人工智能算法在高校性教育模式的研究与应用

人工智能算法在高校性教育模式的研究与应用

祁萌1   ,王艳2

1.成都大学，四川 成都，610106

2.成都工业学院，四川 成都，610071

摘要：大学生处于人生发展的关键期，是性生理和性心理逐渐成熟的时期，良好的性健康教育是十分必要且紧迫的。拟采用人工神经网络算法通过参考大量文献中的调查数据构建数据模型，通过构造的数据模型、根据高校学生的特点、输入特征值、选择出适合高校的性教育模式。

Absrtact：college students are in the critical period of their life development, which is the period when their sexual physiology and psychology gradually mature. Good sexual health education is very necessary and urgent. It is proposed to use artificial neural network algorithm to build a data model by referring to a large number of survey data in the literature. Through the constructed data model, according to the characteristics of college students, input eigenvalues, and select the education mode suitable for colleges and universities.

1. 引言：大学生性教育的有效开展受诸多因素的影响，而性教育模式是影响性教育效果的关键因素之一。越来越多的国内外教育工作者将目光聚焦到如何有效开展大学生性教育上来，并提出了诸多性教育模式，以期更好地促进大学生的健康成长。
2. 人工智能算法

人工智能算法有很多种类、有人工神经网络、专家系统、支持向量机、模糊理论、人工免疫系统等。本项目采用的是人工神经网络。人工神经网络（Artificial Neural Network, ANN）,通常简称为之神经网络，数据处理模型的建立是在生物神经网络的启发下。神经网络是由大量的人工神经元相互连接进行计算的，它是根据外界的信息改变自身的结构，它具备解决实际中问题的能力，因为它的建模主要是通过调整神经元之间的权值。神经网络的自学习和自适应性强，还具备非线性、鲁棒性与容错性。常用于建立数据模型、用于分类、预测等的数据处理。

3 高校性教育现状

大学生目前的性教育存在基础较差、水平较低的特点。在我国高校的培养方案中，课程类别有通识课程。性教育课程本来应该在通识课程中的选修课中出现，遗憾的是在规定的通识课程和专业课程中都没有看到，高校性教育几乎缺位，这种现象在中国高校可能不是个案。  大学生的性教育普遍不够重视，使本应该在大学生心理健康教育课程中涉及的性教育变成流于形式，另外，也很少有教师愿意主动承担，因此，性教育工作难以落到实处。

4. BP神经网络算法与改进

4.1 工作信号正向传播

n、q、m分别代表输入层、隐含层、输出层节点数，从输入层到输出层彼此之间的权值分别为vki和wjk，隐含层和输出层的传递函数分别为和，隐含层节点的输出为：

          （1）

输出层节点的输出为：

        （2）

4.2  误差信号反向传播

  首先对误差函数进行定义，学习样本的输入为P个，分别表示为x1,x2,…,xp。当第p个样本输入进网络之后，输出为ypj(j=1,2,…,m)。本次采用的函数为平方型误差函数，最终得到的样本误差Ep为：

     （3）

式中：tjp为期望输出。P个样本的全局误差为：   

    （4）

用累计误差BP算法调整输出层权值的变化、即wjk，使全局误差E逐渐变小，即 （5）

式中：为学习率，定义误差信号为：

    （6）

其中第一项：

    （7）

第二项：

                （8）

是输出层传递函数的偏微分。于是：

         （9）

由链定理得：

    （10）

输出层的权值调整公式为：

    （11）

    隐含层权值的变化，隐含层权值的调整采取与输出层权值调整相似的方式，从而得到隐含层各神经元的权值调整公式为：

 （12）

4.3  BP神经网络的改进

BP算法理论在使用中有一些难以克服的局限性，如需要的参数比较多、容易陷入局部最优、样本依赖性强等。关于BP神经网络的改进，有基于确定初始权值和阈值的改进和有对算法的改进以及对于网络结构的改进[2]。

关于BP神经网络本身的最速下降BP法的改进有动量BP法、牛顿法等。本文选用的是动量BP法，在标准BP算法权值的更新阶段引入动量因子

α，使得权值修正值具有惯性即：

  （13）

对于初始权值和阈值的确定采用粒子群算法

，利用其全局寻优能力来根据对应数据确定最优的权值和阈值。

4.4 粒子群算法原理

PSO算法就是利用其全局寻优能力来寻求最优值，每个粒子的位置随机确定，对应的速度表示为：vi=(vi1,vi2，…,viw)，用xi＝（xi1,xi2，…,xiw）代表粒子的位置[3]，历史最优值pi，pi=(pi1,pi2,pi3，…,piw)，i=1,2，…,n;全部粒子搜索的最优值pg只有一个，pg=(pg1,pg2,

…,pgw);速度的更新公式为：

(14)

位置的更新公式为：

(15)

w为惯性权重,通常设置c1,c2为2，r为1，ζ、η是[0,1]区间内均匀分布的随机数。

参考文献：

[1]在校大学生性教育现状调研与对策[J]. 夏卉芳.  中国性科学. 2016(07)

[2]同伴教育模式在大学生性教育中的应用效果评价[J]. 连大帅,洪翔,李珊,夏煜桐,张天一,王蓓.中国学校卫生. 2016(05)

[3]近十年我国大学生性教育研究综述[J]. 彭明芳,谢华.  四川理工学院学报(社会科学版). 2014(04)

项目来源：由四川性社会学与性教育研究中心人工智能算法在高校性教育模式的研究与应用（SXJYB2023）课题资助