基于BP神经网络的医学类微信公众号学术知识获取效果评价模型构建

刘 蕾1，于国泳1，林 鑫2，周 琴2，王 晨，吴安石

据艾媒咨询(iiMedia Research)发布的《2016-2017中国移动医疗健康市场研究报告》显示，移动端应用产品在“医疗咨询”和“医生服务”方面发展前景乐观。这些具有特定服务对象的应用程序和移动社交平台，可提供医学界重大新闻、专家讲座资讯、病例讨论内容、科研课题经验等，进而提升医务人员的专业技能，方便医生进行学术知识交流和经验分享[1]。

利用微信这一当前热点社交类APP的多重功能，辅助创新医学教育的案例层出不穷，如在本科生见习教学[2]、住院医师培养[3]、临床专业技能培训[4]、学术讨论与互动分享[5]等领域进行了积极深入的探索和实践，效果良好。特别是微信公众平台，因具有更多元的信息载体形式、更广泛的用户群体、更便捷的操作平台、更具时效性的互动功能，越来越多的医学界学术机构将微信公众平台作为传播成果、树立品牌、与受众有效沟通的主流途径。

然而，随着医学领域学术公众号数量的不断增多，日常工作繁重、学习时间紧张的科研和临床工作者选择订阅哪些公众号、利用哪些公众号辅助教学，可以及时获取知识、体验精准推送、提升互动效率，从而避免信息冗余、重复提醒等困扰成为亟待讨论的问题。因此，选用科学、高效的评价方法对医学类微信公众号的学术知识获取效果和实际影响进行系统评价，进而更好地指导学术类微信公众平台的知识内容建设，帮助教育教学和科研管理工作者遴选优质教学资料十分必要。

1 研究现状

目前，国内外学者对于借力微信公众平台等社交媒体开展医学教育、进行教学效果评价等方面的研究主要聚焦在应用现状概述与分析、知识内容建设、平台功能实践、用户使用情况调查、优劣势总结与建议等。在麻醉学领域，蒋晶晶等[6]针对基于微信构建的教学公众互动平台现状进行分析，同时结合当前教学实际，探究合理的针对性策略；缪雪蓉等[7]按照麻醉论坛、麻醉学会、讲课视频、麻醉知识、医院麻醉科及麻醉专业杂志对公众号进行分类，分别统计受众的使用情况并讨论；许军军等[8]通过问卷调查获得用户了解微信公众号等自媒体的途径、阅读习惯、内容偏好等，并提出建设意见。

涉及科研学术、专业领域类微信公众号评价的相关研究则重点关注微信公众号的内容分析、教育影响力探究、微信知识服务能力、传播效果评价标准的构建等。张莉曼[9]、闫奕文[10]等分别构建评价指标，对智库和政务微信公众号的传播影响力进行了评价。虽然已有研究者提出了学术微信公众号的评价指标，但对用户产生实际作用效果的评价仍不多见，以医学教育为目的创建的公众号的评价研究则更少。综上，医学类微信公众号应用广泛，在医教研各方面发挥着高效作用，需要针对这些公众号的学术知识获取效果进行系统评价。

2 资料与方法

本文旨在根据已有知识获取效果评价体系研究成果，遴选以麻醉学为代表的典型样本，利用所得数据创建BP神经网络、训练和仿真测试，并验证模型的合理性和科学性，以期通过评价结果更好地了解医学类微信公众号用户获取知识的实际效果，以及影响效果的因素指标，进而为领域内的知识交流分享与学术信息传播、各专业机构开展基于微信公众号的教育与服务提供必要的决策参考和实践建议。

2.1 基于移动社交平台的学术知识获取效果评价体系

应用合理且具有针对性的评价指标体系是对微信公众号学术知识获取效果进行评价的重要基础。本文综合已有研究成果，依据既有文献中的移动社交平台(Mobile Social Networking Platform,MSNP)知识获取影响因素概念模型，从知识特性、知识提供方、知识获取方、知识获取情景4个方面构建、约简并经过实证研究的“微信知识获取效果评价指标体系”[11]。

2.2 样本公众号选取

以麻醉学微信公众号为代表，选取15个微信公众号作为研究样本。笔者通过在北京朝阳医院麻醉科科室内进行访谈推荐，根据清博大数据-清博指数的“微信传播指数WCI”排名[12]，综合考虑医院麻醉科、学协会组织、商业机构等不同性质的运营主体和特色，选取以“协和麻醉大讲堂”“中华医学会麻醉学分会”“新青年麻醉论坛”等为代表的15个微信公众号作为研究样本(表1)。为方便计算、考虑数据保密性等，依次使用S1-S15代表15个样本。

2.3 数据获取

在研究过程中，根据研究内容确定“微信知识获取效果评价指标体系”中各项指标的定义和量化方式(表2)。将指标A1-G2分别赋予变量名称X1-X15，其中定性指标共9项，采用专家打分并以网络和实地走访的形式开展问卷调查，选取从事麻醉学临床科研工作教师3名、具有丰富使用经验的麻醉学微信公众号用户5名、有麻醉学微信公众号运营经验者2名，通过微信公众号搜索功能查找、关注样本公众号，分别对指标打分，取分数的几何平均值作为定性指标的量化数据。

以10分制为标准，分数越高，代表该公众号的学术知识获取效果越佳。

定量指标共6项，通过“清博大数据-清博指数”的统计功能、开放API接口并进行数据采集，获得2018年7月1日至2018年11月30日统计时间范围内的各项值，作为定量指标的量化数据[13]。综合评分指标1项，请前述10位专家，体验样本整体学术实力、知识权威性、学术传播影响力、受众获取知识效果、服务能力等，并给出综合评分Y。受篇幅所限，表3直接展示了15个样本公众号的知识获取效果评价原始数据。

表2 微信知识获取效果评价指标及解释说明

表3 15个微信公众号样本指标评价及综合评价原始数据

续表3 15个微信公众号样本指标评价及综合评价原始数据

2.4 构建基于BP神经网络的微信公众号学术知识获取效果评价模型

2.4.1 BP神经网络模型

本文中涉及的BP神经网络是前向神经网络的核心部分，采用了Rumelhart、McClelland等提出的误差反向传播算法(Error Back Propagation)，极为广泛地应用于整个人工神经网络体系中。BP神经网络是一种模拟人脑处理信息的智能化非线性学习系统，通过误差的反向传播对网络的权值和阈值进行不断调整，保证神经网络期望输出与实际输出之间误差的平方和最小，以使实际网络输出值尽可能地接近期望值，从而提高网络学习的适应能力[14]。BP神经网络包含输入层、输出层及若干个隐含层，各层次神经元个数一般根据实际问题而确定，各层次之间的神经元形成全连接，同层之间的神经元无连接。已有Kolrnogorov定理证明BP神经网络中采用1个隐含层即可以任意精度地逼近任意映射关系，因此本文在研究设计中采用三层BP神经网络模型，典型的网络拓扑结构如图1所示。本文构建BP神经网络的步骤如图2所示。

图1 三层BP神经网络结构拓扑图

图2 BP神经网络构建流程

2.4.2 数据处理

将获取的15个样本公众号的知识获取效果评价原始数据导入Matlab R2016a软件，读取数据、使用format long g函数设置数据精度，然后对样本进行随机化处理，随后定义训练集(12个)和测试集(3个)。在正式训练BP网络前，使用min-max标准化方法对数据进行归一化处理，将网络训练的目标数据映射到激活函数的值域[0,1]。采用mapminmax函数处理后的数据如表4所示。

2.4.3 参数设定与模型训练

本文选取“微信公众号学术知识获取效果评价指标”的15个二级指标作为输入单元，共15个节点，将微信公众号的学术知识获取效果评价结果作为输出层节点，神经元个数为1。根据经验公式和实践，本文将隐含层节点数的取值范围设定在区间[4,12]，经循环优化后如图3所示，进而确定隐含层神经元hidnumber为8时训练误差MSE最小，最终选用的神经网络为“15*8*1”结构。学习率数的选择影响着网络的收敛速度、识别效果，因此本文将lrset设定为区间[0.01,0.2]，同样经网络循环优化，确定训练误差最小时的最优学习率为0.05，如图4所示。

进行BP神经网络的创建、训练与仿真，利用Matlab工具箱中的函数进行权值和阈值的初始化，设定允许最大的迭代次数为1 000次，精度goal为0.000000001，采用前文确定的学习率。选择 “tansig”“purelin”作为隐含层和输出层的传输(激活)函数， trainrp RPROP为训练函数，“learngdm”为学习函数，“mse”为性能函数。

如图5所示的训练过程，经过14次迭代，在第8次时训练性能达到最佳，实际输出与期望输出的结果非常接近，且两者之间的误差达到预设目标。

2.4.4 仿真与结果输出

将3个测试样本的指标数据作为输入值，将其相对应的由10位专家打分获得的综合评分作为期望输出值。调用配置好的BP网络进行仿真测试，并对结果数据进行反归一化梳理。对比专家评价获得的期望输出与BP网络的实际输出(表5)，误差控制在0.1之内。

表4 15个随机样本归一化数据

续表4 15个随机样本归一化数据

3 结果

经测试集输出结果发现，误差控制在理想范围之内，说明本文基于BP神经网络构建的微信公众号学术知识获取效果评价模型具有现实可行性，能够在实际应用中对新的学术公众平台样本进行较为准确的预测，并指导领域内各专业机构对学术类公众号进行建设和改进。

根据BP神经网络的实际输出值，将15个样本按从高到低排序，并与公众号样本进行匹配。然后对排名前20%的公众号进行分析，发现这些样本公众号在知识板块标识度、提升知识水平程度、用户对知识内容的分享意愿、再利用程度、“阅读”数量、“点赞”数量以及用户活跃度7个方面具有较为优异的表现，说明上述指标成为提升微信公众号学术知识获取效果的关键点，需要在微信公众号运营维护时，注重发布信息的质量和有效性、满足用户的实际信息需求和信息重复利用功能、维护既有用户的依赖性和活跃度等。

图3 隐含层节点数对训练误差的影响

图4 学习率数对训练误差的影响

图5 神经网络训练情况与表现

测试样本编号期望输出BP实际输出绝对误差误差/%137.24597877.229171312-0.01681-0.23196147.52782557.6185570710.0907321.205283157.14609247.071452469-0.07464-1.04449

4 讨论

BP神经网络作为整个人工神经网络体系中的精华部分，广泛应用于分类识别、逼近、回归、压缩等领域。本文将其应用于医学领域微信公众号学术知识的获取效果评价，根据评价对象和样本特点选取了较有针对性的评价指标，进而规避了人为赋予指标权重类评价方法的主观性，同时也提升了评价过程的速度和效率。此外，经过验证，本文设计的BP神经网络具有较为良好的仿真性和实用性。因此，该模型还可根据不同主体的特征和需求进行拓展，从而增加评价模型的适应性和通用性，以广泛应用于其他领域学术类微信公众号效果的评价与测试。

需要注意的是，本文设计的BP神经网络具有一定的局限性。首先，关于样本依赖性。网络模型的逼近和推广能力与学习样本的典型性密切相关[14]。本文选取的15个麻醉学微信公众号作为样本，数量较少且为专家或学习者推荐的具有代表性的公众号，因此算法的最终效果与15个样本的自身条件存在一定程度的关系。其次，BP网络需要的参数较多，如各层神经元个数、学习率、初始权重等，且各类参数的选择尚无有效的方法和规则，只能通过经验试凑，实践中还需深入分析各参数的合理值[14]。另外，定性指标仍需专业用户打分后才能利用BP神经网络模型进行评价和分析，可重复操作性和实践性有待提升。在下一步研究中，仍需对应用不同方式获得的医学类微信公众号学术知识获取效果评价结果加以对比，进而发现本文所构建模型的优劣势并加以完善。

5 结语

本文针对医学领域较为成熟的微信公众号的知识内容和运营特点，利用“微信知识获取效果评价指标体系”并确定量化方法，选取15个专家和用户推荐的具有代表性的麻醉学微信公众号作为研究样本，获取研究数据，进而设计并提出了基于BP神经网络的医学类微信公众号学术效果评价模型。通过网络训练、仿真和测试，试验该方法用于评价学术类微信公众平台的可行性，从输出结果中探究今后建设的重点内容和方向，以期帮助临床和科研工作者更好地选择、利用和推广新媒体知识平台。运用本文提出的模型，还可对医学类微信公众号的学术知识获取效果和实际影响进行系统评价，以更好地指导学科领域内“互联网+”新媒体学术知识平台建设，帮助教育工作者遴选优质、权威的教学资料。