论文部分内容阅读
【摘 要】学生评价体系是对学生个人的成长进行判定的主要依据，如何合理而又科学的评价一个学生的水平摆在教育者面前的一大问题。近年来，BP神经网络发展迅猛，类似于“黑箱”的数据处理和分析方式使得对于各个学生的评价趋于可能。本文力图构建基于BP神经网络的学生评价体系，试图探索以神经网络的思想和计算方法来建立学生评价体系。
【关键词】评价体系 神经网络 学生
1.引言
对于学生的评价历来是学校、老师、家长和学生都很关注的问题。好的评价体系的建立能够极大程度上促进学生的学习的积极性，对学生也有极大的引领作用。随着社会的迅猛发展，素质教育的推行，大学办学的综合化和复杂化，当今的教育更加呈现出的多元化的趋势，单单依靠考试成绩来判断一个学生是否优秀是远远不够的。但是，就目前而言，如何评价一个学生和怎么评价一个学生是各高校以及全社会都普遍关注的问题。事实上，评价一个学生的优秀与否缺乏除了学习成绩以外的更直观可量化的指标，建立一个科学而合理的学生评价指标体系涉及到学校对学生的导向，学生发展的目标，社会对学生的期许等诸多非常重要的方面，具有较大的理论和实践意义。
2.BP神经网络与学生评价体系建模
2.1 BP神经网络简介
BP神经网络是最重要的人工神经网络模型之一，是一种前馈的神经网络模型。人工神经网络是基于人脑认识的基础上，以数学及物理方法从信息处理的角度上对人脑的生物神经网络进行抽象并建立起来的模型。人类在感知事物时主要依靠神经元的传递和运算进行。生物神经元主要由细胞体、树突和轴突组成，树突通过连接其他细胞体的“突触”接受周围细胞由轴突传出的神经冲动，再通过轴突传递给后续的细胞。通常如图2-1所示，网络的各个节点接受到输入信号，在该神经元上经过适当的变换后再传递给下面一层。不同的神经元有不同的计算规则，各个神经元联合起来可以得到的多变函数特性取决于各个神经元的作用函数、阈值以及各神经元之间的权值。已经有生物学研究证明：人大脑活动不是一个生物神经元所能完成的，也不是多个生物神经功能的简单叠加，而是多单元的非线性动态处理系统。
图2-1 神经细胞示意图
与生物神经网络一样，人工神经网络由大量人工神经网络元组成，如图2-2所示，通过各个单元的相互连接，加以训练来改变各个连接权值，通过不同的输入对应的不同的输出来对神经元进行“培训”，在足够的训练次数下，能够使期望输出和实际输出达到一个很小的误差，进而可以用此系统来对更多的其他的输入进行预测。网络通过数据本身内在的联系，用其人工加以的权值和阈值的计算方式通过训练来完成输入和输出之间的匹配。
BP神经网络一般由输入层，中间层和输出层组成，信息从输入层输入，传递至中间层处理后传入输出层输出，输出的数据根据和样本学习数据对比，确定误差，再根据误差调整各神经元之间联系的权值以及中间层激活函数的阈值。
2.2 学生评价体系与神经网络建模
在学生评价体系中，我们常常需要根据学生前一段时间的表现，其中包括不限于学生前段时间的主干科目学习成绩，参加校园文化类活动是总时间，上自习的总时间，参加科创竞赛的时间和所获奖项，社会兼职花费的时间，社会兼职获得的收益等可量化的指标以及学生心理健康情况，团队合作能力等不可量化的指标，以此来判定学生是否优秀；而判定的标准可能是学生辅导员或者专家对学生的评价，学生未来对社会的贡献或者毕业10年的年收入等。整个判定的过程正好符合人工神经网络建模的要求。
鉴于此，作者随机抽取了40名西南交通大学机械工程学院2013级学生作为试验样本，通过其来自地域、大一上学期参与社会工作时间总和、大一上期自愿参与自习时间、大一上期综合学分绩点作为输入，根据其辅导员对该生的综合评价作为输出，以此来建立神经网络。其中前34个数据为训练网络使用的数据，后6个数据用于测试网络。具体数据见下表：（来自地域一项中，1-东北地区 2-华北地区 3-华东地区 4-华中地区 5-华南地区 6-西南地区 7-西北地区）
表2-1 试验学生信息情况表
2.2.1 神经网络结构确定
根据已有输入与输出，能够确定输入层有4个神经元，输出层有1个神经元。已有研究已表明，任何一个BP神经网络系统，只要有一个中间层就能够满足其精度范围。所以，本文选择一个隐层作为中间层。关于中间层神经元数的确定目前还没有明确的公式可以得出，只能依靠经验公式并通过试凑法来得出。
其中n和m分别为输入层和输出层神经元个数。a为0-10之间的常数。一般而言，中间层神经元数越多，得到的数据精度越精确，但是计算量就越大，在大型计算中可能需要时间太长。本文中试验样本数量并不庞大，为了确保更高的精度，选择中间隐层具备12个神经元。所以该模型神经网络模型为：
图2-3 试验模型BP神经网络模拟图
2.2.2 激活函数选择
激活函数的作用是对输入的函数进行“挤压”，即通过函数将输入变到指定范围。本文各个激活节点的激活函数选择Sigmoid函数，该函数是在BP神经网络中最常用也是最重要的函数。该函数在定义域内单调有界可微，根据参数γ变化可以改变其增益。其形式为：
2.2.3 基函数选择
基函数作用是对函数附加特定的权值，让其变化到合理的区间。输入层和输出层均使用purelin函数既线性函数。
2.2.4 误差
本模型设定学习步长选择确定为0.03。当所有样本都输入一次后，总误差公式为：
其中p为第p个输入样本。P为输入样本数。根据ET的值按照梯度下降法以步长为幅度改变输入权值，直到达到最大训练次数或者误差在可接受的范围内为止。
2.2.5 数据归一化
因为输入数据参差不齐，用以训练网络会造成运算量过于庞大并且计算精度不够，所以将所有纵列数据按其比例化为（0，1）之间的小数。
3.模拟结果及分析
将学生35——学生40数据应用于构建的网络中，将得出的评测结果与实际真值相对比，得出下表：
表3-1 试验结果对比
相对误差在可接受的范围内，能够认为构建的网络模型符合计算要求，可以用以计算其他学生的分值并作为对该生的评价的参考。根据上表和学生具体情况数据表，学生38和学生39的原始数据相差不大，仅有“学分绩点”一项有微小差别，所以模拟出来的分值两人比较接近，但是辅导员对这两名同学的评分差别很大，从而造成了相对误差偏大的情况。说明在一些实际操作中还需要增加或者改变输入端的项目。
4.总结
本文试探性地将BP神经网络引入高校评价体系，事实证明基于BP神经网络建立高校学生评价体系是现实可行的，能够在一定程度上得解决大批量学生是否优秀的判定，使综合素质评价体系变得可量化，变得更加合理。如果添加跟多训练用的数据，能够使网络训练精度更高。本文中网络模型的建立只是一种方法，可以引入更多方面的数据来训练网络，以此更好地评价学生，引导学生，这还有待更多的学者进一步研究。
【参考文献】
[1]闫莉.基于多元智能理论的学生评价研究.西安电子科技大学硕士毕业论文
[2]田雨波.混合神经网络技术.北京：科学出版社
[3]黄席樾，张著洪，何传江，胡小兵，马笑潇.现代智能算法理论及应用.北京：科学出版社
[4]张德丰.MATLAB神经网络应用设计.北京：机械工业出版社
[5]刘天舒.BP神经网络的改进研究及应用.东北农业大学硕士学位论文
[6]蔡国平，赵玉成，王超.1998.BP神经网络理论在模型修正中的应用.机械强度
[7]马勇琼.构建符合新课程的学生评价体系，促进学生个体发展.马勇琼.玉林师范学院学报.2006.06.02
[8]何毅，潘玉驹.试论当前高校学生评价体系改革的必要性，高等工程教育2008.05.28
【关键词】评价体系 神经网络 学生
1.引言
对于学生的评价历来是学校、老师、家长和学生都很关注的问题。好的评价体系的建立能够极大程度上促进学生的学习的积极性，对学生也有极大的引领作用。随着社会的迅猛发展，素质教育的推行，大学办学的综合化和复杂化，当今的教育更加呈现出的多元化的趋势，单单依靠考试成绩来判断一个学生是否优秀是远远不够的。但是，就目前而言，如何评价一个学生和怎么评价一个学生是各高校以及全社会都普遍关注的问题。事实上，评价一个学生的优秀与否缺乏除了学习成绩以外的更直观可量化的指标，建立一个科学而合理的学生评价指标体系涉及到学校对学生的导向，学生发展的目标，社会对学生的期许等诸多非常重要的方面，具有较大的理论和实践意义。
2.BP神经网络与学生评价体系建模
2.1 BP神经网络简介
BP神经网络是最重要的人工神经网络模型之一，是一种前馈的神经网络模型。人工神经网络是基于人脑认识的基础上，以数学及物理方法从信息处理的角度上对人脑的生物神经网络进行抽象并建立起来的模型。人类在感知事物时主要依靠神经元的传递和运算进行。生物神经元主要由细胞体、树突和轴突组成，树突通过连接其他细胞体的“突触”接受周围细胞由轴突传出的神经冲动，再通过轴突传递给后续的细胞。通常如图2-1所示，网络的各个节点接受到输入信号，在该神经元上经过适当的变换后再传递给下面一层。不同的神经元有不同的计算规则，各个神经元联合起来可以得到的多变函数特性取决于各个神经元的作用函数、阈值以及各神经元之间的权值。已经有生物学研究证明：人大脑活动不是一个生物神经元所能完成的，也不是多个生物神经功能的简单叠加，而是多单元的非线性动态处理系统。
图2-1 神经细胞示意图
与生物神经网络一样，人工神经网络由大量人工神经网络元组成，如图2-2所示，通过各个单元的相互连接，加以训练来改变各个连接权值，通过不同的输入对应的不同的输出来对神经元进行“培训”，在足够的训练次数下，能够使期望输出和实际输出达到一个很小的误差，进而可以用此系统来对更多的其他的输入进行预测。网络通过数据本身内在的联系，用其人工加以的权值和阈值的计算方式通过训练来完成输入和输出之间的匹配。
BP神经网络一般由输入层，中间层和输出层组成，信息从输入层输入，传递至中间层处理后传入输出层输出，输出的数据根据和样本学习数据对比，确定误差，再根据误差调整各神经元之间联系的权值以及中间层激活函数的阈值。
2.2 学生评价体系与神经网络建模
在学生评价体系中，我们常常需要根据学生前一段时间的表现，其中包括不限于学生前段时间的主干科目学习成绩，参加校园文化类活动是总时间，上自习的总时间，参加科创竞赛的时间和所获奖项，社会兼职花费的时间，社会兼职获得的收益等可量化的指标以及学生心理健康情况，团队合作能力等不可量化的指标，以此来判定学生是否优秀；而判定的标准可能是学生辅导员或者专家对学生的评价，学生未来对社会的贡献或者毕业10年的年收入等。整个判定的过程正好符合人工神经网络建模的要求。
鉴于此，作者随机抽取了40名西南交通大学机械工程学院2013级学生作为试验样本，通过其来自地域、大一上学期参与社会工作时间总和、大一上期自愿参与自习时间、大一上期综合学分绩点作为输入，根据其辅导员对该生的综合评价作为输出，以此来建立神经网络。其中前34个数据为训练网络使用的数据，后6个数据用于测试网络。具体数据见下表：（来自地域一项中，1-东北地区 2-华北地区 3-华东地区 4-华中地区 5-华南地区 6-西南地区 7-西北地区）
表2-1 试验学生信息情况表
2.2.1 神经网络结构确定
根据已有输入与输出，能够确定输入层有4个神经元，输出层有1个神经元。已有研究已表明，任何一个BP神经网络系统，只要有一个中间层就能够满足其精度范围。所以，本文选择一个隐层作为中间层。关于中间层神经元数的确定目前还没有明确的公式可以得出，只能依靠经验公式并通过试凑法来得出。
其中n和m分别为输入层和输出层神经元个数。a为0-10之间的常数。一般而言，中间层神经元数越多，得到的数据精度越精确，但是计算量就越大，在大型计算中可能需要时间太长。本文中试验样本数量并不庞大，为了确保更高的精度，选择中间隐层具备12个神经元。所以该模型神经网络模型为：
图2-3 试验模型BP神经网络模拟图
2.2.2 激活函数选择
激活函数的作用是对输入的函数进行“挤压”，即通过函数将输入变到指定范围。本文各个激活节点的激活函数选择Sigmoid函数，该函数是在BP神经网络中最常用也是最重要的函数。该函数在定义域内单调有界可微，根据参数γ变化可以改变其增益。其形式为：
2.2.3 基函数选择
基函数作用是对函数附加特定的权值，让其变化到合理的区间。输入层和输出层均使用purelin函数既线性函数。
2.2.4 误差
本模型设定学习步长选择确定为0.03。当所有样本都输入一次后，总误差公式为：
其中p为第p个输入样本。P为输入样本数。根据ET的值按照梯度下降法以步长为幅度改变输入权值，直到达到最大训练次数或者误差在可接受的范围内为止。
2.2.5 数据归一化
因为输入数据参差不齐，用以训练网络会造成运算量过于庞大并且计算精度不够，所以将所有纵列数据按其比例化为（0，1）之间的小数。
3.模拟结果及分析
将学生35——学生40数据应用于构建的网络中，将得出的评测结果与实际真值相对比，得出下表：
表3-1 试验结果对比
相对误差在可接受的范围内，能够认为构建的网络模型符合计算要求，可以用以计算其他学生的分值并作为对该生的评价的参考。根据上表和学生具体情况数据表，学生38和学生39的原始数据相差不大，仅有“学分绩点”一项有微小差别，所以模拟出来的分值两人比较接近，但是辅导员对这两名同学的评分差别很大，从而造成了相对误差偏大的情况。说明在一些实际操作中还需要增加或者改变输入端的项目。
4.总结
本文试探性地将BP神经网络引入高校评价体系，事实证明基于BP神经网络建立高校学生评价体系是现实可行的，能够在一定程度上得解决大批量学生是否优秀的判定，使综合素质评价体系变得可量化，变得更加合理。如果添加跟多训练用的数据，能够使网络训练精度更高。本文中网络模型的建立只是一种方法，可以引入更多方面的数据来训练网络，以此更好地评价学生，引导学生，这还有待更多的学者进一步研究。
【参考文献】
[1]闫莉.基于多元智能理论的学生评价研究.西安电子科技大学硕士毕业论文
[2]田雨波.混合神经网络技术.北京：科学出版社
[3]黄席樾，张著洪，何传江，胡小兵，马笑潇.现代智能算法理论及应用.北京：科学出版社
[4]张德丰.MATLAB神经网络应用设计.北京：机械工业出版社
[5]刘天舒.BP神经网络的改进研究及应用.东北农业大学硕士学位论文
[6]蔡国平，赵玉成，王超.1998.BP神经网络理论在模型修正中的应用.机械强度
[7]马勇琼.构建符合新课程的学生评价体系，促进学生个体发展.马勇琼.玉林师范学院学报.2006.06.02
[8]何毅，潘玉驹.试论当前高校学生评价体系改革的必要性，高等工程教育2008.05.28