基于ＲＢＦ網絡的高職高專教學質量評價模型研究

[摘要]利用某高專院校歷年專家評教的數據訓練RBF網絡，建立適合學校的評價模型，使其具有專家的評價能力，輸入每學期學生網絡評教數據評定任課教師的教學質量。本方法可以克服人為設置指標權重，評價結果更加符合實際，經過數據實證，該方法可靠方便。

[關鍵詞]RBF網絡 教學質量 評價模型

一、引言

目前，國內外高校普遍把學生作為評價課堂教學質量的主體，通過這一評價途徑，幫助教師了解教學效果，改進和完善教學過程，進而提高教育教學質量。同時，學生評價教學的結果，作為對教師教學質量的評定，還被學校用作教師職稱評聘、年度考核、津貼發放以及其他人事決策的重要依據。但是，一般的人為設定評價指標權重評教方法有一定的局限性，雖然評教指標權重是根據教學理論與實踐歸納得出的反映課堂教學的評價模型，但要反映不同教師給不同學生上的不同性質的課程，反映特定的課堂教學環境等影響教學的多種因素，還是有困難的。在實際的評價過程中，學科不同、感情因素、學生對待評教的態度等許多因素直接或間接影響了學生對教師教學質量和教學效果的判斷，我們很難合理地用人為的方式設置各個指標的權重，導致教師對評價結果意見比較大。為了彌補指標權重人為設置的局限性，通常學校聘請相當數量的退休教授，對全校教師進行全面聽課，提出量化的評價分數，再由教學委員會投票表決，工作量非常大；還有學校只對評價排名靠后的教師，組織同行、教學督導聽課，提出量化評價權重修改等等。不管用哪種方式，指標的制定和修正很難做出合理的解釋，受主觀因素影響太大。

實際上，歷年專家評價結果與學生評教指標分值和教師教學水平之間存在某種關系。本研究項目即嘗試將這些數據訓練RBF神經網絡，自動建立適合我校的評價模型，使評價程序根據學生評教指標分值自動評價教學質量，克服一般學生評教人為設置權重的局限性，改善學生評教的合理性。

二、RBF神經網絡基本概念

RBF神經網絡是一種局部逼近網絡，在隱層使用徑向基函數執行一種非線性的變換，它同樣是前饋式反向傳播網絡，通過在高維空間進行插值實現，由輸入層、隱層和輸出層組成，其結構如下圖1所示。

RBF神經網絡的隱層最常用的是一個高斯函數，第i個節點的輸出為：

x是n維輸入的向量，ci是第i個基函數的中心位置，與x具有相同的維數，σ2i是i個感知變量，決定函數圍繞中心位置的寬度，k是感知單元個數。由于徑向基傳輸函數的工作特性，只對靠近中心的輸入值產生輸出，存在局部響應，有比較好的局部逼近的能力。

輸入層到隱層是非線性映射，隱層到輸出層實現線性映射，輸入與輸出的關系如下。

ye為RBF神經網絡的輸出，wei是連接隱層和輸出層的權值，e為輸出節點個數。

RBF神經網絡可以實現在以任意精度逼近非線性關系，具有很強的處理復雜非線性關系和不確定性的能力。教學質量評價數據關系復雜，很難確定是否線性，使用RBF神經網絡比較合適。

三、RBF網絡評價模型

1.課堂教學質量評價指標

以教學質量評價的目的和原則為導向，我校用10個指標來反映教師的課堂教學質量，各個指標分值定于[0，1]之間。教學質量評價指標如表1所示。

2.RBF網絡評價模型的設計

根據歷年學生評價結果，抽取小樣本N位不同教學質量等級的教師，組織專家對他們的課堂教學進行聽課打分。被聽課的每一位教師就能得到一組數據集{x1， x2，x3，x4，x5，x6，x7，x8，x9，x10， y}，y∈{優秀，良好，中等，及格，差}。經過數據篩選和預處理，各等級抽取n位教師的數據組成一個訓練樣本集{ Xi， Yi}， y∈{1，2，3，4，5}。其他教師通過所教學生打分收集評價指標分值，以教師為單位，對每個學生的評價指標求平均值獲得該課堂的教學質量指標特征xi，再把所有教師的指標特征整合成一個大的輸入矩陣Xi ，即組成待分類數據集。

在Matlab環境下，RBF神經網絡評價模型按以下步驟進行。

數據的歸一化處理：[XX1，minp，maxp] = premnmx(X1)；XXi= tramnmx(Xi，minp，maxp)；

參數設置：goal = 1e-4; spread = 1；

樣本數據對RBF神經網絡的訓練：net = newrb(XX1，Y1，goal，spread)；

對于第i組指標樣本的RBF神經網絡輸出：YYi = sim(net，XXi)。

四、RBF網絡評價實證

某高校督導組在已有學生評教結果的基礎上，組織專家對隨機抽取的不同教學水平的30位教師進行聽課觀摩，對上述指標作認真、客觀地打分并總結每位教師的質量等級。經過處理，選取20位教師涵蓋5個等級的指標分值和對應的等級數據組成訓練樣本，其余10位教師的數據組成測試樣本，輸入程序運行后，得出的結果如下表2所示。

結果顯示：RBF網絡在對10位教師的評價中只有對1位教師的評價相比專家評價偏高，其余9位教師的評價同專家一致，這說明經過訓練的RBF評價程序能很好的模擬專家的評價思維，能快速分析學生評價數據，在一定程度上克服傳統評教的局限性，更為準確地給出教學質量評價等級。

五、結語

學生評教是評價課堂教學質量的主要手段之一，RBF網絡評教方法是一種比較好的神經網絡評教算法，可以從專家評價結果和學生評教指標分值出發，尋找其內在的規律，利用這些規律對未來學生網絡評教數據進行預測或評價。本文基于RBF網絡的教學質量評價模型，即可以利用有限的專家評價結果作為訓練樣本，尋找專家評教結果與學生評教數據之間的內在規律，使計算機模擬專家評價的思維，得出合理的教學質量評價結果。

參考文獻:

[1]王婉萍．“學生評教”作用及局限性研究[J]．黑龍江高教研究， 2005，（2）：71-73．

[2]陳良堤，徐高歡．基于多分類SVM的教學質量評價模型研究[J]．黑龍江教育， 2007．

[3]邵金花，劉賢趙，李德一．基于RBF網絡的區域水資源可持續利用綜合評價[J]．水電能源科學， 2006，（12）：9-10．

基金項目：浙江省教育科學規劃2007年度研究課題(項目編號:SC47)；浙江水利水電專科學校教改項目(編號:Xj2006-25)。

（作者單位：浙江水利水電專科學校）