證據理論和神經網絡的互聯網教學質量評估模型

吳艷麗 武創舉 陰鈺嬌

摘? 要： 互聯網教學質量評估對互聯網教育教學發展具有重大意義和促進作用。為此，提出證據理論和神經網絡的互聯網教學質量評估模型。依照目前互聯網教學基本情況，遵循定性、定量指標相結合準則，構建包括企業運營水平、高校配合程度、教師教學能力、學生學習程度、環境支持程度的互聯網教學質量評估體系。在此基礎上，利用BP神經網絡模型自適應性、自組織性、自學習性特點，以及D?S證據理論的不確定信息處理優勢，有效結合基于BP神經網絡模型的評估結果以及基于D?S證據理論的評估結果，對互聯網教學質量實施綜合評估。實驗結果表明，該模型可有效評估互聯網教學質量，提供精準評估數據，滿足實際應用需求，為促進互聯網教育教學發展提供數據基礎。

關鍵詞： 證據理論; 神經網絡; 教學質量; 評估模型; 評估體系; 評估精準度

中圖分類號： TN711?34; G420? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）19?0175?04

Abstract： The Internet teaching quality evaluation is of great significance and promotion effect to the development of Internet education and teaching. Therefore， the Internet teaching quality evaluation model based on evidence theory and neural network is proposed. According to the basic situation of current Internet teaching， an Internet teaching quality evaluation system including enterprise operation level， university cooperation level， teachers′ teaching ability， students′ learning level and environmental support level is constructed following the principle of combining qualitative and quantitative indicators. On this basis， the characteristics of self?adaptability， self?organization and self?learning of neural network model and the advantages of uncertain information processing of D?S evidence theory are effectively combined with both the evaluation results based on BP neural network model and D?S evidence theory to carry out the comprehensive Internet teaching quality evaluation. The experimental results show that the model can effectively evaluate the quality of Internet teaching， provide accurate evaluation data， meet the actual application needs， and provide data basis for promoting the development of Internet education and teaching.

Keywords： evidence theory; neural network; teaching quality; evaluation model; evaluation system; evaluation accuracy

0? 引? 言

隨著互聯網技術的飛速發展，互聯網技術的全面普及，已經引起了教育行業的大范圍關注[1]。傳統教育行業由于受到互聯網技術的沖擊，已經逐漸被教育大環境所淘汰，在傳統教育與互聯網技術不斷碰撞過程中，適合當代教育事業運營發展的一種新興教育教學模式應運而生，即互聯網教學[2?3]。互聯網教學模式的產生使得學校不是唯一的知識獲取途徑，教師也不再是知識獲取途徑中唯一的主導人員，為知識汲取提供了更多的可能。知識需求者不再受限于時間、年齡、地域等客觀條件，可通過互聯網依據自身興趣愛好挑選感興趣的內容進行學習[4?5]。但是，互聯網教學模式并不像傳統模式一樣，教學質量的高低會在某種程度上依托于學習者的自主性和自律性，高校中，教學質量可通過教學小組、教師、學生等教育參與角色共同評估得出，而互聯網教學質量因知識傳輸者和接收者之間缺乏溝通，使得教育教學質量受所依托平臺虛擬性影響而變得無法控制，導致互聯網教學質量參差不齊[6]。

互聯網教學質量評估是有效衡量互聯網教學質量、提升互聯網教學管理的重要方式[7]。為此本文依照我國目前互聯網教學基本情況，構建互聯網教學質量評估體系，有效利用BP神經網絡模型的學習能力和自適應性，結合D?S證據理論的不確定信息處理能力，建立互聯網教學質量評估模型，融合證據理論和神經網絡的優勢，實現互聯網教學質量精準、有效評估。

1? 互聯網教學質量評估模型

1.1? 互聯網教學質量評估體系構建

為大力倡導互聯網教學理念，實現“教學?實踐一體化”，構建面向各領域的互聯網教學質量評價體系，通過質量評價體系形成閉環反饋機制，實現教學體制的正常運轉和高質量發展，有效達成預期教學目標[8]。依照我國目前互聯網教學基本情況，遵循定性、定量指標相結合準則，以企業運營水平、高校配合程度、教師教學能力、學生學習程度、環境支持程度等為一級指標，反映互聯網教學質量的5個方面，下屬16項二級指標，共同構建互聯網教學質量評估體系，結果如表1所示。

1.2? 神經網絡的教學質量評估

神經網絡理論是一種類似于人腦思維結構的信息處理系統，通過模仿人類大腦中神經系統的信息處理模式，結合當下先進的神經科學研究成果而設計產生[9?10]。神經網絡的功能強大之處在于，無需經歷復雜的搜尋過程，僅通過所提供的樣本數據，便可根據以往學習經驗，自主、準確地獲取已完整刻畫的各種形式樣本規律函數，尤其針對干擾因素多、非線性程度高的情況，其優勢更加顯著[11]。神經網絡憑借其自身的自適應性、自組織性以及自學習性特點，可從相近的、尚未明確的、幾乎彼此沖突的知識環境中，有效躲避人為計算指標權重以及計算相關系數等步驟，直接找到有效決策[12?13]。

采用如圖1所示的三層結構的BP神經網絡構建互聯網教學質量評估模型，選擇Sigmoid函數作為模型中各神經元所屬激發函數。

模型的輸入向量為[A=（a1，a2，…，an）]，輸出向量為[C=（c）]，兩者呈非線性關系，因此最終確定的激發函數為單極性Sigmoid函數，表達式為：

式（1）是用戶描述實數域[R]到閉合區間[[0，1]]的非下降連續函數，為狀態連續性神經元模型。

BP神經網絡模型的第1層是輸入層，節點數為互聯網教學質量評估體系的16項二級指標的個數，即輸入向量[A=（a1，a2，…，a16）]。BP神經網絡模型的第2層是中間層，也被稱為隱含層，節點數為互聯網教學質量評估體系的5項一級指標，則隱含層向量[B=（b1，b2，…，b5）]。BP神經網絡模型的第3層是輸出層，節點數為1，用變量[C]表示，即模型輸出值。

輸入向量為對外宣傳、教學設置、線上互動狀態、作業完成度、互聯網技術等16項互聯網教學質量評估體系二級評估指標，用[A=（a1，a2，…，a16）]描述;隱含層節點向量為企業運營水平、高校配合程度、教師教學能力、學生學習程度、環境支持程度等5項評價體系一級指標，用向量[B=（b1，b2，…，b5）];輸出向量用[C=（c）]描述。遵循激發函數特點[C∈[0，1]]，轉換訓練集，真實輸出數據為閉合區間[[0，1]]之間的數值，并視其為最佳期望輸出值，用[D=（d1）]描述。輸入層?隱含層、隱含層?輸出層節點權值分別用[P=（p11，p12，…，p16）]，[Q=（q11，q21，…，q51）]描述。

隱含層節點輸出如式（2）所示：

輸出層節點輸出如式（3）所示：

式中[f（ ）]表示激發函數。

互聯網教學質量評估模型由式（2），式（3）共同實現。

1.3? D?S證據理論的互聯網教學質量評估

雖然BP神經網絡可利用自身學習能力及非線性映射能力對互聯網教學質量進行評估，是一種較為理想的方法，但是實際應用中存在網絡訓練時間長、網絡泛化能力降低等因素，會使評估結果具有很強的不確定性。而證據理論是一種推理不確定數值的方法，具有不確定信息處理的獨特優勢[14?15]，因此為彌補BP神經網絡模型的教學質量評估結果存在的不確定因素，利用D?S證據理論評估互聯網教學質量，最后結合BP神經網絡的評估結果，作為互聯網教學質量評估的最終結果。

1.3.1? D?S證據理論

置信函數和似然函數：假設識別框架用[U]表示，由識別框架[U]的冪集[2U]組成的命題集合用[Θ]表示，則存在[?X?U]，[?Y?U]，即置信函數[Bel2U→[0，1]]以及似然函數[Pl2U→[0，1]]的表示分別如下：

如果[K1≠1]，那么可明確基本概率分配函數;如果[K1]=1，那么[m1]，[m2]互相沖突，無法構成基本概率函數，此時[K1]表示沖突強弱。因而利用D?S組合規則集合子集基本概率函數可以得到融合概率分布函數值[m（D）]。

1.3.2? 教學質量評價

利用D?S證據理論，將樣本空間作為互聯網教學質量評估因素集合，即以1.1節的一級和二級指標為內容，一級指標用[bi]表示，其中，利用D?S證據理論組合公式融合獲取的教學質量評價體系的每個一級指標所對應的二級指標[bij]，則有：

針對每個評估因素獲取一個可信度因子CF，構成可信度因子集[m（bi）]。可信度因子可通過多個專家對評價指標體系的知識集做出評價的方式獲取，其既是互聯網教學質量評估的基礎，也從側面體現評估的精準度。由于不同專家的評估結果共同聚集成某個評估因素的可信度因子，因此利用D?S證據理論便可獲取不同指標的綜合可信度因子，保障評估不確定性的同時，精準評估互聯網教學質量。

2? 模型性能的驗證測試

以北京市某高校為實驗對象，對各專業的互聯網教學質量進行評估，驗證本文模型的有效性。

2.1? 模型評估能力

根據表1所構建的互聯網教學質量評估體系，固定指標體系的取值區間為[0，1]，利用本文模型獲取互聯網教學質量評估結果如表2所示。由于篇幅有限，省略了部分數據。

分析表2數據可知，對于專業1而言，其互聯網教學質量評估結果中線上互動狀態（A8）評估結果最好，教師資源（A4）評估結果次之，但是技術資源（A6）、經費分配（A3）和教學設置（A7）評估結果較差，該高校可在這幾方面予以加強，提升該專業整體互聯網教學質量。從表2中還可以看出，該高校對于專業3的互聯網教學對外宣傳（A1）力度較大，對于專業5的制度實施（A2）力度較大，企業運營水平較高，使得其該項目評估結果最好;專業10 的學生互動積極性（A11）較高，評估結果達到0.92。結果表明采用本文模型可有效評估該高校不同專業的教學質量。

2.2? 本文模型的評估結果

統計本文模型的評估結果和實際互聯網教學質量評估結果，如圖2所示。從圖2可以看出，本文模型評估結果與實際質量評估結果數值基本一致，表明本文模型可以有效滿足實際應用需求。

2.3? 與其他模型的性能對比

為進一步驗證本文模型在互聯網教學質量評估中的優勢，分別采用BP神經網絡、D?S證據理論與本文模型的評估結果進行對比，結果如表3所示。分析表3結果可知：BP神經網絡的互聯網教學質量評估結果最大和最小絕對誤差值分別為6.98%和1.83%;D?S證據理論的互聯網教學質量評估結果最大絕對誤差為5.28%，最小絕對誤差值為1.42%;本文模型的互聯網教學質量結果最大和最小絕對誤差值僅為1.86%和0.15%。這是因為本文模型有效融合了BP神經網絡模型的學習能力、并行能力、非線性映射能力，以及D?S證據理論模型處理不確定信息的能力，消除多樣本數據不確定性的同時，減小了評估誤差，提升教學質量評估準確性。

3? 結? 語

本文依據證據理論和神經網絡建立了互聯網教學質量評估模型，可以有效評估企業運營水平、高校配合程度、教師教學能力、學生學習程度以及環境支持程度等方面的互聯網教學質量，為管理部門及時有針對性的整改提供數據支撐。在后期評估模型實際應用中應依據時代發展以及相關制度的整改，有針對性地更新、調整評價體系，更精準地評估互聯網教學質量。

參考文獻

[1] 王秋靜，王蘋，陳霞.基于醫學生創新訓練構建創新教育質量監控體系[J].中國衛生事業管理，2019，36（5）：380?382.

[2] 姜從玉，黃慮，朱玉連，等.康復醫學住院醫師規范化培訓教學質量評估體系的構建和應用研究[J].中華物理醫學與康復雜志，2019，41（1）：68?70.

[3] 王建波，有維寶，劉芳夢，等.基于WSR?D?S證據理論的地鐵車站火災安全評價[J].安全與環境學報，2018，18（3）：900?906.

[4] 劉欣，趙同剛.基于創新創業教育的學院教學管理探索與實踐[J].北京郵電大學學報（社會科學版），2019，21（1）：112?118.

[5] 顏波，張磊，褚學寧.基于卷積神經網絡的用戶感知評估建模[J].上海交通大學學報，2019，53（7）：844?851.

[6] 陳晉音，王楨，陳勁聿，等.基于深度學習的智能教學系統的設計與研究[J].計算機科學，2019，46（z1）：550?554.

[7] 馬鳳岐.建設“金課”是提高通識教育質量的關鍵[J].高校教育管理，2019，13（4）：57?63.

[8] 王冠男.三參數層次分析模型在網絡質量評估中的應用[J].西南師范大學學報（自然科學版），2017，42（3）：146?150.

[9] 徐彬斌，王冬梅，謝建.“互聯網+”背景下多維教學模式評估體系構建及應用研究[J].福建茶葉，2019，41（3）：204?205.

[10] 張熠.基于D?S證據理論和TFAHP?TOPSIS的工程項目評標決策模型[J].統計與決策，2018，34（11）：48?51.

[11] 趙洪科，吳李康，李徵，等.基于深度神經網絡結構的互聯網金融市場動態預測[J].計算機研究與發展，2019，56（8）：1621?1631.

[12] 鄭莉，王建驊.基于模糊數據挖掘的教學質量滿意度分析[J].數學的實踐與認識，2018，48（18）：106?116.

[13] 邵春福，王菁，彭金栓.基于主成分分析和BP神經網絡的網約車服務質量評價[J].北京交通大學學報，2018，42（3）：10?15.

[14] 崔瑋.改進的D?S證據理論在海上目標融合識別模型中的應用[J].艦船科學技術，2017，39（8）：109?111.

[15] 徐緒堪，樓昱清，于成成.基于D?S理論的突發事件多源數據可信度評估研究[J].情報理論與實踐，2019，42（8）：67?72.