BP神經網絡在教學質量評價體系中的應用研究

邱丹萍

（廣東白云學院軟件工程系，廣州 510450）

0 引言

隨著高等教育的普及化，市民對教育的關注度、了解度也在逐漸提升。越來越多的人認識到提升公民的受教育水平，讓更多的人接受高等教育不僅能提高大眾的文化素養，還能推動國家的科技進步。對教育部門及家長而言，探討如何提升高等教育教學質量成為一個不可避免的話題。而高等教育的教學幾乎都是由高校完成，而高校教學質量的好壞，很難由一兩個數據直接進行判定。高校的教學也大部分是由教師課堂授課的方式來完成，而且在我們國家，課堂教學仍是我們開展教育活動的主要渠道，其質量很大程度上反映并決定了高校的教育質量[1]。

高校的教學質量由教師的教學質量決定，但是，如何判定教師的教學質量卻很難用一個線性的數學表達式進行計算。在大多數高校，教學質量的評價依舊采用專家、督導組、同行進課堂聽課、學生課后評價的方式來判定教師的教學水平。不可否認，這些判定方法有一定的實用性。尤其對于新教師，專家、同行能及時發現問題并幫助新教師快速糾正，從學生的課后反饋上也能知道應該如何更好的踐行“以學生為中心”的教學理念。但這些判定標準也有其局限性，比如專家、同行隨堂聽課的課堂質量判定標準大多由一些行政部門根據社會要求、領導要求、主觀認知進行權重設定，對于同一個標準，針對不同學院的應該有權重的區分，倘若都用統一標準很容易引起判定不嚴謹。除此之外，專家組及學生在進行教師評價階段，也存在主觀性和不全面性。基于種種不定量因素，高校對教師的評價標準也缺乏科學的理論依據[2]。

因而很多科學工作者在考慮能否用更加智能、合理的方式來進行教學質量評價。當今，隨著人工智能的普及，神經網絡的運用也越來越廣泛，本文也是根據神經網絡的特點，采用BP神經網絡算法來論證此算法在教師教學質量評價中能得到有效運用。

1 BP神經網絡模型搭建

1.1 BP 神經網絡原理

BP神經網絡是一種反饋型傳播網絡，類似人的大腦，它主要由輸入層、隱含層和輸出層構成。BP神經網絡也是通過對輸入層到隱含層以及隱含層到輸出層的權值及閾值的不斷修改來完善網絡，從而使輸出值和準確值的誤差最小。BP神經網絡它能夠模擬人類大腦神經系統，對輸入的信息進行學習、修正，從而達到客觀、公正的信息輸出。也正是因為BP神經網絡的這些優點，所以它在機器學習、人工智能、信息預測等領域都有廣泛的應用。

圖1 BP神經網絡結構圖

1.2 網絡模型的確立

在高校教學質量評價體系中，如何對高校教師的教學質量進行良好的評價變得越來越重要了。在現實中，因為存在各種主觀因素，使得評價缺乏理論依據，因而我們也根據BP神經網絡的特點構建一個基于教學質量評價的BP神經網絡模型，對教學評價結果進行定量分析。在傳統的教學評價中一般分為教學目標、教學過程、教學效果、教學態度四個方面。在評價中這四個方面又可以再細分成其他二級指標，如表1。

表1 教學評價指標

根據傳統評價指標，為了更好地對教學質量進行分析，在此我們必須構建一個合理的網絡模型，對網絡模型輸入、隱含、輸出層進行設計，盡量減少網絡訓練次數、提升精確度。對于BP神經網絡，因為隱含層的層數既可以單層也可以是多隱含層的，但是多隱含層神經既增加了訓練時間，又增加網絡的泛化性。所以，在此我們構建一個單隱層的神經網絡模型。

（1）輸入層設計

神經網絡中，我們一般把可以決定網絡輸出的初始決定因素當成輸入值。本文的教學評價指標中，我們有四個一級指標，經過分析，這四個以及指標又可以細分成14個二級指標最終，這14個二級指標也是決定評價結果的根本因素。所以在此，我們定義網絡模型的輸入層神經元個數為14個。

（2）隱含層設計

在BP神經網絡中，我們對隱含層的層數及節點數的確定并沒有統一的計算公式，大部分采取的是經驗法、試錯法。這里我們采用常用的經驗公式：（其中p表示輸入層層數，q表示輸出層層數，a表示1-10之間的常數）。經過測試，這里我們把隱含層節點數定為9。

（3）輸出層設計

BP神經網絡一般把最終需要得到的結果當成輸出值，在教學質量評價體系中，一般把評價的結果當成最終的輸出。因而，我們的輸出層神經元分個數定義為1。

2 仿真實驗

構建了神經網絡模型后，接下來我們使用某學院10位教師的教學評價結果進行分析。其中評價結果是由從教多年的同行根據評價指標對每項指標進行評分，其中每項指標的最高分為10分。評定出每項指標的單項得分后，接下來再使用線性加權法計算出每位教師的最終得分。為了減少網絡對樣本的需求量，接下來再使用歸一化處理每位教師的最終得分數據，歸一化的計算公式為，處理后得分數據如表2所示。

表2 加權法處理后教師得分及歸一化處理后數據

根據同行評價的教師教學質量成績表，接下來我們可以以這些數據為依托來構建我們的BP神經網絡教學質量評價體系。根據歸一化處理后的十組教師評價體系數據，我們選取8組數據作為訓練數據，另外B、H兩位教師的數據當成測試數據。在教學質量評價體系中，采用的是自適應的梯度下降BP算法。根據選取的7組測試數據值定義好輸入向量及輸出向量，利用MATLAB，創建3層BP神經網絡，其中隱含層的傳遞函數采用雙曲正切S型激活函數，輸出層激活函數采用線性激活函數，學習次數為10000次，誤差為0.001。構建好前向神經網絡后，對網絡進行訓練，若訓練次數達到10000次，網絡仍未收斂，則說明此模型不收斂。若訓練未到10000次，誤差已經小于0.001，說明訓練誤差達到目標，可結束訓練。

經過訓練，發現在訓練次數為9000次時，誤差小于0.001，接下來我們使用教師B和教師H的數據當成測試數據，將測試數據引入訓練好的神經網絡模型，經過測試后，發現兩組數據的誤差率均較小，通過仿真得到的結果與同行評定的結果也很接近，如表3所示。說明BP神經網絡模型能很好地進行教學質量評定。

表3 同行評價結果與神經網絡測試后結果

3 結語

通過上述實驗結果說明使用BP神經網絡可以進行教學質量的評定，并且采用這種方式可以定量地得出評定結果，這不但有利于教師及時發現教學中的不足之處，也有利于教務部門進行教學質量的評定，定量化的結果在教學評定中也更具說服性。