基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評價(jià)方法研究

朱慶生　曹情情　白秀云

摘 要：本文研究神經(jīng)網(wǎng)絡(luò)在線上教學(xué)質(zhì)量評價(jià)中的應(yīng)用，利用深度神經(jīng)網(wǎng)絡(luò)，從在線點(diǎn)擊率、視頻學(xué)習(xí)進(jìn)度、上課視頻狀態(tài)、作業(yè)完成率、學(xué)習(xí)頻率等行為數(shù)據(jù)，測量、評價(jià)教學(xué)狀態(tài)，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評價(jià)模型，結(jié)合我校MOOC課程、直播課程等在線課程的教學(xué)實(shí)際數(shù)據(jù)來訓(xùn)練模型，給出了線上教學(xué)質(zhì)量評價(jià)的一般方法。

關(guān)鍵詞：線上教學(xué)評價(jià)；BP神經(jīng)網(wǎng)絡(luò)；教學(xué)大數(shù)據(jù)；數(shù)據(jù)挖掘

中圖分類號：G642? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1673-260X（2023）04-0064-06

1 高校開展在線教學(xué)的意義

在互聯(lián)網(wǎng)技術(shù)時(shí)代，信息技術(shù)廣泛應(yīng)用于教育行業(yè)，數(shù)字化、網(wǎng)絡(luò)化、智慧化的學(xué)習(xí)方式越來越流行[1]。在線教學(xué)，是指通過互聯(lián)網(wǎng)技術(shù)或其他數(shù)字手段進(jìn)行的教育和培訓(xùn)，它已經(jīng)成為傳統(tǒng)面對面教育外另一種很受歡迎的選擇。我省各高校均開設(shè)了大量的在線課程，疫情期間我校所有課程全面建立了線上資源，保障了教學(xué)工作的正常有序?qū)嵤?/p>

（1）在線教學(xué)內(nèi)容的可重復(fù)性促進(jìn)學(xué)生對專業(yè)知識的學(xué)習(xí)和理解。線上教學(xué)內(nèi)容的可重復(fù)性意味著在線教學(xué)平臺上的課程內(nèi)容可以被學(xué)生多次觀看、操作、實(shí)踐，這種特性對于學(xué)生學(xué)習(xí)知識具有巨大的幫助。學(xué)生可以通過多次聽課，加強(qiáng)知識學(xué)習(xí)，進(jìn)一步掌握理解知識的方式。同時(shí)，可重復(fù)性也可以使學(xué)生更容易回顧所獲得的知識，以加深記憶力，防止知識點(diǎn)被遺忘。

（2）在線學(xué)習(xí)的自主性可以提供學(xué)生個(gè)性化學(xué)習(xí)的機(jī)會。網(wǎng)絡(luò)教學(xué)的自主性是指鼓勵(lì)學(xué)生根據(jù)自己的課程學(xué)習(xí)和需求，選擇課程內(nèi)容，學(xué)生可以根據(jù)個(gè)人興趣愛好與需求選擇知識和教學(xué)方法。這種教學(xué)方式大大降低了學(xué)生的時(shí)間成本和精力，而且能夠提升學(xué)生的學(xué)習(xí)成績，滿足學(xué)生的個(gè)性化要求。因此，在線學(xué)習(xí)的自主性是一種有效且個(gè)性化的學(xué)習(xí)方法，可以讓學(xué)生擁有更輕松的學(xué)習(xí)氛圍、獨(dú)立性和快樂感，有助于增加他們學(xué)習(xí)和成長的內(nèi)在動力。

（3）在線教學(xué)互動性和協(xié)作性有助于提高師生交流和合作意識。在線教學(xué)支持交互性和協(xié)作性，通過在線平臺提供的討論板、聊天室等工具，使學(xué)生和教師可以互相溝通和合作，提升了師生之間的溝通能力和協(xié)作能力。這樣可以讓學(xué)生們更好地理解課程內(nèi)容，有利于更好地進(jìn)行課堂教學(xué)。通過老師和學(xué)生之間的支持與合作，不僅開闊他們的視野，拓寬他們知識的體系，而且有利于提升學(xué)生團(tuán)隊(duì)合作能力。

2 高校線上教學(xué)質(zhì)量評價(jià)存在的困難

2.1 高校線上教學(xué)的形式

線上課程的教學(xué)方式多樣，包括翻轉(zhuǎn)課堂、大學(xué)開放課程、MOOC課程等。許多高等院校開設(shè)的網(wǎng)絡(luò)課程都是采用線上和線下結(jié)合的教學(xué)方式。高校網(wǎng)絡(luò)公開課改革已成為網(wǎng)絡(luò)教育研究的熱點(diǎn)，互聯(lián)網(wǎng)教學(xué)改革涉及互聯(lián)網(wǎng)課堂教學(xué)在課題設(shè)計(jì)、教學(xué)策略和課程評價(jià)等方面效率和效果，及其如何鼓勵(lì)學(xué)習(xí)者積極開展課程內(nèi)容活動和批判性思考學(xué)習(xí)。

近些年，在我國高等院校網(wǎng)上教學(xué)和互聯(lián)網(wǎng)開放學(xué)科的建設(shè)與教學(xué)改革取得了一定的成果，但也存在諸多問題。網(wǎng)上課程資源的問題多在于課程規(guī)劃缺乏科學(xué)性，課程理念不夠先進(jìn)，課程設(shè)計(jì)不夠合理[1]，課程資源不夠優(yōu)質(zhì)，課程評價(jià)不夠有效等。在線課程學(xué)習(xí)的問題在于學(xué)生的平均流失率較高或?qū)W習(xí)完成率偏低，學(xué)習(xí)者的知識水平側(cè)重于認(rèn)知層次，很少能夠達(dá)到應(yīng)用和復(fù)雜應(yīng)用的水平。學(xué)習(xí)者對在線課程感興趣程度差異是造成該問題的關(guān)鍵性原因，知識比較碎片化，實(shí)際解決問題能力上有差異，學(xué)習(xí)的批判性水平也有待提高。

2.2 目前高校在線課程教學(xué)質(zhì)量評價(jià)存在的困難

高校在評估網(wǎng)絡(luò)課程教學(xué)質(zhì)量時(shí)面臨著幾個(gè)困難，其一標(biāo)準(zhǔn)化問題：開發(fā)一個(gè)可以在不同機(jī)構(gòu)和學(xué)科之間普遍應(yīng)用的標(biāo)準(zhǔn)評估系統(tǒng)是一項(xiàng)挑戰(zhàn)。其二數(shù)據(jù)收集問題：由于教師與學(xué)生之間缺乏實(shí)時(shí)互動，很難收集到在線教學(xué)的準(zhǔn)確數(shù)據(jù)，難以準(zhǔn)確捕捉教學(xué)效果。其三主觀性問題：在線教學(xué)評估可能會有偏差，因?yàn)閷W(xué)生可能會根據(jù)教學(xué)質(zhì)量以外的因素來評價(jià)他們的教師，比如課程難度或個(gè)人關(guān)系。其四缺乏反饋：在線學(xué)生可能得不到與傳統(tǒng)課堂環(huán)境下相同水平的反饋，因此很難評估教師教學(xué)方法的影響。其他還有互動有限性問題：在線課程缺乏傳統(tǒng)課程提供的面對面互動和協(xié)作機(jī)會，這使得評估教學(xué)效果和學(xué)生參與度具有挑戰(zhàn)性。

在線教育教學(xué)也包含著非常復(fù)雜的內(nèi)部規(guī)律，使用一般意義上的分析模型很難使評估更接近實(shí)際情況的結(jié)論。正是由于這個(gè)原因，目前，對高校教學(xué)質(zhì)量的評估主要通過教學(xué)監(jiān)督評估和客觀指標(biāo)（如考試成績、出勤率、家庭作業(yè)完成情況等）相結(jié)合來評估。

3 神經(jīng)網(wǎng)絡(luò)算法在教育領(lǐng)域應(yīng)用場景

3.1 線上課程大數(shù)據(jù)特征

在線教育大數(shù)據(jù)不同于傳統(tǒng)教育數(shù)據(jù)，有以下特征：第一，規(guī)模大。在線教育大數(shù)據(jù)涵蓋了與教育相關(guān)的所有記錄，數(shù)據(jù)量龐大。第二，類型多樣。在線教育大數(shù)據(jù)包括學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，課程數(shù)據(jù)，學(xué)校數(shù)據(jù)等，類型繁多。第三，連續(xù)性強(qiáng)。在線教育大數(shù)據(jù)是在線學(xué)習(xí)過程中不斷積累的，每一條數(shù)據(jù)都反映了學(xué)習(xí)者的行為及進(jìn)步。第四，價(jià)值密度低。在線教育大數(shù)據(jù)中，很多數(shù)據(jù)不能直接等同于教育信息[4]，需要進(jìn)行進(jìn)一步的分析處理。第五，具有多媒體數(shù)據(jù)。在線教育大數(shù)據(jù)包括圖像，語音，文本三種不同類型的數(shù)據(jù)。

為了更好地挖掘教育大數(shù)據(jù)，需要使用圖像信息識別、文本數(shù)據(jù)分析、語音數(shù)據(jù)分析等技術(shù)。深度學(xué)習(xí)在處理這三種數(shù)據(jù)方面表現(xiàn)出色，因此各大高校開始將深度學(xué)習(xí)算法引入在線教育大數(shù)據(jù)挖掘領(lǐng)域，以更加準(zhǔn)確和有效地探索教育問題。

3.2 神經(jīng)網(wǎng)絡(luò)算法

深度學(xué)習(xí)是一項(xiàng)新的機(jī)器學(xué)習(xí)技術(shù)，由Hinton教授提出，因其提高了神經(jīng)網(wǎng)絡(luò)的效率，受到了學(xué)術(shù)界的注意。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是一個(gè)多層網(wǎng)絡(luò)，包括輸入、隱藏和輸出層[5]。其多層結(jié)構(gòu)可以接近復(fù)雜的函數(shù)。深度學(xué)習(xí)可以擬合任意復(fù)雜函數(shù)，不同的神經(jīng)網(wǎng)絡(luò)模型可以從數(shù)據(jù)中提取特征[4]，增強(qiáng)識別能力。也能保存長期狀態(tài)，維護(hù)數(shù)據(jù)之間的連接。相比其他方法，深度學(xué)習(xí)算法更靈活和準(zhǔn)確，在語音識別、圖像識別、情感分析等領(lǐng)域有重要作用[10]。神經(jīng)網(wǎng)絡(luò)算法是解決復(fù)雜問題的流行方法，因能從數(shù)據(jù)中學(xué)習(xí)和歸納，即使是在有噪聲或不完整信息的情況下。

神經(jīng)網(wǎng)絡(luò)算法在教育領(lǐng)域應(yīng)用于各種場景，如學(xué)習(xí)資源推薦、學(xué)習(xí)行為分析、在線教學(xué)質(zhì)量評價(jià)、學(xué)生學(xué)習(xí)效果預(yù)測等。神經(jīng)網(wǎng)絡(luò)算法可以處理大量的數(shù)據(jù)，并通過模型訓(xùn)練和學(xué)習(xí)來提取特征，進(jìn)而對教育進(jìn)行更加準(zhǔn)確的預(yù)測和評價(jià)。這不僅可以提高課程教學(xué)質(zhì)量與效率，而且有利于改善學(xué)生的學(xué)習(xí)成效。

神經(jīng)網(wǎng)絡(luò)算法在教育領(lǐng)域的應(yīng)用方式非常多樣化。主要有以下的應(yīng)用方式：（1）學(xué)習(xí)評價(jià)。神經(jīng)網(wǎng)絡(luò)算法可以評價(jià)學(xué)生的學(xué)習(xí)表現(xiàn)情況，進(jìn)而對學(xué)生的學(xué)習(xí)成效做出有效的評價(jià)。（2）教學(xué)內(nèi)容推薦。神經(jīng)網(wǎng)絡(luò)算法能夠通過對比學(xué)生們的學(xué)習(xí)狀況、學(xué)習(xí)能力及學(xué)習(xí)設(shè)計(jì)風(fēng)格，從而為學(xué)生推薦合適的教學(xué)內(nèi)容。（3）教學(xué)課件生成。神經(jīng)網(wǎng)絡(luò)算法可以通過分析教師的教學(xué)風(fēng)格，教學(xué)內(nèi)容，教學(xué)方法等信息，從而生成適合教師教學(xué)風(fēng)格的課件。（4）在線教學(xué)評價(jià)。神經(jīng)網(wǎng)絡(luò)算法可以通過分析在線教學(xué)內(nèi)容，課件，教師教學(xué)風(fēng)格等信息，從而評價(jià)在線教學(xué)的質(zhì)量。（5）學(xué)習(xí)路徑生成。神經(jīng)網(wǎng)絡(luò)算法可以通過分析學(xué)生的學(xué)習(xí)風(fēng)格，學(xué)習(xí)能力等信息，從而為學(xué)生生成適合學(xué)生學(xué)習(xí)風(fēng)格的學(xué)習(xí)路徑。

3.3 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的在線教育大數(shù)據(jù)挖掘流程

基于神經(jīng)網(wǎng)絡(luò)技術(shù)的在線教育大數(shù)據(jù)挖掘流程主要包括以下幾個(gè)步驟：

（1）數(shù)據(jù)預(yù)處理。由于在線教育大數(shù)據(jù)獨(dú)有的特征表現(xiàn)，從在線教育系統(tǒng)中收集大量的數(shù)據(jù)中可能存在缺失值、異常值、噪聲等，因此需要對數(shù)據(jù)進(jìn)行清理、格式化等預(yù)處理工作，使得數(shù)據(jù)更適合挖掘分析。

（2）特征工程。根據(jù)數(shù)據(jù)的具體情況，選取有價(jià)值的特征，并對特征進(jìn)行轉(zhuǎn)換、縮放等工程處理，使得數(shù)據(jù)更適合神經(jīng)網(wǎng)絡(luò)分析。

（3）神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)。根據(jù)數(shù)據(jù)特征以及問題要解決的任務(wù)，選擇合適的神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行設(shè)計(jì)、訓(xùn)練。

（4）神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證。對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，判斷模型的準(zhǔn)確率和效果，并對模型進(jìn)行調(diào)整和改進(jìn)。

（5）神經(jīng)網(wǎng)絡(luò)模型應(yīng)用。根據(jù)神經(jīng)網(wǎng)絡(luò)模型的結(jié)果，對在線教育數(shù)據(jù)進(jìn)行挖掘分析，得出有意義的結(jié)論。

這五個(gè)步驟通過神經(jīng)網(wǎng)絡(luò)算法，在線教育課程教學(xué)質(zhì)量評價(jià)可以實(shí)現(xiàn)對課程教學(xué)效果的多維度、精確評價(jià)，有助于提高教育教學(xué)質(zhì)量，提升學(xué)習(xí)效果。基于神經(jīng)網(wǎng)絡(luò)技術(shù)的在線教育大數(shù)據(jù)挖掘流程圖如圖1所示。

4 基于BP神經(jīng)網(wǎng)絡(luò)線上教學(xué)質(zhì)量評價(jià)模型的構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)的一種重要算法，可以有效地評價(jià)線上教育的質(zhì)量。這里介紹基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評價(jià)方法的過程。

4.1 線上教學(xué)質(zhì)量評價(jià)指標(biāo)體系設(shè)計(jì)

課程評價(jià)指標(biāo)體系是高校教師教學(xué)和學(xué)生學(xué)習(xí)情況的反饋。有助于推動課程改革、促進(jìn)課程建設(shè)、提高教學(xué)質(zhì)量。其中，線上教學(xué)質(zhì)量評價(jià)指標(biāo)體系是評估線上教學(xué)質(zhì)量的一系列指標(biāo)。常見的線上教學(xué)評價(jià)指標(biāo)：學(xué)生參與度（包括學(xué)生對課程內(nèi)容的反饋、評論以及參與討論）、學(xué)生學(xué)習(xí)成果（包括學(xué)生的測試成績和課程作業(yè)）、教師教學(xué)表現(xiàn)（包括教師的教學(xué)方法、使用的教學(xué)資源以及課堂環(huán)境的管理）、課程內(nèi)容（包括課程的內(nèi)容、資源和教學(xué)計(jì)劃的實(shí)施情況）、技術(shù)支持（包括設(shè)備和技術(shù)的可靠性以及在線教學(xué)系統(tǒng)的易用性）。此外，通過對這些指標(biāo)的評估，線上教學(xué)質(zhì)量評價(jià)指標(biāo)體系可以幫助高校評估線上教學(xué)質(zhì)量，有助于及時(shí)改進(jìn)在線教學(xué)風(fēng)格。針對學(xué)生學(xué)習(xí)追蹤的結(jié)果不僅僅是提供給學(xué)生和教師一個(gè)學(xué)習(xí)結(jié)果評價(jià)，更需要通過評價(jià)結(jié)果來幫助學(xué)生意識并調(diào)整個(gè)人的線上學(xué)習(xí)狀態(tài)，以達(dá)到更好的學(xué)習(xí)效率。

線上教學(xué)過程追蹤的數(shù)據(jù)包括：用戶信息（包括學(xué)生的個(gè)人信息，如姓名、年齡、性別、學(xué)校信息等）、學(xué)習(xí)行為數(shù)據(jù)（包括學(xué)生的學(xué)習(xí)時(shí)間、學(xué)習(xí)內(nèi)容、學(xué)習(xí)頻率、學(xué)習(xí)進(jìn)度等）、學(xué)習(xí)成績數(shù)據(jù)（包括學(xué)生在課程中的考試成績、作業(yè)分?jǐn)?shù)、項(xiàng)目成績）、課程內(nèi)容數(shù)據(jù)（包括課程結(jié)構(gòu)、課件、題目、知識點(diǎn)等）、教師數(shù)據(jù)（包括教師的課程得分、教學(xué)方式、教學(xué)評價(jià)）如表1所示。這些數(shù)據(jù)可以通過線上教學(xué)平臺的日志、數(shù)據(jù)庫、教師手工輸入等方式獲取。利用這些數(shù)據(jù)可以對學(xué)生的學(xué)習(xí)情況、課程質(zhì)量、教師教學(xué)質(zhì)量等進(jìn)行評價(jià)，為高校提供重要的決策依據(jù)。

4.2 BP神經(jīng)網(wǎng)絡(luò)線上教學(xué)質(zhì)量評價(jià)模型

根據(jù)現(xiàn)有的在線教育環(huán)境和在線學(xué)習(xí)的常見方式[3]，提出基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)生學(xué)習(xí)行為評價(jià)可采用的評價(jià)模型，如圖2所示[3]。

BP神經(jīng)網(wǎng)絡(luò)線上教學(xué)質(zhì)量評價(jià)模型的構(gòu)建步驟一般如下：

（1）數(shù)據(jù)收集。首先需要準(zhǔn)備用于訓(xùn)練和評估神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)。這些數(shù)據(jù)可以是用戶的評價(jià)，每個(gè)評價(jià)的分?jǐn)?shù)以及可能的其他關(guān)鍵因素，如課程名稱、課程內(nèi)容、教師能力等。與此同時(shí)，結(jié)合我校在校生課程學(xué)習(xí)情況，從學(xué)生信息系統(tǒng)中收集初始樣本數(shù)據(jù)，確定輸入層、隱含層、輸出層節(jié)點(diǎn)個(gè)數(shù)以及期望值。

（2）數(shù)據(jù)預(yù)處理。對原始數(shù)據(jù)進(jìn)行預(yù)處理，提取有用的特征，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

（3）構(gòu)建模型。根據(jù)評價(jià)指標(biāo)體系構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。

本文采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。BP神經(jīng)網(wǎng)絡(luò)線上教學(xué)質(zhì)量評價(jià)模型的輸入層是該模型的第一層，是模型處理數(shù)據(jù)的第一個(gè)關(guān)鍵點(diǎn)。輸入層需要以一種明確的方式來表達(dá)線上教學(xué)數(shù)據(jù)，以便模型對數(shù)據(jù)進(jìn)行分析和評估。

（4）模型訓(xùn)練。對構(gòu)建好的模型進(jìn)行訓(xùn)練，得到最優(yōu)參數(shù)。

參數(shù)設(shè)置，輸入層與輸出的節(jié)點(diǎn)個(gè)數(shù)均根據(jù)具體問題確定，并無嚴(yán)格要求隱藏層的數(shù)量，層數(shù)可以為一層或多層。柯爾莫格羅夫的理論已經(jīng)證明，任何給定的連續(xù)函數(shù)φ：X一Y，X∈Rn，Y∈[0，1]m，φ可以通過一個(gè)三層的神經(jīng)網(wǎng)絡(luò)精確地實(shí)現(xiàn)[2]。

除此之外，在隱藏層中使用太少的神經(jīng)元可能導(dǎo)致欠擬合狀況[7]。反過來，使用過多的神經(jīng)元可能致使過度擬合[7]，進(jìn)而難以實(shí)現(xiàn)預(yù)期的效果。因此，在隱藏層挑選適度數(shù)量的神經(jīng)元一樣重要。可利用經(jīng)驗(yàn)公式（1）確定隱含層神經(jīng)元數(shù)量Lh，表示為：

表達(dá)式（1）中，Lt為訓(xùn)練集的樣本數(shù)據(jù)，Li為輸入層神經(jīng)元個(gè)數(shù)，L0為輸出層神經(jīng)元個(gè)數(shù)，？茁為任意變量，通常取[2，10]區(qū)間的常數(shù)。激活函數(shù)擬采用的是Logistic函數(shù)。再用softmax函數(shù)對系統(tǒng)輸出值進(jìn)行反歸一化處理[8]。學(xué)習(xí)率、訓(xùn)練集和測試集均通過實(shí)驗(yàn)反復(fù)調(diào)整來確定。

BP算法實(shí)現(xiàn)，應(yīng)用SPSS軟件進(jìn)行仿真實(shí)驗(yàn)，步驟如下：

步驟1：利用公式（2）對輸入層數(shù)據(jù)歸一化處理

其中X為輸入數(shù)據(jù)分量，Xmin和Xmax分別表示在訓(xùn)練數(shù)據(jù)集中該分量的最小值和最大值[6]。經(jīng)過輸入層標(biāo)準(zhǔn)化后，得到的數(shù)值在區(qū)間[0，1]中。

步驟2：搭建前向神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練。

步驟3：輸出預(yù)測結(jié)果，驗(yàn)證模型的有效性，如通過交叉驗(yàn)證法等。

步驟4：將訓(xùn)練好的模型應(yīng)用到線上教學(xué)的評價(jià)中，得到線上教學(xué)質(zhì)量評價(jià)結(jié)果。計(jì)算評價(jià)模型的精度和可靠性，并對模型進(jìn)行優(yōu)化。

5 實(shí)驗(yàn)及結(jié)果分析

5.1 實(shí)驗(yàn)過程

5.1.1 數(shù)據(jù)收集

本項(xiàng)目擬收集數(shù)據(jù)集的規(guī)模為2個(gè)學(xué)年20門專業(yè)課約1000名同學(xué)在線課程互動信息（學(xué)習(xí)狀態(tài)信息）。以BP神經(jīng)網(wǎng)絡(luò)模型中的結(jié)果作為線上教學(xué)質(zhì)量評價(jià)預(yù)測值。將學(xué)生評教、學(xué)院綜合考核融合得分作為BP神經(jīng)網(wǎng)絡(luò)模型中的真實(shí)值，結(jié)合表1先線上教學(xué)行為數(shù)據(jù)結(jié)構(gòu)展示學(xué)生學(xué)習(xí)行為狀態(tài)數(shù)據(jù)，如表2所示。

5.1.2 數(shù)據(jù)預(yù)處理

通常情況下，預(yù)處理線上教學(xué)數(shù)據(jù)可以是學(xué)生的學(xué)習(xí)行為數(shù)據(jù)、教師的教學(xué)數(shù)據(jù)等。這些數(shù)據(jù)需要被轉(zhuǎn)化為模型可以識別的數(shù)字，以便模型進(jìn)行處理。因此，在表達(dá)線上教學(xué)數(shù)據(jù)時(shí)，需要對每一種類型的數(shù)據(jù)進(jìn)行分別處理，以便在輸入層中表示。例如，對于學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，可以利用0/1等數(shù)字表示。

5.1.3 模型訓(xùn)練

（1）參數(shù)設(shè)置。將表1中指標(biāo)X1、X2、X3、X4…X9、X11作為10個(gè)輸入層數(shù)據(jù)，X12是由前10個(gè)指標(biāo)基于BP神經(jīng)網(wǎng)絡(luò)模型對課程名稱（X10）作為輸出層的預(yù)測值，表2中評課得分Y作為輸出層的真實(shí)值。輸入層與輸出層節(jié)點(diǎn)數(shù)分別為10、1。根據(jù)公式（1），隱藏層層數(shù)為5、每層神經(jīng)元個(gè)數(shù)相等均為10，訓(xùn)練結(jié)果最佳。經(jīng)過反復(fù)測驗(yàn)比較分析，發(fā)現(xiàn)迭代次數(shù)為1000時(shí)訓(xùn)練效果最佳。同時(shí)，將學(xué)習(xí)率設(shè)定為0.05，訓(xùn)練集占比為0.7。

（2）BP算法實(shí)現(xiàn)。學(xué)生評學(xué)指標(biāo)體系使用SPSS軟件進(jìn)行仿真實(shí)驗(yàn)，根據(jù)式（2）對各指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，得到測試數(shù)的預(yù)測結(jié)果，如表3所示。

5.2 結(jié)果分析

基于MSE、RMSE、MAE、MAPE、R2指標(biāo)對模型進(jìn)行分析比較，輸出結(jié)果如表4所示。其中將預(yù)測值跟只使用均值的情況下相比表示R2的值，結(jié)果越靠近1模型準(zhǔn)確度越高。教學(xué)評估中的BP神經(jīng)網(wǎng)絡(luò)R2的值為0.976，表明模型具有確定的參考價(jià)值。

表3展示了訓(xùn)練集和測試集的線上行為數(shù)據(jù)指標(biāo)，通過量化指標(biāo)來衡量BP神經(jīng)網(wǎng)絡(luò)回歸的預(yù)測效果。其中，通過交叉驗(yàn)證集的評價(jià)指標(biāo)可以不斷調(diào)整超參數(shù)，以得到可靠穩(wěn)定的模型。基于BP神經(jīng)網(wǎng)絡(luò)模型所構(gòu)建的評學(xué)體系預(yù)測該門課程的教學(xué)質(zhì)量如圖4所示。

圖4中菱形標(biāo)記的折線表示學(xué)生針對相應(yīng)課程評教的課程得分，作為基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評價(jià)模型的真實(shí)值；圓點(diǎn)標(biāo)記的折線表示由文中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型就線上行為數(shù)據(jù)即X1、X2…X9、X11等10個(gè)指標(biāo)，對20門課程教學(xué)質(zhì)量的預(yù)測值。

通過表3的對比及圖4的分析可得，在可接受的預(yù)測精度范圍內(nèi)[9]，表明基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評價(jià)模型是有效、合理的。從應(yīng)用來看，該課程的教學(xué)質(zhì)量預(yù)測值X12可以近似為傳統(tǒng)課程主觀評教得分Y。

本研究創(chuàng)建的三層BP神經(jīng)網(wǎng)絡(luò)線上教學(xué)質(zhì)量評價(jià)方法，在對BP神經(jīng)網(wǎng)絡(luò)基本原理、模型構(gòu)建方法、指數(shù)值估計(jì)方法等進(jìn)行詳細(xì)解釋和分析的基礎(chǔ)上，檢查了基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評估方法的有效性和穩(wěn)定性。從研究結(jié)果可知，基于BP神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評估方法是一種比較合理的線上教學(xué)質(zhì)量評估方法。

——————————

參考文獻(xiàn)：

〔1〕宋倩倩，曹玉娟，劉振海.深度學(xué)習(xí)視角下高校在線開放課程教學(xué)改革初探[J].鹽城工學(xué)院學(xué)報(bào)（社會科學(xué)版），2018，31（04）：83-85.

〔2〕梅強(qiáng)，范茜.基于BP神經(jīng)網(wǎng)絡(luò)的高新技術(shù)企業(yè)自主創(chuàng)新能力評價(jià)研究[EB/OL].（2011/6/8）[2023/2/12].http：//219.231.8.39/s/com/baidu/w enku/G.https/view/48f0d317c281e53a5802ffa9？_ wkts_=1676270264593.

〔3〕劉明春.基于BP神經(jīng)網(wǎng)絡(luò)的在線學(xué)習(xí)行為評價(jià)模型[EB/OL].（2015/7/25）[2023/2/12].https：//www.doc88.com/p-9032358207792.htmt.

〔4〕陳德鑫，占袁圓，楊兵.深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J].電化教育研究，2019， 40（02）：68-74.

〔5〕謝麗強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)下的煤炭上市公司融資風(fēng)險(xiǎn)預(yù)警研究[D].太原：山西財(cái)經(jīng)大學(xué)，2018.

〔6〕張鋼，等.深度學(xué)習(xí)技術(shù)在高校教學(xué)質(zhì)量評價(jià)中的應(yīng)用研究[J].電腦與電信，2017，23（10）：6-8.

〔7〕馮雨萌.基于深度神經(jīng)網(wǎng)絡(luò)的上市公司價(jià)值評估應(yīng)用研究[J].佳木斯職業(yè)學(xué)院學(xué)報(bào)，2022，38（08）：50-52.

〔8〕池永為.滾動軸承故障的振動特性分析與智能診斷方法研究[D].無錫：浙江大學(xué)，2018.

〔9〕鄭永，陳艷.基于BP神經(jīng)網(wǎng)絡(luò)的高校教師教學(xué)質(zhì)量評價(jià)模型[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，29（01）：86-90.

〔10〕郭昌健.基于訂單流不平衡的股指期貨套利研究[D].濟(jì)南：山東大學(xué)，2021.

〔11〕S. H. Hong， “Application of BP Neural Networks in Teaching Quality Evaluation，” Machine Building & Automation， vol.34， Dec. 2005， pp. 160-162.

〔12〕W. D. Qiao， “Teaching Quality Evaluation of Modern Distance Education based on BP Neural Networks，” Distance Education in China， no.25， Jul. 2006， pp. 69-71.

收稿日期：2023-02-17

通訊作者：白秀云（1964-），女，內(nèi)蒙古赤峰市人，副教授。研究方向：生物學(xué)科教學(xué)及編輯規(guī)范。

基金項(xiàng)目：安徽省質(zhì)量工程重點(diǎn)教學(xué)研究項(xiàng)目（2020jyxm0359）；安徽省質(zhì)量工程重大教學(xué)研究項(xiàng)目（2018jyxm1147）；安徽省質(zhì)量工程重大教學(xué)研究項(xiàng)目（2020jyxm0329）；省級示范實(shí)驗(yàn)實(shí)訓(xùn)中心（2019sxzx14）