人工神经网络在本科教学质量智能评价中的应用
来源:用户上传
作者:郭华锋 于萍 李志 李菊丽 何绍华 张万利
摘要：探讨人工神经网络技术在本科教学质量评价中的应用，分析了当前的研究现状，并指出了其中的关键问题。基于传统问卷调查采用人工神经网络可以建立本科教学质量智能评价模型，实现教学各因素与教学质量之间精准预测，有助于分析和提取影响教学质量的有效因素，从而有助于高校教学管理和教师教学质量的提高。
关键词：神经网络；教学质量；评价；应用
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2019）05-0213-03
教学质量关系着人才培养质量，是高校办学的基石。近年来随着学生不断扩招，教学质量不断滑坡，已引起高校管理者及教师的关注。如何提高教学质量成为高校管理者和一线教师共同面临的问题。深入挖掘影响教学质量的因素和建立有效的评价体系是提高教学质量的关键途径。然而影响教学质量的因素众多，评价指标和评价结果之间存在着复杂的非线性关系，传统的分析和评价方法难以描述[1]。而以人工神经网络和遗传算法为代表的人工智能技术不需要建立复杂的数学模型，通过输入样本的学习和训练可以探求数据中的内在规律，建立输入输出间的正确映射关系，使评价模型更易于建立，结果更客观可靠。因此，基于人工智能算法建立教学质量的智能评价模型已经成为该领域最富有潜力的前沿研究方向之一。人工神经网络以其强大的非线性信息处理能力，可克服传统人工智能方式对于非结构化信息处理等方面的缺陷，已经广泛用于神经专家系统、模式识别、智能预测和控制等領域[2]。
通过人工神经网络技术建立高校教学质量智能评价模型，实现教学质量的有效预测甚至优化，可以为教学质量评价和监控提供一定的参考价值。
一、人工智能技术在教学质量评价中应用的现状
如何科学、合理地进行教学质量评价一直是高校教学管理部门面临的现实问题。目前大多数高校都是采用传统的督导评价和专家打分。但由于教学质量评价指标较多，专家评价易受个人学识水平和经验等因素影响，带来较大的人为误差和主观性[3]。目前采用人工智能技术进行教学质量评价已经成为该领域的研究热点。罗菊川[1]等人在制定评价指标体系的基础上，利用BP神经网络理论构建合理、有效的计算机绘图教学质量评价模型，并对学校的计算机绘图课程的教学质量进行了评价，找出存在的问题，为今后的教学改革提供方向。冯莹莹[4]等人提出一种基于层次分析法和神经网络相融合的教学质量评价方法。结果表明该方法简化了神经网络的结构，提高了评价精度和评价效率。周世官[5]等人提出了用模糊神经网络来评价教师的课堂教学质量的方法，仿真计算表明，采用数学模型具有较好的评价效果。许敏[6]等人利用粒子群优化算法训练的神经网络建立教学质量评估数学模型。使用由PSO训练的BP模型来拟合影响教师教学质量评价的众多指标与评价结果之间的复杂关系，结果表明该模型可以很好地进行教学质量评价。左国平[7]等人构建了一种基于模糊理论与神经网络的高校教师教学质量评价体系。该模型将教学评价指标概念量化成确定的数据作为网络的输入，模糊综合评价结果作为输出。该方法既克服了评价主体在评价过程中的主观因素，又得到了满意的评价结果，具有广泛的适用性。可以看出目前采用人工智能技术进行教学评价过程中采用神经网络技术的研究较多。
二、基于人工神经网络的教学质量智能预测
1.教学质量评价指标的建立。评价指标体系的建立直接决定着评价结果的正确性和导向性，由于影响教学质量的因素众多，况且每所高校自身定位和情况不同，因此评价指标体系各不相同。但总体上一般都会充分考虑从专家、教师和学生等不同角度进行设计。大部分研究者都会从教学方法、教学态度、教学内容、教学效果等一级指标进行设计，而后划分成若干二级指标[1，7]。这些指标基本涵盖了教师、学生、教学管理者等要反映的问题，一般来讲是较为全面的。
2.基本原理及模型建立。BP（Back Propagation）神经网络是目前应用最为广泛和成熟的一种神经网络，无须知道明确的数学方程，只要有足够多的样本进行网络训练就能实现由任意n维空间到m维空间的非线性映射。其主要特点是信号正向传播，误差反向传播。依据预测的误差来调整网络的权值和阈值，使该网络预测的输出值不断逼近期望输出。综合考虑样本的有限性和教学质量评价问题的复杂性，一般会选择多个可控的二级评价指标作为BP网络的输入，以教学质量评价值作为输出，从而建立如图1所示的三层BP神经网络模型。对应的BP神经网络算法流程图如图2所示。
3.模型的实现。为了实现BP神经网络模型的计算，需要解决诸多关键问题。为实现数据的可比性，消除量纲差异的影响，需对所有样本数据进行归一化处理，将样本数据全部转化在区间[0，1]内。网络训练完毕后在对输出值进行反归一化处理。归一化函数为Matlab自带函数Mapminmax：
隐含层数目对神经网络的适应性和容错能力影响非常大，隐含层数目过少，网络训练困难，误差较大；反之，则增加网络训练时间且不一定能得到最佳误差。一般可以通过Kolmogorov定理确定：A=2B+1，其中A为隐含层个数，B为输入层个数。在此基础上首次确定隐含层数目，然后根据误差大小可以以此为基础适时调整隐含层数据，直至达到较小的训练误差。
BP神经网络算法的实质是求解误差函数的最小值问题，一般通过均方误差来描述实际值与网络输出值之间的精度。传递函数是BP神经网络的重要组成部分，一般采用S型的对数或正切函数和线性函数，训练函数一般采用train函数。
4.样本数据的获取。训练样本的获取是保证神经网络模型正确计算的前提，样本数据过少，很难获得较高精度，而样本数据过多，会影响计算速度。目前在教学质量预测评价方面一般都是通过纸质问卷调查的方式来获得样本数据。根据教学质量评价指标设计问卷，通过匿名方式来获得较为客观和真实的数据。随着智能手机和相关APP的普及，目前采用问卷星等手机APP来设计问卷和统计样本数据更为便捷。 5.预测结果分析。将获得的样本数据按照上述方法导入到Matlab平台中进行仿真，其中一部分样本作为训练样本，另一部分作为测试样本。当网络训练精度达到设定值时训练停止。此时通过对比分析预测值和实际值的相对误差即可评价网络模型的可靠性和实用性。一般来讲相对误差越小，说明模型精度就越高，通常当误差小于5%时便可以利用该模型进行预测。预测结果有助于对本校或本专业的课堂教学质量进行定量评价，也有助于发现教学过程中存在的问题。罗菊川[1]等人通过建立的BP神经网络预测模型对计算机绘图课程教学质量进行了评价，结果表明网络评价值与专家评价值非常接近，模型误差小，精度高，可以较为准确地反映该课程的课堂教学质量。同时给出了进一步提高该课程的教学质量的建议：教学应更加注重以学生为本、培养学生创新思维和创新能力等。汪旭晖[8]等人以清华大学、北京大学、东北财经大学、大连理工大学部分师生的问卷调查为基础，建立了基于BP神经网络的教学质量评价模型。结果表明所建立的教学质量评价模型的输出值与真实值非常接近，采用该模型能较为准确地根据各评价指标来确定教学效果。更为重要的是该模型所得出的结论可以为教学质量评估的研究提供有意义的参考价值。
三、结束语
教学质量评价是一个非常复杂的非线性系统，影响因素众多，很难建立精确的数学模型来描述各因素与教学质量之间的关系。而采用BP神经网络则可以建立两者之间的非线性网络模型，通过大样本数据的训练和测试，获得高精度的预测模型。预测结果可以为高校教学质量评价及教学评估提供有益的参考。
参考文献：
[1]罗菊川，卿艳梅.基于BP神经网络的计算机绘图课程教学质量评价的研究及应用[J].图学学报，2013，34（4）：140-145.
[2]夏卫生，张海鸥，王桂兰，等.神经网络在预测等离子喷涂Ni合金层质量中的应用[J].机械科学与技术，2010，（8）：1008-1011.
[3]马星.基于层次关联理论的教学质量评价方法[J].武汉理工大学学报：信息与管理工程版，2007，29（5）：122-125.
[4]冯莹莹，于干，周红志.层次分析法和神经网络相融合的教学质量评价[J].计算机工程与应用，2013，49（17）：235-238.
[5]周世官，苏日娜.模糊神经网络在课堂教学质量评价中的应用[J].计算机仿真，2008，25（5）：287-289.
[6]许敏，王士同.PSO优化的神经网络在教学质量评价中的应用[J].计算机工程与设计，2008，29（20）：5327-5332.
[7]左國平，谢红艳，邱小平，等.基于神经网络的高校教师课堂教学质量评价[J].中国现代教育装备，2011，（3）：97-99.
[8]汪旭晖，黄飞华.基于BP神经网络的教学质量评价模型及应用[J].高等工程教育研究，2007，（5）：78-81.
转载注明来源:https://www.xzbu.com/9/view-15169380.htm
