證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型

盧信文

摘 要： 為了獲得更優(yōu)的教學(xué)質(zhì)量評(píng)估結(jié)果，提高教學(xué)效果，利用證據(jù)理論處理不確定性問(wèn)題的優(yōu)點(diǎn)，提出證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型。利用非線性擬合能力的神經(jīng)網(wǎng)絡(luò)對(duì)教學(xué)質(zhì)量進(jìn)行評(píng)估，構(gòu)建證據(jù)體，通過(guò)證據(jù)理論對(duì)教學(xué)質(zhì)量最終評(píng)估結(jié)果進(jìn)行決策，采用Matlab仿真工具箱進(jìn)行有效性測(cè)試。測(cè)試結(jié)果表明，該模型克服了傳統(tǒng)模型評(píng)估結(jié)果的不確定性，提高了教學(xué)質(zhì)量的評(píng)估精度，評(píng)估結(jié)果對(duì)提高教學(xué)質(zhì)量具有一定的實(shí)際意義。

關(guān)鍵詞： 教學(xué)質(zhì)量； 評(píng)估模型； 證據(jù)體； 結(jié)果融合； 神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN711?34； TP391.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）15?0119?03

Abstract： A teaching quality evaluation model based on evidence theory and neural network is proposed to acquire the better evaluation result of teaching quality， and improve the teaching effect， which is on the basis of the advantage that the evidence theory can handle the uncertain items. The neural network with nonlinear fitting ability is used to evaluate the teaching quality， and construct the evidence body. The final evaluation result of teaching quality is decided with evidence theory. The validity of the model is tested by means of Matlab simulation tool. The test results show that the model can eliminate the uncertainty of the evaluation result， improve the evaluation accuracy of teaching quality， and its evaluation result has a certain practical significance to improve the teaching quality.

Keywords： teaching quality； evaluation model； evidence body； results fusion； neural network

0 引 言

教學(xué)質(zhì)量評(píng)估是一個(gè)十分復(fù)雜的過(guò)程，對(duì)于教學(xué)管理具有十分重要的研究意義。教學(xué)質(zhì)量不僅影響學(xué)生成績(jī)，而且會(huì)對(duì)教學(xué)效果產(chǎn)生一定的影響[1]。影響教學(xué)質(zhì)量的因素十分復(fù)雜，這給準(zhǔn)確評(píng)估課堂教學(xué)質(zhì)量增加了難度，因此，建立一個(gè)科學(xué)、精度高的教學(xué)質(zhì)量評(píng)估模型面臨巨大的挑戰(zhàn)[2]。

教學(xué)質(zhì)量評(píng)估受到了高校的高度關(guān)注，起初一些管理員對(duì)教學(xué)質(zhì)量進(jìn)行評(píng)估，有時(shí)也要求學(xué)生對(duì)教學(xué)質(zhì)量進(jìn)行評(píng)估，它們均屬于人工評(píng)估方式，評(píng)估精度低，無(wú)法客觀描述真實(shí)的教學(xué)質(zhì)量[3]。為了克服人工方式的不足，高校建立了基于專家系統(tǒng)的教學(xué)質(zhì)量評(píng)估系統(tǒng)，通過(guò)收集大量的教學(xué)質(zhì)量信息進(jìn)行評(píng)估，但評(píng)估過(guò)程繁鎖，耗時(shí)長(zhǎng)，而且評(píng)估結(jié)果極不科學(xué)[3]。隨著計(jì)算機(jī)水平的不斷發(fā)展，出現(xiàn)了基于計(jì)算機(jī)的教學(xué)質(zhì)量自動(dòng)評(píng)估模型，如采用模糊算法、神經(jīng)網(wǎng)絡(luò)等，它們對(duì)教學(xué)質(zhì)量的變化特點(diǎn)進(jìn)行不斷的擬合，達(dá)到實(shí)現(xiàn)教學(xué)質(zhì)量的評(píng)估目的。在這些評(píng)估模型中，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力、容錯(cuò)能力相對(duì)更好，成為主要的教學(xué)質(zhì)量評(píng)估方法。在實(shí)際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)通過(guò)誤差反向傳播使得教學(xué)質(zhì)量評(píng)估誤差盡可能的小，但易陷入局部極小點(diǎn)，使得教學(xué)質(zhì)量評(píng)估結(jié)果不穩(wěn)定[4?5]。為了解決BP神經(jīng)網(wǎng)絡(luò)存在的局限性，有學(xué)者提出了小波神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)將小波函數(shù)引入到建模中，非線性學(xué)習(xí)能力更強(qiáng)，獲得了比BP神經(jīng)網(wǎng)絡(luò)更優(yōu)的教學(xué)質(zhì)量評(píng)估結(jié)果[6?8]。然而教學(xué)質(zhì)量變化比較復(fù)雜，單一小波神經(jīng)網(wǎng)絡(luò)只能從一個(gè)方面對(duì)教學(xué)質(zhì)量的內(nèi)容進(jìn)行描述，評(píng)估結(jié)果有待進(jìn)一步改善。再加之教學(xué)質(zhì)量的不確定性，單一神經(jīng)的教學(xué)質(zhì)量評(píng)估結(jié)果的錯(cuò)誤率高，經(jīng)常出現(xiàn)錯(cuò)誤評(píng)估情況[9?10]。

證據(jù)理論[11]是一種可以處理不確性問(wèn)題的方法，為解決復(fù)雜教學(xué)質(zhì)量評(píng)估問(wèn)題提供了一種新的途徑。為了獲得更好的教學(xué)質(zhì)量評(píng)估結(jié)果，提出了證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型。仿真實(shí)驗(yàn)結(jié)果表明，該模型克服了傳統(tǒng)模型評(píng)估結(jié)果的不確定性，提高了教學(xué)質(zhì)量的評(píng)估精度。

1 神經(jīng)網(wǎng)絡(luò)和證據(jù)理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種典型的前饋網(wǎng)絡(luò)，不僅具有正向傳播功能，同時(shí)有誤差反向傳播功能，通過(guò)誤差反向傳播對(duì)不同層之間的權(quán)值進(jìn)行修正，不斷向誤差最小的問(wèn)題解進(jìn)行逼近，結(jié)構(gòu)如圖1所示。

1.2 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入小波變換，采用小波基函數(shù)代替Sigmoid函數(shù)，可以大幅度提高非線性擬合逼近能力[11]。當(dāng)含有個(gè)輸入節(jié)點(diǎn)，個(gè)隱含節(jié)點(diǎn)數(shù)時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

設(shè)為輸出層的期望值，那么有：

1.3 證據(jù)理論

設(shè)表示一個(gè)識(shí)別框架，而和表示中的兩個(gè)獨(dú)立的基本概率值，和表示焦元，當(dāng)時(shí)，可以得到：

2 證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型

基于證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型工作流程如圖3所示。由圖3可知，首先收集教學(xué)質(zhì)量評(píng)估的樣本，并進(jìn)行歸一化處理；然后將歸一化后的樣本輸入BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量初步評(píng)估結(jié)果，并將兩者的結(jié)果進(jìn)行歸一化處理產(chǎn)生基本概率分配，形成證據(jù)體；最后采用證據(jù)融合和決策規(guī)則得到教學(xué)質(zhì)量的最終評(píng)估結(jié)果。

3 仿真實(shí)驗(yàn)

3.1 樣本數(shù)據(jù)

為了分析證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型性能，在Matlab 2014平臺(tái)上進(jìn)行仿真測(cè)試，首先將收集的多個(gè)教學(xué)質(zhì)量評(píng)估指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，與相應(yīng)的教學(xué)質(zhì)量等級(jí)組成學(xué)習(xí)樣本。教學(xué)質(zhì)量等級(jí)共分為4種：優(yōu)秀、良好、一般、不合格，共收集到1 000個(gè)樣本，800個(gè)樣本作為訓(xùn)練樣本，其他作為測(cè)試樣本。把優(yōu)秀、良好、一般、不合格記為A1，A2，A3和A4，每一個(gè)樣本教學(xué)質(zhì)量等級(jí)只屬于其中一種，即且（為第個(gè)教學(xué)質(zhì)量樣本，表示教學(xué)質(zhì)量等級(jí)，2，3，4）。對(duì)于每一個(gè)測(cè)試，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行初步評(píng)估，并將評(píng)估值作為證據(jù)體的基本概率分配。

3.2 結(jié)果與分析

將測(cè)試樣本輸入BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立教學(xué)質(zhì)量評(píng)估模型，它們的教學(xué)質(zhì)量評(píng)估結(jié)果如圖4所示。從圖4可以發(fā)現(xiàn)，單一BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估精度低，無(wú)法客觀對(duì)實(shí)際教學(xué)質(zhì)量進(jìn)行描述。采用證據(jù)理論對(duì)BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的評(píng)估結(jié)果進(jìn)行融合，得到的教學(xué)質(zhì)量評(píng)估精度更高，評(píng)估結(jié)果更加合理和科學(xué)。

全部模型的教學(xué)質(zhì)量評(píng)估結(jié)果錯(cuò)誤率如圖5所示，從圖5可知，本文模型的錯(cuò)誤率要遠(yuǎn)遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估錯(cuò)誤率，評(píng)估結(jié)果更加可信，是一種科學(xué)、高精度的教學(xué)質(zhì)量評(píng)估模型。

4 結(jié) 語(yǔ)

根據(jù)證據(jù)理論分析隨機(jī)性問(wèn)題的優(yōu)點(diǎn)，結(jié)合神經(jīng)網(wǎng)絡(luò)良好的非線性擬合能力，提出證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)估模型，通過(guò)具體數(shù)據(jù)對(duì)該模型的有效性進(jìn)行分析，可以得到如下結(jié)論：

（1） 該模型可以對(duì)教學(xué)質(zhì)量進(jìn)行有效、客觀評(píng)估，并且具有良好的通用性。

（2） 相對(duì)于單一的教學(xué)質(zhì)量評(píng)估模型，該模型提高了教學(xué)質(zhì)量的評(píng)估精度，而且評(píng)估結(jié)果更加可信、科學(xué)合理。

（3） 該模型有效降低了教學(xué)質(zhì)量評(píng)估的誤差，評(píng)估結(jié)果與期望值更加接近，從多個(gè)角度描述了教學(xué)質(zhì)量的內(nèi)容，評(píng)估結(jié)果可以用于指導(dǎo)老師的實(shí)際教學(xué)，具有很好的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 馮虹，鄒華，魏文元.馬爾可夫鏈在教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].天津師范大學(xué)學(xué)報(bào)，1999，19（1）：5?9.

[2] 丁家玲，葉金華.層次分析法和模糊綜合評(píng)判在教師課堂教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)，2003，56（2）：241?245.

[3] 趙立新，王石安，賴元峰.教學(xué)質(zhì)量評(píng)估的定量比較評(píng)價(jià)模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2005，35（1）：12?17.

[4] 吳虹.基于模糊綜合評(píng)判法的高校教師教學(xué)質(zhì)量評(píng)價(jià)體系的構(gòu)建[J].統(tǒng)計(jì)與決策，2010（3）：166?168.

[5] 洪月華.基于模糊綜合評(píng)價(jià)的課堂教學(xué)質(zhì)量數(shù)據(jù)挖掘[J].計(jì)算機(jī)科學(xué)，2008，35（2）：154?156.

[6] 孫曉玲，王寧，梁艷.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型及仿真[J].計(jì)算機(jī)仿真，2010（11）：314?318.

[7] 徐欣，徐立鴻.教學(xué)質(zhì)量評(píng)價(jià)與預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法[J].統(tǒng)計(jì)與決策，2009（20）：159?160.

[8] 許敏，王士同.PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)在教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（20）：5327?5332.

[9] 蔡錦錦.基于BP神經(jīng)網(wǎng)絡(luò)的新型課堂教學(xué)質(zhì)量評(píng)價(jià)方法[J].繼續(xù)教育，2011（2）：23?25.

[10] 新佳，龍熙華，韓波.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)模型研究[J].教育教學(xué)論壇，2011（14）：222?223.

[11] 辛玉林，鄒江威，徐世友，等.DSmT理論在綜合敵我識(shí)別中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2010，32（11）：2385?2388.