一种RBF神经网络在线建模的增值性评价方法

一种RBF神经网络在线建模的增值性评价方法

孙雨萌

哈尔滨铁道职业技术学院 黑龙江省哈尔滨市 150000

摘要：职业教育增值性评价对提升教育质量、促进教育公平、推进教学改革等方面均具有重要的意义，但在实践过程中，传统增值性评价存在诸多问题，如模型解释力不足、统计精准度不够、忽视数据库整合及忽略非标准化测验等。本文提出一种RBF神经网络在线建模的增值性评价方法，利用RBF神经网络良好逼近能力和低泛化能力，解决增值性评价中的数据处理、模型构建及结果评估问题，以提高评价的准确性和可靠性，提升职业教育的质量。

关键词：教育评价改革；RBF神经网络；增值评价

基金项目：2022年度高等职业教育教改研究项目课题“职业学校实施数字化转型的机制与策略研究” （SJGZY2022044）

1.增值性评价理论概述

增值评价是一种教育评价方式，利用统计方法衡量学生阶段性学习的进步，作为教学质量和效果的重要指标。随着增值评价理念的普及，评价模型不断发展和完善，从单科分数模型到多水平获得分数模型、协变量校正模型和交叉分类模型等。然而，实践应用中存在模型解释力不足、统计精准度不够、忽略数据库整合和非标准化测验等问题。

增值性评价作为一种新的教育评价方法，在实际应用中面临诸多挑战。过分依赖考试成绩作为教学质量和学生学习质量的衡量标准，可能导致学校和教师违背教育规律进行教学。因此，如何借鉴已有的经验，构建符合学生学习规律的评价系统，将学校对学生进步的作用作为评价的核心，对学生的学习过程增值性进行评价。成为学生学业成长与健康发展的重要研究课题。

2.RBF神经网络及在职业教育中的应用

2.1 RBF神经网络概述

RBF神经网络是一种三层前馈式神经网络，包括输入层、隐含层和输出层。输入层由N个信号神经元组成，用于接收外部输入信息，连接权值为1。隐含层包含M个径向基神经元，负责将低维空间内不可分的线性特征转换为高维空间内可分的线性特征。输出层有P个线性神经元，对输入信号做出响应，数值由隐含层神经元线性叠加得出。

N-M-P型RBF神经网络结构模型如图1所示。其中为网络输入神经元，为隐含层激活函数，为隐含层权值向量，为网络输出神经元。

图1 RBF神经网络结构模型

2.2 RBF神经网络在职业教育中的应用

文献[1]使用神经网络构建教学质量评估系统模型，将各评价指标作为输入，教学效果作为输出。基于最小二乘思想，采用梯度搜索技术，以最小化网络输出与期望输出的误差均方值。该模型旨在更精确地评估教学质量，提供有效反馈，并帮助教师改进教学方法。

文献[2]使用MATLAB神经网络工具箱的线性模型分析了上海市1980年至今的职业教育规模。研究比较了不同输入向量个数和训练样本数对预测结果的影响，发现训练样本数对预测准确性影响更大。这一发现对优化神经网络模型和改进职业教育规模预测具有重要意义。

文献[3]提出了一种基于改进RBF神经网络的课程教学效果评价模型。该模型综合分析了影响教学效果的多种因素，建立了包含25个指标的两级指标体系，并动态调整L-M算法的参数。通过实验验证，该模型能够客观、公正地评价课程教学效果，为教育评估提供新方法。

3.RBF神经网络在线建模的增值性评价方法

与传统评价相比，增值评价在理念、数据结构及处理复杂数据方面具有更特殊的要求。由于RBF神经网络对这些要求的适配程度较高，因此可以有效解决传统评价方法在数据处理、模型构建和结果评估等方面的技术问题。

3.1数据处理

数据处理是构建基于RBF神经网络在线建模的增值性评价方法的重要步骤之一，需要从多个来源获取学生、教师和学校的相关数据，并对这些数据进行预处理和清洗，作为输入特征至RBF神经网络中进行训练和预测，为后续的模型构建和结果评估提供高质量的数据支持。

1.获取学生信息系统、考试成绩数据库等相关数据，包括学生的学习成绩、学习行为、学习态度等方面的信息。

2.获取教师信息系统相关数据，包括教学方式、教学风格、教学时间、共同备课研讨频率、参加教研活动频率。

3.获取学校相关信息，包括所在地区、规模、类型、级别、办学条件等。

在数据处理阶段，还需要特别注意缺失值的处理。可以采用插值法、多重插补法等统计学方法对缺失值进行填充，以保证数据的完整性。同时，对于由于学生流动、转班、转校或辍学等原因导致的教师层和学校层间的信息饱和率不平等问题，需要进行数据清洗和整理，建立数据审计机制，确保数据的准确性和一致性。

3.2模型构建

合理地选择激活函数和确定隐含层神经元的数量，以构建出适合学生增值性评价模型的RBF神经网络，更好地处理学生、教师和学校数据的层次结构和嵌套关系，为准确预测学生增值性提供有力支持。

1.激活函数的选择：

常用的隐含层径向基函数主要有：Gauss函数、Multi2Quadric函数、薄板样条函数，其中Gauss函数结构简单、径向对称，具有中心信号最强，两边对称衰减的特性，因此对于输入的微小变化具有较好的敏感性。因此Gauss函数对于处理具有连续特性的学生增值性评价数据较为适用。具体形式如式(1)所示。

(1)

式中，为第个隐含层神经元的高斯中心点，为第个隐含层节点的基宽长度，为欧氏向量范数，表示输入神经元与中心点矢量间的距离。

2.隐含层神经元数量的确定：

交叉验证和网格搜索：交叉验证是一种常用的确定最佳神经元数量的方法。通过将数据分成训练集和验证集，可以评估不同神经元数量下的模型性能，并选择最佳的神经元数量。网格搜索是一种更精细的方法，可以同时考虑多个神经元数量和相关参数，以找到最佳的模型配置。

分层RBF神经网络：为了更好地处理学生、教师和学校数据的层层嵌套结构，可以考虑使用分层RBF神经网络（Hierarchical RBF Neural Network）。分层RBF神经网络能够更好地处理多维嵌套数据，并且能够更好地模拟数据的层次结构。通过分层结构，可以更好地理解和预测学生、教师和学校之间的复杂关系。

3.3结果评估

在构建基于RBF神经网络在线建模的增值性评价方法后，需对模型进行结果评估与可靠性处理，确保模型评价结果的准确性。

1.结果评估：

性能指标：为了全面评估模型的性能，可以采用多种性能指标，如准确率、召回率、F1分数等。这些指标可以帮助我们了解模型在预测学生增值性方面的表现。

稳定性分析：为确保模型稳定，需多次训练和测试，并比较不同次训练结果。若模型性能稳定，则说明模型具有良好稳定性。

可解释性评估：RBF神经网络具有一定的黑箱性质，因此需要考虑模型的可解释性。可以通过可视化技术、敏感性分析等方法来评估模型的可解释性，并尝试提高模型的透明度。

实时性评估：如果学生数据是实时更新的，还需要评估模型的实时性。可以通过比较实时数据和模型预测结果的差异来评估模型的实时性。

2.可靠性处理：

时间序列分析：可以通过对比不同时间段的数据来分析评价结果的可靠性。如果评价结果在不同时间段内保持一致或趋势相近，则说明评价结果具有较高的可靠性。

异常值检测和处理：如果发现评价结果存在偏差或异常，需要进行数据清洗和模型调整。可以运用统计方法或机器学习方法来检测异常值，并进行相应的处理，以确保评价结果的准确性和可靠性。

引入更多特征：为了进一步提高评价结果的可靠性，可以考虑引入更多的数据源和特征。例如，可以引入教师的教学方法、学校的教学环境等相关特征，作为RBF神经网络的输入，以提高模型的预测能力和可靠性。

4.结束语

增值评价是我国教育评价改革的重要探索，呈现出数据规模大和应用场景多样化的趋势。为了提高评价的准确性和可靠性，本文基于RBF神经网络提出了一种在线建模的增值性评价方法。该方法利用RBF神经网络的良好逼近能力和低泛化能力，有效处理数据、构建模型并评估结果，旨在提高教育评价的质量和公平性，更好地服务于职业教育的发展。

参考文献：

[1]陈力捷. 基于神经网络的教学质量评估模型[J]. 职教论坛, 2004, 12.

[2]刘迎春.中等职业教育规模的神经网络预测[J].系统仿真技术,2005,1(3):158-163.

[3]王永辉.RBF神经网络的改进及在课程教学效果评价中的应用研究[D].东北石油大学,2016.