基于网络的学习质量监测模型及仿真

李莉，廖忠慧

（江苏大学江苏镇江212013）

基于网络的学习质量监测模型及仿真

李莉，廖忠慧

（江苏大学江苏镇江212013）

基于更好地掌握学生自主学习质量的目的，采用BP神经网络算法，以学生利用网络答疑系统学习的内容、过程、成效作为网络学习质量监测模型的评价指标，建立了网络学习质量监测模型。通过建立好的模型对学生网络学习质量进行监测，得出学生网络学习质量的结果，根据监测结果分析学生学习的特征，教师进行有针对性的教学改革以及学生的个性化指导。测试结果表明，该监测模型准确率高，能为教师监测学习质量提供可靠数据。

网络学习；监测；评价指标；个性化指导；BP神经网络

随着社会计算机网络技术的不断发展，大学生将过多的课余时间用于上网，而用于课外自主学习的时间相对较少。对于正在摄取文化知识的大学生而言，除课堂上在老师的指导下学习外，还必须加强课外自主学习。课外自主学习因其独立性有助于学生自主探讨能力的培养，有助于学生发现问题研究问题解决问题能力的培养，在一定程度上提高了自主学习的兴趣，从而提高学习的质量。现代网络教育环境为大学生自主学习提供了良好的学习平台。从某种意义上说，学生利用网络教学平台学习的质量，不仅反映学生自主学习的态度，也在一定程度上反映了一个学校应用信息化水平的高低。

现阶段，国内外许多学者基于不同的研究视角对网络教育下大学生的自主学习进行了研究，并取得了丰硕的成果。Moore&Howland认为自主学习对于能否通过网络交流电子学习资料非常重要，他们指出网络自主学习的效果与学习者对网络自主学习持有的态度成正相关［1］。张玮提出了基于网络教学平台的大学生应用自主学习过程管理模式，为构建大学生基于网络教学平台自主学习的机制提供了借鉴［2］。这些研究仅仅是从理论上对网络教育下大学生自主学习的优势、影响因素等方面进行了讨论，对于教师通过大学生利用网络教育学习的情况来监测学生自主学习态度进而对学生进行个性化指导的研究较少。本文构建的网络学习质量监测模型是以网站为基础，通过收集、整理学生网络答疑系统的网络行为数据（包括浏览网站各站点的次数和提出问题、回答问题等的次数），根据学生网络学习的特征，定义了监测指标体系，建立了BP神经网络监测模型。利用训练好的模型对学生使用该平台学习的质量进行监测，教师根据反馈的监测结果分析学生自主学习的特征，从而有针对性的改变教学方案，对学生进行个性化指导，对提高学校的教学质量有着重要意义。

1　网络学习质量监测指标体系

分析和评价一个学生学习质量的好坏，除了进行定性的描述和分析外，更重要的是需要对其进行定量描述和定量分析。将抽象的描述对象按属性和特征量化，建立一个指标体系，使指标体系科学化、规范化并对其进行分析和评价。

在分析已有的网络学习质量监测体系的基础上，根据网络学习质量监测的基本原则与方法，从学生利用网络答疑系统学习的内容、过程、成效3个方面建立网络学习质量监测指标（见表1）。

1）学习的专业内容：学生使用网络答疑系统学习的内容就是教师上传的一些相关学习资料，包括教师的教学课件、文本资料以及微课程的视频。同时，教师在主站上传部分热点问题供学生快速查找，及时掌握重要知识点。因此，二级指标包括：资料下载的次数，浏览热点问题的次数。

2）学生学习的过程：学习的过程就是使用网络答疑系统自主学习的过程。论坛模块为学生自主提问、回答别人问题以及参与讨论提供了一个平台，留言板模块供学生提出问题并提供教师的回复，为了避免教师重复回答学生提出的相同问题，学生在提问之前可以首先通过搜索关键字查看老师给出的相关问题的答复，微课程在线播放的次数（每次播放时间大于10s记为一次播放）直接反映学生对知识的渴望程度。因此，二级指标包括：参与讨论的次数，提出问题的次数，搜索关键词的次数，在线播放的次数。

3）学习的成效：最能体现一个学生学习质量的指标就是使用该系统学习的成效。学生在论坛模块给出正确的答案并被教师采纳不仅可以供其他同学参考，还可以减轻教师的工作量，课后练习、阶段测试可以帮助老师及时掌握某一阶段学生的学习情况。因此，二级指标包括：回答问题的正确率、完成的练习、完成的阶段测试。

表1　评价指标体系

2　建立BP神经网络监测模型

2.1数据来源与统计方法

文中所有数据来源于所建的网络答疑系统网站，网站网址（http://www.dyxt.ujs.edu.cn）。以江苏大学理学院13级某个班级的30位学生为数据源建立指标体系的数据，时间跨度为七周。采用网站跟踪统计算法，利用Alexa网站评价系统长期地、持续地跟踪学习质量监测指标，对指标进行统计分析后的数据保存在以每个学生注册时所用的学号命名的数据库中。为了保证统计数据的有效性，在算法中定义在网页停留时间超过10秒且小于15分钟的为一次有效访问，最终得到所有统计数据。前24组数据为训练样本，后6组数据为检验样本。数据采样表见表2。

表2　数据采样表

2.2BP神经网络模型设计

BP神经网络监测模型建立的具体步骤如下：

1）网络层数的确定根据Kolmogrov理论，多层前向神经网络具有理论上可逼近任意非线性连续映射的能力，因而非常适合于非线性系统的建模及控制。本文构建一个双层的BP神经网络模型。第一个隐层用于完成输入信号的空间加权聚合及激励输出，第二个隐层用于提高网络对系统输入输出之间复杂关系的非线性映射能力。

2）网络输入层、输出层节点数的确定神经网络的输入层、输出层神经元的节点数应由问题的外部描述来确定。

输入层节点的多少与监测指标个数相对应。根据网络学习质量监测指标体系，可以把二级指标作为输入层节点数，因此，网络的输入层节点数为9个。

输出层，这里以对学生利用该平台自主学习的知识内容C1、学习效果C2、学习态度C3的监测结果作为系统的输出，输出顺序依次为C1、C2、C3。因此，BP神经网络的输出层节点数应为3个。其中，学习内容以搜索关键词的次数为监测依据，根据建立的BP神经网络学习质量监测模型检索出来的高频关键词（设定被搜索超过50次的关键词为高频关键词）的次数，然后采用哈希算法［3-4］统计出所有的高频关键词的具体知识点，以文本的形式保存下来作为最终输出。学习效率以一级评价指标A3为监测依据，学习态度以一级指标A1、A2为监测依据，输出均分为优秀、良好、中等、一般、差5个等级，转化成相应数字5、4、3、2、1。

3）网络隐含层节点数的确定对于BP网络各隐层神经元数的选取，本文采用目前较为普遍的Kolmogrov定理确定隐层单元数，即各隐层元数M≤2n+1（n为输入向量）。在确定隐层神经元数时，先根据Kolmogrov定理得出一个初始神经元数，然后采用逐步增长或逐步修剪法确定最终神经元数［5］。

4）激活函数的确定隐层单元上的激活函数，选取tansig双曲正切函数。评估结果的期望输出值经过归一化处理后均落于［0 1］区间内，输出层单元上的激活函数取为Sigmnid函数，函数形式为:

5）模型的确立综合上述分析，建立一个结构为9-18-9-3的BP神经网络如图1所示。

图1　网络学习质量监测的BP神经网络模型

2.3BP算法的学习

BP算法的学习步骤如下：

1）归一化处理：采集到样本后，样本数据要输入到BP网络前，必须进行归一化处理。本文采用最大最小值法进行归一化处理，将输入、输出数据映射到［0 1］范围内。变化式如下：

其中，X，x分别为转换前、后的值，Xmax、Xmin分别为样本的最大值和最小值。

2）始化网络各层的权值ω均为0.1、阈值θ均为0.2，设置误差目标E值，给定迭代次数T=20O0，令网络学习精度l= 0.001，将第一组数据输入进行运算；

3）根据公式（3）（4）将输入层数据导入隐含层神经节点内进行计算；

4）根据公式（3）（4）将隐含层数据导入输出层神经节点内进行计算；

5）调整参数：计算输出值：Oj=xj，实际值：Tj。

①根据公式（5）计算输出节点的数据误差；

②根据公式（6）计算隐含层节点的数据误差；

③根据公式（7）（8）调整各节点权值；

④根据公式（9）（10）调整各节点的阈值；

6）将参数更新之后继续处理下一组数据，直到30组数据全部输入运算完毕。

2.4网络学习

利用Matlab提供的nntool工具箱［6］，建立一个结构为9-18-9-3的BP神经网络，将24个训练样本数据输入网络，启动网络进行学习。通过不断执行迭代过程，直到满足学习精度为止，保存学习好的神经网络。网络经过865次迭代后达到训练最佳目标，BP网络训练过程中的误差变化如图2所示，其中横坐标为网络训练迭代次数，纵坐标为网络的误差。此时，均方误差（Mean Squared Error）为0.000 996 54。

图2BP网络训练过程误差变化

2.5监测模型输出结果

将6个检验样本数据输入学习好的神经网络，利用建立的网络学习质量监测模型进行训练，输出结果C1如表3所示，C2、C3如表4所示。

表3　监测模型C1（知识内容）输出结果

3　个性化指导

利用建立的模型对注册使用该平台的学生进行监测前七周的课程学习情况，根据监测结果，教师调整后期的教学方案，并对学生进行个性化指导。进一步对后期学习情况的监测，根据C1输出的高频关键词可以归纳出本课程所有知识点以及每个学生对知识掌握的薄弱点，有利于对学生复习进行集体知识点辅导。通过上述递进监测，教师可以对其后该课程的授课内容、难易程度、教学方法等重新划分知识点的重难点，同时利用该平台学生的自主学习特征，制订一个常规化的指导系统，引导学生制订合理的学习计划，充分调动学生自主学习的积极性，明确学习目标和学习计划，寻求高效率的学习策略，充分挖掘学生自主学习的潜能。

表4　监测模型C2（学习效果）、C3（学习态度）输出结果

4　结束语

本研究利用BP神经网络的学习功能构建了网络学习质量监测模型，仿真结果表明本研究建立的指标体系是合理可行的。利用本研究所建立的监测体系，可以快速而有效地将定性的监测转化为定量的直观的监测。同时，BP神经网络自身具有的强自学习性、自适应性与容错性等特点可以与学习质量监测有效地结合，教师可以通过监测掌握学生学习特征，对学生进行个性化指导，学生可以通过监测选择自主学习内容，大大节省了人力物力，为学校提高教学质量提供了便利条件。

［1］田华，王旭卿.基于3G时代支持移动学习的网络教学平台探讨［J］.中国现代教育装备，2010（5）:26-29.

［2］Akkoyunlu B，Soylu M Y.A Study of student's perceptions in a blended learning environment based on different learning styles［J］.Educational Technology&Society，2008（1）:183-193.

［3］Salakhutdinov R，Hinton G.Semantic hashing［J］.International Journal of Approximate Reasoning，2009，50（7）:969-978.

［4］Weiss Y，Torralba A，Fergus R.Spectral Hashing［J］.Advances in Neural Information Processing Systems，2008（21）：1753-1760.

［5］卓金武.MATLAB在数学建模中的应用［M］.北京:北京航空航天出版社，2011.

［6］郭利辉，周雅.基于MATLAB神经网络工具箱的BP网络设计［J］.信息技术与信息化，2009（3）：20-22.

Model and emulation of the learning quality monitoring based on network

LI Li，LIAO Zhong-hui
（College of JiangSu University，Zhenjiang 212013，China）

Based on the purpose of better to grasp the quality of students'autonomous learning，by using BP neural network algorithm，the content，processes and effectiveness of the network answering system as the evaluation indicators for the learning quality monitoring system，the learning quality monitoring system is established.Using the well-established model for monitoring the quality of student learning，the teachers analyzed the characteristics of student learning according to the monitoring results，concluded that results of the online learning quality，targeted to change teaching reform and personalized guidance to students.Test results show that the accuracy of the monitoring system is high and provided reliable data to monitorthe quality of learning for teachers.

network learning；monitoring；evaluation indicators；personalized guidance；BP neural network

TN99

A

1674－6236（2016）17-0031-04

2015-09-10稿件编号：201509075

李莉（1964—），女，陕西蒲城人，博士，副教授。研究方向：智能控制研究。