基于BP 神經網絡多維實踐教學評價系統的構建與檢驗

楊智

（湖南大眾傳媒職業技術學院管理學院，湖南 長沙 410100）

落實高職院校的實踐性特色，關鍵在于保障實踐課程的教學質量，要保障實踐教學質量關鍵手段是對實踐教學進行評估。相對于理論課程，部分高校對實踐課程管理教學評估手段落后，評價體系不科學。目前大部分學校實踐教學評價體系通常是對理論課程評價體系簡單移植，或者由教務人員或專家根據理論課特點，憑借個人經驗制定，缺乏客觀性，且評價方法缺乏嚴格的邏輯推導，科學性較差。我們急需建立一套符合職業教育特點的實踐教育評價系統，實現對課程、教師、學生多視角的綜合評價。

一、研究意義

目前，大部分學校實踐教學評價體系通常是對理論課程評價體系簡單移植修改，或者干脆套用理論課程評價指標。這些評價指標多由教務人員或專家根據理論課特點，憑借個人經驗制定，缺乏客觀性，評價方法缺乏嚴格的邏輯推導，科學性較差。另外，大部分學校對實踐教學的評價多側重教師教學考核，對實驗環境、實驗的關鍵環節沒有評價指標，也缺少對學生的動手能力的反饋。同時，教學評價結果一般由教育行政人員統計分析，通常只公布一個評價結果，而具體評價指標明細項并不公開，缺乏與教師和學生溝通平臺。這樣教學評價無法發揮其應有的診斷和改進作用。我們有必要建立、健全科學、有效的實踐教學評價系統。

二、研究設計

（一）設計的思路

傳統課程教學評價局限于對教師的評估，而忽視了對學生和實踐環境、實踐關鍵環節的評估。本文采用“專家、同行、教師、學生”四個主體參與評分，建立對課程、教師、學生三位一體的實踐課程教學質量評價體系（如下圖）。并對實踐課程教學評價系統進行實際應用檢驗。

（二）研究的方法

課題組運用BP神經網絡原理，利用輸入指標進行訓練，從而構建實踐教學評價網絡系統，BP神經網絡的基本原理是：設輸入模式為x=(x1,x2,...xn)T，隱含層有h個單元，隱含層的輸出為y=(y1,y2,...yh)T，輸出層有m個單元，他們的輸出為，目標輸出為t=(t1,t2,...,tm)T設隱含層到輸出層的傳遞函數為f，輸出層的傳遞函數為g。于是：：隱含層第j 個神經元的輸出；其中w0j= -θ,x0=1

三、研究過程與發現

（一）參數的設定

本次研究利用了R 語言軟件，其中的第三方包NNET 是非常成熟的BP 神經網絡軟件包。在參數設置中，設定初始隨機權重0.1，全值衰減參數5e-4,最大迭代次數設置為1000 次。在BP 神經網絡中，隱含層神經元個數的多少對神經網絡性能的影響很大，如果隱含層神經元個數太少，那么會導致網絡的學習能力不足，網絡容易陷入局部極小值點；反之，如果隱含層神經元個數過多，那么網絡會出現過擬合的現象，這樣會造成訓練時間延遲，且誤差也不一定最小。因此，設定恰當的神經元個數是極為重要的工作。根據以往的研究和經驗，我們利用隱含層神經元設置公式:

h=sqrt(n*m)

h:隱含層神經元個數；

n:輸入指標個數；

m:輸出指標個數。

最終，我們設定隱含層神經元個數為8，較為合適。

（二）樣本的選取

針對三維實踐教學評價系統，課題組按照“優、良、中、差”四個檔次，對每一個子系統選用了40 個樣本進行訓練，共計120 個訓練樣本；檢驗樣本各10 個，共計40 個。其中，實踐課程評價子系統輸入指標為19 個，教師評價子系統輸入指標17 個，學生評價子系統為16 個，隱含層統一設置神經元個數8，輸出層指標4 個，如下表所示：

表一 BP 神經網絡三維實踐教學評價系統訓練、檢驗參數

（三）代碼的編輯與調試

我們使用了以R 語言4.0.5 版本為基礎的R-Studio 主流數據統計軟件，通過反復調試，對于“實踐課程、授課教師、實踐學生”三個神經網絡，分別編輯的BP 神經網絡訓練和檢驗程序代碼如下(以實踐課程評價系統代碼為例)：

〉library(nnet)

〉course_train〈-read.csv(‘C:\Users\Administrator\Desktop\course_train.csv’)

〉course_train$df〈-factor(course_train$df,levels=c(‘excellent’,’go od’,’pass’,’fail’))

〉course_final=nnet(df～.,data=course_train,size=8,rang=0.1,decay=5e-4,maxit=1000)

〉summary(course_final)

〉course_test〈-read.csv(‘C:\Users\Administrator\Desktop\course_test.csv’)

〉course_test$df〈-factor(course_test$df,levels=c(‘excellent’,’good’,’pass’,’fail’))

〉course_predict=predict(course_final,course_test,type=“class”)

〉course_predict_table=table(course_test$df,course_predict)

〉course_predict_table

（四）研究發現

通過研究發現，三維實踐課程評價系統各系統通過訓練樣本集的訓練，都實現了收斂。

其中，實踐課程評價系統權重196 個，迭代次數700 次，收斂值0.162664，驗證正確率為100%；授課教師價系統權重180 個，迭代次數730 次，收斂值0.183244，驗證正確率為100%；

實踐學生評價系統權重172 個，迭代次數730 次，收斂值0.124005，驗證正確率為90%。BP 神經網絡訓練效果好，檢驗正確率高。如下表所示：

表二 BP 神經網絡三維實踐教學評價系統訓練、檢驗效果

四、結論

通過研究，本文建立了基于BP 神經網絡的三維實踐教學系統評價系統。該系統分為：實踐課程評價子系統、授課教師評價子系統和實踐學生評價子系統。其中，實踐課程評價子系統輸入有效指標為19 個，隱含層神經元8 個，權重值個數196 個；授課教師評價子系統有效輸入指標17 個，隱含層神經元8 個，權重值個數180 個；實踐學生評價子系統有效輸入指標16 個，隱含層神經元8 個，權重值個數172 個。經過多次迭代，三個神經網絡系統都有效實現收斂，通過測試樣本檢驗，系統評價有效率達到90%-100%，達到很好的測試效果，系統模型構建有效。