摘 "要：為克服教育評估中人為因素的干擾，提高評估的準確性和效率，該文探索將離散Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用到職業(yè)院校學(xué)生綜合素養(yǎng)的評價中。Matlab仿真發(fā)現(xiàn)，通過設(shè)置合適的神經(jīng)元平衡點，離散Hopfield神經(jīng)網(wǎng)絡(luò)可根據(jù)輸入的指標(biāo)數(shù)據(jù)對學(xué)生的職業(yè)綜合素養(yǎng)給出有效的評估，評估結(jié)果與專家評估的結(jié)果完全一致。

關(guān)鍵詞：離散Hopfield神經(jīng)網(wǎng)絡(luò)；職業(yè)院校；綜合素養(yǎng)評價；二值化編碼；教育評估

中圖分類號：G434 " " "文獻標(biāo)志碼：A " " " " "文章編號：2095-2945（2024）20-0150-04

Abstract： In order to overcome the interference of human factors in educational evaluation and improve the accuracy and efficiency of educational evaluation， this paper explores the application of Discrete Hopfield Neutral Network（DHNN） to the evaluation of vocational college students' comprehensive literacy. Matlab simulation shows that by setting appropriate neuron balance point， the Discrete Hopfield Neutral Network can effectively evaluate students' professional comprehensive literacy according to the input index data， and the evaluation results are completely consistent with the results of expert evaluation.

Keywords： Discrete Hopfield Neutral Network（DHNN）; vocational college; comprehensive literacy evaluation; binary coding; educational evaluation

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種基于生物神經(jīng)系統(tǒng)的仿生學(xué)算法，它能通過對過去信息的學(xué)習(xí)而具備分析、預(yù)測、識別當(dāng)前信息的能力[1]。當(dāng)前人工神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于信號處理、自動控制、模式識別等領(lǐng)域，然而在社會科學(xué)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)的使用尚存在較大的空白。教育評價作為教育活動不可或缺的環(huán)節(jié)，近年來其在教育界所受的關(guān)注度日益增加。傳統(tǒng)的教育評價通?；诮處熁蚪逃龑＜胰斯べx分。對于主觀性較強的評價內(nèi)容（如素養(yǎng)、態(tài)度、情感等），即使對指標(biāo)進行量化分級，評估者的個體因素仍會對賦分造成較大的干擾，從而影響評估的質(zhì)量。此外，人工評估效率低下，在很大程度上制約了評估規(guī)模的擴大。Hopfield神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)高質(zhì)量的樣本，然后依托其強大的聯(lián)想記憶功能實施評價，可以在一定程度上彌補人工評價的上述不足。

1 "離散Hopfield神經(jīng)網(wǎng)絡(luò)的工作原理

Hopfield是一種帶有反饋結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，它是由多個神經(jīng)元構(gòu)成的單層網(wǎng)絡(luò)，每個神經(jīng)元的輸出信號通過負反饋，以一定的權(quán)重組成所有神經(jīng)元的輸入信號，因此具有“聯(lián)想記憶功能”[2]。其示意如圖1所示。

假設(shè)在包含n個神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)中，從神經(jīng)元j輸出到神經(jīng)元i輸入的互聯(lián)權(quán)值為wij，某個神經(jīng)元i在t時刻傳遞函數(shù)的輸入為ui（t），t時刻的輸出為vi（t），偏差值為bi，則t時刻的傳遞函數(shù)輸入可表示為

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如下：

1）對網(wǎng)絡(luò)進行初始化；

2）在網(wǎng)絡(luò)中隨機選取一神經(jīng)元i，按公式（1）計算出ui（t）；

3）按公式（2）計算出該神經(jīng)元的輸出vi（t+1），同時保持網(wǎng)絡(luò)中其他神經(jīng)元的輸出不變；

4）判斷網(wǎng)絡(luò)是否達到穩(wěn)定狀態(tài)，若是，則結(jié)束訓(xùn)練；若否，則跳轉(zhuǎn)到步驟2繼續(xù)執(zhí)行，直到網(wǎng)絡(luò)達到穩(wěn)定。

反饋型神經(jīng)網(wǎng)絡(luò)需達到穩(wěn)定狀態(tài)才能正常工作。Hopfield神經(jīng)網(wǎng)絡(luò)從初始狀態(tài)按照Lyapunov能量函數(shù)減小的方向演化，直到達到穩(wěn)定狀態(tài)，獲得穩(wěn)定的網(wǎng)絡(luò)輸出[3]。即

vi（t+1）=vi（t）。（4）

根據(jù)Coben和Grossberg的驗證[4]，Hopfield神經(jīng)網(wǎng)絡(luò)達到穩(wěn)定的充分條件為wij=wji，且wii=0，因此，可用正交化法計算出每個神經(jīng)元節(jié)點的權(quán)重系數(shù)wij和偏移量bi。

2 "基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的職校學(xué)生綜合素養(yǎng)評估

綜合素養(yǎng)是一個人知識、技能、情感、心理等諸多特質(zhì)屬性的總集合，是影響個體職業(yè)生涯發(fā)展的重要變量。近年來，隨著《關(guān)于全面深化課程改革落實立德樹人根本任務(wù)的意見》《中國學(xué)生發(fā)展核心素養(yǎng)》等文件和研究報告的陸續(xù)出臺，職業(yè)院校的育人追求亦呈現(xiàn)出由傳統(tǒng)的“技能為本”轉(zhuǎn)向“素能雙修”的轉(zhuǎn)變。學(xué)生綜合素養(yǎng)的發(fā)展水平已成為衡量職業(yè)院校人才培育質(zhì)量的重要準繩。

2.1 "設(shè)計評價指標(biāo)體系

依托CIPP（Context Input Process Product）評價模式的設(shè)計思路[5]，首先通過查閱學(xué)術(shù)文獻和教育、人社等部門頒布的相關(guān)政策文件，結(jié)合專家訪談，形成備選指標(biāo)。對備選指標(biāo)進一步梳理，刪除重復(fù)選項，合并概念相近選項，初步建立職業(yè)院校學(xué)生綜合素養(yǎng)評價體系。在此基礎(chǔ)上運用德爾菲法，邀請部分專家、職校行政管理人員和一線教師開展三輪咨詢，對指標(biāo)體系初稿進行修改、優(yōu)化，采用層次分析法（Analytic Hierarchy Process，AHP）[6]計算各級指標(biāo)權(quán)重，最終確立由4項一級指標(biāo)、12項二級指標(biāo)構(gòu)成的職校學(xué)生綜合素養(yǎng)評價指標(biāo)體系，見表1。

運用表1中的學(xué)生綜合素養(yǎng)評價指標(biāo)，通過專家打分的方式對某職業(yè)院校學(xué)生進行評估，收集的數(shù)據(jù)樣本分成2部分，選取其中的12份樣本用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其余樣本用于檢驗神經(jīng)網(wǎng)絡(luò)的評估效果（待測樣本）。

2.2 "確定離散Hopfield神經(jīng)網(wǎng)絡(luò)平衡點

由于各項指標(biāo)的權(quán)重不同，打分后各指標(biāo)的分值差異較大，需首先對原始賦分數(shù)據(jù)進行歸一化處理。歸一化的方法為：原始分/權(quán)重值。處理后的12項二級指標(biāo)得分數(shù)據(jù)與最終的綜合素養(yǎng)等級評定關(guān)系見表2。

計算表2中各等級指標(biāo)數(shù)據(jù)的算數(shù)平均值，即可得到該等級各指標(biāo)的離散Hopfield神經(jīng)網(wǎng)絡(luò)平衡點，見表3。

2.3 "指標(biāo)二值化編碼

離散Hopfield神經(jīng)網(wǎng)絡(luò)的神經(jīng)元只能為二值狀態(tài)（1或-1），因此需對評價指標(biāo)進行二值化編碼。編碼規(guī)則為：當(dāng)歸一化的指標(biāo)值大于等于表3中的平衡點，將對應(yīng)的神經(jīng)元狀態(tài)置“1”，否則置為“-1”。由此構(gòu)造出由4個評價等級的理想態(tài)矩陣組成的目標(biāo)向量矩陣T，即T=[A1，A2，A3，A4]，其中A1—A4依次代表“優(yōu)秀”“良好”“合格”“不合格”4個評估等級的編碼，矩陣如下。

運用相同的編碼規(guī)則，對所有待測樣本的指標(biāo)數(shù)據(jù)進行二值化編碼。為方便顯示，設(shè)定每次輸入4個待測樣本，于是構(gòu)建出12×16的待測樣本矩陣A=[sim_1，sim_2，sim_3，sim_4]。其中sim_1—sim_4分別為一組待測樣本二值化后構(gòu)成的12×4矩陣。

3 "實驗結(jié)果分析

以評價等級的理想態(tài)矩陣T作為目標(biāo)向量，以完成二值化編碼的待測樣本數(shù)據(jù)矩陣A作為輸入，運用MATLAB（R2018a）工具箱自帶的函數(shù)newhop創(chuàng)建離散Hopfield神經(jīng)網(wǎng)絡(luò)，對輸入數(shù)據(jù)進行評估并輸出結(jié)果。為便于觀察，采用“●”代表神經(jīng)元處于激活狀態(tài)，使用“○”代表神經(jīng)元未激活，得到的仿真結(jié)果如圖2所示。

圖2中第一行為理想等級指標(biāo)的二值化編碼，第二行為待測樣本的二值化編碼，第三行為離散Hopfield神經(jīng)網(wǎng)絡(luò)的評估結(jié)果。從該圖可見，離散Hopfield神經(jīng)網(wǎng)絡(luò)可根據(jù)輸入的指標(biāo)數(shù)據(jù)對學(xué)生的職業(yè)綜合素養(yǎng)給出有效的評估，評估結(jié)果與專家評估的結(jié)果完全一致。證明該神經(jīng)網(wǎng)絡(luò)在等級分類評估的應(yīng)用場景中具有較強的可靠性。

4 "結(jié)束語

傳統(tǒng)的教育教學(xué)評估依托人工賦分，并在此基礎(chǔ)上計算評估結(jié)果，工作效率較為低下，針對這一問題，本文運用離散Hopfield神經(jīng)網(wǎng)絡(luò)對職業(yè)院校學(xué)生綜合素養(yǎng)進行評價。通過對原始數(shù)據(jù)進行歸一化處理、設(shè)置合適的神經(jīng)元平衡點、進行二值化編碼，調(diào)用MATLAB 庫函數(shù)構(gòu)建離散Hopfield神經(jīng)網(wǎng)絡(luò)并計算評估結(jié)果。仿真數(shù)據(jù)顯示，該神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分不同指標(biāo)賦分被試的綜合素養(yǎng)等級，且評估結(jié)果與人工賦分計算結(jié)果完全一致。本文的探索為人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于教育評價領(lǐng)域提供了一種可借鑒的思路。

參考文獻：

[1] ADRIANO B， ALBERTO B， ENRICA S，et al. On the equivalence of Hopfield networks and Boltzmann Machines[J]. Neural Networks，2012，34（5）：32-37.

[2] 全建勇.離散型Hopfield神經(jīng)網(wǎng)絡(luò)在教師教學(xué)質(zhì)量中的應(yīng)用[D].重慶：重慶師范大學(xué)，2018.

[3] 韓琦.神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及其在聯(lián)想記憶中的應(yīng)用研究[D]. 重慶：重慶大學(xué)，2013.

[4] GUO S， HUANG L. Stability analysis of Cohen-Grossberg neural networks[J]. IEEE Transactions on Neural Networks， 2006，17（1）：106-17.

[5] HAKAN，KARATAS，SEVAL F. CIPP evaluation model scale： Development， reliability and validity[J].Procedia-Social and Behavioral Scienｃｅｓ，２０１１（１５）：５９２－599.

[6] CHENG，EDDIE W.L.， LI H，et al. Analytic hierarchy process（AHP）[J]. Measuring Business Excellencｅ，２００２，６（4）：33-37.