BP神经网络算法下的英语学习智能评价

BP神经网络算法下的英语学习智能评价对于外语课程的学习效果评价而言，传统评价方法是采用固定权重法，即每项学习指标都是固定的权重，这种方法具有简便易行的特点，但由于没考虑到学生的个性化因素和每项指标权重设置未必合理，线性的评价体系在多数情况下不够科学智能学习平台的关键之处在于能够准确诊断出学生对知识点的掌握程度,有针对性地为学生选择和推送适合的学习内容将BP神经网络引入到外语学习效果评价中，能达到输出和输入非线性映射的目的，找出每项指标的合理权重，从而使评价更准确1基本原理BP神经网络具有三层及以上的单向传播网络，输入和输出具有高度非线性映射关系BP神经网络用于诊断学习效果的步骤如图2所示在进行学习效果评价时，首先对学习效果的各项指标进行归一化处理，并将其作为BP神经网络的输入向量，用量化的学习效果作为输出向量；再者，结合专家的经验知识，用足够多的训练样本，使神经网络能够对指标权重的判断进行自适应学习和调整，直到能够准确地进行知识表示；最后，将训练好的BP神经网络模型应用到外语学习效果的评价中，根据采集到学生学习的各项指标，对其学习效果进行客观、准确的评价2BP神经网络算法根据英语课程中所有知识点的难度和学生的学习情况，对知识点进行梳理和划分，为BP算法提供足够多的训练样本同时，由专家对训练样本进行评价，当BP神经网络输出结果与专家评价之间的误差达到给定精度，训练过程结束BP神经网络算法的具体步骤如下1选取样本在样本库中随机抽取第j个输入样本xy=…,％几0，相应的期望输出d0=d10yd…9n o»2计算种群个体输入、输出值包含隐藏层输入值九/

⑦如公式

①、输出值八加如公式

②，以及输出层对应输入值y%如公式

③、输出值y九如公式

④hiM=%1卬比/0-瓦h=1,2,…,p

①八九0=/瓯⑺h=1,2,…,p

②%0=引=1殴0%九=12…，P

③y/=fly io0o=12…,P

④3误差函数对输出层神经元的偏导数见式

⑤，和对隐含层神经元的偏导数见式

⑥—=d0k-y0fcy0fcl一%■

⑤赤忆=[Zo=i30ikwh0]vh ik^l-vh/c

⑥4用b0A和乙⑹对连接权值who修正见式

⑦，对阀值丫修正见式

⑧靖W=碎㈤+左瓦左

⑦产⑹=厂的+感的

⑧上式学习率0,15用品%和毛对连接权值wih修正见式

⑨，对阀值6修正见式⑩k=喏k+用⑹叫的

⑨产%=叫%+77d口⑩

（6）计算全局误差E,见式⑪式⑹）2⑪

（7）根据E的结果来确定算法是否结束若石＜£或者学生对该内容的学习次数超出最大设定次数，算法结束；否则，转入步骤

（1）随机再选择学习样本3智能评价和启发学习在学习者外语学习效果的评价体系中，和学习相关的信息可分为静态信息和动态信息两类静态信息包括学生的个人基本信息，如姓名、专业、年级等；动态信息主要是学习和测试过程中动态变化的信息包括课程进度、所学课程难度、学习效率、答题准确率、求助率等采集上述信息作为BP神经网络的输入层，用训练好的BP神经网络进行诊断，根据输出的诊断结果进行个性化的启发式教学启发式教学的规则为if＜条件＞then＜动作＞通过对英语知识点进行分级，设定不同的诊断关卡，学生可以自我检测掌握情况系统利用上述算法，对学生的掌握水平进行判断若达到过关要求，则进入更高层次的学习；若达不到过关要求，则仍停留在原来水平学习，从而达到智能推送测试内容4结语针对传统英语CAI教学系统不能满足学生的个性化需求的问题，开发能够根据学生自身英语水平和对知识点的掌握程度，来确定学生学习内容的ICAI慕课系统本文分析了ICAI系统的需求和整体架构；通过BP神经网络算法，设定有一些关卡，增加了学习的趣味性和针对性。