基于局部保持投影的高校教師教學質量評價

彭延峰 劉燕飛 何寬芳

[摘 要]當前高校教育改革逐漸深入，如何提高教學質量已經成為當前高校教學的工作重點。目前神經網絡被廣泛應用于高校教學評價，但是神經網絡具有計算量大及容易陷入局部最優解的缺陷。針對這些問題，使用局部保持投影（Locality preserving projections， LPP）對教學評價樣本進行信息融合，除了可以實現對特征參數維數的減少外，還可以將處于空間局部信號的流行特征，完整地保留下來。因此，使用LPP對教學評價樣本進行預處理，能同時提高神經網絡的教學評價精度和計算效率。結果表明，LPP方法能有效提高運算效率和預測精度。

[關鍵詞]教育改革;教學質量評價;局部保持投影;BP神經網絡

[中圖分類號] G64 [文獻標識碼] A [文章編號] 2095-3437（2019）03-0165-04

近年來，高校的擴招極大地推動了高等教育的發展。隨著高校在校學生數量不斷增加，以及國民對教學質量的要求不斷提高，加強高校教育質量，已經成為當今教育事業改革的主要任務。同時，作為推動高等教學改革和提高高等教學質量的主要群體，高校教師團隊的教學能力和工作素養，是整個教學事業改革的保障[1-3]。基于這種背景下，如何提高高校教學團隊的工作素養和教學能力，成為我國大部分高校亟須解決的難題。經過多年的摸索，我國各大高校在提高教師能力和素養方面，先后提出過許多有效措施，但是整體上都必須創建一套完整的教學評價體系，實現對教師能力和素養的全面評價。通過設定各個評估指標，要求高校教師將自己的教學能力和工作素養，與教學評價體系中的各大標準指標進行對比，從而找出自身的不足，再進行優化和改進，從而幫助教師全面提高自身素養，為高校打造一支品行兼優的高等教師團隊[4-5]。

現階段，在教學評價方法中，通常采用如下三種方法進行評價，即層次分析法、加權平均法，以及模糊綜合評價法等。其中，傳統意義上的指標加權平均法，其計算步驟十分簡便，但是卻十分清晰明了地將所有評價指標之間的線性關系描述出來，并結合評價者自身的經驗，得出評價因素權重，從而達到評價目的。但是，這種評價方法缺乏客觀性，難以證明各大評價因素之間是否存在合理關系[6-9]。層次分析法與加權平均法存在一定的相似度，首先需要證明各大評價指標中，存在明確的線性關系，從而獲得各大評價因素權重，再通過邀請專家評估，得出判斷矩陣。這種評價方法雖然可以得出評估模型，但是卻不能夠得出最佳的評估結果。在應用模糊綜合評價法時，首先需要構建適宜的評判矩陣，從而準確的找出評價對象之間的關系。但是，這種評價方法極易受到專家的影響，從而造成最終評價結果出現差異。

近年來，在復雜、非線性及綜合性較強的問題決策中，已經廣泛地應用了人工神經網絡理論。因此，在教學評價中，也可以結合人工神經網絡理論，構建出相對完善的評價體系。通過將代表評價對象特征的信息，以及表示綜合評價的量值，分別設定為神經網絡輸入向量和輸出量值，再輸入充足的樣本，不斷縮小輸出量值與預期量值之間的差異。當輸出量值已經遠遠大于預定誤差閥值時，需按照相關的調節方法，將系統誤差縮減到理想誤差范圍內。此刻，當閥值、權值為固定參數時，神經網絡組所獲得的權系數值和閾值，則是最佳的綜合評價系統，可以準確地對其他對象系統進行評價。現階段，神經網絡理論已經被廣泛應用于教學質量評價[10]。但是，該方法還存在一些缺陷，比如評價需求的樣本數量較大、收斂速度慢、計算量大、容易陷入局部最優解等。因此，需要尋找更合適、準確度更高、運算速度更快的方法來解決教學評價問題。

為進一步挑選出緊密聯系高校教師水平的特征值參數，本文綜合運用LPP方法，實現對特征值向量的降維處理[11]。其中，LPP方法除了可以實現對特征參數維數的減少外，還可以將處于空間局部信號的流行特征完整地保留下來。應用LPP方法，可大幅提高同類內識別效果，從而增加預測精確度。在文獻[11]中，嚴格指出LPP可適用數據的降維和信息融合。

論文分為四個部分，首先討論高校教師全方位教學質量評價體系的構建;然后以高校教師的教學質量作為評價對象，使用LPP方法結合BP神經網絡對其進行仿真分析，并與BP神經網絡的仿真結果進行對比;最后對論文方法在高校教師教學質量評價中的應用效果進行總結。

一、全方位高校教師教學質量評價指標體系

為全面、科學、準確地對高校教師教學質量進行評價，論文使用文獻[12]中所提出的全方位教學質量評價體系，對本文的方法進行驗證核查。其中，該文獻中所指出的全方位評價體系，表示從同事、領導、學生、教師等角度出發，對教師的工作績效展開360度全方位的評價。利用這種多角度、全方位的績效評價，可以讓教師客觀地認識到自身所存在的不足，并且采取有效改進措施，提高自我工作能力。大量案例證實，采用全方位評價體系，可大幅提高評價結果的真實性和有效性[12]。在構建全方位高校教學質量綜合評價體系時，為了提高評價結果的客觀性，需將下述評價主體納入評價體系中：學生、督導、同事、教師自身等。其中，該評價體系主要分為學習評價和授課評價兩大體系。評價指標又可分為自評、同事互評、學生評價等。學習評價指標則分為自評、同學互評、教師評學等。上述所有指標之間，都存在關聯性，彼此之間相互影響，從而搭建出全方位的評價體系。具體評價指標如表1和表2所示。

二、基于LPP的全方位高校教師教學質量評價方法

（一）LPP方法

在對教學質量評價樣本數據進行信息融合時，局部保留投影法的主思路，主要通過對數據進行降維處理，從而完整地將數據內在的局部特征和非線性結構保留下來。其中，運用LPP算法，找出最為適宜的線形變換矩陣形，實現對數據的降維處理。在計算時，將有樣本數據集設定為F，將教學質量評價參數設定為J，將樣本總數設定為Ni。應用LPP時，其最終目的，是為找出最為適宜的A，實現對高維特征值F的映射，從而獲得低維特征值F'，[J']則表示完成降維后，特征值向量的維度參數值。LPP的目標函數為

FLFT、FDFT屬于對稱及半正定矩陣。最小特征值相應的特征向量則是式（6）中的最優解。

（二）基于LPP和BP神經網絡的全方位高校教師教學質量評價方法

基于LPP和BP神經網絡的全方位高校教師教學質量評價方法步驟如下所示，方法具體流程：

1.將表1和表2中的學生評教、教師自評和同學互評各18個三級指標作為輸入特征值，設共有g個樣本，則可構建維數為[g×18]的特征值矩陣F。輸出則是高校教師教學質量督導評教結果，該結果總共范圍5個不同等級，其等級和輸出范圍分別為優[0.8，1]、良[0.6，0.8]、中[0.4，0.6]、及格[0.2，0.4]和不及格[0，0.2]。

2.將獲取的特征值矩陣輸入LPP，對特征值矩陣進行信息融合和特征提取，所得到的顯著特征記為F。

3.在BP神經網絡中導入訓練數據后，再挑選適宜的網絡參數輸入其中，最后建模。設定判別函數，運用測試數據測試方法結果，對教學評價結果做出分類和預測，這就是基于LPP的全方位高校教師教學質量評價方法。

三、評價方法仿真分析

在高校課堂教學質量評價系統中，采用問卷調查的方式，采集表1和表2中的學生評教、督導評教、教師自評和同學互評各18個三級指標，共采集120個樣本，其中學生評教、教師自評和同學互評樣本（輸入樣本）共100個，每個評價等級20個樣本，督導評教樣本（輸出樣本）20個，每個評價等級4個樣本。其評價期間，所有針對督導、學生、教師的評價，均以獨立狀態展開。在仿真分析時，隨機選取輸入樣本80個作為訓練樣本，剩下的樣本作為測試樣本;樣本對應的督導評教樣本取均值作為輸出。將選取的樣本分別輸入到基于LPP和BP神經網絡的教學質量評價方法，并展開訓練和測試。為更準確地反映論文方法的評價效果，重復三次試驗，兩種方法的測試絕對誤差。兩種方法的對比結果如表3所示。表3中平均誤差是每次實驗所有測試樣本誤差的平均值。

相對單獨使用BP神經網絡進行評價的結果，LPP信息融合后的評價預測結果絕對誤差曲線波動更弱，誤差更小，評價結果更接近真實值。表3從評價結果平均誤差、評價等級正確識別次數、評價等級錯誤識別次數和評價等級識別精度四個參數對兩種方法的教學質量評價結果進行了對比。結果表明，不管是教學質量等級還是教學評價結果，論文所提出方法都獲得了更好的預測精度。因此，使用LPP能提高評價的準確性，LPP方法應用在高校教師教學質量評價中是可行的。

四、結論

論文提出了基于局部保持投影（LPP）方法的全方位高校教師教學質量評價方法，該方法根據教師互評、教師自評、督導評教和學生評教多個指標對教師教學質量進行評價，采用LPP方法在特征參數維數的同時有效提取特征信息。使用采集的樣本數據進行訓練和測試，仿真分析結果表明，LPP方法能有效實現教學質量評價指標樣本數據的信息融合和降維，有助于更好地擬合訓練數據，預測精度有了明顯的提升。通過基于LPP的教學質量評價方法對高校教師教學質量進行合理評價，創建出一套更加準確、更加科學的評價方法，為促進高校教學質量的提高，提供更有效的評價工具。

[ 參 考 文 獻 ]

[1] 劉青梅. 深化高校教學改革提高人才培養質量[J]. 科技風， 2009（21）：39-40.

[2] 王亞芳， 周惟公， 高華. 開設文科類物理課程的必要性和重要性[J]. 實驗技術與管理， 2008（11）：147-149.

[3] 袁婷. 理工科院校文科物理實驗教學探析[J]. 中國科技信息， 2009（15）：295-295.

[4] 盧佃清， 王莉， 吳同成，等. 建立適合文科學生的物理實驗教學模式的調查分析[J]. 實驗技術與管理， 2011（9）：156-159.

[5] 呂加， 王佳菱. 淺析素質教育過程中文科物理教學存在的問題及建議[J]. 中國科技信息，2009（6）：234-235.

[6] 宋從芝. 高職教師教學質量的多層次模糊綜合評價方法研究[D].石家莊：河北科技大學， 2013.

[7] 耿立艷， 張永林， 張占福. 高校課堂教學質量評價方法綜述[J]. 北京電力高等專科學校學報：社會科學版， 2012（29）：15-16.

[8] 陳正. 教師課堂教學質量綜合評價方法研究[J]. 統計教育， 2004（6）：51-53.

[9] 李三波. 多層次模糊綜合評判法在教師教學工作業績評價中的應用[J]. 計算機應用與軟件， 2012（7）：91-93.

[10] 吳希. 基于BP神經網絡的高校教學質量評價方法[J]. 福建電腦， 2009（10）：99-100.

[11] 梁禮明， 吳武林， 吳健. 正交局部保持投影早期故障特征提取方法. 機械設計與研究， 2016（2）： 143-146.

[12] 鄭永， 陳艷. 基于BP神經網絡的高校教師教學質量評價模型[J]. 重慶理工大學學報（自然科學）， 2015（1）：85-90.

[責任編輯：林志恒]