评价指标的相对评分值；Xij 为第i个学生的第j 个评价指标的原始数据值；Zj 为与Xij对应的某单项指标的相对评分值。3.2 BP神经网络结构选择三层前馈神经网络，由输入层、隐层、输出层构成。选入对网络输出即学生学习质量有影响的二级指标作为输入变量，以此确定输入节点的个数

12、。本网络有20个输入节点。学习质量为其输出，那么输出层单元数选为。隐层神经元数的选取关系整个BP网络的精确度和学习效率，在这里选择7个。激活函数采用sigmoid型 ，抽取20个同学作为评价对象。BP神经网络通过训练将20个样本的真实值与网络输出的误差反向传播到各层的神经元，采用梯度下降法不断调节各层的权值，减小因权值带来的偏差，从而使20个训练样本真实输出与网络输出的误差控制在设定的误差范围内。表2 学生学习质量人工评价结果与神经网络模型辨识值比拟 样本序号 人工评价结果 神经网络辨识值 误差 1 9.25 9.2490 0.0010 2 9.2 9.1999 0.0001 3 8.5 8.

13、4907 0.0093 4 9.71 9.7102 0.0002 5 7.6 7.5973 0.0027 6 7.2 7.1975 0.0025 7 7.92 7.9167 0.0033 8 6.45 6.4498 0.0002 9 9.35 9.3489 0.0011 10 8.55 8.5499 0.0001 11 7.65 7.6512 0.0012 12 7.9 7.8998 0.0002 13 5.6 5.5978 0.0022 14 5.81 5.8096 0.0004 15 7.25 7.2406 0.0094 16 9.16 9.1623 0.0023 17 8.76 8.75

14、64 0.0036 18 9.94 9.9375 0.0025 19 4.21 4.2113 0.0013 20 7.64 7.6382 0.0018 3.3结果分析从表2中我们可以看到，网络训练成功，原始数据与神经网络模型的辨识值很接近，误差很小，其中只有两个样本的误差大于0.5%，其它的误差都小于0.5%。可见我们选择的评价指标体系和构建的BP神经网络结构都是比拟适当的，能够对学生的学习质量进行准确评价。4结束语通过对原始变量数据进行标准化处理，把性质、量纲各异的指标转化为可以进行综合的一个相对数。运用BP神经网络的容错特征，选取适当的作用函数和数据结构，处理各种非数值型指标，实现对学生的

15、学习质量评价。能够确保学生在自主学习过程中对学习质量及时进行评价，做到自我监控、自我指导，到达最正确学习效果。一旦神经网络的结构和其算法确定后，模型的准确程度与输入的训练样本的数量有着密切关系。训练样本越多，就越能准确地进行评价。缺乏之处是，本文采用的学习质量评价指标体系是以一些学者们提出的评价体系为参考依据，自己构思出来的，存在理论依据不是很完善，不是很客观，可信度有限等问题，需要进一步修改、补充和完善。参考文献【1】杨永清，教学质量综合评价的量化模型，阜阳师范学院学报，1997，1(30):54-57:【2】何世明，沈军，基于BP神经网络的网上学习评价方法，微机开展，2004，14(12):26-29;【3】Hxgxn M T, Menhxj M. Trxining feedforwxrdnetworks with the Mxrquxrdt xlgorithm. IEEE Transactions