郎 波,樊一娜

(北京師范大學(xué)珠海分校,珠海 519087)

隨著信息技術(shù)的不斷發(fā)展,網(wǎng)絡(luò)教學(xué)已經(jīng)成為一種重要的學(xué)習(xí)方式,根據(jù)文獻(xiàn)[1]統(tǒng)計(jì)的數(shù)據(jù),截止到2016年年底,我國(guó)在線(xiàn)學(xué)習(xí)的用戶(hù)數(shù)已經(jīng)超過(guò)了1.38億,和2015年相比增加了2750萬(wàn)人,年增長(zhǎng)率為25%.由于網(wǎng)絡(luò)學(xué)習(xí)本身的特點(diǎn),從教師的角度出發(fā),存在無(wú)法及時(shí)有效掌控學(xué)習(xí)者的學(xué)習(xí)狀態(tài)和能力程度,從而無(wú)法做出有效的教學(xué)干預(yù)和調(diào)整.從學(xué)習(xí)者的角度出發(fā),對(duì)于自己的學(xué)習(xí)進(jìn)展、能力提升、掌握程度缺乏精準(zhǔn)的量化依據(jù).由此可見(jiàn),在網(wǎng)絡(luò)學(xué)習(xí)逐漸普及的今天,如何對(duì)在線(xiàn)學(xué)習(xí)用戶(hù)的成績(jī)進(jìn)行分析預(yù)測(cè),并根據(jù)預(yù)測(cè)結(jié)果對(duì)學(xué)習(xí)者提出相應(yīng)的學(xué)業(yè)建議或?qū)W業(yè)預(yù)警,從而保證在線(xiàn)學(xué)習(xí)者的學(xué)習(xí)效率和質(zhì)量,已經(jīng)成為網(wǎng)絡(luò)教學(xué)平臺(tái)是否能夠繼續(xù)發(fā)展的關(guān)鍵問(wèn)題.本文通過(guò)分析學(xué)習(xí)者在網(wǎng)絡(luò)教學(xué)平臺(tái)上的日常學(xué)習(xí)數(shù)據(jù)和最終學(xué)習(xí)成績(jī)的關(guān)系,采用學(xué)習(xí)向量化神經(jīng)網(wǎng)絡(luò)(Learning Vevtor Quantization,LVQ)對(duì)不同類(lèi)型的學(xué)習(xí)者數(shù)據(jù)樣本進(jìn)行分類(lèi),同時(shí)采用遺傳算法(Genetic Algorithm,GA)作為 BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,建立基于遺傳算法GA的BP神經(jīng)網(wǎng)絡(luò)的在線(xiàn)學(xué)習(xí)學(xué)業(yè)成績(jī)預(yù)測(cè)模型,并驗(yàn)證其準(zhǔn)確性和收斂速度.最后的實(shí)驗(yàn)結(jié)果表明:與其他的方法相比,利用該方法建立的預(yù)測(cè)模型能夠有效提高在線(xiàn)學(xué)習(xí)者的學(xué)業(yè)成績(jī)預(yù)測(cè)精度,根據(jù)參數(shù)的調(diào)整還能顯著提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和收斂性,為在線(xiàn)學(xué)習(xí)者是否進(jìn)行學(xué)業(yè)預(yù)警和調(diào)整教學(xué)策略提供量化依據(jù),具備一定的工程應(yīng)用價(jià)值.

1 在線(xiàn)學(xué)習(xí)行為特性分析

1.1 目前研究現(xiàn)狀

Ohia等人提出了采集學(xué)業(yè)成績(jī)相關(guān)數(shù)據(jù)的六步模型-FAMOUS,注重實(shí)現(xiàn)六個(gè)關(guān)鍵步驟[2],文獻(xiàn)[3]從學(xué)習(xí)行為分析和學(xué)習(xí)結(jié)果分類(lèi)設(shè)計(jì)了學(xué)業(yè)成績(jī)預(yù)測(cè)框架.文獻(xiàn)[4]提出將課程、課堂、課外三者進(jìn)行綜合之后形成“三位一體”學(xué)業(yè)預(yù)警機(jī)制.Arsad等人使用人工神經(jīng)網(wǎng)絡(luò),利用學(xué)習(xí)績(jī)點(diǎn)作為輸入輸出的方法來(lái)預(yù)測(cè)工程學(xué)專(zhuān)業(yè)學(xué)生的學(xué)業(yè)成績(jī)[5];文獻(xiàn)[6]利用離群點(diǎn)檢測(cè)的學(xué)生學(xué)習(xí)狀態(tài)分析方法,對(duì)學(xué)生的歷史成績(jī)數(shù)據(jù)進(jìn)行二次挖掘,以此判斷成績(jī)的變化.文獻(xiàn)[7]在數(shù)據(jù)挖掘的基礎(chǔ)上,以聚類(lèi)分析為核心對(duì)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程進(jìn)行監(jiān)管,從數(shù)據(jù)的歷史變化中預(yù)測(cè)學(xué)生的學(xué)習(xí)效果.文獻(xiàn)[8]建立了一個(gè)三層神經(jīng)網(wǎng)絡(luò),包含17個(gè)輸入結(jié)點(diǎn),7個(gè)隱藏結(jié)點(diǎn),1個(gè)輸出結(jié)點(diǎn),用來(lái)對(duì)學(xué)生的學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè).文獻(xiàn)[9]提出了學(xué)習(xí)分析循環(huán)模型,包括學(xué)習(xí)過(guò)程的搜集、存儲(chǔ)、數(shù)據(jù)的清洗、整合、分析等部分,將學(xué)習(xí)的各個(gè)環(huán)節(jié)融為一個(gè)整體.文獻(xiàn)[10]通過(guò)分析學(xué)習(xí)過(guò)程及其學(xué)習(xí)者心態(tài)分析,提出了如何改善學(xué)習(xí)效率的模型,其中的信息處理模塊涵蓋了學(xué)生成績(jī)的整合及預(yù)測(cè),通過(guò)知識(shí)應(yīng)用模塊來(lái)對(duì)其進(jìn)行進(jìn)一步的分析和優(yōu)化.

通過(guò)文獻(xiàn)分析發(fā)現(xiàn)國(guó)內(nèi)外研究者對(duì)于在線(xiàn)學(xué)習(xí)行為及其成績(jī)的分析預(yù)測(cè)已經(jīng)做了不少的研究工作,但是經(jīng)過(guò)歸類(lèi)分析可以發(fā)現(xiàn):以上部分研究屬于工作模型,主要基于理論演繹推導(dǎo)和經(jīng)驗(yàn)預(yù)測(cè),缺少以學(xué)習(xí)者的學(xué)習(xí)行為、成績(jī)分布、能力層次為核心分析對(duì)象的計(jì)算模型.大部分側(cè)重于對(duì)于數(shù)據(jù)的二次挖掘分析,缺少學(xué)習(xí)者其他相關(guān)關(guān)鍵特征數(shù)據(jù)的關(guān)聯(lián)分析.采取神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的部分研究往往側(cè)重于單一的分類(lèi)器模式,并沒(méi)有真正把神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制應(yīng)用到學(xué)業(yè)成績(jī)的分析預(yù)測(cè).

1.2 在線(xiàn)學(xué)習(xí)成績(jī)特性分析

在線(xiàn)學(xué)習(xí)行為具有一定的隨機(jī)性和間歇性,其行為受到多方面情境的影響,通過(guò)歷史數(shù)據(jù)的分析比對(duì),對(duì)于在線(xiàn)學(xué)習(xí)成績(jī)影響的因素比較多,但是最重要的影響因素主要有三類(lèi),分別是“學(xué)習(xí)特征”、“個(gè)人情感”、“學(xué)習(xí)環(huán)境”,對(duì)于不同層次和類(lèi)型的學(xué)習(xí)者,這三類(lèi)因素對(duì)學(xué)習(xí)的影響是比較大的,也是具有共性的,本文對(duì)以上三個(gè)因素又進(jìn)行了進(jìn)一步的細(xì)分,將一個(gè)主因素劃分成三個(gè)輔因素,如圖1所示,我們將這些影響學(xué)習(xí)者最終成績(jī)的因素稱(chēng)之為“情境分類(lèi)”.

圖1 在線(xiàn)學(xué)習(xí)學(xué)業(yè)成績(jī)情境分類(lèi)

在實(shí)際應(yīng)用中,每種情境對(duì)于學(xué)業(yè)成績(jī)的影響程度都是不一樣的,但是總體上呈現(xiàn)一定的規(guī)律,為了更好的衡量每一種情境對(duì)學(xué)業(yè)成績(jī)的影響,根據(jù)現(xiàn)有教學(xué)平臺(tái)的數(shù)據(jù),本文對(duì)每一個(gè)影響因素對(duì)學(xué)業(yè)成績(jī)的影響做了統(tǒng)計(jì)分析(以12個(gè)月的數(shù)據(jù)為例),具體結(jié)果如圖2所示.

測(cè)試數(shù)據(jù)來(lái)源于我校全部學(xué)生使用的網(wǎng)絡(luò)教學(xué)平臺(tái)為主,參加測(cè)評(píng)的學(xué)生一共1000人,分別在網(wǎng)絡(luò)平臺(tái)注冊(cè)賬號(hào)完成課程的完整學(xué)習(xí)過(guò)程.從圖2可以看出,在“學(xué)習(xí)特征”部分,“學(xué)習(xí)方法”對(duì)于學(xué)業(yè)成績(jī)的影響高于“學(xué)習(xí)習(xí)慣”和“學(xué)習(xí)興趣”,這說(shuō)明有效的學(xué)習(xí)方法能夠?qū)ψ詈蟪煽?jī)的獲得達(dá)到事半功倍的效果.在“個(gè)人情感”部分,“學(xué)習(xí)態(tài)度”對(duì)學(xué)業(yè)成績(jī)有著決定性的作用,而“學(xué)習(xí)品德”和“學(xué)習(xí)情緒”對(duì)成績(jī)的影響微乎其微,這說(shuō)明良好的學(xué)習(xí)態(tài)度對(duì)于網(wǎng)絡(luò)教學(xué)這種松散型的教學(xué)方式顯得尤為重要,而“學(xué)習(xí)品德”和“學(xué)習(xí)情緒”由于主觀成分較大,且在某些方面受制于“學(xué)習(xí)態(tài)度”,所以在測(cè)試結(jié)果中表現(xiàn)出來(lái)的影響值并不是那么強(qiáng)烈.在“學(xué)習(xí)環(huán)境”方面,可以看到有影響作用的是“評(píng)價(jià)方式”和“教學(xué)平臺(tái)”,這說(shuō)明,“教學(xué)平臺(tái)”用戶(hù)體驗(yàn)程度的優(yōu)劣、用戶(hù)界面的友好程度對(duì)于學(xué)習(xí)者最終的成績(jī)也是有一定的影響作用的,至于“評(píng)價(jià)方式”這種在傳統(tǒng)教學(xué)方式中顯得比較“雞肋”的功能,在在線(xiàn)學(xué)習(xí)中卻變得尤為重要,這可能取決于兩方面的因素,一是由于在線(xiàn)學(xué)習(xí)的特殊性,教師和學(xué)生很難做到日常的交流,所以學(xué)生對(duì)教師的授課方式或者講解的難易程度的要求只能以“在線(xiàn)評(píng)價(jià)”的方式給出,另外,在線(xiàn)學(xué)習(xí)的另外特點(diǎn)是“鐵打的平臺(tái),流水的教師”,教師質(zhì)量的把握很大一方面也是通過(guò)學(xué)生對(duì)其進(jìn)行評(píng)價(jià)來(lái)衡量的,所以,“評(píng)價(jià)方式”的優(yōu)劣和設(shè)置是否科學(xué)對(duì)學(xué)生的成績(jī)也是有著很大的作用,這要求在線(xiàn)學(xué)習(xí)平臺(tái)設(shè)計(jì)者除了注重開(kāi)設(shè)的課程科目之外,還要對(duì)在線(xiàn)學(xué)習(xí)平臺(tái)上的服務(wù)型資源加以重視,以期學(xué)生能夠在平臺(tái)上獲得更好的學(xué)習(xí)成績(jī).

2 網(wǎng)絡(luò)教學(xué)學(xué)業(yè)成績(jī)預(yù)測(cè)模型設(shè)計(jì)

2.1 基于LVQ神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

由1.2節(jié)的分析可以看出,不同的情境因素對(duì)學(xué)業(yè)成績(jī)有較大的影響,其中“學(xué)習(xí)方法”、“學(xué)習(xí)態(tài)度”和“評(píng)價(jià)方式”對(duì)學(xué)業(yè)成績(jī)的影響最為顯著,本文把這三個(gè)情境元素歸類(lèi)為廣義的“能力層次”樣本,利用LVQ神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行分類(lèi),然后按照分類(lèi)后的樣本進(jìn)行訓(xùn)練,最后利用遺傳算法在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立學(xué)業(yè)成績(jī)預(yù)測(cè)模型.具體實(shí)現(xiàn)方式如圖3所示,模型算法的核心在于利用LVQ神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行分類(lèi),模型對(duì)樣本按照學(xué)習(xí)行為、學(xué)習(xí)目標(biāo)、學(xué)習(xí)活動(dòng)參與度三方面來(lái)進(jìn)行分類(lèi).

2.2 LVQ網(wǎng)絡(luò)結(jié)構(gòu)

LVQ神經(jīng)網(wǎng)絡(luò)在競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上提出的,它融合了競(jìng)爭(zhēng)學(xué)習(xí)思想和有監(jiān)督學(xué)習(xí)算法的特點(diǎn),對(duì)輸入樣本的分配類(lèi)別進(jìn)行規(guī)定,從而克服自組織網(wǎng)絡(luò)采用無(wú)監(jiān)督學(xué)習(xí)算法帶來(lái)的缺乏分類(lèi)信息的弱點(diǎn),其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,競(jìng)爭(zhēng)層有m個(gè)神經(jīng)元,輸入層有n個(gè)神經(jīng)元,兩層之間完全連接.輸出層每個(gè)神經(jīng)元只與競(jìng)爭(zhēng)層中的一組神經(jīng)元連接,連接權(quán)重固定為1,訓(xùn)練過(guò)程中輸入層和競(jìng)爭(zhēng)層之間的權(quán)值逐漸被調(diào)整為聚類(lèi)中心.當(dāng)一個(gè)樣本輸入到LVQ網(wǎng)絡(luò)時(shí),競(jìng)爭(zhēng)層的神經(jīng)元通過(guò)“勝者為王學(xué)習(xí)規(guī)則”產(chǎn)生獲勝神經(jīng)元,允許其輸出為1,其它神經(jīng)元輸出為0.與獲勝神經(jīng)元所在組相連的輸出神經(jīng)元輸出為1,而其它輸出神經(jīng)元為0,從而給出當(dāng)前輸入樣本的模式類(lèi).將競(jìng)爭(zhēng)層學(xué)習(xí)得到的類(lèi)成為子類(lèi),而將輸出層學(xué)習(xí)得到的類(lèi)成為目標(biāo)類(lèi),以達(dá)到輸入樣本分類(lèi)的目的.

圖2 各種情境因素對(duì)學(xué)業(yè)成績(jī)的影響

設(shè)輸入層的輸入向量定義為I=(i1,i2,···,in)T,競(jìng)爭(zhēng)層的輸出向量定義為 C =(c1,c2,···,cm)T,輸出層的輸出向量定義為 O =(o1,o2,···,ol)T,期望輸出值定義為,輸入層到競(jìng)爭(zhēng)層之間的權(quán)重矩陣表示為,其中列向量為隱含層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值向量.競(jìng)爭(zhēng)層到輸出層之間的權(quán)重矩陣表示為,其中列向量表示為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值向量.

圖3 在線(xiàn)學(xué)習(xí)學(xué)業(yè)成績(jī)預(yù)測(cè)流程圖

圖4 LVQ 網(wǎng)絡(luò)結(jié)構(gòu)圖

LVQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練的步驟如圖5所示.

2.3 采用GA算法的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò).它的基本思想是梯度下降法,利用梯度搜索技術(shù),以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小,但是BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值.而遺傳算法的優(yōu)化搜索方法在計(jì)算時(shí)并不依賴(lài)于梯度信息,而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù),不依賴(lài)于問(wèn)題的具體領(lǐng)域,在求解最優(yōu)解方面能夠彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值的問(wèn)題.本文的主要工作亮點(diǎn)利用在于利用LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分類(lèi),然后將BP網(wǎng)絡(luò)和GA算法結(jié)合起來(lái)對(duì)在線(xiàn)學(xué)習(xí)行為的學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè).之所以這么做的原因主要考慮兩方面因素:第一,如果只是單純的采用BP網(wǎng)絡(luò),由于網(wǎng)絡(luò)本身的結(jié)構(gòu)導(dǎo)致適應(yīng)過(guò)程和全局逼近比較耗時(shí),導(dǎo)致網(wǎng)絡(luò)的收斂速度會(huì)變慢.另外BP神經(jīng)網(wǎng)絡(luò)算法本身屬于梯度下降,容易陷入局部最優(yōu)的錯(cuò)誤模式.第二,GA 是一種自適應(yīng)優(yōu)化方法,以樣本適應(yīng)度函數(shù)為基礎(chǔ),可以在全局解空間的多個(gè)區(qū)域內(nèi)采用隨機(jī)方法尋求最優(yōu)解,這剛好彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)的缺陷.考慮到二者的特點(diǎn),將他們結(jié)合起來(lái)是一種提高預(yù)測(cè)精準(zhǔn)率的策略.其具體實(shí)現(xiàn)方式如圖6所示.

2.4 采用GA算法進(jìn)行網(wǎng)絡(luò)優(yōu)化算法的過(guò)程

將GA與BP網(wǎng)絡(luò)進(jìn)行結(jié)合,本質(zhì)上是利用了種群搜索的方式對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行最優(yōu)化的配置,以尋找最容易獲得全局最優(yōu)的參數(shù),目的是為了改變BP神經(jīng)網(wǎng)絡(luò)過(guò)度依賴(lài)梯度信息的問(wèn)題.其實(shí)現(xiàn)的關(guān)鍵過(guò)程如下所示.

(1)基因表述

這一步的主要工作是為了確定網(wǎng)絡(luò)的權(quán)值和閾值的編碼,將其作為一組有序染色體,用相應(yīng)維數(shù)的實(shí)屬變量表示,完成編碼過(guò)程,提高運(yùn)算效率,經(jīng)過(guò)編碼后的基因可以如式(1)表示:

(2)個(gè)體適應(yīng)度的表示

這一步的主要工作是為了完成對(duì)第一步中染色體的評(píng)價(jià)工作,根據(jù)個(gè)體所對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)計(jì)算出BP神經(jīng)網(wǎng)絡(luò)的誤差平方和,并采用誤差平方和的倒數(shù)來(lái)表示,如式 (2)表示:

圖5 LVQ 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

圖6 基于 GA-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)過(guò)程

(3)運(yùn)用進(jìn)化操作算子

假設(shè)兩個(gè)基因鏈為Yi和Yj,對(duì)應(yīng)的染色體分別為yi和yj,定義中間變量如式(3)所示:

交叉后的新個(gè)體如式(4)表示[11]:

式(4)中的交叉運(yùn)算保證了子代既可以在其父代所處的區(qū)域之間搜索,也可以在適應(yīng)度更高的方向搜索更適合的區(qū)域,既保證搜索的多樣性,又提高搜索的效率.

3 預(yù)測(cè)實(shí)例及分析

以我校網(wǎng)絡(luò)教學(xué)平臺(tái)1000名學(xué)生在半年內(nèi)的階段學(xué)習(xí)數(shù)據(jù)為研究對(duì)象,由于平臺(tái)上記錄的數(shù)據(jù)沒(méi)有規(guī)則,為了盡量提高學(xué)業(yè)成績(jī)預(yù)測(cè)的準(zhǔn)確性,在采集數(shù)據(jù)的時(shí)候從這幾個(gè)方面作為學(xué)業(yè)成績(jī)預(yù)測(cè)的屬性因素,具體見(jiàn)圖7所示.

本文采用平均絕對(duì)誤差百分比MAPE和均方根誤差RMSE對(duì)在線(xiàn)學(xué)習(xí)學(xué)業(yè)成績(jī)預(yù)測(cè)進(jìn)行評(píng)估,其中,MAPE用來(lái)衡量一個(gè)模型預(yù)測(cè)結(jié)果的好壞,RMSE用來(lái)反映預(yù)測(cè)的精準(zhǔn)度,分別如式(5)(6)表示:

圖7 網(wǎng)絡(luò)教學(xué)平臺(tái)學(xué)習(xí)數(shù)據(jù)的影響因子

其中,y*和y分別代表預(yù)測(cè)值和實(shí)際值,n代表樣本數(shù)量.Xobs和Xmodel分別代表觀測(cè)值和實(shí)際值.

在實(shí)際測(cè)試中,以每天為單位對(duì)數(shù)據(jù)進(jìn)行歸一化處理,學(xué)習(xí)者每天學(xué)習(xí)的情況受不同影響因子的作用,參看圖7.為了測(cè)試結(jié)果公平,我們統(tǒng)一將每天的影響因子歸結(jié)為五類(lèi),為了公平起見(jiàn),選取影響因子的標(biāo)準(zhǔn)是盡可能的滿(mǎn)足所有狀態(tài)學(xué)習(xí)的變化,通過(guò)大量的實(shí)驗(yàn)測(cè)試,我們選取作業(yè)分?jǐn)?shù)、提問(wèn)回答、登錄次數(shù)、學(xué)習(xí)時(shí)長(zhǎng)、課程資源訪(fǎng)問(wèn)頻率五個(gè)因素,具體的表現(xiàn)關(guān)系如圖8所示.

從圖8中可以看出,這五種影響因子的變化規(guī)律對(duì)每個(gè)學(xué)習(xí)者基本呈現(xiàn)相同的規(guī)律,可以用作統(tǒng)計(jì)參數(shù)使用.每天的實(shí)際影響因子表現(xiàn)為它們的不同組合.用前一日的學(xué)習(xí)數(shù)據(jù)按一定的權(quán)重比例加上當(dāng)天的影響因子構(gòu)成完整的數(shù)據(jù)作為訓(xùn)練樣本,訓(xùn)練目標(biāo)以當(dāng)日的數(shù)據(jù)為基本單位,用當(dāng)日的測(cè)試數(shù)據(jù)及后一日的學(xué)習(xí)狀態(tài)影響因子來(lái)預(yù)測(cè)后一日的學(xué)習(xí)成績(jī),依次迭代下去.以完成的任務(wù)學(xué)時(shí)作為窗口長(zhǎng)度,對(duì)在線(xiàn)學(xué)習(xí)時(shí)間序列進(jìn)行移位加窗分析,依次移動(dòng)窗口,直至選定足夠多的訓(xùn)練樣本和目標(biāo),在LVQ-GA-BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,然后用此網(wǎng)絡(luò)模型依次學(xué)習(xí)數(shù)據(jù)進(jìn)行預(yù)測(cè),從而得到學(xué)業(yè)成績(jī)的總體預(yù)測(cè).在實(shí)際訓(xùn)練中,網(wǎng)絡(luò)的隱層節(jié)點(diǎn)為15,基因長(zhǎng)度為426,種群規(guī)模為50,遺傳代數(shù)為150,學(xué)習(xí)速率設(shè)為0.1,最大迭代次數(shù)為1000次.為了驗(yàn)證本文提出的方法在收斂速度和計(jì)算精度上的改進(jìn),采用了兩種模型與之對(duì)比,第一種是只采用遺傳算法的BP神經(jīng)網(wǎng)絡(luò),第二種是沒(méi)有采用遺傳算法的LVQ網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相結(jié)合.圖9表示的是三種網(wǎng)絡(luò)結(jié)構(gòu)的收斂速度,可以看到LVQ+GA+BP的收斂速度明顯快于其他兩種.

圖8 在線(xiàn)學(xué)習(xí)影響因子的變化狀態(tài)

圖9 三種模型運(yùn)算收斂速度

為了驗(yàn)證預(yù)測(cè)結(jié)果與真實(shí)成績(jī)走向之間的關(guān)系,我們分別選取了當(dāng)年數(shù)據(jù)(2016年)和近4年的數(shù)據(jù)(2012-2016年),在本文設(shè)計(jì)的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練學(xué)習(xí),得到的結(jié)果如圖10和圖11所示、在圖10中,點(diǎn)狀虛線(xiàn)表示真實(shí)的成績(jī)變化走向,深色實(shí)線(xiàn)表示沒(méi)有采用LVQ的GA+BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練預(yù)測(cè)結(jié)果,淺色實(shí)線(xiàn)表示本文中提出的LVQ+GA+BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)結(jié)果.圖11表示采用的是年度數(shù)據(jù)預(yù)測(cè),虛線(xiàn)表示真實(shí)的成績(jī)分布趨向,實(shí)線(xiàn)表示利用本文方法得到的成績(jī)預(yù)測(cè)趨向.從兩圖的結(jié)果可以看出,無(wú)論是年度數(shù)據(jù)還是歷年數(shù)據(jù),本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)都能夠很好的符合真實(shí)成績(jī)的變化趨勢(shì),在學(xué)業(yè)成績(jī)預(yù)測(cè)方面具有一定的可信度.利用式(5)和(6)分別計(jì)算三種模型的MAPE和RMSE值,結(jié)果如表1所示.

圖10 歷年學(xué)業(yè)成績(jī)變化趨勢(shì)圖

圖11 年度學(xué)業(yè)成績(jī)變化趨勢(shì)圖

表1 三種預(yù)測(cè)模型的結(jié)果評(píng)估 (單位:%)

從表1可以看出,采用LVQ的網(wǎng)絡(luò)進(jìn)行樣本分類(lèi)以后,MAPE和RMSE的值顯著下降,這表明LVQ前期樣本分類(lèi)結(jié)果對(duì)于模型最后的結(jié)果預(yù)測(cè)有重要的影響作用,而采用GA算法以后,可以更進(jìn)一步的優(yōu)化兩者的值,使得預(yù)測(cè)精度更加精確.

4 結(jié)論與展望

在互聯(lián)網(wǎng)極度發(fā)達(dá)的今天,網(wǎng)絡(luò)在線(xiàn)學(xué)習(xí)已經(jīng)成為傳統(tǒng)教育的重要補(bǔ)充部分,利用學(xué)習(xí)者的特征數(shù)據(jù)進(jìn)行學(xué)習(xí)分析并對(duì)其學(xué)習(xí)成績(jī)進(jìn)行有效預(yù)測(cè),可以及時(shí)發(fā)現(xiàn)學(xué)習(xí)過(guò)程中存在的問(wèn)題和障礙,為進(jìn)行適當(dāng)?shù)膶W(xué)習(xí)干預(yù)提供精準(zhǔn)化的數(shù)據(jù)支持,這是傳統(tǒng)教育無(wú)法做到的一點(diǎn).本文構(gòu)建三者合一的神經(jīng)網(wǎng)絡(luò)模型,利用現(xiàn)有數(shù)據(jù)對(duì)學(xué)生的學(xué)習(xí)成績(jī)做出預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明,使用本文提出的網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)得到的成績(jī)與真實(shí)成績(jī)的分布基本一致,預(yù)測(cè)精度具有很高的可信度.在后期的研究中,我們將依據(jù)現(xiàn)有的模型和框架,利用可視化的方式對(duì)學(xué)生的學(xué)習(xí)活動(dòng)和學(xué)業(yè)成績(jī)之間的關(guān)系進(jìn)行呈現(xiàn),為更加有效的提供在線(xiàn)學(xué)習(xí)精準(zhǔn)化分析提供科學(xué)依據(jù).