随着互联网科技的兴起和发展，大数据、人工智能等技术在教育教学领域广泛运用。在当前教育大数据的环境背景下，教育数据也越来越被人们所重视，一个学校对于教育数据的应用，不仅影响着学校的教育教学的有序开展，同时也必将推动教育教学体系的改革和创新。如何更好的对教育数据的管理、分析和应用，我们提出了使用神经网络技术。利用神经网络技术，在面对不同教育数据的时候可以训练不同的数据模型，通过模型的训练，帮助我们更好的解决一些教育数据在教育场景中的实际应用。本文中简单介绍了几种已经将神经网络模型应用于教育中的案例，通过案例的介绍，对BP神经网络模型与教育的结合有更深的认识。最后也对神经网络模型在教育中的应用提出几点建议。

神经网络；教育教学；BP算法；教育应用

   人工智能、移动互联网、大数据、云计算等技术正在助推人类社会迈入发展的新阶段，未来的时代将是智能化的时代。在教育、医疗等多个垂直领域，人工智能已经展现了其重要的应用价值和影响力，并逐渐成为这些领域发展和变革的新动力。我国也积极倡导和支持开展多层次的人工智能教育，随着人工智能的迅速发展，人工神经网络已经深入教育和学习的方方面面。2018年4月教育部印发《高等学校人工智能创新行动计划》，提出加快人工智能在教育领域的创新应用，利用智能技术支撑人才培养模式的创新、教学方法的改革、教育治理能力的提升，构建智能化、网络化、个性化、终身化的教育体系，是推进教育均衡发展、促进教育公平、提高教育质量的重要手段，是实现教育现代化不可或缺的动力和支撑。神经网络是由大量的功能比较简单的形式神经元互相连接而构成的复杂网络系统，用它可以模拟人脑的很多基本功能和简单的思维方式。尽管它还不是大脑的完美无缺的模型，但它可以通过学习来获取外部的知识并存储在网络中，来解决计算机不易处理的难题，因此，神经网络技术已成为当前人工智能领域中最令人感兴趣的研究课题之一。

   1 BP神经网络模型概念 

   BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。

          其主要的特点是：信号是正向传播的，而误差是反向传播的。

          举一个例子，某厂商生产一种产品，投放到市场之后得到了消费者的反馈，根据消费者的反馈，厂商对产品进一步升级，优化，一直循环往复，直到实现最终目的——生产出让消费者更满意的产品。产品投放就是“信号前向传播”，消费者的反馈就是“误差反向传播”。这就是BP神经网络的核心。

      2 算法流程图

       3 神经元

           每个神经元都接受来自其它神经元的输入信号，每个信号都通过一个带有权重的连接传递，神经元把这些信号加起来得到一个总输入值，然后将总输入值与神经元的阈值进行对比（模拟阈值电位），然后通过一个“激活函数”处理得到最终的输出（模拟细胞的激活），这个输出又会作为之后神经元的输入一层一层传递下去。

  4 神经网络基础架构

        BP网络由输入层、隐藏层、输出层组成。

        输入层：信息的输入端，是读入你输入的数据的

        隐藏层：信息的处理端，可以设置这个隐藏层的层数（在这里一层隐藏层，q个神经元）

        输出层：信息的输出端，也就是我们要的结果

        v，w分别的输入层到隐藏层，隐藏层到输出层的是权重

        对于上图的只含一个隐层的神经网络模型：BP神经网络的过程主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。

       5 BP神经网络的优劣势

       BP神经网络无论在网络理论还是在性能方面已比较成熟。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷。

        ①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。

        ②容易陷入局部极小值。

        ③网络层数、神经元个数的选择没有相应的理论指导。

        ④网络推广能力有限。

  1.BP神经网络的教育教学评价

  随着我国教育事业的快速发展, 教学质量评价也得到了迅猛发展。教学质量是教育的生命线, 是一个学校能否持续健康发展的必要条件。教学质量评价是对任课老师在课堂教学中的活动及其效果以及相关因素给予的评价,它是教学管理的重要组成部分,是改进教学工作,提高教学质量的重要措施。

  1.1建立教学质量评价指标体系

  以高职教育教学培养为例，根据高等职业教育侧重应用型教学、教学质量评价以人为本的思想, 遵循科学性、可操作性、定性定量相结合等原则, 构建高职教育教学质量评价指标体系。

  1.2评价模型结构设计

  采用3层架构BP神经网络:输入数据为 各指标的评价值,根据教学质量评价体系,将最低层指标数量作为输入层神经元数。输出层设置一个神经元,它的值为[0,1]间的一个数。评价集设为{优秀,良好,合格,较差,差}。  

  1.3教学质量评价应用

  收集教学质量评价数据，将数据分为训练组和测试组。利用BP神经网络算法对训练组数据进行训练，在训练结束以后将测试组数据进行输入，得出测试结果。同时请专家对测试组数据进行人工评价并给出专家结果。最后利用神经网络测试结果和专家结果进行对比。

  2.BP神经网络的大学生综合素质测评研究

  成功的神经网络模型及算法有很多，但在基于神经网络的评价模型中，BP网络是用得最多的一种。这是由于它结构简单，使用方便且具有良好的函数逼近能力，通过对训练样本的学习能很好地反映出对象的输入/输出之间的复杂的非线性关系。通过对已有样本模式的学习，获得评价专家的知识和经验，以后当需要对大学生综合素质进行评价时，只要给训练好的BP神经网络输入相应的指标，BP神经网络就能根据专家的知识与经验，即时做出相应，从而可以避免评价过程中的人为失误，并且该系统还有很强的容错能力。训练好的BP网络可以作一种有效工具，对样本模式以外的对象做出相应的评价。

  2.1 大学生综合素质测评模型的原理

  大学生综合评价BP神经网络原理是将各评价指标的属性值作为BP网络模型的输入向量，评价结果作为模型的输出：用足够多的样本训练这个网络，使网络记住各指标的权重、各评价人员的 经验、知识等；训练好的BP网络模型根据评价对象各指标测定的值就可以得到对评价对象的评价结果。

  2.2 BP网络结构设计

  第一，网络层数。

  理论上已经证明，在不限制隐层节点数的情况下，两层(只有一个隐层)的 BP 网络可实现任意非线性映射。因此，大学生综合素质测评选择了只含有一个隐层的两层BP网络。

  第二，输入层的节点数。

  输入层起缓冲存储器的作用，它接收外部的输入数据，其节点数取决于输入向的维数,大学生综合素质测评输入层的节点数为18。

  第三，输出层的节点数。

  大学生综合素质测评结果为单输出，只有一个输出节点。

  第四，隐层的节点数。

  对于有限个输入模式到输出模式的映射，并不需要无限个隐层节点，这就涉及到何选择隐层节点数的问题，该问题较为复杂，迄今为止，尚未找到一个很好的解析式，隐层节点数往往根前人设计所得的经验和自己进行试验来确定。

  3.BP神经网络的高校学生成绩预测

  众所周知，学生在高校的学习过程除了受到教学质量影响，还受到行业发展、个人心理变化、课程设置、教师教学指导等诸多因素的影响。但想要基于诸多因素构建更为精准的预测模型仍属于教育数据挖掘领域的难点问题。所以，对诸如行业发展、个人身体健康等无法直接量化因素，成绩预测研究暂未考虑。同时，各专业开始的课程之间存在着一定程度的承接关系。诸如高等代数与概率论，C 语言程序设计与数据结构等专业基础、专业核心类课程尤为明显。这些先导课程的学习状态直接影响到后续课程的学习效果，进而影响毕业成绩。而像大学英语、大学生心理健康、思想道德修养与法律基础等相对独立的通识类课程，虽然无法直接影响其他课程，但这些课程也对培养学生的学习、思维、创新能力等方面起到积极的作用，对其他课程包括毕业成绩起到间接的影响作用。因此，在刨除其他因素的作用，仅考虑课程的前提下，多数学生的成绩应呈现趋势性，如随着逐渐进入学习状态而成绩不断提升，对个人要求不断放松而成绩不断下降，以及成绩稳定在一定范围内等变化趋势。所以，虽然大一期间开设的课程里通识类课程数量多于专业基础、专业核心类课程，但因其对毕业成绩存在直接或间接的影响，用大一课程成绩预测毕业成绩可以被视为可行的。

此外，由于 BP 神经网络具有隐藏层的结构和权重参数可动态调节的特点，更适合挖掘某些课程同毕业成绩的潜在关系。

  提出的基于 BP 神经网络的成绩预测模型算法流程如图所示。

                                                                                    图  基于 BP 神经网络的成绩预测模型框架图

  由图中可以看出，成绩预测模型分为预测模型构建和成绩预测两个阶段，流程概括如下。

  1) 预测模型构建阶段:

  ① 获取学生全部课程成绩;

  ② 对课程成绩进行预处理;

  ③ 按照听课人数、学期等因素选出用于构建预测模型的课程;

  ④ 将大一的课程成绩作为输入，毕业平均成绩作为输出，训练预测网络模型，构建出成绩预测模型。

  2) 成绩预测阶段:

  ① 获得新生第 1 学年成绩;

  ② 按照预测模型构建阶段的处理方式对课程进行选择和成绩处理;

  ③ 将获得的课程成绩送入预测模型，得出预测成绩。

  目前，神经网络主要关注在高校中的应用，而在中小学应用较少。神经网络在教育中的应用从1996年开始就有相关研究，但是整体活跃度不够，目前这方面仍然有很大的研究空间。神经网络在教育教学中的应用研究主要体现在教学评价、学习评价和教学管理３个方面，并且集中在高校，多关注模式或体系的设计与搭建，而在学习分析与评价、中小学中的应用、理论与实践相结合等方面还有待进一步研究。BP神经网络是一种非线性映射方法, 将该方法运用于教学质量评价, 能准确地反映专家评价思想, 从而科学、准确地评价教师教学质量。并且基于 BP 算法的模型的教育应用，选用数据更简洁，模型构建更便捷，在成绩预测、教学评价方面具有很好的准确性和可推广性。但如何提高预测准确率以及更为充分挖掘教育教学间的关联规则仍是今后的研究重点之一。

[1]王佑镁, 李宁宇, 尹以晴,等. 从再现到预测:基于BP神经网络的中小学生数字阅读素养评测体系研究[J]. 电化教育研究, 2022, 43(8):9.

[2]童康. 高校内部教学督导人员专业知识和业务能力的影响效应——基于BP人工神经网络的仿真研究[J]. 教育发展研究, 2021(7):10.

[3]夏祥伟, 毛丽娟, 黄金玲, 等. 中国高校研究生体育锻炼与全面健康的相关性——基于 BP 神经网络的实证研究[J]. 全球教育展望, 2018 (4): 111-128.

[4]于洋 杨巨成 陈亚瑞 赵婷婷 吴超 孙迪 侯琳 胡志强.神经网络入门与实战[M].北京:清华大学出版社,2020.

[5]易少军, 李学迁, 邹玲. 基于BP神经网络的高职教育教学质量评价[J]. 中国教育信息化：高教职教, 2007(04S):2.

[6]王佑镁,李宁宇,尹以晴,柳晨晨.从再现到预测:基于BP神经网络的中小学生数字阅读素养评测体系研究[J].电化教育研究,2022,43(8):68-76.

[7]李瑞福. 神经网络在我国教育领域应用研究现状[J]. 软件导刊:教育技术,2015.

[8]教育部. 教育部印发《 高等学校人工智能创新行动计划》[J]. 机器人技术与应用, 2018 (3): 3-3.

[9]乔维德. 基于BP神经网络的现代远程教育教学质量评价模型的构建[J]. 中国远程教育, 2006(07S):3.

[10]林盾, 张伟平. 人工神经网络在教育资源管理中的应用[J]. 现代教育技术, 2009, 19(7):4.

[11]吕勇, 李卫东, 华梁. 浅谈深度学习在人工智能课程中的应用[J]. 教育研究, 2020, 3(10):105-106.

[12]王保华, 熊余, 姚玉,等. 基于深度学习的学生教学评价情感分析[J]. 电化教育研究, 2021, 42(4):7.

[13]冯广, 罗时强, 陈卓,等. 基于在线学习行为数据的成绩预测方法[J]. 中国教育信息化, 2022, 28(8):9.

[14]Yi Jingyi and Cui Xiao. Deep Learning BP Neural Network Guided Evaluation of Students’ Innovation and Entrepreneurship Education[J]. Journal of Robotics, 2022, 2022.

[15]Zhu Xinya. Big Data’s Analysis and Prediction Method of Art Education Based on the BP Neural Network[J]. Security and Communication Networks, 2022, 2022.