张省伟， 朱亚男， 李冰毅， 崔晶

(西安铁路职业技术学院 牵引动力学院， 西安 710026)

0 引言

随着互联网技术的发展，教育模式逐渐升级转型，近年来，在线教育发展迅速。据第42次《中国互联网络发展状况统计报告》统计，截至2018年6月，中国网民数量达8.02亿，在线教育用户规模达到1.72亿，仅2017年12月至2018年6月，在线教育用户增长率就达到10.8%[1]。在这个大背景下，各个高校都积极开展在线开放课程建设工作。然而面对海量用户所产生的大量数据，要依靠传统分析从数据中提取用户的学习模式十分困难，本文提供一种基于神经网络的数据挖掘方法，帮助分析在线课程用户的学习模式，从而开发最合适的教学评价体系，对在线开放课程的建设有着重要的指导意义。

1 学生属性特征值提取

传统的教学评价体系主要是通过考查学生成绩及教师是否完成教学任务这两个方面来进行的，这种评价方法较为单一，没有充分考虑教学主体的参与度，因此不能准确的评价教学成效，更不能作为在线课程的评价方法[2]。在线课程有别于传统课堂，参与在线课程的学生会留下大量数据，本文通过分析在线课程用户数据，提出学生属性的定义，即：学生本身具有或客观发生的性质或行为特征。简单地说，就是学生具体某个方面的客观表现[3]。

本文从在线课程用户数据中分析，总结出以下学生属性并赋予其特征值，用于教学评价的网络学习建模。

(1)学生性别

若学生性别为男，则特征值为1；若学生性别为女，则特征值为2。

(2)课堂活跃度。其分类情况及特征值如表1所示。

(3)论坛活跃度。其分类情况及特征值如表2所示。

(4)作业品质。其分类情况及特征值如表3所示。

(5)自主学习程度。自主学习程度主要判定学生课前预习积极程度及课后复习参与程度，其分类情况及特征值如表4所示。

表1 课堂活跃度特征值

表2 论坛活跃度特征值

表3 作业品质特征值

表4 自主学习程度特征值

其中课后提问情况跟课堂活跃度和论坛活跃度部分重合，故不再单独设置属性。

2 学生应获关注度定义

通过分析在线课程中的学生属性数据，可以构建一个合理的教学管理体系，引导教师重点关注学习自主性较差且不积极活跃的学生，从而帮助教师有针对性地教学。学生应获关注度的确定应符合[A，R，I]指标，其中A指代学生活跃度，R指代学习反馈效果，I指代学生学习自主性指标。具体定义如表5所示。

根据表5所确定的学生ARI值，就是决定学生最终应获教师关注度分类的重要依据。其具体取值按权重计算，见式(1)。

ARI=A×40%+R×30%+I×30%

(1)

学生应获关注度的特征值定义如表6所示。

教师在教学管理中，应对ARI分值较低的学生予以特别关注和针对性辅导。

表5 [A，R，I]指标定义

表6 学生应获关注度特征值

3 教学管理体系的RBF网络模型设计

由于学生属性较多，特征值也呈现多样化的分布特征，人工样本分析费时费力且准确度低，本文采用神经网络建模来构建教学管理体系。具体的做法是采用海量学生数据作为样本，对其进行特征值提取后用特征值数据作为神经网络的学习数据，经神经网络训练后可自动输出对学生学习关注度的判别标准，从而帮助构建合理的教学管理体系。

因为该模型是一个典型的多参数非线性模型，因此选用非线性逼近性能较好的RBF网络，即径向基函数(Radial-Basis Function，RBF)网络。该网络具有输入层、隐层和输出层三层结构[4-6]。

结合上节分析，将学生性别、课堂活跃度、论坛活跃度、作业品质和自主学习程度的特征值作为RBF网络的输入，将学生应获关注度作为RBF网络的输出。所建立网络的输入神经元为5，输出神经元为1，网络拓扑结构见图1。

图1 教学管理体系RBF网络拓扑结构

在该网络中，输入层为Xn=[x1,x2,…,x5]T，表示第n个学生的输入特征值序列，输出yn表示第n个学生的应获关注度，其中n=1,2，…，N，N为样本数目。隐层函数φi(i=1,…,h)为高斯径向基函数，见式(2)。

(2)

本文采用MATLAB的函数newrb创建RBF网络，见式(3)。

net=newrb(p,t,goal,spread)

(3)

其中，p为输入样本向量，t为输出样本向量，spread为径向基神经元层的散布常数，goal为设定的网络误差目标。

4 在线课程教学管理RBF网络训练

以西安铁路职业技术学院在线开放课程的学生数据为样本训练上节建立的RBF网络[7]。本文随机抽取600名学生数据，按照第一节提出的特征提取方法进行数据模式整理，整理后的学生数据样本(部分)如表7所示。

表7 特征提取后的学生数据样本(部分)

表7中，将学生隐私数据剔除，用学生编号来区别样本个体，其余值均是本文定义的特征值。在600组学生数据中，取500组用于网络训练，100组用于网络验证。创建网络函数见式(4)。

net=newrb(X5×500,y1×500,0,50)

(4)

具体网络训练过程如图2。

图2 教学管理体系RBF网络训练过程

为验证所建立网络的正确性，用100组训练数据的输入特征值序列作为上述网络的输入，得到网络输出结果，将网络输出结果与实际ARI特征值结果对比，结果如图3所示。

图3 教学管理RBF网络输出与实际值比较

从图3可看出，经测试，本文所建立的RBF网络输出值与实际值较为一致，正确程度可达80%以上，说明网络预测效果好。

5 总结

综上分析可知，本文提出了一种基于RBF网络的在线开放课程教学管理体系，该教学管理体系可以根据学生的数据信息，自动分析出学生的学习状态，从而将学生按其应获关注度进行分类，教师可根据此分类进行针对性的教学，从而提高教学效果。以西安铁路职业技术学院学生数据训练建立网络后，经测试，网络输出值与实际值较为吻合，正确程度可达80%以上。

本文提出的教学管理体系有的主要意义有：

(1)应用神经网络学习的方法对学生的学习状态进行评价，评价体系客观科学，可较为精确的获得学生的学习状态。

(2)应用本文提出的教学管理体系，教师可针对学生特点开展教学，做到真正意义上的因材施教，对教学改革和教学效果意义重大。