LFM网络在本科毕业生理论基础与应用能力评估中应用研究.docVIP

LFM网络在本科毕业生理论基础与应用能力评估中应用研究 　　摘 要：本科毕业生在理论基础与应用能力之间存在着很大差异，挖掘内在的差异需要一个科学的评估方法，在评估方法之上，具体地确定和实施教改方案。本文将把逻辑特征映射人工神经网络应用于本科毕业生理论基础与应用能力评估上，对学生理论基础与应用能力做出一个全面、客观、科学的评价，为高校决策者提供重要且准确的决策依据。 　　关键词：教学评估；逻辑特征映射；决策 　　中图分类号：TN957.51 　　逻辑特征映射人工神经网络[1]是一种新的人工神经网络模型，特别是对于解决非线性分类问题用它更是百里挑一。该网络在教育教学领域的实际问题中已经存在少量的相关应用，如逻辑特征映射在教师工作考核中的应用以及在教学评价中的应用，并取得了较好的效果，可见该网络在实际问题中具有良好的应用可行性及较高的应用价值。 　　在国内高校针对本科毕业生的评估工作中，现有的评估方法比较单一，主要是计算毕业生各门专业主干课程的平均成绩，然后将计算得出的平均得分从高至低排名，继而得到评估结果。很明显，这种评估方法根本无法真实反映出学生具体的理论基础与应用能力方面的差异。 　　基于上述的问题，本文将把逻辑特征映射人工神经网络应用于本科毕业生理论基础与应用能力评估方面，对学生课程成绩进行多角度分析，对学生理论基础与应用能力做出一个全面、客观、科学的评价，为高校决策者提供重要且准确的决策依据[2]。 　　1 逻辑特征映射人工神经网络 　　能很快的适应周围环境是生物系统所具有的普遍特征，也就是在生存中发现规律并对自己所作行为进行规范。同时，此特点也正是自组织特征映射 （Self-Organizing Feature Map，简称SOFM）人工神经网络的目标，那就是，没有任何监督的情况下，从人们输入的数据中寻找出有价值的规律并将其输出出来。 　　Kohonen-SOFM属于人工神经网络中比较经典的一个，它的学习不用依靠导师。自1981年被提出之日起到现在，它已被多个领域多应用，例如：农业中的杂草图像识别、工业中的电动机故障诊断和电信业中的语音设别等，在这些领域应用SOFM网络技术得到了让人满意的结果。此后，又陆续有研究人员对此网络进行了更进一步的探索和研究，许多有意义的研究成果也由此产生。 　　SOFM是这样一类线性分类器，它在训练的时候应用了竞争的方式，这是它主要的特点，另一个特点是他建立在距离范式上。SOFM具有明显的优点，但缺点也是存在的，自组织特征映射有以下两个缺点： 　　（1）它擅长解决线性分类问题，对于非线性分类问题它更不擅长，更别提高维空间； 　　（2）一旦数据量超过一定范围，或对训练精度要求特别严格时，该网络的训练速度非常缓慢。 　　LFM是Logistic Feature Map的简称，Logistic Feature Map的中文含义是逻辑特征映射，LFM网络建立在SOFM的理论基础之上，弥补了自组织特征映射的缺点。 　　1.1 LFM网络拓扑结构 　　2 实验结果与分析 　　本实验最初的数据取自我国某重点师范大学计算机专业2012届毕业生四年的课程成绩。学生能力的优劣评估无法单纯从分值本身得出，将所有科目成绩分为“理论课程成绩”与“应用课程成绩”两类，根据分类对原始数据进行预处理。经过预处理后的数据作为实验数据，使用编写好的LFM网络程序对实验数据进行分析。最终所得的实验结果如表1所示。 　　表1 分类结果 　　逻辑特征编码所用的是二进制数，包括两位，一位表示理论基础的强弱状况，另一位则表示的是应用能力的强弱状况： 　　（1）逻辑特征编码00：表示该类学生理论基础与应用能力都很薄弱。根据实验结果，该群体占学生总人数的45.60%，具体表现为学习态度不端正、缺乏努力。这一结果与欧美一流大学对学生的淘汰率基本符合，如斯特拉斯堡大学本科生的淘汰率约为50%，美国多数大学生的淘汰率约为60%。国内可以依据实际情况酌情参考效仿国外一流高校的先进教学管理经验以保障高等教育质量。 　　（2）逻辑特征编码01：表示该类学生应用能力较强但理论基础相对薄弱。该群体占学生总人数的8.80%，往往应试成绩欠佳但表现出较高的创新能力，从而很大程度上也属于计算机专业所需要的人才，因此在保送研究生的选拔中也同样值得予以考虑。此外，该类学生往往也比较适合通过自主创业的方式有所发展、取得成功。 　　（3）逻辑特征编码10：表示该类学生理论基础较强但应用能力相对薄弱。该群体占学生总人数的5.60%，往往表现出同自身的理性思维相比更强的感性思维，善于平行记忆，且该群体中的样本多为女学生，这与现实中的相关现象完全吻合。该类群体通常作为传统的保送研究生选拔中的候选对象，且在专项理论研究中往往表现出色，但