PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在智慧課堂中的應(yīng)用研究

郭濤 魏勇 熊杰

摘? 要： 大學(xué)生的學(xué)習(xí)成績與其學(xué)習(xí)狀態(tài)和習(xí)慣有正相關(guān)性。教師工作手冊(cè)中記錄的考勤、答問與作業(yè)信息反映了學(xué)生的學(xué)習(xí)狀態(tài)，智慧課堂中的隨堂提問、課后作業(yè)、座位偏好等信息進(jìn)一步反應(yīng)出學(xué)生的行為習(xí)慣。充分利用上述數(shù)據(jù)進(jìn)行期末成績預(yù)測并向?qū)W生反饋學(xué)業(yè)警示和鼓勵(lì)信息，將對(duì)教學(xué)起到積極作用。設(shè)計(jì)了PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型來進(jìn)行學(xué)生行為數(shù)據(jù)挖掘，篩選了具有代表性的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，選擇課程成績作為神經(jīng)網(wǎng)絡(luò)的輸出，成績預(yù)測誤差為12%，為提高教學(xué)質(zhì)量提供了新的思路。

關(guān)鍵詞： PSO算法; BP算法; 神經(jīng)網(wǎng)絡(luò); 成績預(yù)測; 智慧課堂; 數(shù)據(jù)挖掘

中圖分類號(hào)：G642;TP183? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2021）03-52-05

Research on the application of PSO-BP neural network predictive model in smart classroom

Guo Tao1， Wei Yong1， Xiong Jie2

（1. Electronics & Information School， Yangtze University， Jingzhou， Hubei 434023， China; 2. Huanggang Normal College）

Abstract： College students' academic performance is positively correlated with their learning status and habits. The attendance， Q&A， and homework information recorded in the teacher's work manual reflects the student's learning status. In the smart classroom， information such as in-class questions， homework， seat preference， etc. further reflects the behavior of students. Making full use of the above-mentioned data to predict the final grade and feedback the academic warnings and encouraging information to students will play a positive role in teaching. The PSO-BP neural network prediction model is designed to conduct student behavior data mining， representative data is selected as the input of the neural network， and the course score is selected as the output of the neural network， and the score prediction error is 12%， which provides a new idea for improving the teaching quality.

Key words： PSO algorithm; BP algorithm; neural network; performance prediction; smart classroom; data mining

0 引言

2017年7月，國務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》[1]，首次提出要利用智能技術(shù)實(shí)現(xiàn)教學(xué)方法的改革，構(gòu)建新型的智能教育體系。2018年10月，教育部發(fā)布的“教高 40條”[2]中明確指出要大力推動(dòng)人工智能（AI）等技術(shù)在教學(xué)與管理中的應(yīng)用，打造適應(yīng)學(xué)生需求的智慧課堂，推進(jìn)現(xiàn)代信息技術(shù)與教育教學(xué)深度融合。由此可見，人工智能技術(shù)方法將是實(shí)現(xiàn)智慧課堂和推動(dòng)教育教學(xué)改革的核心技術(shù)方法。

目前，國內(nèi)高校紛紛探索將大數(shù)據(jù)、人工智能等前沿技術(shù)應(yīng)用于智慧課堂中。例如：文獻(xiàn)[3]探索構(gòu)建教、學(xué)、考、評(píng)的閉環(huán)教學(xué)模式，線上與線下相互結(jié)合，為打造智慧課堂提供了合理的方法和完備的路徑。文獻(xiàn)[4]針對(duì)學(xué)生課堂學(xué)習(xí)過程中學(xué)習(xí)效果的量化和教學(xué)過程數(shù)據(jù)化困難的問題，提出基于微信公眾號(hào)的AI技術(shù)融合方案，如使用大數(shù)據(jù)挖掘技術(shù)來量化學(xué)習(xí)效果等方案，實(shí)現(xiàn)“AI+教育”的智慧課堂。

基于以上背景，借助于智慧課堂教學(xué)軟件，使用多種人工智能技術(shù)對(duì)學(xué)生學(xué)習(xí)過程中的數(shù)據(jù)進(jìn)行量化（如通過圖像識(shí)別技術(shù)實(shí)現(xiàn)課堂考勤、抬頭率檢測和表情識(shí)別等）。量化后的學(xué)情數(shù)據(jù)結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行教育大數(shù)據(jù)的挖掘，從大量的教育數(shù)據(jù)中分析學(xué)生的學(xué)習(xí)效果，并給出成績預(yù)測。以預(yù)測結(jié)果為依據(jù)，采取不同的干預(yù)措施，這樣不僅可以為教師設(shè)計(jì)與調(diào)整教學(xué)方法提供理論依據(jù)，還可以為提高學(xué)生的課程考試成績以及提升高校的教學(xué)質(zhì)量提供幫助和支持，進(jìn)一步促進(jìn)教育體制的改革、發(fā)展和完善[5-6]。因此，開展智慧課堂結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測模型的應(yīng)用研究具有理論指導(dǎo)意義和實(shí)際應(yīng)用價(jià)值。

1 智慧課堂教學(xué)

1.1 教學(xué)過程

智慧課堂的教學(xué)過程分為課前考勤、課中監(jiān)管和課后答疑三個(gè)階段。課前考勤是教師對(duì)學(xué)生平時(shí)成績打分的重要依據(jù)，智慧課堂依托物聯(lián)網(wǎng)設(shè)備進(jìn)行人臉識(shí)別打卡，有效地避免了時(shí)間和人力成本的浪費(fèi)、提升效率、考勤全面。課中監(jiān)管的過程中，智慧課堂軟件可以實(shí)現(xiàn)課堂問答，彈幕互動(dòng)，座位信息識(shí)別，教師端屏幕廣播，學(xué)生端提交作業(yè)，隨堂測試等功能。例如：針對(duì)部分同學(xué)精力不集中問題可以進(jìn)行課堂點(diǎn)名問答;對(duì)于部分實(shí)踐性較強(qiáng)的內(nèi)容教師可以將自己的屏幕廣播給同學(xué)們進(jìn)行觀看學(xué)習(xí)。在課程結(jié)束后，教師可以解答同學(xué)們的問題、根據(jù)每個(gè)同學(xué)的學(xué)習(xí)情況推送個(gè)性化的學(xué)習(xí)內(nèi)容、布置課后作業(yè)來鞏固知識(shí)。

1.2 智慧課堂與成績預(yù)測

隨著“騰訊課堂”、“雨課堂”等優(yōu)質(zhì)線上智慧教育平臺(tái)在大學(xué)教學(xué)過程中的廣泛應(yīng)用，極大地促進(jìn)了智慧課堂從理念到現(xiàn)實(shí)的應(yīng)用轉(zhuǎn)換。然而在實(shí)際應(yīng)用過程中，雖然此類平臺(tái)詳實(shí)記錄了大量教學(xué)過程數(shù)據(jù)和信息，但這些數(shù)據(jù)卻只形成了單項(xiàng)排序和統(tǒng)計(jì)圖表[7]，數(shù)據(jù)之間相互獨(dú)立，沒有發(fā)揮智慧課堂的全部優(yōu)勢。文獻(xiàn)[8]以《高等數(shù)學(xué)》課程為例，運(yùn)用SPSS軟件對(duì)學(xué)生的期末成績進(jìn)行統(tǒng)計(jì)分析，結(jié)果表明，學(xué)生平時(shí)表現(xiàn)和期末考試成績之間的相關(guān)系數(shù)為0.785，說明學(xué)生的平時(shí)表現(xiàn)和課程考試成績的相關(guān)度很高。由此可見，使用智慧課堂記錄的大量學(xué)生的歷史表現(xiàn)數(shù)據(jù)對(duì)學(xué)生未來的課程成績進(jìn)行預(yù)測是可行、可信的。如果我們針對(duì)不同預(yù)測成績，采取對(duì)應(yīng)的學(xué)業(yè)預(yù)警或?qū)W業(yè)鼓勵(lì)方法，將對(duì)于改善學(xué)生的課堂表現(xiàn)，減少掛科率具有積極的意義。

圖2為針對(duì)不同預(yù)測成績的應(yīng)對(duì)策略，其基本思想是：對(duì)于預(yù)測成績低于60分的同學(xué)，及時(shí)地發(fā)出學(xué)業(yè)預(yù)警電子郵件，警示該同學(xué)改變現(xiàn)狀，避免出現(xiàn)該門課程不及格的結(jié)果;如果發(fā)出預(yù)警后該同學(xué)仍無動(dòng)于衷，這將導(dǎo)致后續(xù)預(yù)測成績?nèi)匀徊患案?，此時(shí)可以通過郵件或電話方式通知該同學(xué)的輔導(dǎo)員或家長，進(jìn)行早期干預(yù)、使用多種手段來督促該生學(xué)習(xí);而對(duì)于預(yù)測成績高于85分的同學(xué)，可發(fā)送學(xué)業(yè)鼓勵(lì)郵件，鼓勵(lì)其再接再厲，繼續(xù)保持當(dāng)前狀態(tài)將會(huì)取得理想的分?jǐn)?shù)。

1.3 成績預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡單，便于計(jì)算機(jī)實(shí)現(xiàn)，具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力，因此在數(shù)值擬合預(yù)測方面得到了廣泛應(yīng)用。文獻(xiàn)[9]篩選出影響學(xué)生表現(xiàn)的因素作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，使用往屆學(xué)生的歷史成績作為輸出結(jié)果，基于BP算法建立了人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測學(xué)生表現(xiàn)的測試精度達(dá)到了84.6%，說明了BP神經(jīng)網(wǎng)絡(luò)在預(yù)測學(xué)生成績方面具有很好的魯棒性，驗(yàn)證了此方法對(duì)解決成績預(yù)測問題的可行性。

使用BP神經(jīng)網(wǎng)絡(luò)需要首先確定網(wǎng)絡(luò)的輸入和輸出，而智慧課堂軟件會(huì)采集課程管理過程中的各類數(shù)據(jù)，這包括考勤數(shù)據(jù)、問答統(tǒng)計(jì)、互動(dòng)次數(shù)、測試分?jǐn)?shù)、作業(yè)分?jǐn)?shù)、座位信息等數(shù)據(jù)，究竟選取哪些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入顯得尤為重要。文獻(xiàn)[10]使用聚類算法對(duì)影響學(xué)生成績的因素進(jìn)行分析，結(jié)果表明在影響學(xué)生成績的主觀因素方面，學(xué)生的課程興趣、課前考勤、課堂狀態(tài)、課后作業(yè)對(duì)成績影響因素較大。綜上，選取學(xué)生的課前考勤、課堂表現(xiàn)、課后作業(yè)三類信息作為神經(jīng)網(wǎng)絡(luò)的輸入;成績預(yù)測模型的輸出為一個(gè)節(jié)點(diǎn)，即該課程的綜合成績。

2 PSO-BP神經(jīng)網(wǎng)絡(luò)拓?fù)?/p>

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種采用誤差反向傳播算法并不斷進(jìn)行修正訓(xùn)練的一種多層前饋式神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一，廣泛應(yīng)用于網(wǎng)絡(luò)檢測、信息預(yù)測等領(lǐng)域中[11]。其基本思想是利用LMS學(xué)習(xí)算法，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中利用損失函數(shù)和不同的優(yōu)化器來更新權(quán)值、閾值，從而最小化神經(jīng)網(wǎng)絡(luò)的輸出值與實(shí)際值之間的偏差。典型的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包含輸入層（Input）、隱含層（Hidden）、輸出層（Output）的3層網(wǎng)絡(luò)結(jié)構(gòu)。

圖3中Ii，Hj，Ok分別為輸入層、隱含層、輸出層的某一單元，從輸入層單元Ii到隱含層單元Hj的連接權(quán)值為wij，閾值表示為a，從隱含層單元Hj到輸出單元Ok的連接權(quán)值為wjk，閾值表示為b。其學(xué)習(xí)過程包括前向傳播過程和依據(jù)輸出值和期望值的偏差進(jìn)行反向傳播更新權(quán)值閾值兩部分。

⑴ 前向傳播計(jì)算

第j個(gè)隱層神經(jīng)元的輸出為：

[Hj=? s（i=1iIiωij+bj）]? ⑴

第k個(gè)輸出層單元的輸出為：

[Ok=s（k=1kHjωij+bk）][ Ok=s（k=1kHJ·wjk.+bk）]? ⑵

⑵ 反向傳播更新

神經(jīng)網(wǎng)絡(luò)正向傳播輸出為：

[Ok=（O1，O2，O3，…，Ok）] ⑶

則神經(jīng)網(wǎng)絡(luò)在（Ii，Ok）的MSE損失函數(shù)為：

[Ek= 12kk=1k（Ok- Ok）2]? ⑷

為減小輸出誤差，權(quán)值的修正從輸出層開始向前一層進(jìn)行修正，根據(jù)提前設(shè)定的學(xué)習(xí)率α，得到權(quán)值調(diào)整值為：

[?ωjk= -α?E?ωjk]? ⑸

然后修正權(quán)值為：

[ω=ω+?ω=ωjk-α?E?ωjk]? ⑹

至此，完成一次BP算法的訓(xùn)練過程。但由于BP神經(jīng)網(wǎng)絡(luò)中的參數(shù)眾多，每次訓(xùn)練過程都會(huì)更新大量的權(quán)值和閾值，計(jì)算量也會(huì)隨著層數(shù)和節(jié)點(diǎn)數(shù)的增加呈幾何倍增加，容易產(chǎn)生收斂速度變慢的問題。同時(shí)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，其修正值容易陷入局部最優(yōu)解，從表面看誤差值符合要求，但此時(shí)得到的解卻不一定最優(yōu)。

2.2 PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

考慮成績影響因素的非線性特征，以及對(duì)其影響因素的復(fù)雜性，同時(shí)為了克服BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺陷，加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度，本文采用粒子群優(yōu)化算法（PSO算法）來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)。PSO算法會(huì)在更大的空間內(nèi)搜索最優(yōu)解，具有很強(qiáng)的全局尋優(yōu)能力，一定程度上彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足，能進(jìn)一步減小神經(jīng)網(wǎng)絡(luò)輸出誤差。PSO-BP優(yōu)化算法的具體流程如下：

Step1 確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，對(duì)于BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)的選擇，在滿足精度要求的情況下選取一個(gè)隱含層可以避免層數(shù)過多導(dǎo)致的過擬合問題。因此實(shí)驗(yàn)選擇典型3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層節(jié)點(diǎn)數(shù)的選擇有如下公式：

[hidden=input+output+a] ⑺

當(dāng)確定了輸入節(jié)點(diǎn)數(shù)為3，輸出節(jié)點(diǎn)數(shù)為1時(shí)，調(diào)節(jié)常數(shù)a的取值范圍是1-10，因此最優(yōu)隱含層節(jié)點(diǎn)數(shù)范圍確定為3-12之間。最后通過反復(fù)實(shí)驗(yàn)對(duì)比不同隱含層節(jié)點(diǎn)數(shù)的神經(jīng)網(wǎng)絡(luò)性能表現(xiàn)，確定隱含層最優(yōu)節(jié)點(diǎn)數(shù)為4，最終的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示。

Step2 初始化種群，將BP神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值wij、wjk和閾值a、b拼接成為單個(gè)粒子的位置向量。如圖3中的權(quán)值閾值可拼接得到單個(gè)粒子的位置向量：

posn=（w11，w11， a11， b11…wij ，wjk ，aij，bij）=（posn1 …posnd）

再初始化每個(gè)粒子對(duì)應(yīng)的速度向量：

vn? = （vn1…vnd）

在迭代搜索的過程中記錄第i次更新得到的個(gè)體粒子最優(yōu)位置記錄為：

pbestn? = （pn1…pnd）

記錄當(dāng)前群體最優(yōu)值為：

gbestn = （pg1…pgd）

Step3 使用粒子群優(yōu)化算法的迭代公式進(jìn)行迭代尋優(yōu)

[vi= ω*vi+c1*rand*pbesti-xi]

[? ? ? ? ? ? ? ? ?+c2*rand*gbesti-xi]? ? ⑻

采用迭代公式運(yùn)算時(shí)，式8中的c1和c2分別代表個(gè)體學(xué)習(xí)率和群體經(jīng)驗(yàn)的學(xué)習(xí)率。其中，慣性因子w較大時(shí)可獲得較強(qiáng)的全局尋優(yōu)能力，隨著迭代次數(shù)的增加，迭代的全局收益逐步降低，此時(shí)逐漸減小慣性因子w可以進(jìn)行精細(xì)的局部搜索，這種方法稱為線性遞減權(quán)值策略，可以獲得更好的全局尋優(yōu)結(jié)果。

Step4 粒子的適應(yīng)度函數(shù)同樣使用均方差損失函數(shù)進(jìn)行評(píng)估當(dāng)?shù)螖?shù)達(dá)到設(shè)置的上限或適應(yīng)度函數(shù)滿足設(shè)置的精度要求，則停止迭代，完成優(yōu)化權(quán)值閾值的初值。

Step5 優(yōu)化后進(jìn)行訓(xùn)練，此時(shí)BP神經(jīng)網(wǎng)絡(luò)獲得了最優(yōu)的權(quán)值、閾值，在此基礎(chǔ)上開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)，直至滿足設(shè)定的最小誤差精度，則停止訓(xùn)練，輸出結(jié)果。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)處理和參數(shù)設(shè)置

實(shí)驗(yàn)中所有的學(xué)生數(shù)據(jù)來源于多名教師教學(xué)工作手冊(cè)中的學(xué)生考勤與成績記載信息和智慧課堂軟件記錄的數(shù)據(jù)庫，如圖5所示。主要獲取以下三種信息：①課程教學(xué)的考勤信息（人工簽到和軟件統(tǒng)計(jì)簽到數(shù)據(jù)）;②課堂上學(xué)生回答問題情況的統(tǒng)計(jì)信息（人工記錄和結(jié)合軟件記錄）;③學(xué)生的作業(yè)完成情況統(tǒng)計(jì)信息（人工打分和軟件統(tǒng)計(jì)數(shù)據(jù)）。收集到的信息經(jīng)過數(shù)據(jù)篩選和清洗后，進(jìn)行統(tǒng)一量化，建立百分制的樣本數(shù)據(jù)集，如表1所示。

預(yù)測模型的初始化參數(shù)設(shè)置原則如下：加速因子c1=1.5，c2=1.5，初始權(quán)值采用線性權(quán)值遞減策略，wmax=0.9，wmin=0.4，種群規(guī)模N=200，最大迭代次數(shù)設(shè)置為500。實(shí)驗(yàn)使用相同的網(wǎng)絡(luò)結(jié)構(gòu)和初始化參數(shù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)并進(jìn)行預(yù)測輸出。

3.2 實(shí)驗(yàn)結(jié)果與分析

使用PSO算法在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值時(shí)，其適應(yīng)度函數(shù)的輸出值隨著粒子尋優(yōu)的迭代更新，在模型訓(xùn)練完成后，導(dǎo)入60個(gè)測試數(shù)據(jù)集對(duì)模型進(jìn)行測試。為了便于顯示，60個(gè)測試數(shù)據(jù)集按照實(shí)際的課程成績升序排序。最終得到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和PSO-BP網(wǎng)絡(luò)的輸出，對(duì)比結(jié)果如圖6所示。

從圖6可以直觀地看出，BP算法和PSO-BP算法均能較好的逼近非線性的實(shí)際課程成績。但PSO-BP算法結(jié)果的決定系數(shù)R2，要大于BP算法的結(jié)果，因此PSO-BP算法的非線性擬合效果要優(yōu)于傳統(tǒng)BP算法的結(jié)果。

圖7進(jìn)一步給出了PSO-BP和BP算法的預(yù)測誤差對(duì)比結(jié)果。其中虛線曲線代表BP算法輸出結(jié)果，誤差范圍在[-2.2，3]以內(nèi)。實(shí)線曲線為PSO-BP算法結(jié)果，誤差范圍是[0.8，-0.8]，對(duì)比誤差范圍可見，PSO-BP較于傳統(tǒng)BP算法明顯較優(yōu)。

綜上所述，PSO-BP算法和BP算法均能獲得較好的預(yù)測結(jié)果，前者的全局尋優(yōu)能力優(yōu)于后者，有效提高了預(yù)測精度（多次測試均在±3%內(nèi)），對(duì)各層次水平的學(xué)生均能達(dá)到較高的預(yù)測精度。

4 結(jié)束語

本文提出了一種應(yīng)用于智慧課堂的基于神經(jīng)網(wǎng)絡(luò)的成績預(yù)測模型，該模型可利用教師的教學(xué)工作手冊(cè)或者智慧課堂軟件記錄的學(xué)生課堂表現(xiàn)信息進(jìn)行教育數(shù)據(jù)挖掘，能獲得較好地預(yù)測學(xué)生的期末成績，其預(yù)測精度達(dá)到±3%。若希望進(jìn)一步提高預(yù)測精度，可考慮在網(wǎng)絡(luò)的訓(xùn)練過程加入影響考試成績較強(qiáng)的因素，例如學(xué)生的座位偏好信息，將可以進(jìn)一步提高預(yù)測結(jié)果的準(zhǔn)確度，當(dāng)然這也對(duì)智慧課堂軟件提出了更高的要求。

充分利用神經(jīng)網(wǎng)絡(luò)預(yù)測模型，有針對(duì)性地使用多種方法來激勵(lì)學(xué)生的學(xué)習(xí)狀態(tài)朝著積極的方向發(fā)展，不僅可以為制定下一步的教學(xué)策略提供幫助，還能讓高校的教育教學(xué)工作和教育管理工作更有成效[12]。在人工智能技術(shù)不斷發(fā)展的今天，智慧課堂結(jié)合人工智能技術(shù)的應(yīng)用前景是無可估量的，二者的深度融合也是未來教育發(fā)展的必然趨勢。

參考文獻(xiàn)（References）：

[1] 中華人民共和國國務(wù)院.國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知 [EB/OL].（國發(fā)〔2017〕35號(hào)）.

[2] 中華人民共和國教育部.教育全面提高人才培養(yǎng)能力的意見 [EB/OL].（教高〔2018〕2號(hào)）（簡稱“教高40 條”）.

[3] 曲雙紅，孟令顯.借助雨課堂，創(chuàng)新構(gòu)建“教、學(xué)、考、評(píng)”閉環(huán)教學(xué)模式[J].教育現(xiàn)代化，2019.6（85）：268-271，278

[4] 李群，徐鼎，肖甫.基于微信公眾號(hào)的“AI+教育”智慧課堂實(shí)施方法[J].計(jì)算機(jī)教育，2019.2：136-139

[5] 陳佳明，駱力明，宋潔.大學(xué)基礎(chǔ)課課程成績加權(quán)投票預(yù)測模型研究[J].現(xiàn)代電子技術(shù)，2020.43（1）：93-98

[6] 彭濤，丁凌云.基于教育數(shù)據(jù)挖掘?qū)W生表現(xiàn)預(yù)測模型構(gòu)建研究[J].黑龍江高教研究，2015.11：55-58

[7] 楊世瀚，章維亞.基于“雨課堂”的教學(xué)過程知識(shí)庫構(gòu)建及學(xué)生成績智能評(píng)估[J].高教學(xué)刊，2020.14：15-18

[8] 董倩倩.基于spss的《高等數(shù)學(xué)》期末考試成績?cè)u(píng)價(jià)與預(yù)測[J].教育現(xiàn)代化，2019.6（85）：236-237，246

[9] Samy Abu Naser， Ihab Zaqout. Predicting Student

Performance Using Artificial Neural Network： in the Faculty of Engineering and Information Technology.[C]. International Journal of Hybrid Information Technology，2015.8（2）：221-228

[10] 謝娟英，張宜，陳恩紅.學(xué)生成績關(guān)鍵因素挖掘與成績預(yù)測[J].南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2019.11（3）：316-325

[11] Samy Abu Naser， Ihab Zaqout. Predicting Student

Performance Using Artificial Neural Network： in the Faculty of Engineering and Information Technology，2015.8（2）：221-228

[12] 胡祖輝，徐毅.大數(shù)據(jù)背景下高校教育數(shù)據(jù)的分析與應(yīng)用研究[J].現(xiàn)代教育科學(xué)，2017.1：109-11