基于神经网络的教学质量评估模型

基于神经网络的教学质量评估模型陈力捷[e-mail]西安交通大学机械工程学院陕西西安710049【摘要】本文利用神经网络方法建立教学质量评估系统的数学模型，采用各评价指标作为其输入，教学效果作为输出，基于最小二乘思想，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值最小，经仿真计算证明，该数学模型具有较好的辨识精度。【关键词】教学效果；评价指标；神经网络在新形势下，如何使学校的教育水平走上一个新的台阶，提高教学质量无疑是最关键的。由于教学过程包括教与学，评价一个教师教学质量的优劣，要比评价产品质量的优劣要复杂得多，因为教学质量评估体系中往往含有非定量的因素，这给评价带来了很大的困难。在以往的评价体系中，我们往往将各评价指标的值通过简单的数学运算，如加减乘除，来评价一个教师的教学效果，但这种做法存在着明显的不足，因为评价体系的输入（各评价指标）和输出（教学效果）之间的关系并不一定是简单的线性关系，所以寻找评价体系的输入和输出的数学关系，建立一个合理的、科学的数学模型，将对教学质量的评估有着重要的意义，本文利用神经网络理论建立了教学质量评价系统的数学模型，为教学质量评估体系的研究提供了有意义的参考价值。1.教学质量评估的实例分析为了评价一个教师的教学质量，通常对其教学内容、教学方法、教学态度、教学效果等内容进行评价。评价指标有7个，分别为X1，X2，X3，X4，X5，X6，X7，其中X1代表课程进度、教学深广度和学习负担合理程度；X2代表与实践结合程度和能否反映近代科技成就；X3代表讲课条理清楚、层次分明、重点突出程度；X4代表讲解生动、启发诱导、有吸引力、举例典型、理论联系实际；X5代表指导学习方法、培养分析能力；X6代表备课充分、讲解熟练、答疑、批改作业认真程度；X7代表教书育人，不断改进教学。我们将评价目标定为教学效果，其主要内容包括学生考查成绩、课堂纪律、理解掌握程度、分析解决问题的能力等方面。建立如表1所示的教学质量调查表。我们将评价指标的取值范围定为[0,9]。表格分别由领导、教师、学生填写，每人填写一份，经总结后得到表1所示的结果。从表中可以看出，课程进度、教学深广度和学生学习负担愈合理，其教学效果愈好；讲课条理愈清楚、层次愈分明、重点愈突出，教学效果愈好；指导学习方法愈正确、培养学生分析能力愈得法，教学效果愈好；备课愈充分，讲解愈熟练，答疑、批改作业愈认真，教学效果愈好；能够积极不断改进教学、教书育人，教学效果愈好。究竟各评价指标与评价目标（教学效果）之间存在着怎样的关系呢？为了解决这个问题，下面利用神经网络系统建立本评估体系的数学模型。表1教学质量调查表样本序号评价指标评价目标(教学效果)X1X2X3X4X5X6X716957456.56.5275.565.5477.57.537.5486.5367846.55.5678776．2557.58.557.578.57.56.7566956.556.55.56747.535.574.566.2586.5574.54677.759495697.566.5104865.566.566.5115.54432466.75128595.58777.513768756.576.751466.584776.56.51576.5766777.2516736545.56.56.751746.554.5976.56.25183.562685.56.56.75196877.556.577.5206.56.56546.566.752196.58686.588228.5495.588.588.52367.567.5677.57.25245.557655.57.57.752.基于神经网络的教学质量评估模型神经网络理论是近几年来国内外的一个前沿研究领域，它可用于预测、分类、模式识别和过程控制等各种数据处理场合。相对于传统的数据处理方法，它更适合处理模糊的、非线性的和模式特征不明确的问题。2.1教学质量评估神经网络模型的结构和算法本文采用BP神经网络对教学质量评估系统进行辩识。在这里，我们把7个评价指标作为神经网络系统的输入，把评价目标，也即教学效果作为系统的输出。BP网络(BackpropagationNN)是一单向传播的多层前向网络，网络除输入输出节点外，有一层或多层的隐层节点，同层节点没有任何的耦合。输入信号从输入层节点，依此经过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，其单元特性(传递函数)通常采用Sigmoid型，但在输出层，节点的单元特性可采用线性,其网络结构如图1所示。x1x2y…x7输入层中间层（隐层）输出层图1BP网络结构本文采用反向传播(BP)算法对评估体系进行辩识，其基本思想是最小二乘法，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值最小，网络的学习过程是误差一边向后传播一边修正加权系数的过程，故可用其对教学质量评估体系进行识别。设BP网络的输入层为：(2.1)其中x是教学质量评估系统的各个评价指标。在这里n=7。网络的隐层为：(2.2)(2.3)其中为权系数，为系统的激励函数或传递函数，取Sigmoid函数，即：(2.4)网络的输出层为：(2.5)其中是神经网络系统的输出变量，为权系数。设准则函数为：(2.6)利用BP算法可使性能指标最小化，为了保证系统的全局稳定性，把被辨识对象(教学质量评估系统)的实际输出y作为反馈信号，将其与神经网络辨识器的输出比较，使，其中为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。根据反向传播计算公式，可得如下权系数学习规律。(2.7)(2.8)其中η为学习修正率，。另外由式(2.4)，可得到：。2.2仿真计算采用三层BP神经网络对上述的教学质量评估系统进行辨识，输入层、隐含层和输出层的结点数分别为7×14×1，激活函数采用sigmoid型，学习率η=0.9，学习训练算法采用反向传播(BP)算法，将表1中的数据作为神经网络辨识模型的训练样本，目标误差为0.001，训练过程见图2。训练达到要求后，可得到如表2所示的辨识值。从表2可以看出，原始数据与神经网络系统的辨识值非常接近。也就是说，该模型能较为准确地根据各评价指标来确定教学效果。图2神经网络系统训练过程表2原始数据与神经网络系统的辨识值比较样本序号评价目标神经网络辨识值样本序号评价目标神经网络辨识值样本序号评价目标神经网络辨识值16.56.499396.56.4994176.256.242827.57.7494106.56.4990186.756.7057387.9945116.756.7495197.57.499746.256.2573127.57.4994206.756.750156.756.7513136.756.75002187.9986665.9996146.56.5014228.58.498676.256.2478157.257.2511237.257.260987.757.7488166.756.7510247.757.74913.总结采用BP神经网络可以建立教学质量评估系统的数学模型，该模型的输出辨识值与真实值之间的误差很小。一旦神经网络的结构和其算法确定后，数学模型的准确程度与输入的训练样本的数量有着密切关系。训练样本越多，该数学模型就越能准确地根据各评价指标来描述教学效果的好坏。【参考文献】[1].黄淑娴.教学质量的模糊综合评判[J].管理与教育.1994.2:57~58[2].吴钢.现代教育评价基础[M].上海:上海学林出版社.2000[3].闻新，周露，王丹力，熊晓英.MATLAB神经网络应用设计[M].北京:科学出版社，2000.207~231[4].吴立志,韩伯棠.应用模糊综合评判的置信度准则评价教师质量[J].北京理工大学学报.2003.4(2):8~9[5].赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,广西科学技术出版社.1995.103~114