基于決策樹算法的學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)設(shè)計

摘 要：本文針對傳統(tǒng)學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)精度與準確率較低的問題，設(shè)計了一種基于決策樹算法的學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)。在系統(tǒng)設(shè)計中，本文進行了數(shù)據(jù)采集和處理，利用決策樹算法構(gòu)建學(xué)生學(xué)習(xí)效果預(yù)測模型，重點關(guān)注了軟件和硬件層面的實施細節(jié)，保證系統(tǒng)能夠處理大規(guī)模數(shù)據(jù)，并具有實時預(yù)測能力。測試表明，與傳統(tǒng)系統(tǒng)相比，本系統(tǒng)在精度與準確率上具有顯著優(yōu)勢，能夠高效、準確地觀察學(xué)習(xí)效果，可為教師提供個性化支持，有效提升教學(xué)質(zhì)量，為學(xué)習(xí)效果監(jiān)測領(lǐng)域的進一步發(fā)展提供示范。

關(guān)鍵詞：決策樹算法；學(xué)習(xí)效果；監(jiān)測系統(tǒng)；精度

中圖分類號：TP 393 " " " " 文獻標(biāo)志碼：A

隨著信息技術(shù)發(fā)展，教育領(lǐng)域?qū)€性化教學(xué)和學(xué)生個體化學(xué)習(xí)路徑的需求日益增加。學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)能夠分析學(xué)生的學(xué)習(xí)行為和表現(xiàn)數(shù)據(jù)，預(yù)測學(xué)生的學(xué)習(xí)成績或?qū)W習(xí)困難，進而提供針對性的教學(xué)策略和支持措施。目前，學(xué)界已廣泛探討了學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)的各種應(yīng)用和實證研究。例如，劉曉[1]結(jié)合人工智能技術(shù)設(shè)計了一種學(xué)生學(xué)習(xí)行為監(jiān)測系統(tǒng)，實現(xiàn)了個性化無痕監(jiān)測，能夠?qū)W(xué)生學(xué)習(xí)行為進行智能監(jiān)測；任潁超[2]引入OpenCV識別算法設(shè)計了學(xué)生行為監(jiān)測系統(tǒng)，可自動識別異常行為，各指標(biāo)均符合預(yù)期；繆澤浩等[3]基于YOLOv5設(shè)計了疲勞狀態(tài)監(jiān)測系統(tǒng)，能夠有效監(jiān)測學(xué)生的學(xué)習(xí)疲勞狀態(tài)。雖然這些系統(tǒng)具有一定優(yōu)勢，但是在精度與準確率方面仍有提升空間。決策樹算法是一種經(jīng)典機器學(xué)習(xí)方法，能夠處理多樣化的學(xué)生數(shù)據(jù)，例如學(xué)術(shù)表現(xiàn)、學(xué)習(xí)行為和社交互動，在課堂教學(xué)、在線平臺和個性化推薦系統(tǒng)中取得了顯著成效[4]。鑒于此，本文設(shè)計出一種基于決策樹算法的學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)，該系統(tǒng)精度與準確率均較高，能夠有效預(yù)測學(xué)生的學(xué)習(xí)效果，并提供個性化的學(xué)習(xí)支持。

1 整體方案

本文利用大數(shù)據(jù)集成技術(shù)，以云平臺為支撐，創(chuàng)建學(xué)生學(xué)習(xí)效果監(jiān)測系統(tǒng)，其硬件結(jié)構(gòu)由傳感器模塊、處理器模塊以及交互模塊構(gòu)成（如圖1所示）。其中，傳感器模塊為系統(tǒng)前端，能夠收集學(xué)生行為、成績和互動等多源數(shù)據(jù)，并在清洗數(shù)據(jù)后選擇相關(guān)特征，采用交叉驗證評估數(shù)據(jù)的準確性和泛化能力，便于后續(xù)模型構(gòu)建。處理器模塊是系統(tǒng)中層，單片機STC89C51基于預(yù)處理后的數(shù)據(jù)，應(yīng)用決策樹算法構(gòu)建預(yù)測模型，并利用模型對數(shù)據(jù)進行分類，以識別學(xué)習(xí)成績、學(xué)習(xí)中遇到的困難等情況，再將處理后的數(shù)據(jù)經(jīng)云服務(wù)傳輸?shù)浇换ツK，保證系統(tǒng)穩(wěn)定運行。交互模塊是交互界面，交互助手Amazon Echo Show 10將預(yù)測結(jié)果以可視化方式呈現(xiàn)，根據(jù)預(yù)測結(jié)果向教師推薦教學(xué)策略和支持措施，便于教師理解學(xué)生的學(xué)習(xí)狀態(tài)。這種結(jié)構(gòu)使系統(tǒng)能夠高效地處理、分析學(xué)生數(shù)據(jù)，并提供實時個性化支持，從而提升教學(xué)質(zhì)量。

2 硬件設(shè)計

2.1 傳感器模塊

傳感器為系統(tǒng)提供了多維數(shù)據(jù)支持，能夠監(jiān)測、收集學(xué)習(xí)效果，并對數(shù)據(jù)進行清洗，再發(fā)送給處理器單片機進行計算，全面分析學(xué)習(xí)效果。傳感器由生理傳感器AD8232和環(huán)境傳感器FX-200構(gòu)成。AD8232能夠監(jiān)測學(xué)生的生理指標(biāo)，評估學(xué)生的情緒狀態(tài)和身體反應(yīng)，并將生理數(shù)據(jù)傳輸至處理器進行分析，從中提取特征，將其作為決策樹算法的輸入[5]。FX-200能夠監(jiān)測學(xué)習(xí)環(huán)境條件，將環(huán)境信息傳輸至處理器，分析學(xué)習(xí)環(huán)境的影響。傳感器電路設(shè)計如圖2所示，Vdd能夠提供穩(wěn)定電壓，保證組件正常工作。C0與Vdd相連，用以濾除高頻噪聲。S1和S2控制信號采集，當(dāng)S1閉合時，F(xiàn)X-200開始檢測外部環(huán)境指標(biāo)；當(dāng)S2閉合時，AD8232開始采集生理指標(biāo)，將其轉(zhuǎn)換成相應(yīng)的電信號。這些原始電信號需要進一步加工，C1a可以平滑信號，為信號穩(wěn)定提供保障。再對信號進行模數(shù)轉(zhuǎn)換處理，保證信號質(zhì)量滿足系統(tǒng)要求。此外，傳感器還具有反饋機制，由OUT信號反饋到特定部分進行自動調(diào)節(jié)，以維持傳感器精度。最終，處理后的信號由輸出端OUT輸出，處理器單片機利用算法邏輯對這些數(shù)據(jù)進行進一步處理，從而獲得更精準的監(jiān)測結(jié)果。

2.2 處理器模塊

處理器可高效處理傳感器數(shù)據(jù)，并利用決策樹算法實時生成學(xué)習(xí)效果評估。處理器采用STC89C51高性能單片機，可以實時處理傳感器數(shù)據(jù)，并采用決策樹算法將結(jié)果反饋給傳感器。STC89C51單片機電路設(shè)計如圖3所示。電源由8550電池提供，保證Vdd有穩(wěn)定的電壓供給。時鐘信號生成后，STC89C51接收信號并執(zhí)行其內(nèi)部存儲，該步驟涉及外部信號采樣，通常由數(shù)字轉(zhuǎn)換實現(xiàn)，而具體輸入則由R1進行信號調(diào)理，以保證信號在合適電平范圍內(nèi)。在信號處理中，Q用于將信號放大并控制電路，1N400將電源中的交流成分轉(zhuǎn)換為直流，為STC89C51提供干凈電源[6]。IRF540能夠控制較大功率的設(shè)備，例如24 V電磁閥。STC89C51將控制信號輸出至IRF540的門極，從而控制電磁閥的開關(guān)狀態(tài)，實現(xiàn)流體控制。大功率電阻R5能限制通過IRF540的電流，防止電流過大，損壞電磁閥。整個電路工作是動態(tài)的，STC89C51根據(jù)實時反饋信號和預(yù)設(shè)的程序邏輯，不斷調(diào)整對電磁閥的控制，并使用預(yù)先訓(xùn)練好的模型進行數(shù)據(jù)分類，再將處理后的數(shù)據(jù)由云服務(wù)傳輸至交互模塊，保證系統(tǒng)高效、穩(wěn)定運行。

2.3 交互模塊

交互模塊將處理器生成的預(yù)測結(jié)果直觀呈現(xiàn)給用戶，并同時收集反饋。Amazon Echo Show 10交互助手能夠提供視頻輸出，可帶來沉浸式體驗。信號產(chǎn)生的核心是AD9851芯片，該芯片是一個高性能數(shù)字合成器（DDS）。VCC和AGND提供模擬電源和模擬地，AVDD提供數(shù)字電源。時鐘配置由RESET引腳實現(xiàn)，保證在啟動過程中處于已知狀態(tài)。REFCLOCK參考時鐘輸入，用于設(shè)定DDS的頻率分辨率。數(shù)據(jù)輸入由FQ_UD和IOUT引腳執(zhí)行，允許對DDS的頻率進行編程。控制和配置由W_CLK實現(xiàn)，用于將數(shù)據(jù)寫入芯片的時鐘。D[0..7]是數(shù)據(jù)輸入引腳，用于向AD9851發(fā)送配置數(shù)據(jù)。模擬輸出由VOUTP和VOUTN提供，用于生成所需波形。外部接口由DS實現(xiàn)，用于顯示或控制。電源去耦通過大容量電容（例如16 V/1000 μF）完成，以保證電源穩(wěn)定。在電路運行中，對AD9851的寄存器進行編程，設(shè)定所需波形參數(shù)，并通過輸入?yún)⒖紩r鐘和進行內(nèi)部數(shù)據(jù)處理生成波形，再由差分輸出提供給外設(shè)，電阻和電容需要保證信號質(zhì)量，電源去耦和外部接口需要保證輸出內(nèi)容的可靠性。

3 軟件設(shè)計

系統(tǒng)程序均采用C語言編寫，在軟件設(shè)計過程中，需要考慮如何將傳感器模塊、處理器模塊和交互模塊的硬件設(shè)備有效整合起來，形成一個協(xié)調(diào)一致、高效運行的系統(tǒng)。

3.1 感應(yīng)程序設(shè)計

感應(yīng)程序設(shè)計需要達到實時采集與集成傳感器數(shù)據(jù)的目的。首先，收集、清洗生理與環(huán)境數(shù)據(jù)，處理異常值與重復(fù)值，保證數(shù)據(jù)質(zhì)量。其次，將數(shù)據(jù)格式化為算法可處理格式，并從中選擇合適特征進行衍生，再這些特征將用于算法預(yù)測，以此優(yōu)化系統(tǒng)性能。再次，將處理后的數(shù)據(jù)儲存到MariaDB中，由于不同信息存在交換，在集成中會損耗資源，可能會出現(xiàn)“離散”問題，因此需要采用交叉驗證評估數(shù)據(jù)有效性，從而為算法訓(xùn)練提供數(shù)據(jù)基礎(chǔ)。感應(yīng)程序設(shè)計流程如圖4所示。

3.2 執(zhí)行程序設(shè)計

執(zhí)行程序需要運行算法，處理器根據(jù)傳感器數(shù)據(jù)進行預(yù)測。首先，配置具體參數(shù)，例如樹深、節(jié)點方式和剪枝策略，使用感應(yīng)程序設(shè)計處理后的數(shù)據(jù)進行模型構(gòu)建。其次，在已知根節(jié)點的情況下，將非葉子預(yù)測節(jié)點作為連接，再使用一、二級節(jié)點將學(xué)習(xí)效果反饋至底層。在設(shè)計過程中，根節(jié)點不會限制接入，但是二級節(jié)點數(shù)量要多于一級節(jié)點，既能存儲信息，也能將其分散各處，便于更準確地識別學(xué)習(xí)效果。

3.3 展示程序設(shè)計

展示程序設(shè)計需要考慮交互功能，數(shù)據(jù)格式轉(zhuǎn)換是實現(xiàn)交互的主要步驟，應(yīng)在轉(zhuǎn)換過程中創(chuàng)建節(jié)點連接，從而提升數(shù)據(jù)承載力。設(shè)x1為最小轉(zhuǎn)換系數(shù)，x2為最大轉(zhuǎn)換系數(shù)。隨著信息逐步明確，轉(zhuǎn)換流程也趨向于完善，直至轉(zhuǎn)換系數(shù)x不再出現(xiàn)任何變化。在上述變量支持下，可將轉(zhuǎn)換結(jié)果y用公式（1）表示。

（1）

式中：y為最終轉(zhuǎn)換結(jié)果；ω為轉(zhuǎn)換因子；t為轉(zhuǎn)換量；r為轉(zhuǎn)換權(quán)限。

y值越大，表示數(shù)據(jù)轉(zhuǎn)換效果越良好，轉(zhuǎn)換后用于提供交互操作，至此完成軟件設(shè)計。

4 系統(tǒng)測試

為驗證系統(tǒng)設(shè)計的有效性，本文在Fastone上進行測試工作，測試數(shù)據(jù)來自某校學(xué)生信息中心，將本系統(tǒng)與傳統(tǒng)系統(tǒng)進行精度與準確率比較。

4.1 精度

精度能夠反映系統(tǒng)整體性能，精度越高，監(jiān)測情況越良好，反之亦然。本系統(tǒng)與傳統(tǒng)系統(tǒng)的精度比較情況見表1。由測試可知，隨著時間增加，本系統(tǒng)的精度基本穩(wěn)定，保持在85%左右，而傳統(tǒng)系統(tǒng)的精度在穩(wěn)定后快速下降，最高僅為69%左、右。由此可見，運用決策樹算法，可顯著提升精度，對提高學(xué)習(xí)效果監(jiān)測效率具有積極意義。

4.2 準確率

本系統(tǒng)與傳統(tǒng)系統(tǒng)的準確率比較情況如圖5所示。由測試可知，當(dāng)樣本人數(shù)由50人增至300人時，本系統(tǒng)的準確率基本保持在90%左、右，起伏較穩(wěn)定；隨著樣本人數(shù)增加，傳統(tǒng)系統(tǒng)的準確率持續(xù)下降，表明其受樣本人數(shù)的影響較大，樣本人數(shù)越多，系統(tǒng)準確率越低。

為進一步驗證系統(tǒng)準確率，增加噪聲干擾參數(shù)，結(jié)果見表2。由測試可知，隨著噪聲干擾增加，本系統(tǒng)的準確率變化較小，當(dāng)樣本人數(shù)為300人、噪聲干擾為20時，本系統(tǒng)的準確率為86%，而傳統(tǒng)系統(tǒng)的準確率為31%，表明本系統(tǒng)的抗干擾能力更強，即便受到較強的噪聲干擾，也能較好地監(jiān)測學(xué)生學(xué)習(xí)效果，穩(wěn)定性更強。

5 結(jié)語

綜上所述，本系統(tǒng)設(shè)計在深入了解和預(yù)測學(xué)生學(xué)習(xí)表現(xiàn)的基礎(chǔ)上，收集多維度的數(shù)據(jù)，選擇合適的特征，并構(gòu)建有效的模型和實施系統(tǒng)，為教師提供更準確、更個性化的指導(dǎo)和支持。測試表明，與傳統(tǒng)系統(tǒng)相比，本系統(tǒng)在精度與準確率方面具有優(yōu)勢，可顯著提升監(jiān)測效率，進一步掌握學(xué)生學(xué)習(xí)狀態(tài)。該系統(tǒng)不僅是對技術(shù)的應(yīng)用，而且是對教育的關(guān)懷和支持。但是該研究尚處于初期，未來會逐步拓展系統(tǒng)應(yīng)用，實現(xiàn)更為多樣化的服務(wù)，從而為每個學(xué)生的學(xué)習(xí)之路增添更多可能性和機遇。

參考文獻

[1]劉曉.基于人工智能技術(shù)的學(xué)生課堂學(xué)習(xí)行為監(jiān)測系統(tǒng)設(shè)計[J].中國新通信，2023，25（18）：65-67.

[2]任潁超.基于SVM和OpenCV的學(xué)生異常行為識別監(jiān)測系統(tǒng)設(shè)計[J].技術(shù)與市場，2023，30（10）：109-111.

[3]繆澤浩，余冬華，劉新穎，等.基于YOLOv5的課堂疲勞狀態(tài)監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)[J].電腦知識與技術(shù)，2023，19（1）：20-23.

[4]羅明挽.基于決策樹算法的學(xué)生體質(zhì)預(yù)警系統(tǒng)開發(fā)與實現(xiàn)[J].電腦編程技巧與維護，2023（2）：12-14.

[5]李加軍.基于大數(shù)據(jù)的網(wǎng)絡(luò)學(xué)習(xí)行為監(jiān)測系統(tǒng)設(shè)計[J].信息與電腦（理論版），2022，34（19）：251-253.

[6]鄺楚文.基于數(shù)據(jù)挖掘的校園網(wǎng)絡(luò)輿情監(jiān)測系統(tǒng)研究與設(shè)計[J].數(shù)字技術(shù)與應(yīng)用，2021，39（5）：158-161.