基于多隱層神經網絡的英語線上教學交互系統設計

王燁

（哈爾濱醫科大學大慶分校，黑龍江 大慶 163319）

1 引言

隨著信息時代的到來，我國現代教育技術得到了飛速的發展，教育信息化逐漸成為各個學校目前信息化教育的常態，在較發達的城市很多學校已經開始開展信息化教育的示范工作[1]。隨著信息化教育設施的不斷完善，各類中小學都開始加入到信息化教育的行列中，并將信息化教育作為現代教育的重點，很大程度上促進了信息化教育的發展，也使信息化教育越來越受到了社會各界的重視[2]。以英語線上教學為例，構建線上教學交互系統，實現英語資源的共享，可以提高學生的學習效率，利用信息化技術提升英語線上教育的交互水平，充分發揮教師的引導作用，最終實現以學生為主體的雙主體交互教學模式。

針對這種智能系統的開發，相關學者也提出了一些好的方法：張穎提出設計一款能夠應用于Android 系統的移動學習平臺，設計了平臺總體結構，RTMP視頻傳輸協議，Red5流媒體服務器，視頻采集與編碼和視頻解碼與播放五大模塊，實現了移動教學平臺的設計[3]。梁瑋提出設計一款英語發音教學平臺，通過短時過零率端點檢測識別語音并預處理，獲取語音頻譜特征并分析匹配度，根據發音共振峰對比實現學習質量的反饋[4]。但是，這些系統都面臨一個較大的問題，就是缺乏交互性，幾乎都是以人工實時通信代替交互功能。為了完善系統交互功能，本文基于多層隱含神經網絡對英語線上教學交互系統進行改進設計，對提高信息化、智能化教學水平具有重要意義。

2 英語線上教學交互系統總體設計

英語線上教學交互系統結構如圖1所示。

系統的主要任務是為教與學提供人機交互的界面[6]。其教學界面層是該硬件系統的核心部分，其主要功能包括線上信息的收集以及對信息進行預處理，實現英語線上教學交互系統的個性化功能。系統資源層的功能主要是存儲各類信息，如用戶信息、英語教學資源等信息。

2.1 線上教學信息收集模塊

交互性的前提是有足夠多的信息可供系統分析，線上教學的信息收集模塊，其主要作用是收集和存儲學生對線上英語教學的信息數據，不僅支持不同的信息數據格式，還包括數據庫的實時同步以及多種數據同步更新[7]。該信息收集模塊采用新數據模板的設計方式，完成對原始數據的資源配置，實現英語線上教學信息數據的統一收集與管理。信息收集模塊的結構如圖2所示。

2.2 學生交互學習模塊

學生交互學習模塊是英語線上教學交互系統設計中的核心部分，它能準確地反映學生對于英語線上教學的實際學習能力與水平，為整個交互系統提供重要的教學數據支持[8]。該模塊由多個線上英語教學代理構成，不同的線上英語教學代理都是一個獨立的人工智能個體，可以針對相關的問題進行教學重現與問題解決，為學生提供準確的教學輔導與幫助。在整個學習模塊中，協作機制不僅可以實現英語教學資源的共享，還可以監控學生的學習過程，及時向服務器發送合適的英語教學策略。學生學習模塊結構如圖3所示。

2.3 人機交互界面

人機交互界面是實現英語線上教與學溝通的媒介[9]，其提供的英語資源是學生所熟知的，人機交互界面中的登錄界面如圖4所示。

英語線上教學的人機交互系統會根據學生的歷史記錄判斷學生的學習能力，為學生推薦沒有學過的英語資源。

3 基于多隱層神經網絡的需求自主學習

英語線上教學環境搭建的原理，主要是將線上教學信息收集模塊采集的數據信息上傳到智能算法內。本文設計多隱層神經網絡，構建出神經網格圖，根據學生學習模塊的要求，結合交互界面構建神經網絡三維模型。用函數表示如下[10]：

上式中，δ表示英語線上教學環境的信息數據，△p表示線上教學的數據庫內的信息數據，二者之間的關系為正負方向，為線上教學的實時數據與數據庫內數據之間的配比，ωi表示由i個子模型繪制出來的線上教學虛擬模型。

根據線上交互系統的要求，調整多隱層神經網絡模型中的參數，獲取不同參數下的英語教學虛擬模型，滿足該英語線上教學的實際需求[11]。設神經網絡模型的分析點分別為xi和yi，此時該三維模型的總需求點為z=xiyi。進一步調整需求點并區分，表達式如下：

上式中，線上教學神經網絡三維模型中正反方向的模型學習因子分別為f1和f2，正反方向的模型長度分別為l1和l2，θ表示線上英語教學需求的對比度，t為調節需求內對比度的時長，n表示模型的表面數量。

需要找到合適的隱藏輸出層傳遞函數，來傳遞學習結果[12]，傳輸信道的函數f(x)可表示為：

平行樣的測定有助于減小隨機誤差，是對測定進行最低限度的精密度檢查。平行樣測定結果的相對偏差不應大于標準方法或統一方法所列標準偏差的2.83倍。進行回收率的測定時，加入標準物質的量與樣品中待測物質的濃度水平相等或接近。一般情況下要求加入標準物質的量不大于樣品中待測物質含量的0.5～2倍。

針對不同的傳輸信道，ω的值也會有所不同。在傳輸信道進行輸出層傳遞過程中，ω的值越大，傳輸信道之間的數據分類能力較小，這樣更有利于對傳輸信道內的交互需求進行分類[13]。根據小波函數對多隱層神經網絡內的傳輸需求進行訓練，結合最小梯度下降法，得到傳輸交互需求的迭代公式如下：

其中，D為傳輸交互需求中的迭代函數，(n)表示多隱層神經網絡的輸出序列，S(n)表示傳輸信道之間的連接權值，μ表示迭代的次數。在多隱層神經網絡中，根據權值迭代的公式定義差異，求取隱層神經網絡連接權值為Su(n)，對多層隱含神經網絡中的傳遞交互需求求解，通過迭代計算的方式，計算出多隱層神經網絡權值與傳輸交互需求的權值，即：

其中，在多隱層神經網絡中，隱含層的單元為v，輸入層的單元為u，兩個層次之間的連接權值為Suv(n)。

根據上述的迭代公式，教學交互系統輸出的(n)為系統內的估計值x(n)，即：

上式中，κ表示交互需求傳輸過程中的響應；φ表示在傳輸信道中，傳遞交互需求的傳輸質量。

4 交互反應程序

在準確提取交互需求信息后，可區分線上教學交互信息：包括學生提問的信息與人工智能作答的信息，也是教與學的互動信息。學生的提問信息包括學生關于線上英語資源的各類問題，而人工智能作答信息主要包括海量的英語資源數據庫[14]。需要把這些海量的且分散的英語資源信息進行分類，并統一進行存儲與管理。將這些信息用函數形式表示為：

設n個線上教學對象的集合為X={x1，x2，…，xn}，從中選擇m個線上教學回復指標并用集合表示為Y={y1，y2，…，ym}，此時的教學交互結果為D=f(W)，其中各個交互指標的權重系數為W={w1，w2，…，wm}。為了將這些海量的線上教學資源進行分類，需要結合多隱層神經網絡交互程序[15]，通過多隱層神經網絡的輸入層構建交互渠道，得到多隱含層神經網絡X型函數表達式如下：

式中，多隱層神經網絡的神經元表示為x1，x2，…，xn，它們相對應的權重值表示為w1，w2，…，wn。再利用多隱層神經網絡的數據處理功能，對傳遞完成后的英語教學資源信息進行處理，最終得到輸出層的結果。

綜上所述，利用多隱層神經網絡完成對教學交互程序的應答研究，多隱層神經網絡中的隱含層數目nH為：上式中，在多隱層神經網絡中，輸出層的神經元數量為m，輸入層的神經元數量為n。從而實現了系統的軟件設計。

5 系統測試分析

教學交互系統在功能測試中，主要包括日志收集、數據推薦和多用戶測試等，具體為：(1)日志收集。測試點擊、收藏、評估和觀看時間，準確記錄用戶登錄系統的有效行為；(2)大數據推薦。測試對終端進行在線教學交互行為的持續生成，查看推薦的教學資源變化，根據用戶行為刷新和更新用戶的推薦列表；(3)多用戶測試。測試推薦模塊和多個用戶交互行為，全部用戶能夠正常接收到推薦的視頻列表。

交互系統可以很好地處理多用戶并發的情況，通過更新用戶登錄系統的行為，為用戶推薦英語線上教學資源列表，為用戶推薦其感興趣的英語線上教學資源，說明基于多隱層神經網絡的英語線上教學交互系統可以根據用戶的興趣愛好，為其推薦教學資源。

完成系統的功能測試之后，又通過內存使用狀況和交互性兩個指標，測試了系統的性能，系統的內存使用狀況測試結果如圖5所示。

從圖5的結果可以看出，交互系統在實現英語線上教學時，最大內存只有4MB，當英語教學資源數量在80 個以內時，系統的內存使用狀況呈現緩慢上升趨勢，之后基本趨于穩定的狀態，說明系統在內存使用狀況方面具有一定的穩定性。

為了驗證交互系統在實際應用中的性能，在1342 名學生中隨機挑選100 名學生，測試系統的交互性，結果如圖6所示。

從圖6的結果可以看出，應用本系統時，得到的英語線上教學信息提交次數，基本上與英語線上教學信息的反饋次數一致，通過分析英語線上教學的主動交互曲線和被動交互曲線，發現兩條交互曲線具有比較劇烈的波動，說明系統具有頻繁的交互次數，可以向用戶反饋相應的英語教學信息，當用戶在使用過程中發現問題時，系統也可以針對不同的問題給出不同的解釋。

6 結束語

本文提出了基于多隱層神經網絡的英語線上教學交互系統，在多隱層神經網絡的基礎上，設計了英語線上教學交互系統的硬件和軟件，實現了英語線上教學交互。測試結果顯示，本文設計的英語線上教學交互系統不僅具有強大的功能，在性能方面也具有很大優勢，均能滿足用戶的使用需求。