基于RBF 網絡的高職教學質量評價模型研究

王建翔

（四川城市職業學院，四川 成都 610101）

0 引言

通常情況下,教學質量與教師主觀的教學態度、教學方法、教學體系等因素息息相關,但直接與教學質量掛鉤的因素卻都不能直接地被直觀衡量評定。 因此高校需要借助一種教學質量評價模型,將教學質量評價以數值化、具體化的形式呈現。 教學質量評價體系最重要的就是消除人為主觀因素對權重設置的影響,以便于高職院校動態了解當前的教學效果,改進優化教學方案。

1 RBF 神經網絡的概念

RBF 網絡又叫作徑向基函數神經網絡,是通過前饋式反向傳播,來實現非線性變化的一種從輸入值插入開始,以隱層展開的局部逼近網格。 在該網格結構中,任何一點均滿足Φ(x)＝Φ(丨丨x丨丨)的形式,即原點距離的實值函數僅僅對該點產生輸出。 在神經網格結構中,它作為各個層次的主要連接函數。 其中以高斯函數作為徑向基函數的網格最為常用,其表達式為Φ(r)＝e-(εr2)。 其中e作為第r個基函數的中心位置,r是整個感知單元的個體數量,而ε則是代表影響Φ(r)這組數據的感知變量［1］。 RBF 神經網絡模型的結構如圖1 所示,在整個神經網絡中,由于輸出點只會受到靠近中心點的輸入值影響,因此具有局部反映現象。 基于RBF 神經感知網絡的教學質量評價模型,以大量、簡單的處理感知單元,通過廣泛地連接建立聯系組成復雜的網絡系統。 模型由網絡拓撲、階段與插入規則來表示,RBF 神經網絡由于可以分布式儲存處理信息,并且能夠在多層并行分析行為,因此它廣泛適用于處理大量的非精準信息與模糊信息。 而在教學質量評價工作上,正是由于存在大量無具體數值描述的信息導致難以客觀評價的問題,因此可以考慮借助RBF神經網絡的自適應性與學習性來解決它非線性描述的問題。

2 RBF 高職教學質量評價模型構建

2.1 神經網絡結構

網絡結構設計采用三層誤差反向傳播RBF 網絡結構,它分為輸入層、隱層與輸出層。 其中將輸入層設置為參與教學質量評價的各項指標參考；隱層特征應當為某一輸入層對應的層次具體特征,輸入層的單一插入值將對結果產生怎樣的影響,全部由該層的隱層特征來決定,那么可以將整個神經網絡當作一個信息特征的提取與組合器,在該質量評價模型中,可以簡單地將隱層特征表現為權重關系；在它的輸出值端一共有4種結果,即優秀、良好、及格、不及格。 但由于同一組評價參數只能同時響應一種評價結果,因此在輸出層僅設置單節點輸出路徑［2］。 在該教學質量評價模型中,得到一組參數的具體評價結果需要經過“插入參考值——隱層分析處理——交匯分析——評價結果輸出”的一系列流程。

2.2 教學質量的輸出模式

在高職院校設置教學質量評價體系的目的是通過有效的質量評價體系來幫助學校了解師資隊伍的建設質量,進一步制定和完善教學計劃。 而教學質量評價結果往往決定了教師在高職院校的發展情況,如津貼工薪的發放、教師職稱的評定、季度考核、教務職務升遷等。 近年來高職院校隨著教育觀念的不斷完善,越來越重視學生在教育中的主體地位,盡管有以學生測評結果為參考的教學質量評價體系,但考慮到學科興趣度、師生感情因素以及學生對待測評工作的態度等人為主觀因素的存在,會間接地影響測評結果的質量,使學校難以對擔負不同學科教學任務的教師做出合理且客觀的綜合評價。 尤其是一些學習難度較大的學科的任教教師以及新到校的教師的教學質量測評結果都要比實際偏低一些,也就導致了教師會對人為測評結果存在較大質疑。 因此,RBF 神經網絡模型利用數學的函數方法來克服人為設置評價權重的問題,通過幾組評價數據的訓練與完善,根據學生的測評結果,對應具體的指標分值來提高教學質量評價結果的合理性。

在《教育大辭典》中,教學質量是指對教育水平優劣與否與教學效果是否實現的客觀綜合評價。 結合高校的培養方向與辦學理念來分析,教學質量的主要衡量標準應當是高職院校自己的培養目標,它最終要通過受教育的主體現象來客觀體現。 即教師教學水平不等于教學質量；教學質量最終以學生的學業完成情況的優劣為根本衡量；學生的學業完成情況即為高職院校培養人才是否合格的質量標準。 但從教學實際來看,往往對教學質量容易產生深遠影響的又正是教師職業水平素質等因素。 在教學質量評價模型上,高校應當充分理解“教育投入不等于教育回報”的觀念,因此,除了教師自有的能力素質考評之外,還要加入培養教育對象的質量規格以及體系內的自控自評因素,這樣才能確保模型輸出的教學質量完全消除主觀判斷因素,多角度客觀公正地展開綜合測評。

2.3 參考輸入值的設置

在RBF 高職教學質量評價模型中,輸入值需要設置為可以具體描述提取的評價信息,這種信息不一定是數據上的,但必須與教學質量結果有一定的因果關系。 從以往高職院校的質量評價工作經驗以及教學實踐分析得出的數據來看,可供用作參考教學質量評價的一共有3 類信息。

其中,一類信息是最能直接體現教師教學能力水平的信息:(1)教學進度規劃；(2)教學目的；(3)教學理念；(4)教學方法；(5)教學態度；(6)教學成果。 這一類信息完全可以通過教師自評或者教學考察活動來直接收集。

二類信息是在學生評價與教學反饋基礎上得到的客觀信息:(1)學生課堂積極性；(2)班組學業成果；(3)學生好感；(4)課堂氛圍；(5)教學活動合理性。 從以上指標可以看出,二類信息雖然不受教師“教學行為能力”的直接影響,但間接地會輻射反饋到教學質量上,且二類信息與一類直觀信息相比,似乎更容易與教學質量的輸出值建立聯系［3］。

三類信息則更傾向于教師職業心態的動態考評,主要從3 個方面開始展開考察:(1)教職人員自評；(2)教職人員互評；(3)教務處領導評價。 考察內容主要有:(1)教學任務的完成情況；(2)教師的履職情況；(3)職業道德素質。 從中不難看出,三類信息在整個教學質量評價體系中既不容易直觀看出,也不會對教學質量產生根本性的影響,但可以為衡量教學質量提供參考輔助性建議。

其中一類插入信息為6 項指標,二類插入信息為5項指標,三類插入信息為2×3 ＝6 項指標,共計17 項指標。

2.4 隱層特征分析

適用于教學質量評價模型的三層誤差反向傳播RBF 網絡中,隱形特征表現為具體的指標權重因素,首先應當確認輸入節點的個數,即17 項指標。 有了輸入值節點個數后,利用隱層節點公式(M＝N)2+C(M為輸入節點個數,N為輸出節點個數,C為網絡誤差常數,通常取值為+10 到-10)來確定隱層節點的連接個數。 其中常數項C是在模型投入使用后用來消減誤差的調整范圍,即在不同的指標與輸出值搭配中,存在著多種考核結果,而多種考評結果最終轉化為4 種“優秀、良好、及格、不及格”輸出值。 那么為了實現不同重要級的指標產生非現性變化,就需要在隱層對不同類別的輸出值進行權重分配。 其中一類參考指標的權重為A1 ～A6,二類參考指標為S1 ～S5,三類指標權重為W1 ～W6。 以相對于中間點的離散距離作為區分,其中二類參考指標相對中心點最近；一類參考指標其次；最后是三類參考指標。

3 RBF 神經網絡的算法

有了初步的模型構造,需要具體賦予該神經網絡一種基礎算法,首先將3 類不同指標的輸入層節點設置為斜率為1 的線性函數,而輸出值設置為一條相關的反向線性函數,在其中可以調節的除了隱層節點數之外,還有權重值S/B/W。 其中,隱層節點函數采用高斯函數計算,它的輸出函數式為:

這個函數式中,cn為第n個輸入層中心點的正值距離。 而a為隱層標準偏差,n視為隱層節點的常數。

調整網絡的算法參數時,可以考慮利用帶動量因子的梯度下降法進行設置,當整層網絡隨著t時刻的變化而產生非線性變化時,還要具體結合t時刻對應的網絡隱層關系對(M＝N)2+C中的C進行合理配置。

4 RBF 神經網絡的模型優化

RBF 神經網絡模型需要利用數據的監督學習算法,完成對RBF 神經網絡模型的修正學習階段。 在求解機器學習算法模型的參數時,迭代法可以用于求解非線性的最小二乘問題,而像教學評價結果的指標這種非線性關聯數據,考慮到它的本質是來求解損失函數的最小值,即無約束優化問題,因此采用梯度下降法,首先定義一個樣本的誤差信號函數E＝1/2e2,其中e為每組不同訓練數據的誤差信號。 為了使損失函數最小值,再將各個誤差參數的修正量與函數的負梯度設置為正比關系,參數修正值的表達式為:δw＝eta［eG(丨丨x-c1丨丨)］。 考慮到hermit 多項式的逼近問題,分別抽取20 組訓練樣本數據,將其代入F(x)＝1.1(1-x+2x2)exp(-x2/2)中,隱藏節點數為10,重疊系數為1,用聚類法求出RBF 神經網絡模型的數據中心與拓展常數,將設置的隱藏節點權重與閾值用逆偽法來求解。而后再設eta＝0.01,初始權值設置為［-0.1,0.1］區間內的任意隨機值,將拓展常數的初始區間設為［0.1,0.5］,最大訓練數設置為5 000 次。 以此來優化RBF神經網絡的數據中心算法,使模型評價結果不再受限于輸入的數據點,而是根據訓練算法來確定。

為了使整組RBF 教學質量評價模型網絡的輸出結果更加貼合真實評價,考慮將所有輸入參考指標值方案,挑選幾組錯落的極值輸入,以對照輸出結果來驗證網格的合理性,如挑選10 組樣本,滿足一類權重A 指標均為優、良；二類權重S 指標均為良、及格；三類權重W 指標均為及格、不及格條件時,輸出等級結果大部分在“良”,少數輸出評價落在“及格”范圍,樣本結果與考評事實存在一定的偏差。 此時應當向上調整一二類指標的隱層權重,使三類指標作為區分“優與良”等級的重要參考。 重新調整權重后,若一、二類輸入指標有80%以上在良以上,則輸出值始終為良,但若三類指標中出現26%以上為及格或以下評價,則輸出值始終不為優。 而另一方面,在神經網絡中還分析出了三類指標參考的自矛盾現象,由于三類指標是基于自評與他評結合的,在實際對神經網絡辨識結果進行驗證時發現,若他評與自評數值存在較大差異,可能會導致輸出值在優與良的閥值處離散分布。 因此應當在隱層特征中,加入提取描述的函數,當出現某一項指標的自評與他評輸入值相差兩個擋位時,應當將該隱層節點停止對中心值進行響應,而作為響應補償,當出現此類情況時應當在網格中建立邏輯關聯使三類其他有效節點的權重特征比例下降。

經優化后,測試結果與專家評價結果比較如表1 所示。 在某高職院校應用RBF 神經網絡數據中心進行教學質量評價發現,該RBF 神經網絡模型輸出辨識值與以往由教學督導小組開展的歷史評價結果相似度較高。

表1 測試結果與專家評價結果比較 (單位：分)

5 結語

綜上所述,在傳統教學質量測評指標的基礎上,利用RBF 神經網絡模型的輸出值來描述關于教師教學質量的具體評價,可以消除由主觀判斷因素影響評價結果公正性的問題。 便于高職院校了解自身的教學現狀,合理部署下一步的教育計劃安排。 高效率地完成高職院校教學質量內控工作的同時,還提高了高職院校信息化管理水平,但考慮到與教學督導小組評價產生偏差的樣本現象,RBF 神經網格模型在正式投入使用時還需要不斷地積累數據樣本來進行調整優化。