尹桐 杜樹杰

摘要：由于BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自組織和自適應(yīng)能力，本文基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了大學(xué)生深度學(xué)習(xí)水平預(yù)測模型，使用NSSE-China2013問卷作為數(shù)據(jù)的來源，將院校間的五大可比指標(biāo)作為網(wǎng)絡(luò)的輸入、大學(xué)生深度學(xué)習(xí)水平作為網(wǎng)絡(luò)的輸出，并在Matlab中仿真實現(xiàn)。實驗結(jié)果表明，該預(yù)測模型克服了傳統(tǒng)評價深度學(xué)習(xí)水平的復(fù)雜性和主觀性，具有收斂速度快和預(yù)測精度高等特點，具有很好的適用性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；大學(xué)生深度學(xué)習(xí)水平；NSSE-China；預(yù)測模型

中圖分類號：G434

文獻(xiàn)標(biāo)志碼：

文章編號：1673-8454（2015）23-0072-04

隨著國家逐漸步入學(xué)習(xí)型社會，國家和社會對于知識和人才的需求和重視程度逐漸加大，而大學(xué)生作為接受高等教育的精英群體，其學(xué)習(xí)情況直接影響著學(xué)習(xí)型社會的深度和廣度，因此研究大學(xué)生的學(xué)習(xí)情況越來越具有現(xiàn)實意義。而評價學(xué)生的學(xué)習(xí)情況，不僅要衡量知識的廣度和數(shù)量，還要考察學(xué)生是否善于將新思想與原有的知識結(jié)構(gòu)相聯(lián)系，并最終獲得解決問題的能力，即深度學(xué)習(xí)能力。全球信息化的快速發(fā)展極大地改變了當(dāng)代大學(xué)生的學(xué)習(xí)模式，大量的學(xué)生長期處于淺層學(xué)習(xí)當(dāng)中，這會大大限制學(xué)校對學(xué)生解決問題能力和創(chuàng)新能力的培養(yǎng)。本文通過分析與預(yù)測大學(xué)生深度學(xué)習(xí)水平，可以幫助學(xué)生及時調(diào)整自身學(xué)習(xí)狀態(tài)，幫助教師更加有針對性地改進(jìn)教學(xué)策略，同時也可以為院校的教育改革提供科學(xué)的指導(dǎo)。

BP神經(jīng)網(wǎng)絡(luò)是一種人工智能算法，具有很強(qiáng)大的非線性映射能力、自組織和自適應(yīng)能力。因此本文以中國海洋大學(xué)“大學(xué)生學(xué)習(xí)性投入調(diào)查”問卷（NSSE-China）所統(tǒng)計的數(shù)據(jù)作為依據(jù)，構(gòu)建了評價大學(xué)生深度學(xué)習(xí)水平的數(shù)學(xué)模型，從而為大學(xué)生深度學(xué)習(xí)水平的研究提供一定的參考價值。

一、深度學(xué)習(xí)的內(nèi)涵

深度學(xué)習(xí)和淺層學(xué)習(xí)這兩個概念是由國外學(xué)者FerenceMarton和Roger Saljo在1976年聯(lián)名發(fā)表的《學(xué)習(xí)的本質(zhì)區(qū)別：結(jié)果和過程》一文中首次提出的。他們通過一項實驗，總結(jié)出學(xué)生學(xué)習(xí)的兩種不同學(xué)習(xí)策略，即淺層學(xué)習(xí)策略和深層學(xué)習(xí)策略。他們認(rèn)為所謂淺層學(xué)習(xí)，就是指不加以思考地記住書本中提到的一些原理或事實，所關(guān)注的是在測驗中遇到的書本中提及的那些內(nèi)容；而深層學(xué)習(xí)，是指理解整本書中的思想，試圖領(lǐng)會其學(xué)術(shù)內(nèi)涵，關(guān)注的焦點是如何將書本中的知識應(yīng)用在現(xiàn)實生活中。

經(jīng)過長期對深度學(xué)習(xí)的深入研究，國內(nèi)學(xué)者何玲和黎加厚在《促進(jìn)學(xué)生深度學(xué)習(xí)》一文中對深度學(xué)習(xí)做出了較為精準(zhǔn)的定義。所謂深度學(xué)習(xí)，是指在理解學(xué)習(xí)的基礎(chǔ)上，學(xué)習(xí)者能夠批判性地學(xué)習(xí)新的思想和事實，并將它們?nèi)谌朐械恼J(rèn)知結(jié)構(gòu)中，能夠在眾多思想間進(jìn)行聯(lián)系，并能夠?qū)⒁延械闹R遷移到新的情境中，做出決策和解決問題的學(xué)習(xí)。

根據(jù)上述對深度學(xué)習(xí)的定義，可以將深度學(xué)習(xí)按照布魯姆的教育目標(biāo)分類學(xué)來對其進(jìn)行概括和總結(jié)。布魯姆等人在認(rèn)知學(xué)習(xí)領(lǐng)域?qū)⒔逃繕?biāo)分為六大類，從低級到高級依次為識記、理解、應(yīng)用、分析、綜合和評價。淺層學(xué)習(xí)的認(rèn)知水平停留在第一、第二層，而深層學(xué)習(xí)的認(rèn)知水平對應(yīng)著后面的四層。因此，本文認(rèn)為深度學(xué)習(xí)是指批判性地接受新知識，通過整合原有知識，構(gòu)建出屬于自己的知識體系，并獲得解決問題的能力。

本文的重點研究對象是大學(xué)生群體，相較于中學(xué)生群體而言，大學(xué)生群體擁有更多的自主學(xué)習(xí)時間和更為豐富的課余活動，獲得教學(xué)資源的內(nèi)容和途徑也更加廣泛和便捷，因此大學(xué)生的學(xué)習(xí)模式更多的是自主學(xué)習(xí)模式，這也是其與中學(xué)生的重要差別之一，大學(xué)生真正成為了學(xué)習(xí)活動的主體。同時，由于大學(xué)生即將離開校園步入社會，這一角色特殊性決定了大學(xué)教育應(yīng)該更加注重培養(yǎng)學(xué)生創(chuàng)新和解決問題的能力，即深度學(xué)習(xí)能力。然而目前的研究發(fā)現(xiàn)，大量的大學(xué)生長期處于淺層學(xué)習(xí)狀態(tài)，長此以往將不利于社會的進(jìn)步，因此大學(xué)生深度學(xué)習(xí)能力的培養(yǎng)具有更大的研究價值。

二、構(gòu)建預(yù)測模型

本文所采用的數(shù)據(jù)來源于2013年中國海洋大學(xué)“全美大學(xué)生學(xué)習(xí)型投入調(diào)查”漢化版（NSSE-China）問卷，通過篩選題目構(gòu)成深度學(xué)習(xí)量表，來考查大學(xué)生深度學(xué)習(xí)水平的相關(guān)影響因素并構(gòu)建預(yù)測模型。NSSE-China問卷的原型是印第安納大學(xué)開發(fā)的“全美大學(xué)生學(xué)習(xí)性投入調(diào)查”（National Survey of Student Engage-ment.以下簡稱NSSE）問卷。NSSE是一個針對美國全國范圍內(nèi)四年制本科院校學(xué)生投入高層次學(xué)習(xí)活動和發(fā)展程度的年度調(diào)查。NSSE-China項目于2007年啟動，經(jīng)過一系列文化適應(yīng)和預(yù)測試后于2009年首次在中國全國范圍施測。該問卷具體測量了幾項指標(biāo)，包括院校間的五大可比指標(biāo)（具體包括學(xué)業(yè)挑戰(zhàn)度LAC、主動合作學(xué)習(xí)水平ACL、生師互動SFI、教育經(jīng)驗的豐富程度FEE和校園環(huán)境的支持度SCE）、院校診斷九項指標(biāo)、深度學(xué)習(xí)（DL）指標(biāo)以及社會稱許性指標(biāo)。經(jīng)清華大學(xué)的幾次修訂，目前的量表具有良好的信度與效度。

本文利用NSSE-China問卷采集的數(shù)據(jù)來構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測模型。經(jīng)過研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)是構(gòu)建預(yù)測模型非常有效的方法。其中BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的一種，其具有強(qiáng)大的非線性映射能力和自組織、自適應(yīng)能力，因此本文選擇利用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測模型。

將回收的有效問卷通過SPSS軟件計算出每個學(xué)生的五大可比指標(biāo)成績與深度學(xué)習(xí)指標(biāo)成績。經(jīng)分析數(shù)據(jù)得出，學(xué)生的深度學(xué)習(xí)指標(biāo)成績分布區(qū)間為9.09～100，本文將深度學(xué)習(xí)水平分為優(yōu)秀、良好和不合格三個等級。分級標(biāo)準(zhǔn)如表1所示：

1.BP網(wǎng)絡(luò)模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。最基本的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，每層有許多互相不連接的神經(jīng)元節(jié)點，相鄰兩層節(jié)點通過連接權(quán)連接，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

（1）輸入層節(jié)點的確定

由于問卷當(dāng)中涉及的院校間可比指標(biāo)有5個，因此，輸入層神經(jīng)元個數(shù)定為n=5。其中：X1表示學(xué)業(yè)挑戰(zhàn)度，學(xué)業(yè)挑戰(zhàn)度的考察包含了學(xué)生個體和院校組織兩個層面的含義——既要反映學(xué)生的學(xué)習(xí)行為表現(xiàn)及其在學(xué)業(yè)上的時間和精力的投入程度，又要通過學(xué)生的行為表現(xiàn)和自我報告來間接對高校的學(xué)業(yè)要求、學(xué)業(yè)標(biāo)準(zhǔn)和對學(xué)業(yè)的支持程度等進(jìn)行評價，以體現(xiàn)高校的教育質(zhì)量。X：表示主動合作學(xué)習(xí)水平，評價的是學(xué)生的合作性學(xué)習(xí)能力和與多元人群討論的能力。X3表示生師互動，評價的是學(xué)生與教師互動的頻繁程度及其主動性和互動的質(zhì)量。X4表示教育經(jīng)驗的豐富程度，評價的是教師教學(xué)實踐的有效性，包括有組織的教學(xué)活動、清晰的知識講解、具有說明性的舉例和有效的反饋。X5表示校園環(huán)境的支持度，評價的是校園中人際溝通的質(zhì)量和學(xué)校對促進(jìn)學(xué)生學(xué)習(xí)和發(fā)展的支持程度。

（2）輸出層節(jié)點的確定

本文主要是來評價大學(xué)生的深度學(xué)習(xí)情況，最終日的是能夠得到一個客觀、準(zhǔn)確地反映大學(xué)生深度學(xué)習(xí)水平的量化值。因此本文將大學(xué)生深度學(xué)習(xí)水平的量化值作為BP神經(jīng)網(wǎng)絡(luò)的輸出向量，即輸出層神經(jīng)元個數(shù)確定為m=l。

（3）隱含層個數(shù)的確定

如今尚不存在一個確定的標(biāo)準(zhǔn)來計算隱含層的神經(jīng)元個數(shù)，但可以根據(jù)以下公式來計算出隱含層神經(jīng)元數(shù)量的大概區(qū)間范圍，進(jìn)而通過試湊的方法來確定最佳的隱含層的神經(jīng)元個數(shù)。因為輸入層神經(jīng)元個數(shù)為5，輸出層神經(jīng)元個數(shù)為1，則在參考經(jīng)驗公式l

練，然后逐步增加隱含層節(jié)點數(shù)，重新訓(xùn)練。綜合分析多次訓(xùn)練效果，最終確定該網(wǎng)絡(luò)的隱含層個數(shù)為兩個，且每個隱含層的個數(shù)分別為25和20。

2.數(shù)據(jù)頇處理

為取消各維數(shù)據(jù)間數(shù)量級差別，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成的網(wǎng)絡(luò)預(yù)測誤差較大，神經(jīng)網(wǎng)絡(luò)一般會對數(shù)據(jù)進(jìn)行歸一化處理。本文采用公式為的函數(shù)對數(shù)據(jù)進(jìn)行歸一化，并將數(shù)據(jù)處理為在區(qū)間[0，1]之間的數(shù)據(jù)。

3.傳遞函數(shù)的確定

傳遞函數(shù)的選擇與輸人數(shù)據(jù)和輸出數(shù)據(jù)的取值區(qū)間有關(guān)，經(jīng)過多次實驗，觀察網(wǎng)絡(luò)的訓(xùn)練效果，最終將第一個隱含層的傳遞函數(shù)參數(shù)確定為S型正切函數(shù)，第二個隱含層的傳遞函數(shù)參數(shù)確定為S型對數(shù)函數(shù)，輸出層的傳遞函數(shù)確定為線性函數(shù)。其對應(yīng)的函數(shù)數(shù)學(xué)表達(dá)式依次如下：

線性函數(shù)y=x

通過觀察多次訓(xùn)練效果，發(fā)現(xiàn)本網(wǎng)絡(luò)模型的收斂速度快、訓(xùn)練時間短且訓(xùn)練效果良好，因此該網(wǎng)絡(luò)選取BP網(wǎng)絡(luò)標(biāo)準(zhǔn)的最速下降法作為訓(xùn)練的方法即可。其他函數(shù)參數(shù)均選用BP神經(jīng)網(wǎng)絡(luò)工具箱的默認(rèn)值。

根據(jù)網(wǎng)絡(luò)的性能來設(shè)定網(wǎng)絡(luò)的訓(xùn)練參數(shù)。其中將網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)置為100次，如果超過該次數(shù)網(wǎng)絡(luò)仍然沒有收斂則表示網(wǎng)絡(luò)不收斂，訓(xùn)練停止；將網(wǎng)絡(luò)的最大確認(rèn)失敗次數(shù)設(shè)置為15次，即網(wǎng)絡(luò)的驗證誤差連續(xù)15次沒有下降，則表明網(wǎng)絡(luò)的訓(xùn)練效果不好，訓(xùn)練停止；將網(wǎng)絡(luò)的訓(xùn)練目標(biāo)設(shè)置為0.003，當(dāng)網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到該目標(biāo)值時，訓(xùn)練停止。

三、Matlab仿真實現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)模型主要借助Matlab語言工具來實現(xiàn)。

1.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

根據(jù)上述構(gòu)建的網(wǎng)絡(luò)預(yù)測模型和函數(shù)參數(shù)的設(shè)置，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體訓(xùn)練過程如下：

（1）將訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，使其分布在[0，1]之間，并將預(yù)測輸入數(shù)據(jù)按照同樣的歸一化方式進(jìn)行歸一化處理。

（2）將歸一化后的數(shù)據(jù)輸入到網(wǎng)絡(luò)模型當(dāng)中，按BP網(wǎng)絡(luò)的學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)，其流程圖如圖2所示，最后將預(yù)測輸出進(jìn)行反歸一化處理。

（3）將預(yù)測輸出和期望輸出按照分?jǐn)?shù)區(qū)間劃分為三大類，即優(yōu)秀、良好和不合格，并計算該網(wǎng)絡(luò)模型的準(zhǔn)確率。

（4）畫出BP網(wǎng)絡(luò)預(yù)測輸出圖形和神經(jīng)網(wǎng)絡(luò)預(yù)測誤差百分比圖形

2.BP神經(jīng)網(wǎng)絡(luò)的結(jié)果分析

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)屬于有監(jiān)督式的學(xué)習(xí)，需要一組已知目標(biāo)輸出的學(xué)習(xí)樣本集。因此本文從2013年中國海洋大學(xué)NSSE-China問卷中挑選出預(yù)測模型所需的1000組數(shù)據(jù)，并隨機(jī)抽取其中的900組數(shù)據(jù)作為訓(xùn)練樣本，其余100組數(shù)據(jù)作為檢驗樣本，輸入到網(wǎng)絡(luò)模型當(dāng)中，得到如圖3所示的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程曲線。從圖中可以看出，訓(xùn)練迭代次數(shù)達(dá)到5次時，網(wǎng)絡(luò)已經(jīng)收斂并且網(wǎng)絡(luò)的預(yù)測精度達(dá)到了設(shè)定的目標(biāo)值。訓(xùn)練達(dá)到要求后，選取100組作為檢驗樣本，經(jīng)上述網(wǎng)絡(luò)模型輸出的結(jié)果與調(diào)查問卷中所顯示的大學(xué)生深度學(xué)習(xí)水平評價等級的結(jié)果相比較具有一致性，其預(yù)測輸出與期望輸出的相對誤差較小。舉例如表2所示，由于用于測試網(wǎng)絡(luò)準(zhǔn)確度的檢驗樣本較多，表2中只列舉了從檢驗樣本中隨機(jī)挑選的10組數(shù)據(jù)進(jìn)行比較。

100組檢驗樣本的BP網(wǎng)絡(luò)預(yù)測輸出如圖4所示，神經(jīng)網(wǎng)絡(luò)預(yù)測誤差百分比如圖5所示。從這兩幅圖中可以看出，在100組檢驗樣本中有88組樣本的預(yù)測輸出值與其期望輸出值相符，預(yù)測準(zhǔn)確率高達(dá)88%，總體預(yù)測誤差嚴(yán)格控制在20%之內(nèi)。因此證明本文所構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測模型具有很高的預(yù)測精確度。

本文為了檢驗預(yù)測輸出對期望輸出的擬合程度，在BP網(wǎng)絡(luò)訓(xùn)練完成后的處理過程中對預(yù)測輸出的結(jié)果進(jìn)行了回歸分析，回歸直線方程式為：y=0.18x+0.13，相關(guān)系數(shù)R=0.897，通常情況下相關(guān)系數(shù)R越接近l表明網(wǎng)絡(luò)的擬合程度越好，所以根據(jù)回歸分析說明該模型的預(yù)測輸出有效。

由于該網(wǎng)絡(luò)的輸入和輸出值是隨機(jī)選取的，因此每次訓(xùn)練的結(jié)果均有一定程度的差異，本文對網(wǎng)絡(luò)進(jìn)行了10次訓(xùn)練，計算出的平均準(zhǔn)確率為85.3%?？梢员砻髟摼W(wǎng)絡(luò)的準(zhǔn)確度比較理想，能夠根據(jù)院校間的五大可比指標(biāo)來預(yù)測大學(xué)生的深度學(xué)習(xí)水平，具有一定的應(yīng)用價值。

四、結(jié)論

BP神經(jīng)網(wǎng)絡(luò)具有“相似形輸入，相似形輸出”的特征，所以該方法的預(yù)測精度和科學(xué)性不僅取決于訓(xùn)練樣本的數(shù)量，更取決于訓(xùn)練樣本的質(zhì)量。訓(xùn)練樣本的數(shù)量越多，質(zhì)量越高，越能精確地預(yù)測出大學(xué)生的深度學(xué)習(xí)水平。同時.BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織和自適應(yīng)性，因此利用BP神經(jīng)網(wǎng)絡(luò)算法來構(gòu)建大學(xué)生深度學(xué)習(xí)水平預(yù)測模型，可以使其預(yù)測結(jié)果更加精準(zhǔn)且富有合理性

本文構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測模型，具有預(yù)測精度高、學(xué)習(xí)速度快等特點。通過此預(yù)測模型，既可以使大學(xué)生及時地掌握自身的學(xué)習(xí)情況，也可以使教師更加方便地評價本班學(xué)生的學(xué)習(xí)狀況并有針對性地改善自己的教學(xué)策略，同時，也可以為學(xué)校的教學(xué)改革提供科學(xué)性的指導(dǎo)。因此利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的大學(xué)生深度學(xué)習(xí)水平預(yù)測模型，在學(xué)習(xí)分析和教育改革領(lǐng)域具有一定的實用價值和廣泛的使用前景。