郭華鋒 于萍 李志 李菊麗 何紹華 張萬利

摘要：探討人工神經(jīng)網(wǎng)絡技術在本科教學質(zhì)量評價中的應用，分析了當前的研究現(xiàn)狀，并指出了其中的關鍵問題?；趥鹘y(tǒng)問卷調(diào)查采用人工神經(jīng)網(wǎng)絡可以建立本科教學質(zhì)量智能評價模型，實現(xiàn)教學各因素與教學質(zhì)量之間精準預測，有助于分析和提取影響教學質(zhì)量的有效因素，從而有助于高校教學管理和教師教學質(zhì)量的提高。

關鍵詞：神經(jīng)網(wǎng)絡；教學質(zhì)量；評價；應用

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2019）05-0213-03

教學質(zhì)量關系著人才培養(yǎng)質(zhì)量，是高校辦學的基石。近年來隨著學生不斷擴招，教學質(zhì)量不斷滑坡，已引起高校管理者及教師的關注。如何提高教學質(zhì)量成為高校管理者和一線教師共同面臨的問題。深入挖掘影響教學質(zhì)量的因素和建立有效的評價體系是提高教學質(zhì)量的關鍵途徑。然而影響教學質(zhì)量的因素眾多，評價指標和評價結(jié)果之間存在著復雜的非線性關系，傳統(tǒng)的分析和評價方法難以描述[1]。而以人工神經(jīng)網(wǎng)絡和遺傳算法為代表的人工智能技術不需要建立復雜的數(shù)學模型，通過輸入樣本的學習和訓練可以探求數(shù)據(jù)中的內(nèi)在規(guī)律，建立輸入輸出間的正確映射關系，使評價模型更易于建立，結(jié)果更客觀可靠。因此，基于人工智能算法建立教學質(zhì)量的智能評價模型已經(jīng)成為該領域最富有潛力的前沿研究方向之一。人工神經(jīng)網(wǎng)絡以其強大的非線性信息處理能力，可克服傳統(tǒng)人工智能方式對于非結(jié)構化信息處理等方面的缺陷，已經(jīng)廣泛用于神經(jīng)專家系統(tǒng)、模式識別、智能預測和控制等領域[2]。

通過人工神經(jīng)網(wǎng)絡技術建立高校教學質(zhì)量智能評價模型，實現(xiàn)教學質(zhì)量的有效預測甚至優(yōu)化，可以為教學質(zhì)量評價和監(jiān)控提供一定的參考價值。

一、人工智能技術在教學質(zhì)量評價中應用的現(xiàn)狀

如何科學、合理地進行教學質(zhì)量評價一直是高校教學管理部門面臨的現(xiàn)實問題。目前大多數(shù)高校都是采用傳統(tǒng)的督導評價和專家打分。但由于教學質(zhì)量評價指標較多，專家評價易受個人學識水平和經(jīng)驗等因素影響，帶來較大的人為誤差和主觀性[3]。目前采用人工智能技術進行教學質(zhì)量評價已經(jīng)成為該領域的研究熱點。羅菊川[1]等人在制定評價指標體系的基礎上，利用BP神經(jīng)網(wǎng)絡理論構建合理、有效的計算機繪圖教學質(zhì)量評價模型，并對學校的計算機繪圖課程的教學質(zhì)量進行了評價，找出存在的問題，為今后的教學改革提供方向。馮瑩瑩[4]等人提出一種基于層次分析法和神經(jīng)網(wǎng)絡相融合的教學質(zhì)量評價方法。結(jié)果表明該方法簡化了神經(jīng)網(wǎng)絡的結(jié)構，提高了評價精度和評價效率。周世官[5]等人提出了用模糊神經(jīng)網(wǎng)絡來評價教師的課堂教學質(zhì)量的方法，仿真計算表明，采用數(shù)學模型具有較好的評價效果。許敏[6]等人利用粒子群優(yōu)化算法訓練的神經(jīng)網(wǎng)絡建立教學質(zhì)量評估數(shù)學模型。使用由PSO訓練的BP模型來擬合影響教師教學質(zhì)量評價的眾多指標與評價結(jié)果之間的復雜關系，結(jié)果表明該模型可以很好地進行教學質(zhì)量評價。左國平[7]等人構建了一種基于模糊理論與神經(jīng)網(wǎng)絡的高校教師教學質(zhì)量評價體系。該模型將教學評價指標概念量化成確定的數(shù)據(jù)作為網(wǎng)絡的輸入，模糊綜合評價結(jié)果作為輸出。該方法既克服了評價主體在評價過程中的主觀因素，又得到了滿意的評價結(jié)果，具有廣泛的適用性?？梢钥闯瞿壳安捎萌斯ぶ悄芗夹g進行教學評價過程中采用神經(jīng)網(wǎng)絡技術的研究較多。

二、基于人工神經(jīng)網(wǎng)絡的教學質(zhì)量智能預測

1.教學質(zhì)量評價指標的建立。評價指標體系的建立直接決定著評價結(jié)果的正確性和導向性，由于影響教學質(zhì)量的因素眾多，況且每所高校自身定位和情況不同，因此評價指標體系各不相同。但總體上一般都會充分考慮從專家、教師和學生等不同角度進行設計。大部分研究者都會從教學方法、教學態(tài)度、教學內(nèi)容、教學效果等一級指標進行設計，而后劃分成若干二級指標[1，7]。這些指標基本涵蓋了教師、學生、教學管理者等要反映的問題，一般來講是較為全面的。

2.基本原理及模型建立。BP（Back Propagation）神經(jīng)網(wǎng)絡是目前應用最為廣泛和成熟的一種神經(jīng)網(wǎng)絡，無須知道明確的數(shù)學方程，只要有足夠多的樣本進行網(wǎng)絡訓練就能實現(xiàn)由任意n維空間到m維空間的非線性映射。其主要特點是信號正向傳播，誤差反向傳播。依據(jù)預測的誤差來調(diào)整網(wǎng)絡的權值和閾值，使該網(wǎng)絡預測的輸出值不斷逼近期望輸出。綜合考慮樣本的有限性和教學質(zhì)量評價問題的復雜性，一般會選擇多個可控的二級評價指標作為BP網(wǎng)絡的輸入，以教學質(zhì)量評價值作為輸出，從而建立如圖1所示的三層BP神經(jīng)網(wǎng)絡模型。對應的BP神經(jīng)網(wǎng)絡算法流程圖如圖2所示。

3.模型的實現(xiàn)。為了實現(xiàn)BP神經(jīng)網(wǎng)絡模型的計算，需要解決諸多關鍵問題。為實現(xiàn)數(shù)據(jù)的可比性，消除量綱差異的影響，需對所有樣本數(shù)據(jù)進行歸一化處理，將樣本數(shù)據(jù)全部轉(zhuǎn)化在區(qū)間[0，1]內(nèi)。網(wǎng)絡訓練完畢后在對輸出值進行反歸一化處理。歸一化函數(shù)為Matlab自帶函數(shù)Mapminmax：

隱含層數(shù)目對神經(jīng)網(wǎng)絡的適應性和容錯能力影響非常大，隱含層數(shù)目過少，網(wǎng)絡訓練困難，誤差較大；反之，則增加網(wǎng)絡訓練時間且不一定能得到最佳誤差。一般可以通過Kolmogorov定理確定：A=2B+1，其中A為隱含層個數(shù)，B為輸入層個數(shù)。在此基礎上首次確定隱含層數(shù)目，然后根據(jù)誤差大小可以以此為基礎適時調(diào)整隱含層數(shù)據(jù)，直至達到較小的訓練誤差。

BP神經(jīng)網(wǎng)絡算法的實質(zhì)是求解誤差函數(shù)的最小值問題，一般通過均方誤差來描述實際值與網(wǎng)絡輸出值之間的精度。傳遞函數(shù)是BP神經(jīng)網(wǎng)絡的重要組成部分，一般采用S型的對數(shù)或正切函數(shù)和線性函數(shù)，訓練函數(shù)一般采用train函數(shù)。

4.樣本數(shù)據(jù)的獲取。訓練樣本的獲取是保證神經(jīng)網(wǎng)絡模型正確計算的前提，樣本數(shù)據(jù)過少，很難獲得較高精度，而樣本數(shù)據(jù)過多，會影響計算速度。目前在教學質(zhì)量預測評價方面一般都是通過紙質(zhì)問卷調(diào)查的方式來獲得樣本數(shù)據(jù)。根據(jù)教學質(zhì)量評價指標設計問卷，通過匿名方式來獲得較為客觀和真實的數(shù)據(jù)。隨著智能手機和相關APP的普及，目前采用問卷星等手機APP來設計問卷和統(tǒng)計樣本數(shù)據(jù)更為便捷。

5.預測結(jié)果分析。將獲得的樣本數(shù)據(jù)按照上述方法導入到Matlab平臺中進行仿真，其中一部分樣本作為訓練樣本，另一部分作為測試樣本。當網(wǎng)絡訓練精度達到設定值時訓練停止。此時通過對比分析預測值和實際值的相對誤差即可評價網(wǎng)絡模型的可靠性和實用性。一般來講相對誤差越小，說明模型精度就越高，通常當誤差小于5%時便可以利用該模型進行預測。預測結(jié)果有助于對本校或本專業(yè)的課堂教學質(zhì)量進行定量評價，也有助于發(fā)現(xiàn)教學過程中存在的問題。羅菊川[1]等人通過建立的BP神經(jīng)網(wǎng)絡預測模型對計算機繪圖課程教學質(zhì)量進行了評價，結(jié)果表明網(wǎng)絡評價值與專家評價值非常接近，模型誤差小，精度高，可以較為準確地反映該課程的課堂教學質(zhì)量。同時給出了進一步提高該課程的教學質(zhì)量的建議：教學應更加注重以學生為本、培養(yǎng)學生創(chuàng)新思維和創(chuàng)新能力等。汪旭暉[8]等人以清華大學、北京大學、東北財經(jīng)大學、大連理工大學部分師生的問卷調(diào)查為基礎，建立了基于BP神經(jīng)網(wǎng)絡的教學質(zhì)量評價模型。結(jié)果表明所建立的教學質(zhì)量評價模型的輸出值與真實值非常接近，采用該模型能較為準確地根據(jù)各評價指標來確定教學效果。更為重要的是該模型所得出的結(jié)論可以為教學質(zhì)量評估的研究提供有意義的參考價值。

三、結(jié)束語

教學質(zhì)量評價是一個非常復雜的非線性系統(tǒng)，影響因素眾多，很難建立精確的數(shù)學模型來描述各因素與教學質(zhì)量之間的關系。而采用BP神經(jīng)網(wǎng)絡則可以建立兩者之間的非線性網(wǎng)絡模型，通過大樣本數(shù)據(jù)的訓練和測試，獲得高精度的預測模型。預測結(jié)果可以為高校教學質(zhì)量評價及教學評估提供有益的參考。

參考文獻：

[1]羅菊川，卿艷梅.基于BP神經(jīng)網(wǎng)絡的計算機繪圖課程教學質(zhì)量評價的研究及應用[J].圖學學報，2013，34（4）：140-145.

[2]夏衛(wèi)生，張海鷗，王桂蘭，等.神經(jīng)網(wǎng)絡在預測等離子噴涂Ni合金層質(zhì)量中的應用[J].機械科學與技術，2010，（8）：1008-1011.

[3]馬星.基于層次關聯(lián)理論的教學質(zhì)量評價方法[J].武漢理工大學學報：信息與管理工程版，2007，29（5）：122-125.

[4]馮瑩瑩，于干，周紅志.層次分析法和神經(jīng)網(wǎng)絡相融合的教學質(zhì)量評價[J].計算機工程與應用，2013，49（17）：235-238.

[5]周世官，蘇日娜.模糊神經(jīng)網(wǎng)絡在課堂教學質(zhì)量評價中的應用[J].計算機仿真，2008，25（5）：287-289.

[6]許敏，王士同.PSO優(yōu)化的神經(jīng)網(wǎng)絡在教學質(zhì)量評價中的應用[J].計算機工程與設計，2008，29（20）：5327-5332.

[7]左國平，謝紅艷，邱小平，等.基于神經(jīng)網(wǎng)絡的高校教師課堂教學質(zhì)量評價[J].中國現(xiàn)代教育裝備，2011，（3）：97-99.

[8]汪旭暉，黃飛華.基于BP神經(jīng)網(wǎng)絡的教學質(zhì)量評價模型及應用[J].高等工程教育研究，2007，（5）：78-81.