文摘

可持续发展教育方面的差异,鼓励不同的评估方法来评估学生。在流行期间,许多大学的考试改变了从离线到在线。如何充分考虑学生的学习状态和过程做出合理评价学生值得研究。基于学习过程数据在中国一所大学的课程,本研究建立了一个离散Hopfield神经网络模型对测试样本进行分类。在建模的过程中,灰色关联分析方法用于优化元素影响学生的综合评价指标,它解决了故障模型的问题由于大差距的因素在传统的离散Hopfield神经网络模型。然后,熵的TOPSIS方法用于排名和样品相同的评价等级。教师可以客观地评价每个学生的学习过程性能根据排名结果。最后,本文比较分析了各种不同方法的评价结果。分析结果认为,优化离散Hopfield神经网络学习过程评价是可行的,和模型评价结果更客观和全面。

1。介绍

在人类教育起着重要的作用。联合国大会已主张政府应该采取可持续发展教育作为一种教育策略和行动计划。近年来,许多国家已把可持续发展教育的概念纳入课程之中,课本,和教育教学实践和富有成果的。传统的课程学习评价往往更加注重结果评价,忽略了过程评价和个体差异。受到疫情影响,中国的教育很快从线下搬到线上,所以教师的“教”和学生的“学”正经历着前所未有的变化。教师和学生通过教学平台主要采用网络教学和考试,所以学习如何整合过程评价和期末考试评价,客观、公正评价的学生是非常值得研究的。

学习过程评价,也被称为形成性评价,是立竿见影的,动态的,反复的评估学生在教学过程中,其重点是及时反馈,加强和改进学生学习(1]。最早引入程序评估在中国高校大学英语课堂。元Shuhou和其他人认为,学者们的研究视角不断结合学科和研究内容已经从程序评价动态即时评价(2]。之后,评价过程也适用于不同的科学与工程课程,人文和社会科学,艺术和体育,中国和西方医学(3- - - - - -6),但大多数研究成果都是侧重于定性分析,尤其是课堂学习和更少的研究轨迹。在网上教学的过程中,移动互动教学软件有效地记录学生的课程学习的动力。这大大减少了常规统计工作,使过程评价简单的数据收集。因此,它是可行的定量地评价学生的学习过程通过建立一个数学模型。这是时代发展的必然方式,评估学生从一个期末考试结果评价学习过程评价。学习过程评价可以客观地、多方面和多维反映学生学习过程的状态,因此研究过程学习评价模型具有一定的研究意义。

Hopfield神经网络是一个递归神经网络,提出了1982年j . Hopfield。Hopfield神经网络离散Hopfield神经网络是叫DHNN(离散Hopfield神经网络)。这是一个单层反馈神经网络和反馈连接从输出到输入;这也是一种循环神经网络(7]。联想记忆功能是一个重要的离散Hopfield神经网络的应用。近年来,越来越多的研究人员设法使用离散Hopfield神经网络进行识别和评价,如疾病诊断(8,9],车牌识别[10)、水质量评价(11,12)、风险评估(13,14),综合评价(15,16),和灾害评估(17]。

在离散Hopfield神经网络,一些优化算法往往结合离散Hopfield神经网络以使他们更有能力与记忆。改进后的方法具有启发式影响其他复杂递归神经网络。许多学者已经改变了网络结构,提高了重量设计算法18,19),并设置延迟和其他方法递归神经网络具有较强的联想记忆能力(20.]。除此之外,遗传算法应用于离散Hopfield神经网络,使网络稳定。在一些评价模型的研究,发现传统的离散Hopfield神经网络模型不适用当之间的差距因素影响相对较大。在这项研究中,我们试图改变原结构的神经网络,利用灰色关联分析的方法,以Hopfield神经网络的样本无法找到最接近的平衡点,并通过建立一个新的网络结构和理想的评价等级,样品无法分类的问题通常可以解决。

2。材料和方法

受到疫情影响,2020年上半年,中国的大学主要是使用在线教学和考试:如何整合过程评价和期末考试评价有机地结合起来,给学生公平、客观、合理的评估是必要的。在这种情况下,如果老师还带学生期末考试结果的评价标准学生学习这门课程,很明显,评价结果不够客观。开发过程中从量变到质变是长,和学习评价是一个动态的过程。因此,本研究以大学生的过程评估的课程学习为研究内容,通过分析学生的动态学习过程状态,用定性和定量分析的方法,建立一个有效的评价模型并给出客观、公正的评价。

这项研究花了49个学生在第二年的大学为研究对象,研究数据来自学习过程数据的“教育理论”课程的背景移动互动教学软件(xue-xi-tong应用)(时间:2019 - 2020学年第二学期)。第一次6选择指标,和最初的分类水平是由学习软件的综合评价分数,如表所示1。

3所示。研究方法

3.1。离散Hopfield神经网络模型的建设

假设DHNN−1或1的输出值,这是记录为神经元的抑制和兴奋状态,分别。给定的标记如下:(1) 是一个外部的输入值。(2) 是阈值的我神经元。(3) 是任何两个神经元之间的连接权, 。(4) 是一个二进制神经元, 。(5) 是一个输出值, 。(6) 是神经元和显示状态的节点j 。 是在时间节点j的状态吗 : (7) 是一个 - - - - - -维向量。

3.1.1。网络体系结构

DHNN的初始结构由六个神经元,如图1。

3.1.2。网络工作模式

Hopfield网络的工作模式设置为串行模式。它假定网络是稳定的工作。进化的规则是减少能量函数,直到达到一个稳定状态。这里的李雅普诺夫函数的能量函数,定义如下:

在这个模型中,外积的方法用于设计Hopfield网络,和培养目标保持Kn维吸引子: 在哪里调整率;取 。

操作步骤如下:步骤1:初始化网络。步骤2:第i个神经元是随机选择从网络。步骤3:计算输入值第i个神经元。第四步:计算出输出值 第i个神经元。在这个时候,网络中的其他神经元的输出保持不变。第五步:确定网络是否稳定:如果它是稳定或满足给定的条件下,它结束了;否则,进入步骤2继续。

这里的稳定状态被定义为 。

3.2。最初的离散Hopfield神经网络模型的设计

(1)理想的等级评价指标设计。评价指标对应的平均样本表1作为理想的评价指标对于每一个级别,也就是说,Hopfield神经网络的平衡点,如表所示2。(2)理想的等级评价指标是编码。如图的第一行所示2“●”表明,神经元的状态是“1”,这是大于或等于相应年级的理想价值评价指标;否则,它所表达的是“○。”(3)测试样本指数编码。选择10个样本表1作为测试样本。相应的值如表所示3。获得相应的编码根据上面的编码规则,如第二行图所示2。(4)MATLAB是用来创建离散Hopfield神经网络。(5)仿真结果图2。

可以看到从图2,10个学生分类不正确分类。错误分类的原因是有一个很大的不同值的各种因素,以及最近的平衡点在Hopfield神经网络不能被发现。接下来,我们将寻找一个解决问题的新方法。

3.3。重建Hopfield神经网络结构的灰色关联分析

灰色关联分析的基本思想是判断是否密切的关系根据几何形状相似性的序列曲线。曲线越接近,相应序列之间的相关性就越大。灰色关联分析的步骤如下:步骤1:确定系统分析序列。参考序列表示 比较序列(也称为子序列)是一种有效的因素主要影响系统的行为。这里有六个影响因素。的行为序列的因素是 。步骤2:变量的无量纲处理。因为不同规模的数据影响综合评价的各种因素,以便于比较,有必要开展nonscale处理 。步骤3:计算综合关联度(21,22]: 在这里也可以使用灰色系统建模软件(软件下载地址:http://igss.nuaa.edu.cn/main.htm)。第四步:建立一个新的评价指标。评价指标被定义为自律能力的指数。它反映了学生课后自主学习的能力,其值是通过加权和根据灰色关联度。评价指标被定义为实践能力的指数。它反映了学生使用所学的知识去解决问题的能力,其值是通过加权 , ,和根据灰色关联度。评价指标被定义为课堂互动能力的指数。它反映了学生参与回答问题,参与讨论,提高手,在课堂上和其他活动。这个索引值对应的值 。信息汇总并填写表格4。第五步:构造一个新的理想的分类索引的层次结构。

根据每种情况下表的价值4,再加上整个类的分数,我们给新理想分类指数调整水平,如表所示5。

2.2.3重复这个步骤,理想的成绩评价指标和等待分类指数重新编码。MATLAB代码运行,仿真结果如图进行组织3。

从图可以看出3重建的离散Hopfield神经网络模型能正确分类10测试样品,和分类水平这个图的第一行所示。

3.4。分类结果是由熵权TOPSIS排序方法(23,24]

从图可以看出3,10个测试学生评为B, C, D和E,分别。没有一个学生达到年级答:如果你把分数给学生相同的水平,应该每个学生的分数多少分?为了客观地评价,熵(TOPSIS选择这里。通过计算各指标的熵权,充分考虑熵权的影响,每个测试样本进一步合理分类。有十个学生和三个评价指标的评价,所以原始数据矩阵构造 在哪里显示的值指标对应届学生。特定的值如表所示4。

根据熵权TOPSIS的公式,最终结果得到: 与

4所示。结果分析

结果总结在表6。

从表可以看出6有一些评价结果的差异10个学生被分类在不同评价方法;尤其是期末考试的分类等级和分类结果的其他两个方法有很大的不同。以下是基于优化的离散Hopfield神经网络水平的结果来分析学生学习过程的评价结果。甲级:没有学生已经达到这个水平。乙级:学生1、6、8、10和36。在期末考试的论文,学生数字6和8级水平,这也是教师评价的结果,学生在传统的评估。然而,仔细分析常见的三个学生的学习状态显示,每个人的学习过程性能不是很好。学生6和8总体天气好,但是他们没有分值在90分以上的各种措施,它是合理的将其分类为B的成绩。在三种不同的评估方法,评估水平的10号学生是一致的。这表明学生处于较好水平,无论什么样的评价方法。因为学生通常有好的学习习惯,考试成绩也理想。1号学生通常学习很认真;尤其是他们的自律能力更好。但这学生的应用能力和课堂互动能力有点差,这符合他的最终成绩。尽管36号学生的测试成绩属于D水平,这个学生的自律能力和实践能力相对较好,所以它被列为B水平。同时,我们发现他在课堂上与老师互动较少,说明学生是害羞,不善于表达自己,所以他应该更加注意在未来的同学。等级C:学生12和17。学生12号是归类为C级,因为中间层次的作业,任务完成,单元测试成绩,和课堂互动,这是一个级别高于学生的最终成绩,表明学生在考试中表现不好。尽管学生人数17的最终结果是很好,他对学习的态度是缓慢的。他观看视频和完成任务分低,和他不配合老师学习的过程。在未来,教师应该深入了解学生的需求,及时调整类的方式,让所有学生参与课程学习。另一方面,学生的期末考试结果有问题,我们可能需要更了解学生的学习其他学科和其他学生对他的评价。级D:学生48。48个学生数量的分类水平符合最初的水平。根据得分数据,学生的自律能力很差。课程的完成老师分配的任务的平均水平。互动能力在课堂上和课后的实践能力水平d。因此,它直接关系到考试分数低于60分,这表明通常的学习态度是积极与期末考试分数。E级:学生43和44。数字43和44个学生被归类为大肠经过仔细分析这两个年级学生,发现尽管43号学生在课堂上很活跃,他有个可怜的课后对学习的态度,表明他是一个典型的自律和差的学生需要老师的监督和管理。尽管学生人数44平时学习认真,他精通的知识应用不够好,他学到的东西付诸实践。此外,他并不是在课堂上活跃和不善于与老师交流和学习,这最终导致了他不满意最终的得分。

此外,熵权TOPSIS方法给出了相同级别的学生排名,它提供了一个强有力的参考学生的平时成绩。例如,有五个学生在课堂上根据熵权TOPSIS b得分表列6,可以看出学生得分最高的是1号,学生得分最低的是36号,其次是数字6、8、10在中间。因此,教师可以参考这个排名成绩普通的学生。

通过上面的分析,也得出以下结论:结论1:合理的学习过程评价方法可以客观地评价学生的正常性能的公正,动态地把握学生的正常的学习状态,分析学生的学习特点,从学生的学习状态,并提供有价值的帮助学生的目标。结论2:优化离散Hopfield神经网络模型是有效的在这个过程中学习评价。通过灰色关联分析在各种因素中,影响评价指标的加权处理根据关联度模型优化的目标所能达到的水平。特别是,它解决了问题,传统的离散Hopfield神经网络模型未能找到平衡点由于大差距的因素。结论3:熵权TOPSIS方法可以客观地给出的顺序和样品相同的级别,它提供了一个好的参考给定老师在和平时期的结果。

教育是可持续发展的重要力量和变化,为提高人们的社会理想转化为现实的能力。可持续发展教育一直被视为一个学习如何做出决策的过程,考虑到经济、生态、社会公平。培养面向未来的思维能力是教育的重要任务。本文建立了可持续发展教育已经建立了学生的教学过程中的主导地位。尤其是在网上教学背景下,学生的自律能力、实践能力和课堂互动已经充分反映能力。动态过程的学习评价模型结合三个评价指标给学生日常学习的评价结果客观和全面。这个结果有助于做好教育教学,为学生的教育管理提供参考和指导。

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

c·S。,y . M。,和T. C. were responsible for conceptualization; Y. M. prepared methodology; Y. M. curated data; C. S., Y. M., and T. C. wrote the original draft; C. S. and Y. M. carried out review and editing; Y. M., C. S., and T. C. performed visualization; and C. S. and T. C supervised the data.

确认

作者承认人文社会科学研究项目的安徽省高校(SK2019A0545);网上重要的安徽省高校教学研究项目(2020 zdxsjg234);安徽质量工程项目(2018 mooc508和2019 mooc273);巢湖大学和教学团队项目(ch20jxtd02)。