BP神經網絡算法在教師履職考評中的應用研究

陳江麗，張　嶸

（臨滄師范高等?？茖W校，云南臨滄 677000）

BP神經網絡算法在教師履職考評中的應用研究

陳江麗，張嶸

（臨滄師范高等專科學校，云南臨滄 677000）

基于BP神經網絡算法在分類預測方面的權威性，提出利用BP神經網絡構建教師履職評價模型的新方法。實驗結果表明，該模型具有較高的可行性和實用性，能夠準確、高效地對教師履職情況進行客觀評價。

BP神經網絡；教師履職考評；評價模型；網絡學習；分類預測

教師履職考評已經成為學校年終總結工作的一個主要部分.教師履職考評是對教師工作價值的一種判斷過程，評價主要包括德、勤、能、績四個方面，對教師的政治思想品德、教學工作表現、教學質量和教學成果等進行綜合評價.教師履職考評對教師工作具有鑒定、交流、診斷、激勵和督促等重要作用.履職考評的結果一般作為教師評優、職稱和職務晉升的重要依據.因此，如何全面科學地進行考核評價，建立公平公正的評價體系，進一步激發教師工作的積極性，已成為學校普通關注的問題.

本文結合本校采用的教師履職考核指標體系，提出利用BP神經網絡對收集到的被評價對象的履職情況表征信息進行科學評價的新方法.并將此方法的應用于本校年終的教師履職考評工作中，取得了良好的效果.

1　BP神經網絡算法

BP 神經網絡是模擬生物神經網絡的人工智能系統，是一種多層前饋神經網絡.在前向傳播中，輸入信號從輸入層經隱含層逐層處理，直至輸出層輸出結果.如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差沿原來的連接通道返回，通過修改各層神經元的權值和閾值，使得誤差最小，如圖1 所示.反復執行這個過程，直至誤差小于預期時停止，表示神經網絡的學習階段結束［1］.接著利用學習好的BP神經網絡對輸入信號進行分類，根據結果驗證其分類能力.

圖1　三層前饋BP神經網絡結構

因此，BP神經網絡的學習效果將決定其分類能力.學習過程分為以下6個步驟.

2　基于BP神經網絡的教師履職評價模型

先利用BP神經網絡建立教師履職評價模型，再經過網絡學習和分類驗證，才能使模型有效地對教師履職情況進行評價.因此，建立一個結構合理的評價模型是保證結果準確的必要基礎，網絡結構的性能將決定教師履職考評工作是否成功.構建評價模型需要考慮以下要素.

2.1輸入層、隱含層和輸出層設計

首先，網絡模型各有1個輸入層和輸出層，但確定隱含層的數量遵循一個基本的原則：增加層數可以進一步降低誤差，但會使網絡結構復雜化，從而增加了網絡的學習時間.其實降低誤差也可以通過增加隱含層的節點數來實現，并且這種方式產生的學習效果比增加層數更容易察覺和提高.因此，教師履職評價模型的BP 網絡僅包含有1個隱含層，采用三層BP神經網絡結構.

另外，進一步確定各層的節點數.由于輸入層的節點取決于輸入數據的維數，模型中輸入的考評數據以本校采用的考核指標體系為依據，如表1所示.將評價對象19個二級指標的量化數據作為輸入，因此輸入層有19個節點.輸出層節點數由輸出結果的表示方式決定，本模型中將教師履職的綜合考評成績作為輸出信號，所以，輸出層節點個數為1.然而隱含層節點數的確定比前兩項要復雜些，因為而隱含層節點數對BP神經網絡預測結果的準確度有較大的影響：數目太多會導致學習時間過長，但不能保證誤差最低；但是數目太少又會影響學習效果，進而增加次數進行重新學習.最佳隱含層節點數 的選擇可參考如下的公式（9）、（10）和（11）.因此，綜合分析后將隱含層節點數定為4.

表1　教師履職考核指標

2.2初始化權值和閾值

由于BP神經網絡的學習過程就是不斷地修正權值和閾值，使它們最終成為網絡的正確內部關系，并且要求輸入的初始權值和閾值使每個節點的狀態值接近于零.因此，初始權值和閾值一般取0～1間隨機數.

2.3學習速率的取值

BP神經網絡的學習速率是學習過程中對權值和閾值的修改值.學習速率的取值在［0，1］之間，學習速率過大將使學習過程產生不穩定，而過小的學習速率使學習過程變慢.因此，為了保證學習過程的穩定性，一般選取較小的學習速率，本模型的學習速率取值為0.01.

2.4輸入輸出數據歸一化處理

數據歸一化處理是將所有樣本數據都轉化為［0，1］間的數，目的在于取消數據間的數量級差別，避免由此造成網絡預測誤差較大的問題.數據歸一化的方法有最大最小法和平均數方差法兩種.本模型中采用第一種方法，主要采用Matlab自帶函數mapminmax來實現學習樣本和測試樣本輸入、輸出數據的歸一化處理.

3　實際應用及結果分析

以本校的教師履職考核數據為例，選用其中有代表性的50條數據作為BP神經網絡的學習樣本，25條數據作為測試樣本，部分原始數據如表2所示.學習樣本的各指標評分數據經過歸一化處理后輸入教師履職評價模型中進行學習，將預測結果與歸一化處理后的學習樣本考評成績進行誤差計算，若預測誤差滿足預期則結束學習.

表2　樣本示例

經過BP神經網絡學習，在Matlab中仿真出訓練過程的誤差曲線如圖2所示.從圖上可以看出，當訓練次數接近100時，訓練誤差約為0.0001，達到了預測準確度的要求.

圖2　網絡學習誤差曲線

BP神經網絡訓練結束后，將歸一化處理后的測試樣本數據輸入到穩定的教師履職評價模型中，得出預測結果.將預測成績與實際考評成績進行對比，如圖3所示，仿真后得出分類誤差曲線如圖4所示.結果表明利用BP神經網絡預測教師履職考評結果具有較高的準確性，是一種有效的、可行的方法.

圖3　預測與實際考評成績對比

圖4　BP神經網絡分類誤差曲線

4　結論

本文利用BP 網絡模型構建教師履職評價模型，以實現對教師履職情況進行客觀和科學地評價.實際考評結果表明，本文所建立的神經網絡模型，具有準確度高、速度快等特點，能有效地用于教師履職考評應用中，具有一定的實用性和典型性，可在各類學校中進行推廣使用.

［1］余立雪.神經網絡與實例學習［M］.北京：中國鐵道出版社，1996.

［2］韓軻.基于BP神經網絡的教學質量評價模型研究［J］.計算機與現代化，2013，（1）：45-46.

［3］王偉麗.基于BP神經網絡的教學質量評估模型研究［J］.信息技術與信息化，2011，（6）：38-42.

［4］師錚.基于BP神經網絡的研發人員能力評價方法研究［D］.大連：大連理工大學，2013.

［5］李霞.基于BP神經網絡的銷售預測研究［D］.上海：上海交通大學，2013.

［責任編輯 劉貴陽］

Application of BP Neural Network Algorithm in the Performance Evaluation of Teacher

CHEN Jiang-li，ZHANG Rong
（Lincang Teachers’ College，Lincang，677000，China）

Based on the authority of the BP neural network algorithm in classification and prediction aspect，the paper put forward a new method of constructing teacher performance evaluation model based on BP neural network. The experimental results show that，the model has higher feasibility and practicability，can accurately and efficiently evaluate the performance of teacher objectively.

BP neural network；performance evaluation of teacher；evaluation model；network training；classification and prediction

TP183

A

1008-9128（2015）02-0028-03

2014-05-24

2013年度云南省教育廳科學研究基金項目（2013C037）；2013年度臨滄師范高等?？茖W校科研課題（LCSZL2013009）

陳江麗（1984-），女，云南大理人，碩士，講師，研究方向：數據倉庫和數據挖掘研究。