LFM網(wǎng)絡(luò)在本科畢業(yè)生理論基礎(chǔ)與應(yīng)用能力評估中的應(yīng)用研究

摘 要：本科畢業(yè)生在理論基礎(chǔ)與應(yīng)用能力之間存在著很大差異，挖掘內(nèi)在的差異需要一個科學(xué)的評估方法，在評估方法之上，具體地確定和實施教改方案。本文將把邏輯特征映射人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于本科畢業(yè)生理論基礎(chǔ)與應(yīng)用能力評估上，對學(xué)生理論基礎(chǔ)與應(yīng)用能力做出一個全面、客觀、科學(xué)的評價，為高校決策者提供重要且準確的決策依據(jù)。

關(guān)鍵詞：教學(xué)評估；邏輯特征映射；決策

中圖分類號：TN957.51

邏輯特征映射人工神經(jīng)網(wǎng)絡(luò)[1]是一種新的人工神經(jīng)網(wǎng)絡(luò)模型，特別是對于解決非線性分類問題用它更是百里挑一。該網(wǎng)絡(luò)在教育教學(xué)領(lǐng)域的實際問題中已經(jīng)存在少量的相關(guān)應(yīng)用，如邏輯特征映射在教師工作考核中的應(yīng)用以及在教學(xué)評價中的應(yīng)用，并取得了較好的效果，可見該網(wǎng)絡(luò)在實際問題中具有良好的應(yīng)用可行性及較高的應(yīng)用價值。

在國內(nèi)高校針對本科畢業(yè)生的評估工作中，現(xiàn)有的評估方法比較單一，主要是計算畢業(yè)生各門專業(yè)主干課程的平均成績，然后將計算得出的平均得分從高至低排名，繼而得到評估結(jié)果。很明顯，這種評估方法根本無法真實反映出學(xué)生具體的理論基礎(chǔ)與應(yīng)用能力方面的差異。

基于上述的問題，本文將把邏輯特征映射人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于本科畢業(yè)生理論基礎(chǔ)與應(yīng)用能力評估方面，對學(xué)生課程成績進行多角度分析，對學(xué)生理論基礎(chǔ)與應(yīng)用能力做出一個全面、客觀、科學(xué)的評價，為高校決策者提供重要且準確的決策依據(jù)[2]。

1 邏輯特征映射人工神經(jīng)網(wǎng)絡(luò)

能很快的適應(yīng)周圍環(huán)境是生物系統(tǒng)所具有的普遍特征，也就是在生存中發(fā)現(xiàn)規(guī)律并對自己所作行為進行規(guī)范。同時，此特點也正是自組織特征映射 （Self-Organizing Feature Map，簡稱SOFM）人工神經(jīng)網(wǎng)絡(luò)的目標，那就是，沒有任何監(jiān)督的情況下，從人們輸入的數(shù)據(jù)中尋找出有價值的規(guī)律并將其輸出出來。

Kohonen-SOFM屬于人工神經(jīng)網(wǎng)絡(luò)中比較經(jīng)典的一個，它的學(xué)習(xí)不用依靠導(dǎo)師。自1981年被提出之日起到現(xiàn)在，它已被多個領(lǐng)域多應(yīng)用，例如：農(nóng)業(yè)中的雜草圖像識別、工業(yè)中的電動機故障診斷和電信業(yè)中的語音設(shè)別等，在這些領(lǐng)域應(yīng)用SOFM網(wǎng)絡(luò)技術(shù)得到了讓人滿意的結(jié)果。此后，又陸續(xù)有研究人員對此網(wǎng)絡(luò)進行了更進一步的探索和研究，許多有意義的研究成果也由此產(chǎn)生。

SOFM是這樣一類線性分類器，它在訓(xùn)練的時候應(yīng)用了競爭的方式，這是它主要的特點，另一個特點是他建立在距離范式上。SOFM具有明顯的優(yōu)點，但缺點也是存在的，自組織特征映射有以下兩個缺點：

（1）它擅長解決線性分類問題，對于非線性分類問題它更不擅長，更別提高維空間；

（2）一旦數(shù)據(jù)量超過一定范圍，或?qū)τ?xùn)練精度要求特別嚴格時，該網(wǎng)絡(luò)的訓(xùn)練速度非常緩慢。

LFM是Logistic Feature Map的簡稱，Logistic Feature Map的中文含義是邏輯特征映射，LFM網(wǎng)絡(luò)建立在SOFM的理論基礎(chǔ)之上，彌補了自組織特征映射的缺點。

1.1 LFM網(wǎng)絡(luò)拓撲結(jié)構(gòu)

2 實驗結(jié)果與分析

本實驗最初的數(shù)據(jù)取自我國某重點師范大學(xué)計算機專業(yè)2012屆畢業(yè)生四年的課程成績。學(xué)生能力的優(yōu)劣評估無法單純從分值本身得出，將所有科目成績分為“理論課程成績”與“應(yīng)用課程成績”兩類，根據(jù)分類對原始數(shù)據(jù)進行預(yù)處理。經(jīng)過預(yù)處理后的數(shù)據(jù)作為實驗數(shù)據(jù)，使用編寫好的LFM網(wǎng)絡(luò)程序?qū)嶒灁?shù)據(jù)進行分析。最終所得的實驗結(jié)果如表1所示。

表1 分類結(jié)果

邏輯特征編碼所用的是二進制數(shù)，包括兩位，一位表示理論基礎(chǔ)的強弱狀況，另一位則表示的是應(yīng)用能力的強弱狀況：

（1）邏輯特征編碼00：表示該類學(xué)生理論基礎(chǔ)與應(yīng)用能力都很薄弱。根據(jù)實驗結(jié)果，該群體占學(xué)生總?cè)藬?shù)的45.60%，具體表現(xiàn)為學(xué)習(xí)態(tài)度不端正、缺乏努力。這一結(jié)果與歐美一流大學(xué)對學(xué)生的淘汰率基本符合，如斯特拉斯堡大學(xué)本科生的淘汰率約為50%，美國多數(shù)大學(xué)生的淘汰率約為60%。國內(nèi)可以依據(jù)實際情況酌情參考效仿國外一流高校的先進教學(xué)管理經(jīng)驗以保障高等教育質(zhì)量。

（2）邏輯特征編碼01：表示該類學(xué)生應(yīng)用能力較強但理論基礎(chǔ)相對薄弱。該群體占學(xué)生總?cè)藬?shù)的8.80%，往往應(yīng)試成績欠佳但表現(xiàn)出較高的創(chuàng)新能力，從而很大程度上也屬于計算機專業(yè)所需要的人才，因此在保送研究生的選拔中也同樣值得予以考慮。此外，該類學(xué)生往往也比較適合通過自主創(chuàng)業(yè)的方式有所發(fā)展、取得成功。

（3）邏輯特征編碼10：表示該類學(xué)生理論基礎(chǔ)較強但應(yīng)用能力相對薄弱。該群體占學(xué)生總?cè)藬?shù)的5.60%，往往表現(xiàn)出同自身的理性思維相比更強的感性思維，善于平行記憶，且該群體中的樣本多為女學(xué)生，這與現(xiàn)實中的相關(guān)現(xiàn)象完全吻合。該類群體通常作為傳統(tǒng)的保送研究生選拔中的候選對象，且在專項理論研究中往往表現(xiàn)出色，但對于計算機專業(yè)中注重應(yīng)用能力的方向領(lǐng)域往往并不適合。

（4）邏輯特征編碼11：表示該類學(xué)生的理論基礎(chǔ)與應(yīng)用能力都表現(xiàn)良好無明顯薄弱，該群體占學(xué)生總?cè)藬?shù)的40%，往往表現(xiàn)為學(xué)習(xí)態(tài)度認真端正、注重應(yīng)試。通常個人能力總和為常量，即擅長應(yīng)用能力的人理論基礎(chǔ)將會有所薄弱，反之亦然，這意味著兩方面能力較為均衡無明顯薄弱者通常兩方面的能力也都較為平凡，未能表現(xiàn)出極其出色的專長與創(chuàng)新潛質(zhì)，因此往往由于其勤奮、認真的工作態(tài)度和對創(chuàng)新能力的缺乏而更適合從事日常管理與服務(wù)類工作，但并不適合學(xué)術(shù)科研。

以上實驗結(jié)果表明，理論與應(yīng)用兩方面能力都良好或都薄弱的學(xué)生占總體比例較大，而理論或應(yīng)用二者其中有且僅有一項能力明顯高于另一項的學(xué)生占比例很小，這正體現(xiàn)了所謂“天才永遠是少數(shù)”的通常性趨勢。從創(chuàng)新意義角度講，后者更適合高校針對學(xué)術(shù)科研發(fā)展目標重點選拔的對象。該實驗結(jié)果反映出該學(xué)員的辦學(xué)特色并不夠突出，同時也反映出國內(nèi)高等教育在相關(guān)方面的普遍現(xiàn)狀。

3 結(jié)束語

將LFM與SOFM做比較可以得出，前者的收斂速度遠遠超出了后者，后者則不適合處理非線性的數(shù)據(jù)，更別提將其進行分類。另外，由于本科畢業(yè)生理論類和應(yīng)用類課程成績數(shù)據(jù)分布比較密集，若采用SOFM對其進行分類，分類結(jié)果只是一類。因此，對本科畢業(yè)生理論基礎(chǔ)與應(yīng)用能力進行評估問題采用LFM更有優(yōu)勢。

參考文獻：

[1]林和平，蘇子義，曹志勝.邏輯特征映射網(wǎng)絡(luò)在教師考評工作中的應(yīng)用研究[J].計算機工程與科學(xué)，2007（10）：98-100.

[2]韓文峰，王靜茹，艾洪福.邏輯特征映射網(wǎng)絡(luò)在教學(xué)評價中的應(yīng)用研究[J].東北師大學(xué)報（自然科學(xué)版），2009（03）：26-29.

作者簡介：蘇振華（1987-），男，吉林德惠人，學(xué)生，理學(xué)碩士，計算機科學(xué)與信息技術(shù)學(xué)院計算機應(yīng)用技術(shù)專業(yè)，研究方向：人工智能；王皓晨（1988-），男，吉林人，學(xué)生，理學(xué)碩士，計算機科學(xué)與信息技術(shù)學(xué)院計算機應(yīng)用技術(shù)專業(yè)，研究方向：人工智能；謝慶軍（1966-），女，吉林長春人，工程師，本科，計算機科學(xué)與信息技術(shù)學(xué)院，研究方向：人工智能；林和平（1956-），男，吉林長春人，教授，工學(xué)碩士，計算機科學(xué)與信息技術(shù)學(xué)院，研究方向：人工智能。

作者單位：東北師范大學(xué)，長春 130117