基于RBF神经网络的信息素养评价

綦振法， 王　俊， 佟泽华

(山东理工大学商学院， 山东淄博 255049)

基于RBF神经网络的信息素养评价

綦振法， 王俊， 佟泽华

(山东理工大学商学院， 山东淄博 255049)

摘要：在已有研究的基础上，从信息素养核心能力和信息素养外围能力两个方面构建信息素养评价指标体系，进而提出了一种基于RBF(径向基)神经网络的信息素养评价模型.最后，以高校大学生为例进行了实例分析.

关键词：信息素养； 信息素养核心能力； 信息素养外围能力； RBF神经网络； 评价

在当今信息社会，信息素养发挥着重要的作用，信息素养水平的高低已成为衡量现代人才的一项主要指标[1].因此，如何提高信息素养水平也就成了人们需要解决的问题.对于信息素养的评价方法已有人进行了研究，如利用AHP方法、模糊综合评判[2]、回归分析法[3]进行了信息素养评价方法的研究，并取得了一定的成果.但是通过分析可以发现AHP法、模糊综合评判法、回归分析法等方法具有人为因素参与较多的不足.而人工神经网络(Annual Neural Network，ANN)具有很强的自适应学习、自组织映射、联想记忆以及高度的鲁棒性和容错性等特点，同时考虑到RBF网络(径向基网络，ANN的一种)相比于一般的神经网络模型(如BP网络)具有训练时间短、效率高的优点，克服了已有方法的不足.因此，本文尝试利用RBF神经网络进行信息素养评价方法的研究.

1信息素养评价指标体系的构建

合理、有效的信息素养评价指标体系是进行信息素养评价的重要基础.相关研究人员以及部门从不同的侧面或角度给出或制定了信息素养的评价指标体系.例如，美国学校图书馆协会和教育交流技术协会制订了涉及“信息素养”、“独立学习”、“社会责任”等三个方面、9个标准的信息素养评价指标体系[4].Magnuson[5]通过数据调查和分析发现，在web2.0环境下信息素养标准涉及协作(collaboration)、信息组织(information organization)、创造、讨论和技术教育等5个方面.Bundy[6]系统地总结和分析了澳大利亚和新西兰信息素养框架体系，具体涉及识别信息需求和判断信息需求本质和内容能力、有效率和有效果发现所需信息的能力、评判地评价信息和信息寻求过程的能力、管理所搜集或产生信息的能力、应用前期或新信息以构建新概念或创造新的理解的能力，以及用合伦理的、法律的、文化的、经济的和社会的方式或方法使用信息的能力等6个方面.清华大学从7个方面构建了信息素养评价指标体系，具体包括信息及信息素养价值认识能力、信息性质及范围认识能力、信息和信息源评价能力、信息的管理与交流能力、利用信息完成具体任务的能力、信息法律与伦理认识能力等[7].此外，刘美桃[8]从信息意识强弱、信息需求强烈程度、信息源基础知识水平、高效信息获取能力、信息评估能力、信息利用及存储能力、信息法律与道德等知识水平、终身学习能力等8个方面制定了信息素养评价标准.陈文勇[9]等把高校学生信息素养能力标准概括为信息需求识别和表达能力、信息源识别和选择能力、信息检索提出和执行能力、信息检索结果分析和解释能力、全球信息环境检索能力、信息检索结果评价能力、信息检索自我评价能力、信息环境及信息产生过程的认识能力、信息公共政策及伦理了解能力等10个方面.刘孝文[1]制订了信息素养评价指标体系，该指标体系包括信息情感态度和价值观、信息知识、确定所需信息的性质和范围能力、信息获取能力、信息组织、交流及创新能力等5个一级指标，这些一级指标又涉及14个二级指标.

综合已有的研究，本文重新设计了信息素养的评价指标体系，其中包括“信息素养核心能力”和“信息素养外围能力”两个二级指标，共涉及11个三级指标(表1).与已有的指标体系相比，该指标体系简单明晰，并且易于操作，具体如下：

表1　信息素养能力评价指标体系

(1)信息素养核心能力：信息素养核心能力是指在信息素养能力评价指标中重要的、能更好地反映信息素养水平的能力，具体包括8个方面的三级指标，见表1.

(2)信息素养外围能力：信息素养外围能力是指除应具备的核心能力外，还应具备基本的、必要的辅助能力，具体包括3个方面的三级指标，见表1.

需注意的是，本文给出的指标体系并没有从“个体”、“组织”或“环境”等要素来划分信息素养指标体系，主要是考虑到一方面从“信息素养核心能力”和“信息素养外围能力”两个维度更能反映信息素养能力指标体系的特点，并且更具有“易用性”，指标体系更加简单而明晰，同时具有一定的“通用性”(既可以用于教育部门的信息素养评价，也可以用于公司员工的信息素养评价)；另一方面，本文给出的指标体系也直接或间接地反映了“个体”、“组织”以及“环境”等要素的指标，如“信息共享(交流)能力”反映的就是一种“组织”(或团队)层面的能力，“信息鉴别和价值判断能力”反映了个体的能力，而“信息工具(计算机)应用水平”一方面反映了个体应用计算机工具的能力，另一方面也反映了信息素养的“环境”要素水平.

这里需说明的是，对于每一个指标评价，本文采用了五级得分评价制(在[0,1]范围内)，即“优”、“良”、“中”、“一般”、“差”五个等级，具体来讲就是当0≤得分<0.6时为“差”，0.6≤得分<0.7为“一般”，0.7≤得分<0.8为“中”，0.8≤得分<0.9为“良”，0.9≤得分<1为“优”.(注：在实际的数据调查中，对于每一个指标的评价应根据信息素养评价的具体对象并通过中具体的问题或选项来体现.例如，“信息素养搜集和获取能力”对于大学生来讲，可以通过若干个选项，如“搜索引擎工具的使用状况”和“撰写论文中使用数据库状况”来衡量；而对于公司中员工的信息素养评价就不能通过“撰写论文中使用数据库状况”来衡量，此时应增加一些与企业相关的问题或选项).

2RBF神经网络的结构及学习算法

RBF(Radial Basis Function)神经网络也称为径向基网络，是一种含有一个隐含层的三层前馈神经网络结构.与BP神经网络相比，RBF网络具有训练时间短、高效率的特点.

2.1RBF神经网络结构

RBF网络的神经元模型[10-11]如图1所示.RBF网络的传递函数radbas是以阈值向量和权值向量之间的距离||dist||为自变量的，其函数表示见式(1).

radbas(n)=e-n2

(1)

图1　RBF网络神经元模型

当输入自变量为0时，传递函数获得最大值为1.随着输入向量和权值之间距离的减小，输出值增加.因此，径向基神经元可作为一个探测器，当输入向量和加权向量一致时，输出1.图中b为阈值，用于调整神经元的灵敏度.

2.2RBF网络的学习算法

RBF网络具有三层结构，包括：输入层、隐含层和输出层[11].其中，隐含层采用径向基函数作为激励函数(一般为高斯函数)，如图2所示.

隐含层的第i神经元的输入为

(2)

输出为

(3)

图2　RBF网络结构

输出层的输入为各隐含层神经元输出的加权求和，其输出为

(4)

3基于RBF网络的信息素养评价的实例分析

3.1 基于RBF网络的信息素养评价的数据搜集

本文依据前面的信息素养指标体系设计了调查问卷，并以高校的大学生为例进行了数据收集.共发放调查问卷160份，得到有效问卷为130份，然后对有效问卷的数据进行整理，并选取了其中的120份调查数据作为样本数据(由于篇幅所限仅提供部分数据)，其余10份为测试数据.前120份样本期望输出(通过专家打分获得)见表1，例如，样本S2的期望输出即得分为0.73，按照前面给出的评价原则，其评价结果为“中”，而样本S9的期望输出为0.83，评价结果为“良”，其他依次类推.

表2　信息素养调查样本

续表

3.2数据仿真和结果分析

RBF网络结构各层神经元的确定：①RBF网络的输入层神经元数量由信息素养能力评价指标体系中的指标数量决定，根据前面设计的信息素养能力评价指标体系可知，输入层神经元的数量为11个；②输出结果即为信息素养能力的得分值，因此，输出层神经元的数量为1个；③隐含层的神经元的数量由函数newrbe创建RBF神经网络时自动选择，并使误差达到最小值.

图3　RBF网络在SPREAD=0.1、0.2、…、8、9等时的误差图

径向基函数分布密度(SPREDAD)的确定：利用上面构建的RBF网络，设定0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1、2、3、4、5、6、7、8、9、10、20、…、90等不同的SPREDAD值，并利用调查数据的前120个样本数据进行数据仿真，可以发现：①当SPREDAD的值较小时，如SPREDAD=0.1、0.2、0.3、…、0.9、1等时，误差达到1.0×10-15，但评价结果“有错误”；②当SPREDAD的值较大时，如SPREDAD=2时，出现评价结果“部分准确”的情况；③当SPREDAD的值更大的一些值时，如SPREDAD=3、4、…、8时，误差为1.0×10-15，评价结果大部分是“准确”的(即与预期结果相符)；④当SPREDAD=9时，误差为1.0×10-15，评价结果也是“准确”的(SPREDAD=0.1、0.2、…、8、9等时的误差如图3表示)；⑤当SPREDAD=10、20、30、…、90等时，误差有些波动，但总体上是逐步增加的，如当SPREDAD=90时，误差为1.0×10-15，不过评价结果都是“准确”的(SPREDAD=10、20、…、80、90等时的误差如图4表示).

表3　在不同SPREAD值下仿真时的误差及评价效果情况

图4　RBF网络在SPREAD=10、20、…、80、90等时的误差图

在不同SPREAD值下仿真时的误差及评价效果情况如表3所示.

从图3、图4以及表2可以看出：随着分布密度(SPREDAD)的增加，误差总体上增加；从评价结果(与预期相比)来看，随着分布密度的增加，评价结果的准确程度总体上不断增加，当SPREDAD超过一定范围内评价结果(全部)准确，如在本研究中，当SPREDAD≥5时评价结果都是准确的.

综合上面的分析结果并考虑到评价结果的准确度和误差情况，本研究选取SRPEAD=5作为最终的基于RBF网络的信息素养评价模型的分布密度，进行最终的仿真测试，结果见表4.

表4 基于RBF网络的仿真结果(SRPEAD=5)

将表4评价结果与测试样本的实际情况相比，与预期结果是相符合的，即对测试样本得出了正确的评价结果.这也说明了基于RBF神经网络的信息素养能力评价方法的合理性和有效性.

4结束语

通过本文的研究可以看出，基于RBF神经网络的信息素养能力评价方法是一种有效的方法，它克服了其他评价方法如层次分析法(AHP)、回归分析法等方法需要确定指标权重的不足，并具有很强的自适应学习、自组织映射、联想记忆、高度的鲁棒性和容错性，以及高效率等特点.本文可以为信息素养能力评价的研究提供有益的帮助和启示.

参考文献:

[1] 刘孝文.信息素养评价中的AHP方法应用[J].现代情报,2006,26(10):47-50.

[2] 娜日，吴晓伟，吕继红.基于层次分析和模糊综合评判的网络信息素养评价[J]. 情报杂志，2011(07)：81-84.

[3]彭瑞霞，赵庆刚.以回归分析法构建教师信息素养评价体系[J].清华大学教育研究，2006(03):114-118.

[4] 何高大. “美国高等教育信息素养能力标准”及其启示[J ] .现代教育技术, 2002(3):24-29.

[5] Magnuson M L. Web 2.0 and information literacy instruction: aligning technology with ACRL standards[J]. The Journal of Academic Librarianship, 2013，39(3):244-251.

[6]Bundy A. Australian and New Zealand Information Literacy Framework: principles, standards practice,[M].2nd ed. Australian and New Zealand Institute for Information Literacy: Adelaide,2003.

[7] 曾晓牧,孙平,王梦丽,等. 北京地区高校信息素质能力指标体系研究[J].大学图书馆学报,2006(03):64-67.

[8] 刘美桃. 信息素质定义的发展与评价标准[J] .高校图书馆工作, 2003 (1) : 18-19.

[9] 陈文勇, 杨晓光. 高等院校学生信息素养能力标准研究[J] .情报科学, 2000 (7) : 611-613.

[10]周开利,康耀红. 神经网络模型机其MATLAB仿真程序设计[D].北京:清华大学出版社, 2005:73-74.

[11]葛哲学,孙志强. 神经网络理论与MATLAB R2007实现[D].北京:电子工业出版社,2007:117.

(编辑：姚佳良)

收稿日期：2014-10-23

基金项目：山东省社科基金资助项目(09CJG12)； 山东省高校人文社会科学研究计划项目(J13WF03)

作者简介：綦振法，男，qizhenfa64@163.com

文章编号：1672-6197(2015)02-0014-05

中图分类号：F49

文献标志码：A

Evaluation of information literacy capability based on RBF

QI Zhen-fa, WANG Jun, TONG Ze-hua

(School of Business , Shandong University of Technology, Zibo 255049, China)

Abstract:On the basis of existing research, this paper builds the simple and clear evaluation index systemofinformation literacy competencyincluding two aspects(information literacy core abilityand information literacy peripheral ability).And then, this paperproposesan information literacy evaluation model based on RBF (Radial Basis Function) neural network. In the end,this paper takes some college studentfor example to conduct the instance analysis and achieves satisfactory results.

Key words:information literacy;information literacy core ability; information literacy peripheral ability; RBF neural network; evaluation