浅议英语水平考试焦虑—考试成绩神经网络模型的构建

来源:本站2019-06-1429 次

浅议英语水平考试焦虑—考试成绩神经网络模型的构建

论文导读:【摘要】本研究拟在英语水平考试焦虑(EPTA)和考试成绩之间构建一个神经网络预测模型,其目的是提高广大英语教师对EPTA的关注,并找到一个根据学生EPTA程度来预测其英语水平考试成绩的新策略。

  【关键词】神经网络模型;英语水平考试焦虑;英语水平考试  文章编号:1673-0380(2013)03-0030-02  1引言  虽然研究人员一致认为考试表现与考试任务和受试者的个人特性有关,但是在分数解释方面,无论经典和现代考试理论均忽略了受试者个人特性的影响。

英语水平考试焦虑(EnglishProficiencyTestAnxiety,简称EPTA,Dong,2010),作为受试者的个人特性之一的一个重要概念,更是鲜为人研究和涉及。 这种现实至少造成了如下事实:1)具备EPTA倾向的受试者的英语能力一直被误释;2)现存的所有英语水平考试的有效性均应重新评定。 鉴于此,EPTA与英语水平考试成绩的相关研究势在必行。   由于EPTA概念提出的较晚,现有研究大都是建立在考试焦虑(TestAnxiety,简称TA)的基础上。

研究人员一直尝试使用模型的方式来解释TA与考试成绩的内部机制。 于是,各种模型应运而生,如驱动-唤醒模型、认知干扰模型、技能缺乏模型及时下炙手可热的互动模型等等。

不难看出,它们都企图在TA和考试成绩之间建立线性关联,是对客观现实的过分简化,是西方线性思维的产物。

在数据分析策略上,以往的研究多采用相关分析、回归分析和SEM分析等,均未超越线性关联的范畴。

而研究已经证明TA与考试成绩之间是U型关系,而非线性关系。

  较之以往研究,本研究的创新之处在于:1)摈弃线性思维,尝试使用非线性思维方式来考虑理由;2)使用英语水平考试焦虑量表(EnglishProficiencyTestAnxietyScale,简称EPTAS)来直接测量受试者在英语水平考试情境下的焦虑程度,并基于此来预测受试者的英语水平考试成绩,比以往使用TA量表做测量的结果更为准确;3)大胆运用神经网络技术,最大限度地逼近EPTA与英语水平考试成绩之间的曲线关系。 其独特的优势在于容错能力强;预测速度快;避开了对输入量和输出量之间复杂关系的描述,可以在样本量小和噪声较多的情况下,极大地提高预测精度。   2神经网络预测模型的建立  样本和工具  本研究随机抽取20名英语专业二年级学生作为样本。

其中男、女生各占50%。

是所以选择其作样本是因为他们刚刚在本周内参加完CET-4考试。

  所有样本被安排在一个教室。 在20分钟内,填写完EPTAS的四个分量表。 总共回收到19份有效量表,量表回收率为95%。

  样本的EPTA程度使用EPTAS来测量。 该量表专门开发用于测量受试者在英语水平考试情境下的焦虑程度。 该量表分为听、说、读、写四个分量表。

其Cronbach的Alpha系数分别为、、和。

验证性因子分析结果表明EPTAS的各个分量表的RMSEA值为~,均小于行业标准;TLI为~,均大于行业标准。 EPTAS的效度符合心理测量学的要求,可以作为科学研究之用。   网络设计  在19名有效样本中任意选取5名男生和5名女生组成学习样本。 其余9名样本的数据构成测试样本。

样本在EPTAS的四个分量表的平均评分及其在CET-4中的总成绩作为输入向量和目标向量。

为了消灭量纲的不同可能带来的影响,需要对样本进行归一化处理,处理后的学习样本和测试样本如表1和表所示:  图4显示,神经网络对较高和较低成绩的预测效果不良,而对中等成绩的预测颇为准确,图4中两条曲线在第3、6和9样本处几乎重叠,在第1和2个样本处非常接近。   3总结与展望  本研究神经网络模型的模拟结果表明神经网络模型可用于预测中等成绩受试者的英语水平考试成绩,而对于高成绩者和低成绩者来说,其预测效果不良。

  结合表1中的数据,不难看出,样本4、7和8在四个分量表上的焦虑表现都是最突出的,然而其CET-4成绩却是样本中最高的,分别是、和1,这似乎昭示高EPTA水平反而能够导致高成绩。 第5个样本的EPTA程度几乎接近0,其CET-4成绩在所有样本中也是最低的,为。  英语水平考试焦虑—考试成绩神经网络模型的构建相关论文由http://收集整理提供,如需论文可联系我们. 当然,单纯依据EPTA程度来预测英语水平考试成绩是非常有限的,因为除了EPTA以外,研究业已证实尚存在其他很多影响受试者语言测试表现的因素,其中涵盖语言能力(Bachman&Palmer,1999)、自尊、成就动机和成就目标等等,它们与受试者共同构成了一个动态系统。 每名受试者的英语水平考试表现都是这些因素相互助长或抵消直至均衡的结果,是多种因素合力的表现。 鉴于此,为本研究所建立的神经网络模型增添更多的输入变量有可能提高未来预测的精度。   当然,这个系统是个混沌系统,没有规则可以完整地形容。

也许借助模型来描述一个混沌系统的企图无异于用精确的策略实现模糊的方式,其结果一定是不完美的。

  虽然在混沌系统中无序可寻是常态,但是系统对初始条件的依赖性也是客观存在的。 初始条件的微小变化会引发最终结果的差异,因此充分重视这一系统中的每个变量所可能触发的蝴蝶效应是广大英语教育工作者所不容忽视的。   References(参考文献)  [1]:ItsMeasurement,NatureandRelationshipwithOtherKindsofAnxiety,,2010..  [2]Bachman&全文地址:http:///yyyyxlw/上一论文:下一论文:没有了论文写作技巧。

  • A+
所属分类:情感婚姻