作者：康玉琼 西南大学脑与学习科学系儿童发展教育研究所
研究生导师：蒋飞跃
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用于分析中学生进入大学前的学业成绩的预测模型。 本研究采用卷积神经网络来构建和剖析影响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。 样本空间由来自奥约州伊巴丹南地方政府四所随机选择的中学的 120 名中学生组成。 研究结果表明，人工神经网络（ANN）可以根据预测的成绩水平有效地将中学生分类。 此类研究将为教育规划者和课程开发者提供更好的教育服务，为中学生进入大学提供有针对性的帮助。
【关键词】： 人工神经网络； 中学生成绩； 大学备案； 预测模型； 伊巴丹
01
介绍
学习者的学业表现应在其学术生涯的早期进行衡量，以推动国家发展，因为学习者最终将成为国民经济各个部门的关键参与者。 最近的研究表明，由于目前的招生制度不完善，以及寻求入学的中学生数量与可用名额总数之间的差距越来越大，俄罗斯大学的高等教育学生质量非常低。 这给课程设置者和其他教育管理者带来了严峻的挑战。 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，以改善高等教育机构的教学和学习。 因此，迫切需要设计和实施一种预测模型，以便在中学生进入大学之前尽早预测其学业成绩，从而改进教学策略并开发培养更好的学习者和创造性思考者的课程。
人工神经网络（ANN）已广泛应用于模式识别、图像处理、优化、预测和控制系统等领域。 本研究的主要目的是根据中学生入学前的一些预注册数据，建立一个可用于预测中学生表现的 ANN 模型。 这将使教育管理者能够根据中学生的预测表现水平来预测中学生的表现水平。 定制教学计划。 研究的具体目标包括：
(1)确定一些合适的影响中学生学业成绩的变量。
(2)将此归纳转化为适合人工智能领域的自适应系统编码方法。
(3)验证和评估ANN模型的性能。
人工神经网络：简介
人工神经网络由一组高度互连的实体（称为处理元素或单元）组成。 ANN 的结构和功能受到生物中枢神经系统（大脑）的启发。 每个单元都被设计为模仿其生物对应物，即神经元或神经节点。 每个单元接收一组加权输入并以输出响应。
人工神经网络解决了传统计算机通常无法解决的问题，例如语音和模式识别、天气预报、销售预测、公共车辆调度、学生入学预测、聚类和早期乳腺癌筛查。 ANN的体系结构包括频域、反馈、单层、递归、径向基函数网络和自组织映射。 在这种神经网络架构中，卷积类型是最常用的。
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
对于每种训练模式
训练模型
结束
直到偏差达到可接受的低水平
02
研究方法
本研究提出使用卷积神经网络（FFNN）来开发、实施和分析预测模型，以解决高等教育机构学业成绩不佳的问题。 具体来说，该研究说明了 FFNN 在中学生被分配到大学之前预测其成绩的可能性。 这将使政策制定者和教育管理者能够定制课程和材料方面的援助。
从 2015 年非洲考试委员会 (WAEC) 成绩中提取了 5 个科学科目的 120 名中学生的学业成绩。 数据是从奥约州伊巴丹南地方政府区随机选择的四所小学收集的。 语文、英语、物理、化学和生物等科学科目的成绩以及心理变量：年龄、父母职业和中学状况（公立/私立）均被分配数值，进行分析并统一为可管理的数字在 ANN 建模环境中轻松编码的架构。 以入选学生模拟高考后的成绩为目标值。 预测模型的执行通过MATLAB软件完成。
输入变量
输入变量是作为预测模型的输入的数据集以及目标值。 它们可以从高中生的注册和学业记录中获得。 输入变量包括：
（1）WAEC语文、英语、物理、化学、生物成绩（2）高考后成绩（3）中学生性别（4）年龄（中学生填写WAEC时的年龄）（5）母亲职业(6) 中学地位（公立或私立）。 每个变量的数值描述被归一化以形成 0 到 1 之间的数值，这使得它们适合在 ANN 建模的背景下进行编码和分析。
输出变量
输出代表中学生高考后的表现。 输出变量的字段分为五类并分配数值。 高考后的成绩为A-level在70%-100%范围内，数值上分配5分。 60%-69%范围内的分数为B级，分配4分，所以推。
网络拓扑结构
仅当处理单元（神经节点）以适当的形式组织以完成特定的模式识别任务时，人工神经网络才有用。 处理单元、连接和模式输入输出的排列称为拓扑。 选择 ANN 的拓扑结构是一个具有挑战性的问题。 为此，本研究维护卷积神经网络，以达到合适的拓扑结构。 在所选拓扑中，有两个隐藏层，每个隐藏层有五个神经节点。 选择隐藏层中的节点数量是一项艰巨的任务。 隐藏层中的神经节点数量较少会降低处理能力。 另一方面，这些层中大量的神经节点会逐渐降低训练率。 为了达到最优的训练网络，我们进行了多次迭代训练。 首先，我们从少量隐藏节点开始，逐渐减少数量，直到达到 10 个隐藏节点的阈值水平。
在线学习技巧和验证过程
ANN 中的学习方法大致可以分为三种基本类型：监督式、无监督式和强化式。 在监督方法中神经网络预测软件，用于训练网络的每个输入模式都与输出模式（目标模式）相关联。 在无监督方法中，目标输出不存在，也没有老师提出所需的模式。 因此，人工神经网络通过发现并适应输入模式的结构特征来进行自我学习。 好像强化术有班主任，但他没有提出目标输出，只是强调预估输出是否正确。
本研究采用了监督方法。 一般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输入数据和模拟输出之间的关系，从而构建输入和目标输出之间的映射函数。 在训练所提出的FFNN时，运行次数设置为3次，训练周期设置为在1000次迭代时终止，因此调整神经网络参数。 这样做的目的是确定什么参数配置可以产生最佳结果。
03
结果与讨论
经过训练和交叉验证后，使用测试数据对所提出的 FFNN 进行了测试。 据观察，最佳训练运行在 11 次迭代时完成神经网络预测软件，6 次验证检查后性能为 0.03386。 训练时间不超过 1 分钟。 与训练期间使用的其他配置相比，经过优化训练的 FFNN 显示出高度正相关系数（参见表 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，信用等级的准确率为88%，正常等级为89.5%，不及格等级为93.8%。 总体而言，ANN 能够准确预测 120 个分数中的 108 个，准确率达到 90%。 这个结果表明人工神经网络的表现是公平的。 这项研究的意义在于，如果将ANN纳入招生系统，将有助于教育界的利益相关者在大学注册之前识别出弱势中学生。 这也将使他们能够在课程、材料和教学技术方面提供量身定制的帮助。 为此，学院招生系统的有效性将得到增强。
04
推理
这项研究试图证明人工神经网络在学生进入大学系统之前预测高考成绩的潜力。 具体来说，该模型是使用卷积神经网络架构并基于上一节中确定的一些选定的输入变量开发的。 ANN 模型达到了 90% 的准确度，展示了 ANN 作为预测模型、聚类工具和申请学院入学候选人的选择标准的潜在效用。 尽管ANN对非线性现象具有较高的预测精度，但ANN模型并没有为输入和输出之间的关系指定明确的物理模型，因此这方面还需要进一步的研究。
查看原文：AmooM.Adewale,AlabaO.Bamidele,UsmanO.LateefInternationalJournalofScienceandTechnologyEducationalResearch
DOI：10.5897/IJSTER2017.0415
推荐书籍
西南学院白岩工坊：21世纪是我国创新人才培养的关键时期。 西南学院白岩工作室（儿童发展与教育研究所）是一支在国外从事科学教育研究的专业团队。 结合教育学、心理学、认知科学和现代信息技术，组织基础教育阶段的科学教育研究，包括：中学生科学教育、STEM教育、人工智能教育和科学素养评价研究，希望与广大科学教育工作者为我国科学教育的发展做出贡献！
欢迎优秀作品提交，邮箱：705632205@qq.com
