多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)在本科教學(xué)評(píng)價(jià)中的應(yīng)用

肖永良，朱韶平，賀燦衛(wèi)，程余余

（湖南財(cái)政經(jīng)濟(jì)學(xué)院信息管理系，湖南長(zhǎng)沙410205）

多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)在本科教學(xué)評(píng)價(jià)中的應(yīng)用

肖永良，朱韶平，賀燦衛(wèi)，程余余

（湖南財(cái)政經(jīng)濟(jì)學(xué)院信息管理系，湖南長(zhǎng)沙410205）

為了解決高校教師教學(xué)質(zhì)量評(píng)價(jià)不全面、主觀性過強(qiáng)等問題，提出了采用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)本科教學(xué)效果的方法.首先采用主成分分析從原始指標(biāo)特征中提取有效信息，極大地減少了指標(biāo)之間的相關(guān)性；其次，再通過建立類似于大腦神經(jīng)突觸信息神經(jīng)網(wǎng)絡(luò)處理模型，實(shí)現(xiàn)對(duì)本科教學(xué)效果的自動(dòng)評(píng)價(jià).實(shí)驗(yàn)結(jié)果表明，相對(duì)于其他評(píng)價(jià)方法，該方法具有更好的泛化性能，能提高本科教學(xué)的評(píng)價(jià)效果.

本科教學(xué)效果；多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)；人工智能

《國(guó)家中長(zhǎng)期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》要求積極探索并制定出符合自身發(fā)展要求的教學(xué)質(zhì)量評(píng)價(jià)體系.目前很多本科學(xué)校對(duì)教學(xué)效果進(jìn)行評(píng)價(jià)時(shí)，常采用的方法有絕對(duì)、相對(duì)評(píng)估法和綜合評(píng)價(jià)法等簡(jiǎn)單的方法，人們對(duì)評(píng)價(jià)過程中存在的問題進(jìn)行了深入研究[1-4].基于現(xiàn)代統(tǒng)計(jì)理論的層次分析法[5]、權(quán)重分析法[6]和模糊綜合評(píng)價(jià)法[7]等也逐漸引入至本科教學(xué)效果評(píng)價(jià)過程中，取得了較好的評(píng)價(jià)效果.但這些方法還存在很多需要改進(jìn)的問題，如傳統(tǒng)的層次分析法需要憑借經(jīng)驗(yàn)確定參數(shù)，同時(shí)評(píng)價(jià)過程若過分依賴專家經(jīng)驗(yàn)，容易導(dǎo)致評(píng)價(jià)結(jié)果與實(shí)際情況存在較大的誤差.實(shí)際上本科教學(xué)活動(dòng)是一個(gè)涉及多方面的復(fù)雜過程，影響教學(xué)效果的因素眾多，影響程度也不一致，最后導(dǎo)致評(píng)價(jià)結(jié)果難以用恰當(dāng)?shù)臄?shù)學(xué)解析表達(dá)式來表示.針對(duì)此問題，本文利用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)能模擬人類思維過程的特點(diǎn)，讓神經(jīng)元產(chǎn)生多元反應(yīng)，進(jìn)行本科教學(xué)效果分類評(píng)價(jià).通過實(shí)驗(yàn)與比較，證明了所構(gòu)建的評(píng)價(jià)模型能提高教學(xué)效果評(píng)價(jià)的準(zhǔn)確性，為本科教學(xué)效果評(píng)價(jià)提供新的實(shí)現(xiàn)途徑.

1 多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種由正向與反向傳播構(gòu)成的誤差修正學(xué)習(xí)模型，其輸出信號(hào)與輸入信號(hào)之間可以表示為一個(gè)復(fù)雜的非線性關(guān)系，具有自適應(yīng)學(xué)習(xí)、非線性逼近、易于訓(xùn)練和聯(lián)想記憶等特點(diǎn)[8].然而，由于神經(jīng)元采用簡(jiǎn)單的激勵(lì)函數(shù)，導(dǎo)致普通神經(jīng)網(wǎng)絡(luò)模型分類效果較差.為此，本文采用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)[9]，讓神經(jīng)元產(chǎn)生多元反應(yīng)，進(jìn)行多類分類識(shí)別.

多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三層.輸入信號(hào)首先前向傳播至隱含層節(jié)點(diǎn)，經(jīng)節(jié)點(diǎn)激活后，再將其輸出信號(hào)傳播至輸出節(jié)點(diǎn)輸出結(jié)果（如圖1所示）.

圖1 多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

激活函數(shù)一般采用標(biāo)準(zhǔn)Sigmoid函數(shù)：

其中α為常量，該類型的神經(jīng)網(wǎng)絡(luò)只能進(jìn)行兩類分類.為了實(shí)現(xiàn)對(duì)本科教學(xué)效果進(jìn)行多分類評(píng)價(jià)，采用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)價(jià)模型，激活函數(shù)為：

輸出層的輸出 yi可以表示為隱含層基函數(shù)φi(x)的線性加權(quán)

式中ωij為隱含層第i個(gè)節(jié)點(diǎn)到輸出層第 j個(gè)節(jié)點(diǎn)之間的連接權(quán)系數(shù)，m為隱含層節(jié)點(diǎn)個(gè)數(shù).

對(duì)輸出節(jié)點(diǎn)進(jìn)行歸一化處理，取歸一化后最大的為該節(jié)點(diǎn)的類別：

假如滿足下列條件

則判別X∈Lj，即輸入信號(hào)屬于第j類.

2 本科教學(xué)效果評(píng)價(jià)

2.1 有效指標(biāo)特征提取

對(duì)本科教學(xué)效果進(jìn)行評(píng)價(jià)時(shí)，由于影響評(píng)價(jià)效果的指標(biāo)眾多，同時(shí)各指標(biāo)之間不可避免地存在信息冗余，因此有必要從中提取有效指標(biāo)特征后再利用神經(jīng)網(wǎng)絡(luò)模型分類處理.主成分分析的基本思想是通過變量的相關(guān)系數(shù)矩陣內(nèi)部結(jié)構(gòu)的研究，找出少數(shù)幾個(gè)變量去描述多個(gè)變量的相關(guān)關(guān)系，并最大限度保留原來數(shù)據(jù)集的變化信息[10].設(shè)有n個(gè)樣本和p個(gè)變量的樣本集合矩陣為X∈Rn×p，采用主成分分析的本科教學(xué)有效指標(biāo)特征的提取過程如下：

①教學(xué)數(shù)據(jù)預(yù)處理.為消除各個(gè)教學(xué)指標(biāo)由于量綱和單位不一致產(chǎn)生的影響，在評(píng)價(jià)之前做標(biāo)準(zhǔn)化處理產(chǎn)生標(biāo)準(zhǔn)矩陣X′，計(jì)算公式如下：

其中xˉj和sj分別為指標(biāo)變量xj的均值和方差.

②計(jì)算教學(xué)指標(biāo)特征值和特征向量.首先建立相關(guān)矩陣R，即

式中X′為標(biāo)準(zhǔn)矩陣.求解自相關(guān)矩陣R特征值λ=[λ1,λ2,...,λp]，并將其從大到小排序，同時(shí)求解對(duì)應(yīng)的征向量U=[u1,u2,...,up].

③確定教學(xué)指標(biāo)主成分個(gè)數(shù).分別計(jì)算方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率

主成分的個(gè)數(shù)選擇取決于累計(jì)方差貢獻(xiàn)率.通常選擇累計(jì)方差貢獻(xiàn)率超過85%對(duì)應(yīng)的前p個(gè)主成分.

④根據(jù)特征向量計(jì)算教學(xué)指標(biāo)的主成分矩陣

2.2 教學(xué)效果評(píng)價(jià)過程

本科教學(xué)效果評(píng)價(jià)過程分為三個(gè)主要過程，首先是建立評(píng)價(jià)指標(biāo)體系，然后利用主成分分析方法提取有效特征，最后利用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，教學(xué)效果評(píng)價(jià)過程如圖2所示.

圖2 本科教學(xué)效果評(píng)價(jià)流程圖

教學(xué)效果評(píng)價(jià)的具體步驟如下：

（1）輸入績(jī)效評(píng)價(jià)指標(biāo).首先將教學(xué)效果評(píng)價(jià)分為教學(xué)態(tài)度、講授能力、教學(xué)內(nèi)容、教學(xué)方法、教師育人和教學(xué)效果等功能模塊，然后將其細(xì)化為n個(gè)評(píng)價(jià)指標(biāo)作為評(píng)價(jià)模型的輸入.

（2）有效指標(biāo)特征提取.采用主成分分析法對(duì)原始指標(biāo)特征進(jìn)行主成分分析處理，確定有效特征.

（3）確定神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu).采用三級(jí)多級(jí)Sig?moid神經(jīng)網(wǎng)絡(luò)，節(jié)點(diǎn)采用Sigmoid激勵(lì)函數(shù).

（4）計(jì)算輸出節(jié)點(diǎn)值.輸出層節(jié)點(diǎn)值是隱含層基函數(shù)的輸出進(jìn)行線性加權(quán)組合.

（5）判斷輸出節(jié)點(diǎn)類別，確定輸入屬于第幾類.

3 實(shí)驗(yàn)結(jié)果與分析

本文從教學(xué)態(tài)度、講授能力、教學(xué)內(nèi)容、教學(xué)方法、教師育人和教學(xué)效果幾個(gè)方面對(duì)本科教學(xué)效果進(jìn)行評(píng)價(jià)，將其細(xì)化為以下評(píng)價(jià)指標(biāo)：教學(xué)態(tài)度、教學(xué)工作量、教學(xué)方法、教學(xué)效果、教學(xué)論文、學(xué)生滿意度、學(xué)科建設(shè)、學(xué)生獲獎(jiǎng)、團(tuán)隊(duì)精神、責(zé)任心、個(gè)性和風(fēng)格等共20個(gè)指標(biāo).其中責(zé)任心指標(biāo)主要考察教師課前、課中和課后的責(zé)任態(tài)度.個(gè)性和風(fēng)格指標(biāo)主要考慮教師是否有自己的教學(xué)特色，能否不斷進(jìn)行教學(xué)創(chuàng)新，將知識(shí)最大限度傳授給學(xué)生.為消除各個(gè)教學(xué)指標(biāo)由于量綱和單位不一致產(chǎn)生的影響，在評(píng)價(jià)之前做標(biāo)準(zhǔn)化處理.然后根據(jù)標(biāo)準(zhǔn)數(shù)據(jù)建立相關(guān)矩陣，求解累計(jì)方差貢獻(xiàn)率獲得有效特征.測(cè)試所用硬件環(huán)境為CPUCeleron2.6GHz,2GB內(nèi)存，測(cè)試平臺(tái)為Windows7,測(cè)試程序在Matlab下實(shí)現(xiàn)，過程如下：首先采集數(shù)據(jù)將其標(biāo)準(zhǔn)化處理，其次利用主成分分析方法提取有效指標(biāo)特征，最后利用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，將教學(xué)效果分為優(yōu)秀、良好、合格和不合格四個(gè)等級(jí).

為驗(yàn)證本文算法的有效性，采用多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)、權(quán)重分析法和模糊綜合評(píng)價(jià)法作為對(duì)比模型，建立本科教學(xué)效果評(píng)價(jià)模型.評(píng)價(jià)模型的輸入教學(xué)效果評(píng)價(jià)指標(biāo)，主成分個(gè)數(shù)由累計(jì)方差貢獻(xiàn)率超過85%的主成分自動(dòng)確定，評(píng)價(jià)模型的輸出分為優(yōu)秀、良好、合格和不合格四類，神經(jīng)網(wǎng)絡(luò)采用Sig?moid激活函數(shù)，利用BP算法對(duì)多級(jí)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最終該網(wǎng)絡(luò)能將教學(xué)效果分類為優(yōu)秀、良好、合格和不合格，評(píng)價(jià)結(jié)果如圖3所示.

圖3 三種教學(xué)效果評(píng)價(jià)方法的性能對(duì)比

對(duì)比圖中三種本科教學(xué)效果評(píng)價(jià)方法結(jié)果可知，在三種教學(xué)效果評(píng)價(jià)模型中，本文提出的多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)模型有最好的評(píng)價(jià)效果，分別超過權(quán)重分析法和模糊綜合評(píng)價(jià)法4.3%和2.5%.這表明利用主成分分析方法從原始指標(biāo)中提取的有效特征，采用多級(jí)Sigmoid建立的評(píng)價(jià)模型具有更好的性能.在實(shí)際操作中，如對(duì)所得到的評(píng)價(jià)結(jié)果有疑問，可將該樣本加入訓(xùn)練集重新學(xué)習(xí)模型參數(shù)，以獲得更為合理的本科教學(xué)效果評(píng)價(jià)模型.

4 結(jié)語(yǔ)

本文利用基于統(tǒng)計(jì)分析理論的主成分分析方法從原始指標(biāo)信息中提取有效指標(biāo)特征，將提取后的特征作為多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)本科教學(xué)效果進(jìn)行評(píng)價(jià).該方法有效地降低了數(shù)據(jù)的相關(guān)性，減少了輸入數(shù)據(jù)的維數(shù)，降低了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的難度.同時(shí)通過建立類似于大腦神經(jīng)突觸信息多級(jí)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)本科教學(xué)效果的自動(dòng)評(píng)價(jià).實(shí)驗(yàn)結(jié)果表明，本文提出的評(píng)價(jià)方法具有更好的評(píng)價(jià)效果，進(jìn)一步的工作是對(duì)模型進(jìn)行實(shí)證分析，不斷改進(jìn)，最終運(yùn)用于實(shí)際的本科教學(xué)效果評(píng)價(jià).

[1]李寶斌,許曉東.高校課堂教學(xué)效果的教師評(píng)價(jià)維度探究[J].中國(guó)大學(xué)教學(xué),2011(8):65-68.

[2]陳薇.探究高校本科教學(xué)中存在的問題和改革措施[J].佳木斯教育學(xué)院學(xué)報(bào),2014,139(5):187-189.

[3]葉懷凡.我國(guó)高等教育質(zhì)量評(píng)價(jià)研究的困境與超越[J].宜賓學(xué)院學(xué)報(bào),2010,10(10):104-106.

[4]尹明明.對(duì)高校教師教學(xué)效果評(píng)價(jià)后信息反饋的思考[J].中國(guó)社會(huì)科學(xué)院研究生院學(xué)報(bào),2010(4):141-144.

[5]耿方方,阮曉龍.基于區(qū)間層次分析法的多媒體教學(xué)效果模糊綜合評(píng)估[J].電腦知識(shí)與技術(shù),2011(9):6220-6222.

[6]呂佳佳,聶傳朋.權(quán)重分析法在生物教學(xué)效果評(píng)價(jià)中的應(yīng)用[J].阜陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版),2011,28(2):85-88.

[7]黃迪民,孫佳燕.基于模糊綜合評(píng)價(jià)法的高校實(shí)踐教學(xué)效果評(píng)價(jià)[J].廣西社會(huì)科學(xué),2008(5):194-197.

[8]杜莉,張建軍.神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)仿真,2011,28(10):297-300.

[9]譚論正,夏利民,夏勝平.基于多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)的城市交通場(chǎng)景理解[J].國(guó)防科技大學(xué)學(xué)報(bào),2012,34(4):132-137.

[10]周松林,茆美琴,蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù),2011,35(9):128-132.

【編校：王露】

ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNetwork

XIAOYongliang,ZHUShaoping,HECanwei,CHENYuyu
（DepartmentofInformationManagement,HunanUniversityofFinanceandEconomics,Changsha,Hunan410205,China）

Inordertoimprovetheincompleteandsubjectiveevaluationofuniversityteachingquality,anewteaching qualityevaluationmethodbyusingmulti-levelsigmoidneuralnetworkwasproposed.Someeffectiveinformationwasex?tractedfromtheoriginalinputinformationbyusingtheprincipalcomponentanalysistoreducethecorrelativityamongin?putvariables.Thenthemulti-levelsigmoidnetworkmodel,whichsimulatetheinformationprocessinginhumanbrain synapse,wasestablishedtoevaluatetheteachingqualityautomatically.Theexperimentalresultsshowthegeneralization performanceandeffectivenessoftheproposedmethod.

universityteachingquality;multi-levelsigmoidneuralnetwork;artificialintelligence

TP393.0

A

1671-5365(2015)12-0025-03

肖永良，朱韶平，賀燦衛(wèi)，等.多級(jí)Sigmoid神經(jīng)網(wǎng)絡(luò)在本科教學(xué)評(píng)價(jià)中的應(yīng)用[J].宜賓學(xué)院學(xué)報(bào),2015,15(12):25-27. XIAOYL,ZHUSP,HECW,etal.ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNet?work[J].JournalofYibinUniversity,2015,15(12):25-27.

2015-09-08修回：2015-10-08

湖南省教育廳資助科研項(xiàng)目（15B040）

肖永良（1978-），男，副教授，博士，研究方向?yàn)槟Ｊ阶R(shí)別理論及應(yīng)用

時(shí)間：2015-10-0815:20

http://www.cnki.net/kcms/detail/51.1630.z.20151008.1520.001.html