马守明 郑武 程晨 周祎

摘  要：对高校学生学习过程进行准确的评价，是提升学生学习效率、改进教师教学方法、完善学校教学管理的重要环节。目前已经提出了多种数学模型来解决该问题，但这些方法均需要一定的先验知识且难以实现自学习。本文利用SOM模型能在无监督、无先验知识的状态下对样本进行自组织的特性进行学习过程的评价，同时通过主成分分析，提高了网络收敛速度和聚类准确性。实例分析表明：改进SOM模型能有效地进行学生学习过程的评价。

关键词：SOM模型;学习评价;聚类分析;主成分分析

中图分类号：TP183     文献标识码：A

Abstract： The accurate evaluation of the learning process of college students is an important link in the improvement of students' learning efficiency， teachers' teaching methods and school teaching management. The existing evaluation methods of learning process mostly rely on accurate mathematical models， which cannot realize self-learning. In this paper， the SOM （Self Organizing Maps） model was used to evaluate the learning process of samples in an unsupervised state without prior knowledge. Meanwhile， through PCA （principal component analysis） algorithm， the convergence speed and clustering accuracy of the network can be improved. The case analysis shows that the improved SOM model can effectively evaluate students' learning process.

Keywords： SOM model; learning evaluation; cluster analysis; principal component analysis

1   引言（Introduction）

高校是培养专业人才的教育机构，学生的“学”和教师的“教”构成了高校教学工作的核心环节，这也是高校实现可持续、健康发展的根基。学生的学习具有过程复杂、个体迥异、发展动态的特点，并伴随着教学活动的开展而不断动态进化[1]。探索如何对其进行科学有效地系统评价，并利用评价结果反作用于教师授课和教学管理，对高校教学质量的整体提升具有重要的现实意义[2，3]。

目前，越来越多的模拟人类智能行为或进化过程而发展起来的计算智能技术应用在学生学习过程的评价之中。文献[4]依据评价指标体系原则建立了网络学习评价指标体系，并运用模糊综合评判原理构建了一个实用的网络学习评价数学模型。文献[5]提出一种采用改进LMBP算法设计的在线评价模型，并将改进LMBP算法运用到实际在线学习的评价之中。……