任鸽 杨勇

摘要：传统的高校成绩预警系统是根据学生未完成学分绩提出预警，不能做到真正的预测。近年来，随着人工智能领域取得的巨大发展，将人工智能与高校的管理相结合已经成为了一个未来的发展方向。为了了解到学生以往成绩和未来成绩之间的关联，建立基于BP神经网络的高校学生成绩预测模型，探讨BP神经网络在高校学生管理領域的应用。结果表明，BP神经网络能有效提高学生成绩预测的精度，以及应用于学期多门课程的成绩预测上的可行性。

关键词：成绩预警;BP神经网络;相关系数

中图分类号：G434;TP18   文献标识码：A     文章编号：1007-9416（2020）10-0000-00

0引言

随着教育大数据的不断积累，如何从海量的教育数据中挖掘有用的信息成为近年来数据挖掘领域的热点研究之一[1]。教育大数据的挖掘可以为学校教学质量提高，人才培养方案的评价等方面提供依据，具有很重要的理论研究研究价值和实际应用价值，越来越多的学者开始关注数据挖掘技术在教育教学领域的应用[2]。教育数据挖掘是指用数据挖掘技术分析从大量教学数据中自动检索并整理统计出相关信息的数据分析过程，发现教学数据中潜在的有效信息，以解决教学实践中的问题，为教学管理者、教师、学生等教育领域相关人员提供教学建议和理论支持。学生成绩预测是教育数据挖掘中的重要内容。

目前已经有很多学者对学生成绩预测做了研究。叶泽俊[3]采用基于C5.0算法的决策树分类方法对非英语专业学生四级通过概率进行预测。刘艳杰[4]利用贝叶斯网络的结构学习的到学科之间的关联性，基于贝叶斯网络拓扑结构学习网络参数，最后通过联合树算法给出成绩预测。张燕[5]提出一种基于朴素贝叶斯的英语成绩预测模型，以某职业院校2016、2018的英语四级考试成绩作为基本数据来源，采用朴素贝叶斯模型中概率对不同属性下的学生英语成绩进行预测。甘才军[6]设计并实现了一种可针对学生实 验课程成绩进行主动式预警的系统，该系统根据学生以往实验报告及教师批阅信息，利用贝叶斯分类器对学 生实验课程最终考核成绩提前作出预测并及时发出预警，以督促学生在课外更加主动地学习。王婧妍[7]，吴兴惠[8]用随机森林算法来提高成绩预测模型的精度。申航杰[9]提出了一种融合模糊聚类和支持向量回归的成绩预测方法。陈曦[10]提出了一种基于课程知识图谱的预测算法。张昊[11]使用递归神经网络（RNN）中的一种变体双向门控单元网络（Bi-GRU）来预测学生成绩。

为了提高学生成绩预测的精度，本文提出了建立BP神经网络模型来预测学生成绩。

1 BP神经网络成绩预测

图1为 BP 神经网络拓扑结构，包含输入层、隐藏层与输出层，若输出层得不到期望输出则转入误差反向传播，根据预测误差调整神经网络的网络权值、阈值，以期逼近期望输出[12]。BP神经网络具有很强大的描述非线性函数的能力，而且一个3层的BP神经网络即可模拟任意复杂的非线性问题[13]，对于这种数据预测问题能取得较好的结果。

如何设计隐藏层的神经元节点数是BP神经网络中的关键问题，如果设计的节点较少则不能够很好的逼近模拟的函数，不能够获得准确的结果。如果设计的节点数过多会使网络变得更复杂，算法训练的时间会大大增加，算法的效率会降低。一般情况下，随着隐藏层的节点数的增多，模型的误差会出现先下降后升高的趋势，所以确定合适的节点数非常重要，通常隐藏层节点数量确定可以通过试凑法[14]和公式1和公式2确定：

l<（m+n）+a                                                          公式1

l=2m+1                                                                 公式2

其中，l为隐层节点数，m为输入层节点数，n为输出层节点数，a为0-10的常数。

2数据采集

本实验的数据来自新疆师范大学2010届到2018届软件工程专业的有不及格记录的256名学生八个学期的期末考试总评成绩，选取有核心课程的七个学期，核心课程的选取如表1所示。

针对采集的原始数据，做数据预处理。对于缺考的学生成绩数据替换为该课程所有学生取得分数的均值。

3 BP神经网络实验分析

用BP神经网络进行学生成绩预测过程中，我们首先将八个学期的学生课程成绩分为学习样本与测试样本，通过学习样本训练BP神经网络，将学习样本中的基础课程成绩设置为神经网络的输入项，目标课程成绩设置为输出项，利用反向传播算法训练神经网络模型，确定各个节点的参数。得到训练好的BP神经网络模型后，在预测学生成绩时，将基础课程成绩代入训练好的模型中，即可预测得出学生的目标课程成绩，实现对学生成绩的预测。

为了加强BP神经网络的实际预测功能，得到不同学期，不同科目的预测结果，建立多输出的网络模型。输入是学生已完成的所有科目的分数，输出是对应下一学期的所有科目成绩。例如，通过第一学期的成绩数据来预测第二学期的成绩，通过第一，第二学期的成绩来预测第三学期的成绩，以此类推。相对于十分精确地预测学生的分数，预测学生的成绩能否及格往往更重要。因此模型的预测学生及格准确率能达到一定要求，就能说明模型的实用价值。因此，在预测学期多门课程的多输出模型下，预测的不是成绩数值，而是及格与否。

程序運行在tensorflow2.0.0的框架下，使用Adam优化器，学习速率决定了训练过程中的权值变化，一般情况下选取较小的学习速率保证学习的稳定性，因此这里取学习率为0.0001。输出层经过softmax函数，得到概率最大的值的序号作为预测成绩。

经过100次迭代后得到的预测准确率如图2所示。横坐标是迭代次数，纵坐标是预测的准确度。从图中可以看出，各学期的预测准确率在70%到100%左右波动，其中，由于第八学期课程样本数量较少，所以预测准确率在10次迭代后就达到了100%，预测准确率最低的第六学期也达到了70%。

4结语

为了了解到高校学生以往成绩和未来成绩之间的关联，建立了基于BP神经网络的高校学生成绩预测模型，通过学生以往的成绩数据来预测未来成绩。实验数据表明，用BP神经网络来预测学期多门课程的平均准确率能达到70%。

参考文献

[1] 张志刚.教育数据挖掘研究与探索[J].长春师范大学学报，2020，39（2）：34-36.

[2] 刘邦奇，李鑫.智慧课堂数据挖掘分析与应用实证研究[J].电化教育研究，2018，39（6）：41-47.

[3] 叶泽俊.基于数据挖掘的大学英语四级通过率预测建模研究[J].长春师范大学学报，2019，38（12）：55-62..

[4] 刘艳杰，李霞.基于贝叶斯网络的学生成绩预测[J].山东理工大学学报（自然科学版），2019，33（5）：75-78.

[5] 张燕.基于朴素贝叶斯的英语成绩预测模型构建研究[J].自动化技术与应用，2019，38（10）：67-69+88..

[6] 甘才军.主动式实验课程成绩预警系统及其效果评估[J].软件导刊，2020，19（5）：128-131.

[7] 王婧妍，张玉飞，徐卓.基于特征选择优化的学生成绩预测[J].智库时代，2020（1）：124-125.

[8] 吴兴惠，周玉萍，邢海花.利用随机森林算法对学生成绩评价与预测研究[J].电脑知识与技术，2020，16（4）：254-255+258.

[9] 申航杰，琚生根，孙界平.基于模糊聚类和支持向量回归的成绩预测[J].华东师范大学学报（自然科学版），2019（5）：66-73+84.

[10] 陈曦，梅广，张金金，等.融合知识图谱和协同过滤的学生成绩预测方法[J].计算机应用，2020，40（2）：595-601..

[11] 张昊.一种基于神经网络的学生成绩预测方法[J].辽宁师专学报（自然科学版），2019，21（3）：94-96..

[12] 周正思，刘林，程鹏.基于遗传算法优化BP神经网络的GIS设备放电故障诊断[J].电气开关，2016，54（3）：37-40.

[13] 吴蓓.基于决策树算法的成绩预测模型研究及应用[D].西安：西安理工大学，2019.

[14] 岳琪，温新.改进GA-BP神经网络在高校教学质量评价中的应用[J].黑龙江大学自然科学学报，2019，36（3）：353-358..

收稿日期：2020-08-17

*基金项目：新疆维吾尔自治区高校研项目“基于图数据库的危安人物知识图谱构建研究”（XJEDU2016S066）;新疆维吾尔自治区教学改革与研究项目“基于大数据的高校学生学业成绩预警分析”（ZJG2019-11）

作者简介：任鸽（1986—），女，河南兰考人，硕士，讲师，研究方向：数据挖掘，自然语言处理;杨勇（1979—），男，陕西汉中人，博士，副教授，研究方向：知识库自动构建、语义消歧研究。

The Application of BP Neural Network in Early Warning of College Students' Performance*

REN Ge，YANG Yong

（College of Computer Science and Technology，Xinjiang Normal University，Urumqi Xinjiang  830054）

Abstract：The traditional college achievement early warning system is based on the students unfinished credits， which cant make a real prediction. In recent years， with the great development in the field of artificial intelligence， the combination of artificial intelligence and university management has become a future development direction. In order to understand the relationship between students past performance and future performance， a prediction model of College Students performance based on BP neural network is established， and the application of BP neural network in the field of college students management is discussed. The results show that compared with the correlation coefficient method， BP neural network can effectively improve the accuracy of students performance prediction and the feasibility of applying it to multiple courses in the semester.

Keywords： performance warning; BP neural network; correlation coefficient