人工神經網絡在本科教學質量智能評價中的應用

郭華鋒 于萍 李志 李菊麗 何紹華 張萬利

摘要：探討人工神經網絡技術在本科教學質量評價中的應用，分析了當前的研究現狀，并指出了其中的關鍵問題。基于傳統問卷調查采用人工神經網絡可以建立本科教學質量智能評價模型，實現教學各因素與教學質量之間精準預測，有助于分析和提取影響教學質量的有效因素，從而有助于高校教學管理和教師教學質量的提高。

關鍵詞：神經網絡；教學質量；評價；應用

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2019）05-0213-03

教學質量關系著人才培養質量，是高校辦學的基石。近年來隨著學生不斷擴招，教學質量不斷滑坡，已引起高校管理者及教師的關注。如何提高教學質量成為高校管理者和一線教師共同面臨的問題。深入挖掘影響教學質量的因素和建立有效的評價體系是提高教學質量的關鍵途徑。然而影響教學質量的因素眾多，評價指標和評價結果之間存在著復雜的非線性關系，傳統的分析和評價方法難以描述[1]。而以人工神經網絡和遺傳算法為代表的人工智能技術不需要建立復雜的數學模型，通過輸入樣本的學習和訓練可以探求數據中的內在規律，建立輸入輸出間的正確映射關系，使評價模型更易于建立，結果更客觀可靠。因此，基于人工智能算法建立教學質量的智能評價模型已經成為該領域最富有潛力的前沿研究方向之一。人工神經網絡以其強大的非線性信息處理能力，可克服傳統人工智能方式對于非結構化信息處理等方面的缺陷，已經廣泛用于神經專家系統、模式識別、智能預測和控制等領域[2]。

通過人工神經網絡技術建立高校教學質量智能評價模型，實現教學質量的有效預測甚至優化，可以為教學質量評價和監控提供一定的參考價值。

一、人工智能技術在教學質量評價中應用的現狀

如何科學、合理地進行教學質量評價一直是高校教學管理部門面臨的現實問題。目前大多數高校都是采用傳統的督導評價和專家打分。但由于教學質量評價指標較多，專家評價易受個人學識水平和經驗等因素影響，帶來較大的人為誤差和主觀性[3]。目前采用人工智能技術進行教學質量評價已經成為該領域的研究熱點。羅菊川[1]等人在制定評價指標體系的基礎上，利用BP神經網絡理論構建合理、有效的計算機繪圖教學質量評價模型，并對學校的計算機繪圖課程的教學質量進行了評價，找出存在的問題，為今后的教學改革提供方向。馮瑩瑩[4]等人提出一種基于層次分析法和神經網絡相融合的教學質量評價方法。結果表明該方法簡化了神經網絡的結構，提高了評價精度和評價效率。周世官[5]等人提出了用模糊神經網絡來評價教師的課堂教學質量的方法，仿真計算表明，采用數學模型具有較好的評價效果。許敏[6]等人利用粒子群優化算法訓練的神經網絡建立教學質量評估數學模型。使用由PSO訓練的BP模型來擬合影響教師教學質量評價的眾多指標與評價結果之間的復雜關系，結果表明該模型可以很好地進行教學質量評價。左國平[7]等人構建了一種基于模糊理論與神經網絡的高校教師教學質量評價體系。該模型將教學評價指標概念量化成確定的數據作為網絡的輸入，模糊綜合評價結果作為輸出。該方法既克服了評價主體在評價過程中的主觀因素，又得到了滿意的評價結果，具有廣泛的適用性。可以看出目前采用人工智能技術進行教學評價過程中采用神經網絡技術的研究較多。

二、基于人工神經網絡的教學質量智能預測

1.教學質量評價指標的建立。評價指標體系的建立直接決定著評價結果的正確性和導向性，由于影響教學質量的因素眾多，況且每所高校自身定位和情況不同，因此評價指標體系各不相同。但總體上一般都會充分考慮從專家、教師和學生等不同角度進行設計。大部分研究者都會從教學方法、教學態度、教學內容、教學效果等一級指標進行設計，而后劃分成若干二級指標[1，7]。這些指標基本涵蓋了教師、學生、教學管理者等要反映的問題，一般來講是較為全面的。

2.基本原理及模型建立。BP（Back Propagation）神經網絡是目前應用最為廣泛和成熟的一種神經網絡，無須知道明確的數學方程，只要有足夠多的樣本進行網絡訓練就能實現由任意n維空間到m維空間的非線性映射。其主要特點是信號正向傳播，誤差反向傳播。依據預測的誤差來調整網絡的權值和閾值，使該網絡預測的輸出值不斷逼近期望輸出。綜合考慮樣本的有限性和教學質量評價問題的復雜性，一般會選擇多個可控的二級評價指標作為BP網絡的輸入，以教學質量評價值作為輸出，從而建立如圖1所示的三層BP神經網絡模型。對應的BP神經網絡算法流程圖如圖2所示。

3.模型的實現。為了實現BP神經網絡模型的計算，需要解決諸多關鍵問題。為實現數據的可比性，消除量綱差異的影響，需對所有樣本數據進行歸一化處理，將樣本數據全部轉化在區間[0，1]內。網絡訓練完畢后在對輸出值進行反歸一化處理。歸一化函數為Matlab自帶函數Mapminmax：

隱含層數目對神經網絡的適應性和容錯能力影響非常大，隱含層數目過少，網絡訓練困難，誤差較大；反之，則增加網絡訓練時間且不一定能得到最佳誤差。一般可以通過Kolmogorov定理確定：A=2B+1，其中A為隱含層個數，B為輸入層個數。在此基礎上首次確定隱含層數目，然后根據誤差大小可以以此為基礎適時調整隱含層數據，直至達到較小的訓練誤差。

BP神經網絡算法的實質是求解誤差函數的最小值問題，一般通過均方誤差來描述實際值與網絡輸出值之間的精度。傳遞函數是BP神經網絡的重要組成部分，一般采用S型的對數或正切函數和線性函數，訓練函數一般采用train函數。

4.樣本數據的獲取。訓練樣本的獲取是保證神經網絡模型正確計算的前提，樣本數據過少，很難獲得較高精度，而樣本數據過多，會影響計算速度。目前在教學質量預測評價方面一般都是通過紙質問卷調查的方式來獲得樣本數據。根據教學質量評價指標設計問卷，通過匿名方式來獲得較為客觀和真實的數據。隨著智能手機和相關APP的普及，目前采用問卷星等手機APP來設計問卷和統計樣本數據更為便捷。

5.預測結果分析。將獲得的樣本數據按照上述方法導入到Matlab平臺中進行仿真，其中一部分樣本作為訓練樣本，另一部分作為測試樣本。當網絡訓練精度達到設定值時訓練停止。此時通過對比分析預測值和實際值的相對誤差即可評價網絡模型的可靠性和實用性。一般來講相對誤差越小，說明模型精度就越高，通常當誤差小于5%時便可以利用該模型進行預測。預測結果有助于對本校或本專業的課堂教學質量進行定量評價，也有助于發現教學過程中存在的問題。羅菊川[1]等人通過建立的BP神經網絡預測模型對計算機繪圖課程教學質量進行了評價，結果表明網絡評價值與專家評價值非常接近，模型誤差小，精度高，可以較為準確地反映該課程的課堂教學質量。同時給出了進一步提高該課程的教學質量的建議：教學應更加注重以學生為本、培養學生創新思維和創新能力等。汪旭暉[8]等人以清華大學、北京大學、東北財經大學、大連理工大學部分師生的問卷調查為基礎，建立了基于BP神經網絡的教學質量評價模型。結果表明所建立的教學質量評價模型的輸出值與真實值非常接近，采用該模型能較為準確地根據各評價指標來確定教學效果。更為重要的是該模型所得出的結論可以為教學質量評估的研究提供有意義的參考價值。

三、結束語

教學質量評價是一個非常復雜的非線性系統，影響因素眾多，很難建立精確的數學模型來描述各因素與教學質量之間的關系。而采用BP神經網絡則可以建立兩者之間的非線性網絡模型，通過大樣本數據的訓練和測試，獲得高精度的預測模型。預測結果可以為高校教學質量評價及教學評估提供有益的參考。

參考文獻：

[1]羅菊川，卿艷梅.基于BP神經網絡的計算機繪圖課程教學質量評價的研究及應用[J].圖學學報，2013，34（4）：140-145.

[2]夏衛生，張海鷗，王桂蘭，等.神經網絡在預測等離子噴涂Ni合金層質量中的應用[J].機械科學與技術，2010，（8）：1008-1011.

[3]馬星.基于層次關聯理論的教學質量評價方法[J].武漢理工大學學報：信息與管理工程版，2007，29（5）：122-125.

[4]馮瑩瑩，于干，周紅志.層次分析法和神經網絡相融合的教學質量評價[J].計算機工程與應用，2013，49（17）：235-238.

[5]周世官，蘇日娜.模糊神經網絡在課堂教學質量評價中的應用[J].計算機仿真，2008，25（5）：287-289.

[6]許敏，王士同.PSO優化的神經網絡在教學質量評價中的應用[J].計算機工程與設計，2008，29（20）：5327-5332.

[7]左國平，謝紅艷，邱小平，等.基于神經網絡的高校教師課堂教學質量評價[J].中國現代教育裝備，2011，（3）：97-99.

[8]汪旭暉，黃飛華.基于BP神經網絡的教學質量評價模型及應用[J].高等工程教育研究，2007，（5）：78-81.