深度學習技術在高校教學質量評價中的應用研究

張鋼

（廣東工業大學自動化學院，廣東 廣州 510006）

深度學習技術在高校教學質量評價中的應用研究

張鋼

（廣東工業大學自動化學院，廣東 廣州 510006）

作為確保和促進高等教育教學質量不斷提高的重要手段之一，教學質量評價正在被廣泛研究。有效處理和分析高校教學過程中收集到的龐大原始數據，能夠為教學質量評估及其相關改進措施的制定提供決策支持。針對原始教學數據多樣性且數量大的特點，提出了一種使用深度學習技術的教學質量評估模型，采用MatConvNet構建深度神經網絡，對多種原始數據進行有機融合，能夠對教學質量實現比較準確的評估，有一定的實用價值。

深度學習；教學質量評價；深度神經網絡；數據融合

1 引言

作為確保和促進高等教育教學質量不斷提高的重要手段之一，教學質量評價正在被廣泛研究，有效處理和分析高校教學過程中收集到的龐大原始數據，能夠為教學質量評估及其相關改進措施的制定提供決策支持。教學質量可以定義為某一學校所培養的人才在素質、知識、能力等方面與學校教育目標、辦學目標相符的程度[1]。更具體地，是指某一門課程教學之后，學生在知識掌握、能力發展、素質提高等方面的水平與課程要達到的目標要求相符的程度[2]。高校教學質量評價本質上是對學生素質、知識、能力變化程度的評價。

當前國內外對高校教學質量評價進行了多層次的研究，主要采用評價指標體系的方式對教學活動、學生的學習效果及反饋進行評分，進而通過對指標體系進行加權或套用數學模型計算出代表高校教學質量的分數[3]。研究者們對指標體系進行設計，使之適用于不同的教學過程：設計指標用于描述教學程序執行的規范化程度和教學資源利用的效率；設計評估問卷了解學生對教師開展教學活動的評價，從而對教師教學活動的質量進行打分；設立教學督導，對課堂教學、教案、作業批改、考試等進行隨機的監督，借助督導的經驗對以上環節的實施質量進行評價[4]。

目前高校教學質量評價主要存在兩個困難，其一是教學原始數據的多樣性和數量巨大，使用傳統的基于確定公式的指標計算的評價方法難以得到有效的評價；其二是教學過程是一個主觀性很強的過程，其中蘊含了十分復雜的內在規律，使用一般意義上的分析模型難以得到較為接近實際情況的評價[5,6]。也正是因為這樣的原因，目前高校的教學質量評價多采用由教學督導打分與客觀指標（如考試成績、出勤率、作業上交情況等）結合的方式進行判斷[7-9]。

為了應對以上的困難和挑戰，提出一個基于深度學習模型的教學質量評價模型。深度學習（Deep Learning）是近年來非常活躍的一個機器學習研究分支，通過增加模型的深度和廣度，即增加從輸入端到輸出端的運算個數和模型的通道數，提升模型的參數規模，使模型具有表達復雜函數的能力。自2006年Hinton教授在《Science》上發表的深度神經網絡訓練方法的文章[10]之后，深度學習迅速成為研究熱點，在圖像分類、人臉識別、語音識別、人工智能等方面都有廣泛的應用[11]。在教學質量評價上使用深度學習是合適的，大量的成功應用案例表明，深度學習模型在處理數據多樣性和提取復雜的隱含規律方面十分有效，能夠有效地對專家的專業知識和經驗進行建模。

2 基于深度學習的教學質量評價模型

本模型為一個具有標準化輸入層、全連接層、屏蔽層的深度神經網絡，其中輸入層為一組實值輸入的神經元，對輸入進行歸一化后，把結果輸出到與它相鄰的全連接層，輸入層的標準化函數為：

其中v為輸入數據分量，vmin和vmax分別表示在訓練數據集中該分量的最大值和最小值。經過輸入層標準化后，得到的數值在區間[0,1]中。

全連接層中的每一個神經元與其相鄰層的所有神經元都有邊相連，每條邊有一個權值，其取值范圍是[0,1]。先對所有輸入進行加權求和，然后再輸入到一個非線性激活函數，本文采用的是Sigmoid函數，得到一個實值輸出，如公式(2)所示：

其中fi為全連接層中的第i個神經元的輸出，M為前一個層的神經元個數，vj為前一層的第j個神經元的輸入，wji是連接前一層的第j個神經元與當前神經元的邊的權值。

圖1 深度神經網絡結構示意圖

屏蔽層按照預先設定的百分比，使上一層神經元的輸出變為0，并且該層輸出不為零的神經元與下一層的所有神經元之間是全連接。在本文的工作中，根據文獻[12]的結論，預設隨機屏蔽的百分比為30%。

整個深度神經網絡按照每兩個全連接層后緊跟一個屏蔽層，根據問題的復雜程度決定需要多少個這樣的組合。圖1展示了深度神經網絡的基本結構。

最后由一個softmax輸出層得到模型對于教學質量的評估分值，softmax函數對輸入分量執行連續最大化的求值，設v=(v1,v2,…,vn)，softmax函數以連續的方式求出v中最大的分量的標準值，即：

其中u是一個模為1的方向向量，u*是最優方向向量，?xf(x)是某個神經元的誤差值，‖?‖2是2范數。通過調整訓練強度，可以改變網絡在訓練過程中的收斂速度。

3 方向向量

采用本校本科教學過程中收集到的原始教學數據，主要分為兩大類，一類是專家和學生評教指標，另一類是客觀指標。表1展示了兩大類指標的具體情況（部分）。

網絡的訓練采用誤差反向傳播梯度下降的方法，基于多元函數的方向導數從后往前求出每個神經元的誤差，然后據此調整神經元之間連接的權值，具體計算方法見公式(4)(5)：

表1 教學數據的主要指標（部分）

表1中的學生評教指標為一個問卷，包含20條選擇題，在本研究中，我們把每道選擇題的回答轉化為一個布爾向量，輸入到模型中。

整個數據集的規模為5個學年106門專業課共67188條評教信息，每條評教信息包含26個字段，其中部分字段顯示在表1中。對于連續字段，直接輸入模型，由標準化輸入層對其值進行標準化。對于離散字段，按照1-of-k編碼的方式轉化為布爾向量，之后輸入模型訓練。經過轉化后，每條評教信息的維數擴展為64。每個評教信息同時包括一個6維的目標向量，用于表示該條評教信息所反映的教學質量。

采用深度神經網絡作為評價模型，模型的結構如圖1所示。在本應用案例中，采用如表2所示的深度神經網絡。

表2 深度神經網絡的結構

其中類型列的ABCD分別代標準化輸入層、全連接層、屏蔽層和輸出層。輸入和輸出列表示每一層輸入和輸出的維數。Func列表示每一層的激活函數，對于類型為C的屏蔽層，該列表示隨機屏蔽的百分比。

整個模型的實現和訓練在著名的深度學習項目MatConv-Net[13]中進行，該項目是基于Matlab的深度學習算法實現，包括網絡配置、訓練算法和各種主流的已經訓練好的網絡模型。

為了驗證模型的有效性，把數據集分為訓練集和測試集兩個部分，其比例從1∶9至9∶1，先用訓練集訓練出一個深度神經網絡，然后再把測試集的數據輸入到已經訓練好的神經網絡，得到一組輸出，把該輸出與測試集的真實輸出進行比較，確定誤差。考慮到輸出是一個表示教學質量的6維實值向量，我們采用平均平方誤差來衡量輸出值與真實值之間的差異，如公式(6)所示：

其中hij為模型對第j個測試樣本的第i個輸出分量。

對于每種比例的數據集隨機劃分均進行10次，測試結果見表3。

表3 不同劃分比例下的測試結果

表中的MSE列為均方誤差，其計算公式為上述公式(6)。從表3中可以看到，在訓練集與測試集比例為6∶4的時候，模型有最低的測試誤差。同時也應該注意到，并非越多訓練數據模型的效果就會越好，這是由于在訓練數據過多的情況下，會引起模型對已有數據的過度擬合，模型的泛化能力反而會下降。

圖2 全連接層與屏蔽層組合對預測結果的影響

同時我們報告不同的深度神經網絡配置對模型預測結果的影響。改變網絡中類型為BBC的層組合的數量，從2至10，對于每一種配置，均運行一次網絡的訓練和預測，并記錄MSE，其結果如圖2所示。從圖中可以看出，在組合數為8的時候網絡的預測性能達到最佳值。

4 總結

本文研究了深度神經網絡在教學質量評價中的應用，并報告了一個應用例。深度神經網絡具有強大的表達能力，能夠很好地處理教學活動數據的多樣性和海量性，能夠有效提取影響教學質量的深層次規律，可以作為高校教學質量評價的輔助手段，有助于減低在評價過程中主觀因素對評價結果的影響。在今后的研究工作中，我們將對教學質量的原始數據進行進一步的整理，同時引入新的表達能力更強大的深度學習模型和更有效的評價體系，以建立更智能化的評價模型。

[1]Daniel Hickmott，et al．2016．Building apostrophe power：lessons learnt for serious games development[C]． In Proceedings of ACSW'16．ACM，New York，NY，USA，Article 70，10 pages．

[2]William L．Honig．2013．Teaching and assessing programming fundamentals for non-majors with visual programming[C]．In Proceedings of ITiCSE'13．ACM，New York，NY，USA，40-45．

[3]A．M．Whale，B．M．Scholtz，and A．P．Calitz．2015．Classification of Heuristics for Components of e-Learning[C]．In Proceedings of SAICSIT'15，ACM，New York，NY，USA，Article 43，11 pages．

[4]Charles Garrod，Jeffrey Forbes，Colleen Lewis，and Peter-Michael Osera．2016．Mentoring Student Teaching Assistants for Computer Science[C]．In Proceedings of SIGCSE'16．ACM，New York，NY，USA，702-702．

[5]Ana M．Santos．2015．Theoretical-methodological proposal to evaluate the quality of educational websites to support education[C]．In Proceedings of TEEM'15．ACM，New York，NY，USA，397-401．

[6]黃嵐．國內外大學評價體系的發展比較與演進方向探析——第三方評價的視角[J]．南京理工大學學報(社會科學版)，2016，29(2)：73-79．

[7]姜文彪，陳正偉，裘君英，等．電工電子技術實踐教學評價體系設計——以“卓越工程師教育培養計劃”為背景[J]．浙江科技學院學報，2016，27(4)：307-310．

[8]楊曉明，龍文碧，呂路平，等．基于高校學生滿意度的教學質量評價研究——以北京科技大學為例[J]．北京科技大學學報：社會科學版，2015(3)：102-113．

[9]袁建林，袁景．遼寧省高校教師教學質量評價[J]．當代教育實踐與教學研究（電子版），2015(7)：219-220．

[10]Hinton，G．E．&Salakhutdinov，R．R．Reducing the dimensionality of data with neural networks[J]．Science，2006，313，504-507．

[11]Bengio，Y．Deep Learning of Representations：Looking Forward[C]．Proceedings of the First International Conference on Statistical Language and Speech Processing，Springer-Verlag，2013：1-37．

[12]Krizhevsky，A．;Sutskever，I．&Hinton，G．E．ImageNet Classification with Deep Convolutional Neural Networks[C]．Advances in Neural Information Processing Systems，2012．

[13]MatConvNet--Convolutional Neural Networks for MATLAB[C]．Proceeding of the ACM Int．Conf．on Multimedia，2015．

Research on theApplication of Deep Learning Technology in University Teaching QualityAssessment

Zhang Gang
(Guangdong University of Technology,Guangzhou 510006,Guangdong)

As one of the key methods for ensuring and improving the teaching quality of university,teaching quality assessment has been widely studied.Effectively processing and analyzing the big original dataset collected during teaching procedure can provide the basis of decision support for teaching quality assessment and policy making.Considering the diversity and huge volume of original teaching data,this paper proposes a teaching quality assessment model based on deep learning technology,in which a deep neural network is implemented by MatConvNet and applied for data fusion.The model achieves good performance in university teaching quality assessment which illustrates its application value.

deep learning;teaching quality assessment;deep neural network;data fusion

G434

A

1008-6609(2017)10-0006-04

張鋼（1979-），男，廣東人，工學博士，講師，研究方向為機器學習。

廣東省自然科學基金項目，項目編號：2016A030310340；廣東工業大學高教研究基金項目，項目編號：2016GJ12；廣東省教育評估協會2015年度研究課題，項目編號：G-11。