輸入神經元分析

將本研究的四大類輸入資料(資訊呈現元件平均點選次數、資訊呈現元件平 均點選比率、資訊呈現元件平均停留時間、鏈結型態)及 Bias node 排列組合後，

共分為十五組，主要希望了解在類神經輸入元的資料中哪一類的資料影響性最 大，將十五組分別訓練及測試，如表3.4。

表3.4、輸入神經元

組別 輸入神經元 輸入神經元

個數

1 點選次數、閥值 15+1=16

2 點選比率、閥值 15+1=16

3 停留時間、閥值 15+1=16

4 鏈結型態、閥值 3+1=4

5 點選次數、點選比率、閥值 15+15+1=31 6 點選次數、停留時間、閥值 15+15+1=31 7 點選比率、停留時間、閥值 15+15+1=31 8 點選次數、鏈結型態、閥值 15+3+1=19 9 點選比率、鏈結型態、閥值 15+3+1=19 10 停留時間、鏈結型態、閥值 15+3+1=19 11 點選次數、點選比率、停留時間、閥值 15+15+15+1=46 12 點選次數、點選比率、鏈結型態、閥值 15+15+3+1=34 13 點選次數、停留時間、鏈結型態、閥值 15+15+3+1=34 14 點選比率、停留時間、鏈結型態、閥值 15+15+3+1=34 15 點選次數、點選比率、停留時間、鏈結

型態、閥值 15+15+15+3+1=49 上述十五組實驗的類神經網路訓練次數皆為5000 次，這是經過好幾次的實 驗所發現的最佳訓練次數。而學習速率依據經驗取 0.5 或 0.1 到 1.0 間的值作為

學習速率的值，大都可得到良好的收斂性。(葉怡成, 2001, P4-17)因此在本實驗中 取0.7 作為訓練時的學習速率，希望能夠達到良好的收斂性。而在轉換函數中主 要利用雙曲正切函數(Tanhaxon: _{x x}

x x

e e

e e

−

−

+

− )進行轉換。

表3.5、15 組類神經架構

組別 類神經網路架構* 學習速率 轉換函數

1 16_10_4 0.7 Tanhaxon

2 16_10_4 0.7 Tanhaxon

3 16_10_4 0.7 Tanhaxon

4 4_4_4 0.7 Tanhaxon

5 31_18_4 0.7 Tanhaxon

6 31_18_4 0.7 Tanhaxon

7 31_18_4 0.7 Tanhaxon

8 19_12_4 0.7 Tanhaxon

9 19_12_4 0.7 Tanhaxon

10 19_12_4 0.7 Tanhaxon

11 46_25_4 0.7 Tanhaxon

12 34_19_4 0.7 Tanhaxon

13 34_19_4 0.7 Tanhaxon

14 34_19_4 0.7 Tanhaxon

15 49_27_4 0.7 Tanhaxon

*類神經網路架構：輸入神經元_隱藏神經元_輸出神經元

根據所分的十五個組別，利用收集學習者在教學網站上30 分鐘的總瀏覽時 間資料，輸入了結合類神經網路以及基因演算法所找出最佳實驗結果，我們將它 整理成表3.6。

表3.6、十五組架構的最佳評量結果 實驗

組別

注重

人際 精熟 理解 自我

表達 總準確率 MSE 1 68% 40% 50% 33% 47.75% 0.0519 2 64% 40% 67% 42% 53.25% 0.0564 3 60% 60% 67% 58% 61.25% 0.0478 4 48% 20% 17% 25% 27.50% 0.0698

(續)表 3.6、十五組架構的最佳評量結果 實驗

組別

注重

人際 精熟 理解 自我

表達 總準確率 MSE 5 76% 60% 67% 58% 65.25% 0.0456 6 76% 60% 67% 83% 71.50% 0.0405 7 60% 40% 83% 75% 64.50% 0.0392 8 68% 60% 50% 50% 57.00% 0.0456 9 60% 40% 33% 58% 47.75% 0.0475 10 64% 20% 83% 67% 58.50% 0.0453 11 80% 60% 83% 75% 74.50% 0.0256 12 72% 60% 67% 75% 68.50% 0.0462 13 68% 80% 83% 67% 74.50% 0.0455 14 64% 80% 83% 67% 73.50% 0.0357 15 84% 80% 83% 75% 80.50% 0.0262

表3.6 中主要說明了在各組實驗中四種認知型態能夠判斷正確的比率，而總 準確率則是說明在該次實驗中全部能夠正確判斷認知型態的比率。經由表3.6 中 可以整理出以下幾個結論：

1、經由訓練架構中的一、二、三、四組架構可以看出，「資訊呈現元件平均 停留時間」對於了解學習者的認知型態影響最大，「資訊呈現元件平均點 選比率」次之，「資訊呈現元件平均點選次數」第三，而「鏈結型態」的 影響最小。

2、經由訓練架構中的十一、十五組的結果可以看出，第十一組架構利用「資 訊呈現元件平均點選次數」、「資訊呈現元件平均點選比率」與「資訊呈 現元件平均停留時間」三種輸入元的組合可加強對四種認知型態的判 斷，且從MSE 的結果中發現此組合的誤差減少了許多，而第十五組架構 增加了「鏈結型態」的輸入神經元，只多增加了百分之四的正確率，故

「鏈結型態」的輸入神經元影響整體判斷的準確率最低。

3、經由第十五組架構訓練的結果中可以清楚看出，在考慮越多的因素可以 提升判斷準確率，因此經由「資訊呈現元件平均點選次數」、「資訊呈現 元件平均點選比率」、「資訊呈現元件平均停留時間」與「鏈結型態」此

四種輸入元足夠了解學習者的認知型態。

由表3.6 中可以清楚了解在類神經網路訓練過所建立的適性化模型測試的結 果，並且從中挑選出一組最佳的模型進行使用者模型建立。所挑選出來的模型 中，總準確率為 81%，而各個認知型態的個別準確率為 75%到 84%之間，可以 了解建立出來的模型相當良好，表示經由類神經網路訓練出來的結果是相當能夠 預測出認知型態，並且判斷錯誤的機會較低。

經由第十五組架構訓練可以了解利用「資訊呈現元件平均點選次數」、「資訊 呈現元件平均點選比率」、「資訊呈現元件平均停留時間」與「鏈結型態」四種輸 入元預測準確率皆接近80%，如表 3.7。每一行表示已知的認知型態為何，而每 一列表示實際使用模型預測的認知型態，例如預期型態為注重人際且輸出型態為 注重人際的總人數為21 位，表示正確判斷認知型態的總共有 21 位；由表 3.7 中 可以清楚看出在每一個認知型態判斷的結果都有不錯的預測結果。

表3.8、測試資料預測結果

總人數 正確人數 準確率

注重人際型 25 21 84%

精熟型 5 4 80%

理解型 6 5 83%

自我表達型 12 9 75%

總人數 48 39 81%