论文部分内容阅读
摘要：近年来，微课以其教学主题突出、教学方法创新的特点掀起了一股热潮。如何准确的评价学生微课自主学习效果已成为微课设计者所要面临的重要问题。传统数学模型如AHP模型等，难以对其进行准确的评估。本文基于材型学生《物理化学》微课（基于腾讯微信公众平台）的自主学习情况，使用离散Hopfield神经网络模型对学生自主学习效果进行评价。模型仿真结果表明离散Hopfield神经网络模型的评价结果非常準确，可以很好地运用于学生微课自主学习效果的评价。
关键词：微课;自主学习效果评价;Hopfield神经网络模型
1前言
2011年“微课”概念提出来后，微课开始在全国如火如荼地开展起来。微课短时间内在世界范围内引起了巨大的反响，对现行的教育模式和方法产生了巨大的冲击。如何准确的评价学生微课自主学习效果已成为目前微课设计者所要面临的一个重要问题。目前研究者大都使用传统数学模型如AHP模型等，但这些模型难以对其进行准确的评估。而离散Hopfield神经网络模型作为一种优良的非线性问题识别器，可以很好的弥补传统评价模型的不足。本文基于材型学生《物理化学》微课（基于腾讯微信公众平台）的自主学习情况，使用离散Hopfield神经网络模型对学生自主学习效果进行评价。
2.模型简介
Hopfield网络是由美国California Institute of Technology物理学家Hopfield 教授于1982年所提出的一种具有单层反馈的神经网络[1]。Hopfield神经网络具有联想记忆的功能，它能完成从输出到输入的闭环连接。它在输入的激励下，会产生不断的状态变化。
可以把指标评价问题看作是一种分类问题，将学生自主学习效果分成若干类，因此首先要建立评价学生自主学习效果的体系，并收集学生自主学习效果数据，然后采用一定的算法对数据建模，最后通过Hopfield网络模型对数据进行分类，得到评价结果。
3.模型建立
Step1 将学生自主学习效果分为五类标准：很好、好、中、差、很差，分别定义为class1、class2、class3、class4、class5[2] 。
Step2 根据模型原理可知“-1”和“1”是Hopfield神经网络有且仅有的两个状态。故需要对五个评价指标进行编码从而转化为“-1”和“1”两个状态。在此我们定义了如下编码规则：
Step3 计算Hopfield神经网络模型 ，其中 为连接矩阵的权重，xj是外部输入，yi为
4.模型求解
利用MATLAB R2016a对模型进行求解，代码如下：
通过求解，结果如图1所示。
将五个标准的等级评价指标保存在class文件中，对应图1（a）中的class1-5，根据编码规则，得到待分类等级指标评价分布，对应图1（b）中的pre-sim1-5。虽然图1（a）和图1（b）存在一定差异但比较接近。利用sim函数对样本进行仿真得到分类结果见图1（c）sim1-5，结果表明学生利用微课自主学习的效果可分为五类，这与Step1定义分类标准一致。图1（a）与图1（c）的样本分布完全相同说明Hopfield神经网络模型对学生微课自主学习效果评价准确度很高[3]。
5.结论
本文基于材型学生《物理化学》微课（基于腾讯微信公众平台）的自主学习情况，使用离散Hopfield神经网络模型对学生微课自主学习效果进行评价。结果表明，Hopfield神经网络模型可以较为准确的评价学生自主学习效果，且评价过程中没有人为主观因素的干扰，是一种较为客观的评价方法。
参考文献：
[1]吴海燕. 基于离散Hopfield神经网络的高校创业能力评价[J]. 物流工程与管理， 2018（4）： 194-196
[2]黎明， 杨小芹， 周琳霞. 基于局部进化的Hopfield神经网络的优化计算方法[J]. 中国图象图形学报， 2004， 9（2）：207-213
[3]陶增乐， 章炯民， 吴文娟. 推广的Hopfield神经网络模型[J]. 计算机应用与软件， 1996（4）：6-12
基金项目：哈尔滨理工大学教育教学研究项目（重点）（220180001）。
作者简介：梁博（1986-），男，副教授，汉族。
通讯作者：杜野（1976-），男，副教授，汉族。
关键词：微课;自主学习效果评价;Hopfield神经网络模型
1前言
2011年“微课”概念提出来后，微课开始在全国如火如荼地开展起来。微课短时间内在世界范围内引起了巨大的反响，对现行的教育模式和方法产生了巨大的冲击。如何准确的评价学生微课自主学习效果已成为目前微课设计者所要面临的一个重要问题。目前研究者大都使用传统数学模型如AHP模型等，但这些模型难以对其进行准确的评估。而离散Hopfield神经网络模型作为一种优良的非线性问题识别器，可以很好的弥补传统评价模型的不足。本文基于材型学生《物理化学》微课（基于腾讯微信公众平台）的自主学习情况，使用离散Hopfield神经网络模型对学生自主学习效果进行评价。
2.模型简介
Hopfield网络是由美国California Institute of Technology物理学家Hopfield 教授于1982年所提出的一种具有单层反馈的神经网络[1]。Hopfield神经网络具有联想记忆的功能，它能完成从输出到输入的闭环连接。它在输入的激励下，会产生不断的状态变化。
可以把指标评价问题看作是一种分类问题，将学生自主学习效果分成若干类，因此首先要建立评价学生自主学习效果的体系，并收集学生自主学习效果数据，然后采用一定的算法对数据建模，最后通过Hopfield网络模型对数据进行分类，得到评价结果。
3.模型建立
Step1 将学生自主学习效果分为五类标准：很好、好、中、差、很差，分别定义为class1、class2、class3、class4、class5[2] 。
Step2 根据模型原理可知“-1”和“1”是Hopfield神经网络有且仅有的两个状态。故需要对五个评价指标进行编码从而转化为“-1”和“1”两个状态。在此我们定义了如下编码规则：
Step3 计算Hopfield神经网络模型 ，其中 为连接矩阵的权重，xj是外部输入，yi为
4.模型求解
利用MATLAB R2016a对模型进行求解，代码如下：
通过求解，结果如图1所示。
将五个标准的等级评价指标保存在class文件中，对应图1（a）中的class1-5，根据编码规则，得到待分类等级指标评价分布，对应图1（b）中的pre-sim1-5。虽然图1（a）和图1（b）存在一定差异但比较接近。利用sim函数对样本进行仿真得到分类结果见图1（c）sim1-5，结果表明学生利用微课自主学习的效果可分为五类，这与Step1定义分类标准一致。图1（a）与图1（c）的样本分布完全相同说明Hopfield神经网络模型对学生微课自主学习效果评价准确度很高[3]。
5.结论
本文基于材型学生《物理化学》微课（基于腾讯微信公众平台）的自主学习情况，使用离散Hopfield神经网络模型对学生微课自主学习效果进行评价。结果表明，Hopfield神经网络模型可以较为准确的评价学生自主学习效果，且评价过程中没有人为主观因素的干扰，是一种较为客观的评价方法。
参考文献：
[1]吴海燕. 基于离散Hopfield神经网络的高校创业能力评价[J]. 物流工程与管理， 2018（4）： 194-196
[2]黎明， 杨小芹， 周琳霞. 基于局部进化的Hopfield神经网络的优化计算方法[J]. 中国图象图形学报， 2004， 9（2）：207-213
[3]陶增乐， 章炯民， 吴文娟. 推广的Hopfield神经网络模型[J]. 计算机应用与软件， 1996（4）：6-12
基金项目：哈尔滨理工大学教育教学研究项目（重点）（220180001）。
作者简介：梁博（1986-），男，副教授，汉族。
通讯作者：杜野（1976-），男，副教授，汉族。