朱慶生　曹情情　白秀云

摘 要：本文研究神經(jīng)網(wǎng)絡在線上教學質(zhì)量評價中的應用，利用深度神經(jīng)網(wǎng)絡，從在線點擊率、視頻學習進度、上課視頻狀態(tài)、作業(yè)完成率、學習頻率等行為數(shù)據(jù)，測量、評價教學狀態(tài)，構(gòu)建基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評價模型，結(jié)合我校MOOC課程、直播課程等在線課程的教學實際數(shù)據(jù)來訓練模型，給出了線上教學質(zhì)量評價的一般方法。

關鍵詞：線上教學評價；BP神經(jīng)網(wǎng)絡；教學大數(shù)據(jù)；數(shù)據(jù)挖掘

中圖分類號：G642? 文獻標識碼：A? 文章編號：1673-260X（2023）04-0064-06

1 高校開展在線教學的意義

在互聯(lián)網(wǎng)技術時代，信息技術廣泛應用于教育行業(yè)，數(shù)字化、網(wǎng)絡化、智慧化的學習方式越來越流行[1]。在線教學，是指通過互聯(lián)網(wǎng)技術或其他數(shù)字手段進行的教育和培訓，它已經(jīng)成為傳統(tǒng)面對面教育外另一種很受歡迎的選擇。我省各高校均開設了大量的在線課程，疫情期間我校所有課程全面建立了線上資源，保障了教學工作的正常有序?qū)嵤?/p>

（1）在線教學內(nèi)容的可重復性促進學生對專業(yè)知識的學習和理解。線上教學內(nèi)容的可重復性意味著在線教學平臺上的課程內(nèi)容可以被學生多次觀看、操作、實踐，這種特性對于學生學習知識具有巨大的幫助。學生可以通過多次聽課，加強知識學習，進一步掌握理解知識的方式。同時，可重復性也可以使學生更容易回顧所獲得的知識，以加深記憶力，防止知識點被遺忘。

（2）在線學習的自主性可以提供學生個性化學習的機會。網(wǎng)絡教學的自主性是指鼓勵學生根據(jù)自己的課程學習和需求，選擇課程內(nèi)容，學生可以根據(jù)個人興趣愛好與需求選擇知識和教學方法。這種教學方式大大降低了學生的時間成本和精力，而且能夠提升學生的學習成績，滿足學生的個性化要求。因此，在線學習的自主性是一種有效且個性化的學習方法，可以讓學生擁有更輕松的學習氛圍、獨立性和快樂感，有助于增加他們學習和成長的內(nèi)在動力。

（3）在線教學互動性和協(xié)作性有助于提高師生交流和合作意識。在線教學支持交互性和協(xié)作性，通過在線平臺提供的討論板、聊天室等工具，使學生和教師可以互相溝通和合作，提升了師生之間的溝通能力和協(xié)作能力。這樣可以讓學生們更好地理解課程內(nèi)容，有利于更好地進行課堂教學。通過老師和學生之間的支持與合作，不僅開闊他們的視野，拓寬他們知識的體系，而且有利于提升學生團隊合作能力。

2 高校線上教學質(zhì)量評價存在的困難

2.1 高校線上教學的形式

線上課程的教學方式多樣，包括翻轉(zhuǎn)課堂、大學開放課程、MOOC課程等。許多高等院校開設的網(wǎng)絡課程都是采用線上和線下結(jié)合的教學方式。高校網(wǎng)絡公開課改革已成為網(wǎng)絡教育研究的熱點，互聯(lián)網(wǎng)教學改革涉及互聯(lián)網(wǎng)課堂教學在課題設計、教學策略和課程評價等方面效率和效果，及其如何鼓勵學習者積極開展課程內(nèi)容活動和批判性思考學習。

近些年，在我國高等院校網(wǎng)上教學和互聯(lián)網(wǎng)開放學科的建設與教學改革取得了一定的成果，但也存在諸多問題。網(wǎng)上課程資源的問題多在于課程規(guī)劃缺乏科學性，課程理念不夠先進，課程設計不夠合理[1]，課程資源不夠優(yōu)質(zhì)，課程評價不夠有效等。在線課程學習的問題在于學生的平均流失率較高或?qū)W習完成率偏低，學習者的知識水平側(cè)重于認知層次，很少能夠達到應用和復雜應用的水平。學習者對在線課程感興趣程度差異是造成該問題的關鍵性原因，知識比較碎片化，實際解決問題能力上有差異，學習的批判性水平也有待提高。

2.2 目前高校在線課程教學質(zhì)量評價存在的困難

高校在評估網(wǎng)絡課程教學質(zhì)量時面臨著幾個困難，其一標準化問題：開發(fā)一個可以在不同機構(gòu)和學科之間普遍應用的標準評估系統(tǒng)是一項挑戰(zhàn)。其二數(shù)據(jù)收集問題：由于教師與學生之間缺乏實時互動，很難收集到在線教學的準確數(shù)據(jù)，難以準確捕捉教學效果。其三主觀性問題：在線教學評估可能會有偏差，因為學生可能會根據(jù)教學質(zhì)量以外的因素來評價他們的教師，比如課程難度或個人關系。其四缺乏反饋：在線學生可能得不到與傳統(tǒng)課堂環(huán)境下相同水平的反饋，因此很難評估教師教學方法的影響。其他還有互動有限性問題：在線課程缺乏傳統(tǒng)課程提供的面對面互動和協(xié)作機會，這使得評估教學效果和學生參與度具有挑戰(zhàn)性。

在線教育教學也包含著非常復雜的內(nèi)部規(guī)律，使用一般意義上的分析模型很難使評估更接近實際情況的結(jié)論。正是由于這個原因，目前，對高校教學質(zhì)量的評估主要通過教學監(jiān)督評估和客觀指標（如考試成績、出勤率、家庭作業(yè)完成情況等）相結(jié)合來評估。

3 神經(jīng)網(wǎng)絡算法在教育領域應用場景

3.1 線上課程大數(shù)據(jù)特征

在線教育大數(shù)據(jù)不同于傳統(tǒng)教育數(shù)據(jù)，有以下特征：第一，規(guī)模大。在線教育大數(shù)據(jù)涵蓋了與教育相關的所有記錄，數(shù)據(jù)量龐大。第二，類型多樣。在線教育大數(shù)據(jù)包括學生的學習行為數(shù)據(jù)，課程數(shù)據(jù)，學校數(shù)據(jù)等，類型繁多。第三，連續(xù)性強。在線教育大數(shù)據(jù)是在線學習過程中不斷積累的，每一條數(shù)據(jù)都反映了學習者的行為及進步。第四，價值密度低。在線教育大數(shù)據(jù)中，很多數(shù)據(jù)不能直接等同于教育信息[4]，需要進行進一步的分析處理。第五，具有多媒體數(shù)據(jù)。在線教育大數(shù)據(jù)包括圖像，語音，文本三種不同類型的數(shù)據(jù)。

為了更好地挖掘教育大數(shù)據(jù)，需要使用圖像信息識別、文本數(shù)據(jù)分析、語音數(shù)據(jù)分析等技術。深度學習在處理這三種數(shù)據(jù)方面表現(xiàn)出色，因此各大高校開始將深度學習算法引入在線教育大數(shù)據(jù)挖掘領域，以更加準確和有效地探索教育問題。

3.2 神經(jīng)網(wǎng)絡算法

深度學習是一項新的機器學習技術，由Hinton教授提出，因其提高了神經(jīng)網(wǎng)絡的效率，受到了學術界的注意。深度學習神經(jīng)網(wǎng)絡是一個多層網(wǎng)絡，包括輸入、隱藏和輸出層[5]。其多層結(jié)構(gòu)可以接近復雜的函數(shù)。深度學習可以擬合任意復雜函數(shù)，不同的神經(jīng)網(wǎng)絡模型可以從數(shù)據(jù)中提取特征[4]，增強識別能力。也能保存長期狀態(tài)，維護數(shù)據(jù)之間的連接。相比其他方法，深度學習算法更靈活和準確，在語音識別、圖像識別、情感分析等領域有重要作用[10]。神經(jīng)網(wǎng)絡算法是解決復雜問題的流行方法，因能從數(shù)據(jù)中學習和歸納，即使是在有噪聲或不完整信息的情況下。

神經(jīng)網(wǎng)絡算法在教育領域應用于各種場景，如學習資源推薦、學習行為分析、在線教學質(zhì)量評價、學生學習效果預測等。神經(jīng)網(wǎng)絡算法可以處理大量的數(shù)據(jù)，并通過模型訓練和學習來提取特征，進而對教育進行更加準確的預測和評價。這不僅可以提高課程教學質(zhì)量與效率，而且有利于改善學生的學習成效。

神經(jīng)網(wǎng)絡算法在教育領域的應用方式非常多樣化。主要有以下的應用方式：（1）學習評價。神經(jīng)網(wǎng)絡算法可以評價學生的學習表現(xiàn)情況，進而對學生的學習成效做出有效的評價。（2）教學內(nèi)容推薦。神經(jīng)網(wǎng)絡算法能夠通過對比學生們的學習狀況、學習能力及學習設計風格，從而為學生推薦合適的教學內(nèi)容。（3）教學課件生成。神經(jīng)網(wǎng)絡算法可以通過分析教師的教學風格，教學內(nèi)容，教學方法等信息，從而生成適合教師教學風格的課件。（4）在線教學評價。神經(jīng)網(wǎng)絡算法可以通過分析在線教學內(nèi)容，課件，教師教學風格等信息，從而評價在線教學的質(zhì)量。（5）學習路徑生成。神經(jīng)網(wǎng)絡算法可以通過分析學生的學習風格，學習能力等信息，從而為學生生成適合學生學習風格的學習路徑。

3.3 基于神經(jīng)網(wǎng)絡技術的在線教育大數(shù)據(jù)挖掘流程

基于神經(jīng)網(wǎng)絡技術的在線教育大數(shù)據(jù)挖掘流程主要包括以下幾個步驟：

（1）數(shù)據(jù)預處理。由于在線教育大數(shù)據(jù)獨有的特征表現(xiàn)，從在線教育系統(tǒng)中收集大量的數(shù)據(jù)中可能存在缺失值、異常值、噪聲等，因此需要對數(shù)據(jù)進行清理、格式化等預處理工作，使得數(shù)據(jù)更適合挖掘分析。

（2）特征工程。根據(jù)數(shù)據(jù)的具體情況，選取有價值的特征，并對特征進行轉(zhuǎn)換、縮放等工程處理，使得數(shù)據(jù)更適合神經(jīng)網(wǎng)絡分析。

（3）神經(jīng)網(wǎng)絡模型設計。根據(jù)數(shù)據(jù)特征以及問題要解決的任務，選擇合適的神經(jīng)網(wǎng)絡模型，并進行設計、訓練。

（4）神經(jīng)網(wǎng)絡模型驗證。對神經(jīng)網(wǎng)絡模型進行驗證，判斷模型的準確率和效果，并對模型進行調(diào)整和改進。

（5）神經(jīng)網(wǎng)絡模型應用。根據(jù)神經(jīng)網(wǎng)絡模型的結(jié)果，對在線教育數(shù)據(jù)進行挖掘分析，得出有意義的結(jié)論。

這五個步驟通過神經(jīng)網(wǎng)絡算法，在線教育課程教學質(zhì)量評價可以實現(xiàn)對課程教學效果的多維度、精確評價，有助于提高教育教學質(zhì)量，提升學習效果。基于神經(jīng)網(wǎng)絡技術的在線教育大數(shù)據(jù)挖掘流程圖如圖1所示。

4 基于BP神經(jīng)網(wǎng)絡線上教學質(zhì)量評價模型的構(gòu)建

BP神經(jīng)網(wǎng)絡作為機器學習的一種重要算法，可以有效地評價線上教育的質(zhì)量。這里介紹基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評價方法的過程。

4.1 線上教學質(zhì)量評價指標體系設計

課程評價指標體系是高校教師教學和學生學習情況的反饋。有助于推動課程改革、促進課程建設、提高教學質(zhì)量。其中，線上教學質(zhì)量評價指標體系是評估線上教學質(zhì)量的一系列指標。常見的線上教學評價指標：學生參與度（包括學生對課程內(nèi)容的反饋、評論以及參與討論）、學生學習成果（包括學生的測試成績和課程作業(yè)）、教師教學表現(xiàn)（包括教師的教學方法、使用的教學資源以及課堂環(huán)境的管理）、課程內(nèi)容（包括課程的內(nèi)容、資源和教學計劃的實施情況）、技術支持（包括設備和技術的可靠性以及在線教學系統(tǒng)的易用性）。此外，通過對這些指標的評估，線上教學質(zhì)量評價指標體系可以幫助高校評估線上教學質(zhì)量，有助于及時改進在線教學風格。針對學生學習追蹤的結(jié)果不僅僅是提供給學生和教師一個學習結(jié)果評價，更需要通過評價結(jié)果來幫助學生意識并調(diào)整個人的線上學習狀態(tài)，以達到更好的學習效率。

線上教學過程追蹤的數(shù)據(jù)包括：用戶信息（包括學生的個人信息，如姓名、年齡、性別、學校信息等）、學習行為數(shù)據(jù)（包括學生的學習時間、學習內(nèi)容、學習頻率、學習進度等）、學習成績數(shù)據(jù)（包括學生在課程中的考試成績、作業(yè)分數(shù)、項目成績）、課程內(nèi)容數(shù)據(jù)（包括課程結(jié)構(gòu)、課件、題目、知識點等）、教師數(shù)據(jù)（包括教師的課程得分、教學方式、教學評價）如表1所示。這些數(shù)據(jù)可以通過線上教學平臺的日志、數(shù)據(jù)庫、教師手工輸入等方式獲取。利用這些數(shù)據(jù)可以對學生的學習情況、課程質(zhì)量、教師教學質(zhì)量等進行評價，為高校提供重要的決策依據(jù)。

4.2 BP神經(jīng)網(wǎng)絡線上教學質(zhì)量評價模型

根據(jù)現(xiàn)有的在線教育環(huán)境和在線學習的常見方式[3]，提出基于BP神經(jīng)網(wǎng)絡的學生學習行為評價可采用的評價模型，如圖2所示[3]。

BP神經(jīng)網(wǎng)絡線上教學質(zhì)量評價模型的構(gòu)建步驟一般如下：

（1）數(shù)據(jù)收集。首先需要準備用于訓練和評估神經(jīng)網(wǎng)絡的數(shù)據(jù)。這些數(shù)據(jù)可以是用戶的評價，每個評價的分數(shù)以及可能的其他關鍵因素，如課程名稱、課程內(nèi)容、教師能力等。與此同時，結(jié)合我校在校生課程學習情況，從學生信息系統(tǒng)中收集初始樣本數(shù)據(jù)，確定輸入層、隱含層、輸出層節(jié)點個數(shù)以及期望值。

（2）數(shù)據(jù)預處理。對原始數(shù)據(jù)進行預處理，提取有用的特征，并對數(shù)據(jù)進行標準化處理。

（3）構(gòu)建模型。根據(jù)評價指標體系構(gòu)建BP神經(jīng)網(wǎng)絡模型。

本文采用3層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)，如圖3所示。BP神經(jīng)網(wǎng)絡線上教學質(zhì)量評價模型的輸入層是該模型的第一層，是模型處理數(shù)據(jù)的第一個關鍵點。輸入層需要以一種明確的方式來表達線上教學數(shù)據(jù)，以便模型對數(shù)據(jù)進行分析和評估。

（4）模型訓練。對構(gòu)建好的模型進行訓練，得到最優(yōu)參數(shù)。

參數(shù)設置，輸入層與輸出的節(jié)點個數(shù)均根據(jù)具體問題確定，并無嚴格要求隱藏層的數(shù)量，層數(shù)可以為一層或多層?？聽柲窳_夫的理論已經(jīng)證明，任何給定的連續(xù)函數(shù)φ：X一Y，X∈Rn，Y∈[0，1]m，φ可以通過一個三層的神經(jīng)網(wǎng)絡精確地實現(xiàn)[2]。

除此之外，在隱藏層中使用太少的神經(jīng)元可能導致欠擬合狀況[7]。反過來，使用過多的神經(jīng)元可能致使過度擬合[7]，進而難以實現(xiàn)預期的效果。因此，在隱藏層挑選適度數(shù)量的神經(jīng)元一樣重要?？衫媒?jīng)驗公式（1）確定隱含層神經(jīng)元數(shù)量Lh，表示為：

表達式（1）中，Lt為訓練集的樣本數(shù)據(jù)，Li為輸入層神經(jīng)元個數(shù)，L0為輸出層神經(jīng)元個數(shù)，？茁為任意變量，通常取[2，10]區(qū)間的常數(shù)。激活函數(shù)擬采用的是Logistic函數(shù)。再用softmax函數(shù)對系統(tǒng)輸出值進行反歸一化處理[8]。學習率、訓練集和測試集均通過實驗反復調(diào)整來確定。

BP算法實現(xiàn)，應用SPSS軟件進行仿真實驗，步驟如下：

步驟1：利用公式（2）對輸入層數(shù)據(jù)歸一化處理

其中X為輸入數(shù)據(jù)分量，Xmin和Xmax分別表示在訓練數(shù)據(jù)集中該分量的最小值和最大值[6]。經(jīng)過輸入層標準化后，得到的數(shù)值在區(qū)間[0，1]中。

步驟2：搭建前向神經(jīng)網(wǎng)絡，并進行訓練。

步驟3：輸出預測結(jié)果，驗證模型的有效性，如通過交叉驗證法等。

步驟4：將訓練好的模型應用到線上教學的評價中，得到線上教學質(zhì)量評價結(jié)果。計算評價模型的精度和可靠性，并對模型進行優(yōu)化。

5 實驗及結(jié)果分析

5.1 實驗過程

5.1.1 數(shù)據(jù)收集

本項目擬收集數(shù)據(jù)集的規(guī)模為2個學年20門專業(yè)課約1000名同學在線課程互動信息（學習狀態(tài)信息）。以BP神經(jīng)網(wǎng)絡模型中的結(jié)果作為線上教學質(zhì)量評價預測值。將學生評教、學院綜合考核融合得分作為BP神經(jīng)網(wǎng)絡模型中的真實值，結(jié)合表1先線上教學行為數(shù)據(jù)結(jié)構(gòu)展示學生學習行為狀態(tài)數(shù)據(jù)，如表2所示。

5.1.2 數(shù)據(jù)預處理

通常情況下，預處理線上教學數(shù)據(jù)可以是學生的學習行為數(shù)據(jù)、教師的教學數(shù)據(jù)等。這些數(shù)據(jù)需要被轉(zhuǎn)化為模型可以識別的數(shù)字，以便模型進行處理。因此，在表達線上教學數(shù)據(jù)時，需要對每一種類型的數(shù)據(jù)進行分別處理，以便在輸入層中表示。例如，對于學生的學習行為數(shù)據(jù)，可以利用0/1等數(shù)字表示。

5.1.3 模型訓練

（1）參數(shù)設置。將表1中指標X1、X2、X3、X4…X9、X11作為10個輸入層數(shù)據(jù)，X12是由前10個指標基于BP神經(jīng)網(wǎng)絡模型對課程名稱（X10）作為輸出層的預測值，表2中評課得分Y作為輸出層的真實值。輸入層與輸出層節(jié)點數(shù)分別為10、1。根據(jù)公式（1），隱藏層層數(shù)為5、每層神經(jīng)元個數(shù)相等均為10，訓練結(jié)果最佳。經(jīng)過反復測驗比較分析，發(fā)現(xiàn)迭代次數(shù)為1000時訓練效果最佳。同時，將學習率設定為0.05，訓練集占比為0.7。

（2）BP算法實現(xiàn)。學生評學指標體系使用SPSS軟件進行仿真實驗，根據(jù)式（2）對各指標數(shù)據(jù)進行歸一化處理，得到測試數(shù)的預測結(jié)果，如表3所示。

5.2 結(jié)果分析

基于MSE、RMSE、MAE、MAPE、R2指標對模型進行分析比較，輸出結(jié)果如表4所示。其中將預測值跟只使用均值的情況下相比表示R2的值，結(jié)果越靠近1模型準確度越高。教學評估中的BP神經(jīng)網(wǎng)絡R2的值為0.976，表明模型具有確定的參考價值。

表3展示了訓練集和測試集的線上行為數(shù)據(jù)指標，通過量化指標來衡量BP神經(jīng)網(wǎng)絡回歸的預測效果。其中，通過交叉驗證集的評價指標可以不斷調(diào)整超參數(shù)，以得到可靠穩(wěn)定的模型。基于BP神經(jīng)網(wǎng)絡模型所構(gòu)建的評學體系預測該門課程的教學質(zhì)量如圖4所示。

圖4中菱形標記的折線表示學生針對相應課程評教的課程得分，作為基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評價模型的真實值；圓點標記的折線表示由文中構(gòu)建的BP神經(jīng)網(wǎng)絡模型就線上行為數(shù)據(jù)即X1、X2…X9、X11等10個指標，對20門課程教學質(zhì)量的預測值。

通過表3的對比及圖4的分析可得，在可接受的預測精度范圍內(nèi)[9]，表明基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評價模型是有效、合理的。從應用來看，該課程的教學質(zhì)量預測值X12可以近似為傳統(tǒng)課程主觀評教得分Y。

本研究創(chuàng)建的三層BP神經(jīng)網(wǎng)絡線上教學質(zhì)量評價方法，在對BP神經(jīng)網(wǎng)絡基本原理、模型構(gòu)建方法、指數(shù)值估計方法等進行詳細解釋和分析的基礎上，檢查了基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評估方法的有效性和穩(wěn)定性。從研究結(jié)果可知，基于BP神經(jīng)網(wǎng)絡的線上教學質(zhì)量評估方法是一種比較合理的線上教學質(zhì)量評估方法。

——————————

參考文獻：

〔1〕宋倩倩，曹玉娟，劉振海.深度學習視角下高校在線開放課程教學改革初探[J].鹽城工學院學報（社會科學版），2018，31（04）：83-85.

〔2〕梅強，范茜.基于BP神經(jīng)網(wǎng)絡的高新技術企業(yè)自主創(chuàng)新能力評價研究[EB/OL].（2011/6/8）[2023/2/12].http：//219.231.8.39/s/com/baidu/w enku/G.https/view/48f0d317c281e53a5802ffa9？_ wkts_=1676270264593.

〔3〕劉明春.基于BP神經(jīng)網(wǎng)絡的在線學習行為評價模型[EB/OL].（2015/7/25）[2023/2/12].https：//www.doc88.com/p-9032358207792.htmt.

〔4〕陳德鑫，占袁圓，楊兵.深度學習技術在教育大數(shù)據(jù)挖掘領域的應用分析[J].電化教育研究，2019， 40（02）：68-74.

〔5〕謝麗強.基于BP神經(jīng)網(wǎng)絡下的煤炭上市公司融資風險預警研究[D].太原：山西財經(jīng)大學，2018.

〔6〕張鋼，等.深度學習技術在高校教學質(zhì)量評價中的應用研究[J].電腦與電信，2017，23（10）：6-8.

〔7〕馮雨萌.基于深度神經(jīng)網(wǎng)絡的上市公司價值評估應用研究[J].佳木斯職業(yè)學院學報，2022，38（08）：50-52.

〔8〕池永為.滾動軸承故障的振動特性分析與智能診斷方法研究[D].無錫：浙江大學，2018.

〔9〕鄭永，陳艷.基于BP神經(jīng)網(wǎng)絡的高校教師教學質(zhì)量評價模型[J].重慶理工大學學報（自然科學版），2015，29（01）：86-90.

〔10〕郭昌健.基于訂單流不平衡的股指期貨套利研究[D].濟南：山東大學，2021.

〔11〕S. H. Hong， “Application of BP Neural Networks in Teaching Quality Evaluation，” Machine Building & Automation， vol.34， Dec. 2005， pp. 160-162.

〔12〕W. D. Qiao， “Teaching Quality Evaluation of Modern Distance Education based on BP Neural Networks，” Distance Education in China， no.25， Jul. 2006， pp. 69-71.

收稿日期：2023-02-17

通訊作者：白秀云（1964-），女，內(nèi)蒙古赤峰市人，副教授。研究方向：生物學科教學及編輯規(guī)范。

基金項目：安徽省質(zhì)量工程重點教學研究項目（2020jyxm0359）；安徽省質(zhì)量工程重大教學研究項目（2018jyxm1147）；安徽省質(zhì)量工程重大教學研究項目（2020jyxm0329）；省級示范實驗實訓中心（2019sxzx14）