作者：康玉琼 东南大学脑与学习科学系，儿童发展教育研究所
研究生导师：姜飞月
【摘要】：由于教育管理者和政策制定者需要设计和实施教学和教学干预措施，因此有必要开发和验证一个预测模型，用于分析学生在进入大学前的学业表现。本研究采用前馈神经网络来建立和分析影响中学生学业成绩的认知和心理变量之间存在的复杂非线性关系。样本空间包括从奥约州伊巴丹北部地方政府的四所随机选择的学校中的120名学生。研究结果显示，人工神经网络（ANN）能够有效地根据预测的成绩水平将学生分为不同类别。这种类型的研究将为教育规划者和课程开发者提供更好的教育服务，并在学生进入大学时为他们提供针对性的帮助。
【关键词】：ANN；学生成绩；大学录取；预测模型；Ibadan
01
介绍
学习者的学术表现应在他们的学术生涯中尽早监测，以促进国家的发展，因为学习者最终会成为国家经济各部门事务的关键人物。最近的研究表明，尼日利亚大学的本科生质量很低，原因是目前的招生制度不完善，寻求入学的学生人数和总的可用入学名额之间的差距越来越大。这给课程设置者和其他教育管理者带来了严重的挑战。他们现在面临的挑战是重新设计和实施教学方法和教学干预措施，以提高高等教育机构的教学和学习。因此，当务之急是设计和实施一个预测模型，以便在学生进入大学之前对其学业成绩进行早期预测，进而改善教学策略，开发能培养出更好的学习者和创造性思维者的课程。
人工神经网络（ANN）已经在模式识别、图像处理、优化、预测和控制系统等领域得到了广泛的应用。这项研究的主要目的是建立一个ANN模型，该模型可以用来在录取学生之前根据学生的一些给定的录取前数据来预测学生的成绩，这将使教育管理者根据学生的预测成绩水平来定制教学计划。研究的具体目标包括：
(1) 确定一些影响学生学习成绩的合适变量。
(2) 将这些因素转化为适合人工智能领域的自适应系统编码的形式。
(3) 验证和评估ANN模型的性能。
人工神经网络：简要介绍
ANN由一组高度互连的实体组成，称为处理元素或单元。ANN的结构和功能是受生物中枢神经系统（大脑）的启发。每个单元被设计成模仿其生物对应物，即神经元或神经节点。每个单元接受一组加权的输入，并以输出作为回应。
ANNs解决了传统计算机通常难以解决的问题，如语音和模式识别、天气预报、销售预测、公共汽车调度、学生入学率预测、聚类和早期癌症检测。ANN的架构包括前馈、后馈、单层、递归、径向基函数网络和自组织地图。在这些神经网络架构中，前馈式是最常用的。
反向传播算法
基本的反向传播算法结构如下：
初始化权重
重复进行
对于每个训练模式
对该模式进行训练
结束
直到误差达到可接受的低水平
02
研究方法
本研究提出使用前馈神经网络（FFNN）来开发、实施和分析预测模型，以解决高等院校中学习成绩不佳的问题。具体来说，该研究探讨了FFNN在大学录取学生之前预测学生成绩的可能性。这将使政策制定者和教育管理者能够在课程和材料方面定制援助。
从2015年西非考试委员会（WAEC）的成绩中共提取了120名学生的五个科学科目的学业记录。数据来自奥约州伊巴丹北部地方政府区随机选择的四所中学。在数学、英语、物理、化学和生物等科学科目中取得的成绩，以及心理变量：年龄、父母职业和学校状况（私立/公立）都被赋予了数值，分析和协调成一个可管理的数量合适的模式，以便在ANN建模的背景下进行编码。所选学生的模拟大学入学考试后的分数被假定为目标值。预测模型的实施通过MATLAB软件完成。
输入变量
输入变量是作为预测模型输入的数据集以及目标值。它们可以从学生的注册和学术记录中获得。输入变量包括：
(1) WAEC的数学、英语、物理、化学和生物成绩(2)大学入学考试后的成绩(3)学生的性别(4)年龄（学生在撰写WAEC时的年龄）(5)父母职业(6)学校状况（私立或公立）。每个变量的数字描述都被规范化，以产生0到1之间的数值，这使它们适合编码，并在ANN建模的背景下进行分析。
输出变量
输出代表学生在大学入学考试后的表现。输出变量的领域被分为五类，并赋予数值。大学入学考试后的分数在70％-100％的范围内为A级，在数值上分配5分。分数在60%-69%范围内的为B级，分配4分，以此类推。
网络拓扑结构
只有当处理单元（神经节点）以适当的方式组织起来以完成特定的模式识别任务时，ANN才是有用的。处理单元、连接和模式输入-输出的安排被称为拓扑结构。选择ANN的拓扑结构是一个具有挑战性的问题。因此，为了达成一个合适的拓扑结构，这项研究保持了前馈神经网络。在所选择的拓扑结构中，有两个隐藏层，每个有五个神经节点。选择隐藏层中的节点数量是一项困难的任务。在隐藏层中拥有少量的神经节点会减慢处理能力。另一方面，这些层中大量的神经节点将逐渐减慢训练速度。为了达到最佳的训练网络，我们进行了多次迭代的训练。首先，我们从少量的隐藏节点开始，逐步增加数量，直到隐藏节点达到10个的阈值水平。
网络学习方法和验证过程
ANN中的学习方法大致可分为三种基本类型：监督型、非监督型和强化型。在有监督的方法中，每一个用于训练网络的输入模式都与一个输出模式相关，也就是目标模式。在无监督的方法中，目标输出不存在，也没有老师来提出期望的模式，因此，ANN通过发现和适应输入模式的结构特征来学习自己。虽然在强化方法中存在教师，但他并不提出目标输出，而只是指出计算的输出是否正确。
这项研究采用了监督方法。通常的做法是将数据分为三类：训练集、验证集和测试集。训练集使系统能够观察到输入数据和模拟输出之间的关系，从而在输入和目标输出之间建立一个映射函数。拟议的FFNN在训练时，运行次数设置为3次，训练周期设置为1000次迭代时终止，从而对神经网络参数进行调整。这样做的目的是为了确定哪些参数配置能产生最佳结果。
03
结果和讨论
在训练和交叉验证之后，用测试数据测试了所提出的FFNN。据观察，最好的训练运行是在11次迭代时完成的，在6次验证检查后，性能为0.03386。没有任何一次训练运行超过1分钟。与训练期间使用的其他配置相比，最佳训练的FFNN显示出高度正相关系数（如表1）。
表 1不同结构FFNN的相关系数
通过分析FFNN测试结果的混淆矩阵，学分成绩的准确率为88%，一般成绩为89.5%，不及格成绩为93.8%。总体而言，ANN能够准确预测120个成绩中的108个成绩，准确率为90%。这一结果表明，ANN的表现是公平的。这项研究的意义在于，如果ANN被纳入录取系统，它将帮助教育部门的利益相关者在大学录取他们之前识别出薄弱的学生。这也将使他们能够在课程、材料和教学方法方面定制援助。因此，大学招生系统的有效性将得到加强。
04
结论
这项研究试图展示人工神经网络在大学系统录取中学生之前预测他们的大学入学考试成绩的潜力。具体来说，该模型是使用前馈神经网络架构，并基于前一节确定的一些选定的输入变量开发的。ANN模型达到了90%的准确率，这表明ANN作为预测模型、聚类工具和申请进入大学的候选人的选择标准的潜在功效。尽管ANN在非线性现象中具有很高的预测精度，然而，ANN模型并没有为输入和输出的关系指定一个明确的数学模型，因此需要在这方面做进一步的研究。
查阅原文：Amoo M. Adewale, Alaba O. Bamidele, Usman O. Lateef International Journal of Science and Technology Educational Research
DOI：10.5897/IJSTER2017.0415
转自：“百研工坊”微信公众号
如有侵权，请联系本站删除！
