离散Hopfield神经网络在职业院校学生综合素养评价中的应用研究

摘 "要：为克服教育评估中人为因素的干扰，提高评估的准确性和效率，该文探索将离散Hopfield神经网络应用到职业院校学生综合素养的评价中。Matlab仿真发现，通过设置合适的神经元平衡点，离散Hopfield神经网络可根据输入的指标数据对学生的职业综合素养给出有效的评估，评估结果与专家评估的结果完全一致。

关键词：离散Hopfield神经网络；职业院校；综合素养评价；二值化编码；教育评估

中图分类号：G434 " " "文献标志码：A " " " " "文章编号：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

人工神经网络（Artificial Neural Network，ANN）是一种基于生物神经系统的仿生学算法，它能通过对过去信息的学习而具备分析、预测、识别当前信息的能力[1]。当前人工神经网络已被广泛应用于信号处理、自动控制、模式识别等领域，然而在社会科学领域，人工神经网络的使用尚存在较大的空白。教育评价作为教育活动不可或缺的环节，近年来其在教育界所受的关注度日益增加。传统的教育评价通常基于教师或教育专家人工赋分。对于主观性较强的评价内容（如素养、态度、情感等），即使对指标进行量化分级，评估者的个体因素仍会对赋分造成较大的干扰，从而影响评估的质量。此外，人工评估效率低下，在很大程度上制约了评估规模的扩大。Hopfield神经网络通过学习高质量的样本，然后依托其强大的联想记忆功能实施评价，可以在一定程度上弥补人工评价的上述不足。

1 "离散Hopfield神经网络的工作原理

Hopfield是一种带有反馈结构的人工神经网络，它是由多个神经元构成的单层网络，每个神经元的输出信号通过负反馈，以一定的权重组成所有神经元的输入信号，因此具有“联想记忆功能”[2]。其示意如图1所示。

假设在包含n个神经元的Hopfield神经网络中，从神经元j输出到神经元i输入的互联权值为wij，某个神经元i在t时刻传递函数的输入为ui（t），t时刻的输出为vi（t），偏差值为bi，则t时刻的传递函数输入可表示为

神经网络的训练过程如下：

1）对网络进行初始化；

2）在网络中随机选取一神经元i，按公式（1）计算出ui（t）；

3）按公式（2）计算出该神经元的输出vi（t+1），同时保持网络中其他神经元的输出不变；

4）判断网络是否达到稳定状态，若是，则结束训练；若否，则跳转到步骤2继续执行，直到网络达到稳定。

反馈型神经网络需达到稳定状态才能正常工作。Hopfield神经网络从初始状态按照Lyapunov能量函数减小的方向演化，直到达到稳定状态，获得稳定的网络输出[3]。即

vi（t+1）=vi（t）。（4）

根据Coben和Grossberg的验证[4]，Hopfield神经网络达到稳定的充分条件为wij=wji，且wii=0，因此，可用正交化法计算出每个神经元节点的权重系数wij和偏移量bi。

2 "基于离散Hopfield神经网络的职校学生综合素养评估

综合素养是一个人知识、技能、情感、心理等诸多特质属性的总集合，是影响个体职业生涯发展的重要变量。近年来，随着《关于全面深化课程改革落实立德树人根本任务的意见》《中国学生发展核心素养》等文件和研究报告的陆续出台，职业院校的育人追求亦呈现出由传统的“技能为本”转向“素能双修”的转变。学生综合素养的发展水平已成为衡量职业院校人才培育质量的重要准绳。

2.1 "设计评价指标体系

依托CIPP（Context Input Process Product）评价模式的设计思路[5]，首先通过查阅学术文献和教育、人社等部门颁布的相关政策文件，结合专家访谈，形成备选指标。对备选指标进一步梳理，删除重复选项，合并概念相近选项，初步建立职业院校学生综合素养评价体系。在此基础上运用德尔菲法，邀请部分专家、职校行政管理人员和一线教师开展三轮咨询，对指标体系初稿进行修改、优化，采用层次分析法（Analytic Hierarchy Process，AHP）[6]计算各级指标权重，最终确立由4项一级指标、12项二级指标构成的职校学生综合素养评价指标体系，见表1。

运用表1中的学生综合素养评价指标，通过专家打分的方式对某职业院校学生进行评估，收集的数据样本分成2部分，选取其中的12份样本用于训练神经网络，其余样本用于检验神经网络的评估效果（待测样本）。

2.2 "确定离散Hopfield神经网络平衡点

由于各项指标的权重不同，打分后各指标的分值差异较大，需首先对原始赋分数据进行归一化处理。归一化的方法为：原始分/权重值。处理后的12项二级指标得分数据与最终的综合素养等级评定关系见表2。

计算表2中各等级指标数据的算数平均值，即可得到该等级各指标的离散Hopfield神经网络平衡点，见表3。

2.3 "指标二值化编码

离散Hopfield神经网络的神经元只能为二值状态（1或-1），因此需对评价指标进行二值化编码。编码规则为：当归一化的指标值大于等于表3中的平衡点，将对应的神经元状态置“1”，否则置为“-1”。由此构造出由4个评价等级的理想态矩阵组成的目标向量矩阵T，即T=[A1，A2，A3，A4]，其中A1—A4依次代表“优秀”“良好”“合格”“不合格”4个评估等级的编码，矩阵如下。

运用相同的编码规则，对所有待测样本的指标数据进行二值化编码。为方便显示，设定每次输入4个待测样本，于是构建出12×16的待测样本矩阵A=[sim_1，sim_2，sim_3，sim_4]。其中sim_1—sim_4分别为一组待测样本二值化后构成的12×4矩阵。

3 "实验结果分析

以评价等级的理想态矩阵T作为目标向量，以完成二值化编码的待测样本数据矩阵A作为输入，运用MATLAB（R2018a）工具箱自带的函数newhop创建离散Hopfield神经网络，对输入数据进行评估并输出结果。为便于观察，采用“●”代表神经元处于激活状态，使用“○”代表神经元未激活，得到的仿真结果如图2所示。

图2中第一行为理想等级指标的二值化编码，第二行为待测样本的二值化编码，第三行为离散Hopfield神经网络的评估结果。从该图可见，离散Hopfield神经网络可根据输入的指标数据对学生的职业综合素养给出有效的评估，评估结果与专家评估的结果完全一致。证明该神经网络在等级分类评估的应用场景中具有较强的可靠性。

4 "结束语

传统的教育教学评估依托人工赋分，并在此基础上计算评估结果，工作效率较为低下，针对这一问题，本文运用离散Hopfield神经网络对职业院校学生综合素养进行评价。通过对原始数据进行归一化处理、设置合适的神经元平衡点、进行二值化编码，调用MATLAB 库函数构建离散Hopfield神经网络并计算评估结果。仿真数据显示，该神经网络可以有效区分不同指标赋分被试的综合素养等级，且评估结果与人工赋分计算结果完全一致。本文的探索为人工神经网络应用于教育评价领域提供了一种可借鉴的思路。

参考文献：

[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.离散型Hopfield神经网络在教师教学质量中的应用[D].重庆：重庆师范大学，2018.

[3] 韩琦.神经网络的稳定性及其在联想记忆中的应用研究[D]. 重庆：重庆大学，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.