人工智能背景下的教學質量評價的研究

摘要：為了有效地提高教學質量，促進整體教學水平的提高。提出了將人工智能中的神經網絡算法用于評價教學質量。首先建立教學質量評價指標模型，通過調查問卷收集數據，確定一級指標和二級指標，通過雙疊加RBM-BP神經網絡模型用于評價數據分析。實驗表明該評價模型能夠有效推測教學質量的真實水平。

關鍵詞：人工智能;教學質量;評價

引言：教學質量水平是衡量了一個學校教學效果高低的重要標志，高職院校需要不斷完善提升自身水平，才能更好的適應當前新形勢的要求，而教學質量的評價對于提高教學質量具有舉足輕重的作用，它能反映教師在教學過程中存在的問題，引導教師反思自己的教學方法和教學效果，教師提高自身的業務能力和教學水平;也有利于教學管理部門對教學質量進行有效的監督，更加科學化、制度化、規范化管理教學工作，最終促使教學質量的全而提高。在評價研究主體方面，徐曉娟等人對不同評價主體的視角、能力與經驗等方面進行了分析，闡述了各主體在教師課堂教學評價中各自擁有的優勢與不足，建議高校要針對不同的評價目的合理地選擇評價主體，建立和完善運行機制，以提高教學評價工作的實效性;孟凡指出評教制度在利益相關者利益訴求的博弈演化中，評教主體主要有教師、學生和教學行政管理者，運用利益相關者的理論作為一種分析框架，解釋和揭示學生評教制度還存在的問題及相關原因，他認為利益相關者參與治理模式，可以體現評教制度所具有的治理屬性，也可以表達制度應該秉承的教學品性。在評價方法研究方面，楊德芹構建出基于統計學的教學評價模型;葉珍利用層次分析法建立課堂教學質量評價指標體系的遞階層次關系，同時求出權重向量和組合權重向量，在遞階層次關系和權重向量的基礎上對學生評教、同行教師評教、專家評教和教師自評體系分別用模糊綜合評價法建立更加綜合的評價模型。張麗運用因子分析法理論模型，找出較科學、合理的評價指標體系。在評價理念方面，暴奉睿從兩種評價制度的定義與內涵、關注方向、評價主體及評價結果反饋四個方面進行利弊分析。楊彩霞等人提出基于學生學習、發展和學習成果的視角的“以學生為中心”的高校教學質量保障理念，根據這一理念建構，得出以學生為中心的教學質量保障的三大特點，進而提出組織策略、目標建構策略、服務支持策略以及評價反饋策略等教學質量保障改進策略。

本文在以上研究成果的基礎上，提出了使用人工智能的技術進行對評價質量模型進行優化，并通過問卷等方式收集質量評價模型的數據，實驗說明了本文模型的效果。

1.基于雙疊加RBM-BP神經網絡的教學評價模型

1.1教學質量評價指標及評價結果

教學質量評價涉及到諸多因素.本課題在走訪一線教師以及相關教學質量評價管理部門意見，同時查閱文獻，借鑒一些院校的教學質量評價指標體系，建立了本課題的指標體系.教學質量評價指標體系分為5個一級指標及細分的18個二級指標。其中一級指標和對應的二級指標分別是教師素質（教育教學目標是否明確、教師專業知識是否扎實、教師授課和講解水平是否扎實）;教學態度（教師輔導過程中的答疑是否耐心積極、教師是否授課認真，是否具有感染力、教師授課態度是否嚴謹精益求精）;教學內容（教師教學概念和理論是否準確、教師教學的內容飽滿，注重能力，教學內容是否聯系實際，注重實踐，教師的專業知識是否具有深度和廣度）;教學方法（教師的教學方法是否善于啟發和引導思考，教師的教學方式是否存在多樣性，運用是否恰當，教師是否注重學生個性發展，是否因材施教，教師是否注重激發學生的創新意識）;教學效果（學生的自學能力和學習興趣是否得到提高，學生掌握基木知識、理解知識能力是否提高，學生分析解決問題能力是否提高，學生的綜合素質與創新能力是否提高）。將教師教學質量評價結果作為本文的神經網絡的輸出，分為優秀（[0.9，1]）、良好（[0.8，0.89]）、中等（[0.7，0.79]）、及格（[0.6，0.69]）、不及格（[0，0.59]）五個等級各等級的輸出范圍。

1.2基于雙疊加RBM-BP神經網絡

受限玻爾茲曼機-BP神經網絡（簡稱RBM-BP），它結合了RBM和BP的優點，針對復雜、高維的大量的數據。我們利用RBM強大的特征學習能力和對高維數據的無監督學習，去除冗余特征，降低數據復雜度。這樣可以降低數據的訓練復雜度，提高。然而，RBM-BP 網絡需要大量計算并且在訓練樣本庫方面存在缺陷。在本課題的研究中，使用雙孿生 RBM-BP 網絡來實現使用少量層來減少訓練次數。

雙疊加RBM-BP深度學習神經網絡中的參數學習率，可見層數v，隱藏層數h，和參數集共同決定了雙孿生 RBM-BP 神經網絡的性能。因此，參數設計復雜度比傳統的單一 RBM 復雜。合理優化這六個參數是本文模型有效性的關鍵。使用元啟發式算法優化BP神經網絡參數可以提高其性能。本課題使用了更強大的鯨魚算法對雙RBM-BP深度學習神經網絡的參數優化算法。參數通過WOA算法對孿生RBM-BP中的v、h和共12組參數進行了優化。在WOA算法的捕食階段中， 表示鯨魚個體位置向量，需要優化的變量包括2組參數學習率 ，可見層數量v，隱含層數量h以及參數集 對應鯨魚個體位置向量，因此 可以表示為 在螺旋階段中， 所參與計算的優化目標函數表示為雙疊加RBM深度學習網絡的訓練誤差，表達為 通過目標函數得到最優的參數v1，opt， h1，opt， 1，opt以及 1，opt和 v2，opt， h2，opt， 2，opt以及 2，opt。

2.數據來源及歸一化處理

根據指標模型中的5個一級指標及細分對應的18個二級指標，使用調查問卷由學生和教師分別進行打分，對每一個指標權重值的確定由主觀權重和客觀權重綜合獲得，其中主觀權重采用層次分析法，客觀權重采用粗糙集的客觀權重相結合。對評分數據進行收集，將在[0，100]中的評分數據的標準使用歸一化中的最大最小方法對應到[0，1]之間，這樣能夠較好的保存原始數據。歸一化后的數據作為模型的輸入值。最后得到的實驗數據一共有100組，其中80組用于訓練模型，以便能夠得到最優的RBM-BP神經網絡結構，剩余的20組數據用于測試，檢驗神經網絡處理后的學生評價的樣本結果，如表1所示。每組數據的第1-18行都為輸入數據，最后一列為數據訓練輸出目標。

3.模型對比

為了驗證本模型的評價效果，將本文模型與BP神經網絡對樣本數據進行仿真。結果如表1所示。

絕對誤差對比圖如圖1所示，預測結果圖如圖2所示。從圖中可以看出，BP神經網絡的教學質量評價模型預測的絕對誤差分布在0-1.48之間，10%樣本預測絕對誤差較大，本文提出的模型預測的絕對誤差范圍為0-1.05之間，90%樣本評價結果預測值的絕對誤差可控制在0.1以內。這說明了本文提出的模型預測結果較穩定具有更好的性能效果。

4.結束語

針對現有的教學質量評價的存在的不足，提出了將人工智能中的神經網絡算法用于評價教學質量。建立了包含一級和二級指標的教學質量評價模型，通過雙疊加RBM-BP神經網絡模型用于評價數據分析。仿真實驗，表明該評價模型能夠有效發現教學質量的真實水平。

參考文獻：

[1]徐曉娟，劉琦，華小洋.教師課堂教學評價主體及運行機制探討[J].高等工程教育研究，2008（05）：139-141.

[2]暴奉睿.高校教師獎懲性評價與發展性評價的比較分析[J].職業技術，2011（10）：89-90.

課題來源：浙江工業職業技術學院2021年度校級教學質量管理和監控項目—“人工智能背景下的教學質量評價模型研究”。

作者簡介：陳暄（1079.03-），男，副教授，碩士，研究方向為人工智能，教學評價。