教學效果的BP神經網絡評價

摘要：對教師教學效果的考察是需要多角度進行評價，無論是學生為教師打分，還是督導組的評議，給出的評價是帶有一些主觀因素，合理建立評價體系，將各個評價指標客觀化，使用綜合評價向量作為輸入，經由BP神經網絡輸出得到合理的分數。實驗仿真表明，通過訓練的BP反向傳播網絡可模擬一個穩定的評價系統。

關鍵詞：BP神經網絡； 模糊矩陣； 教學評價

中圖分類號：TP183 文獻標識碼：A文章編號：2095-2163（2013）06-0060-03

0引言

教師教學效果的審核評定是高校教學中的重要工作。傳統的考核方法或者只是由學生填寫調查表，給教師劃分等級，進行定性描述，或者是由督導組根據幾堂課的聽評給教師的課堂教學打出一個分值。無論是哪種方法都不能全面客觀地對教學工作做出科學評定。而且傳統的考核方法受主觀因素影響較大，學生在對教師的評判中常會加入多種因素，各種因素之間的影響也各不相同，僅以學生或僅憑督導團的評定來實施評判顯然已不盡合理。因此， 建立一種能盡量排除各種主觀因素的干擾，同時又具有完善且穩定的評價體系的評定方法則成為必要和重要的研究課題。

本文構建一種教學效果評價體系，即對教師的評價從“教學態度”、“教學內容”、“教授方法”、“課堂效果”四大方面分項進行，無論是學生還是督導組均可據此評價體系給出相應評分。本文提出使用BP反向傳播神經網絡來構建一個穩定的評分系統，各項評分指標為網絡輸入，使用已訓練完成的BP神經網絡來模擬一個專家的打分經驗，由此輸出一個終值。BP神經網絡通常是指基于誤差反向傳播算法的多層前向神經網絡，由于BP網絡的神經元采用的傳遞函數是Sigmoid型可微函數，因而可以實現輸入和輸出間的任意非線性映射[1]。由于BP神經網絡本身就是一種高度復雜的非線性動力系統的辨識模型，并且BP神經網絡具有逼近任意非線性函數的能力[2]，因此使用BP神經網絡進行評價將使結果更具客觀性，以此來模擬一個穩定的評分系統亦將具備了現實實現基礎。在本文提出的系統中，系統將評價體系中各組評分的分值作為反向傳播神經網絡的輸入，使用BP網絡運算后得出一個綜合性的評分，即整個過程好似系統模擬一個經驗頗豐的專家進行打分。其后，本文又通過數據測試驗證了模型的評價結果與實際相符。

1BP神經網絡模型

BP（Back Propagation）神經網絡是基于誤差反向傳播的多層前向神經網絡，即權值和閾值的調節規則采用了誤差反向傳播算法，這是一個有導師的神經元網絡學習算法[2]。BP網絡能學習和存儲大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。該網絡的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。其中的隱層可擴展為多層。只要在隱層中有足夠數量的神經元，就可使用這種網絡來逼近任何一個函數[3]。一個典型的BP網絡結構如圖1所示。

2評價模型的構建

本文構建了一套評價體系，使用一套客觀標準進行量化表達，且該體系適用于大多數學校的教學評價。評價項目中，各項指標的取值范圍為[0，10]。多位專家將根據評價體系方案為每一位參評教師填表打分，經過匯總后，每一個教師的教學情況評分將和一個評價矩陣A對應。列向量x為各個項目指標，行向量e為各位專家評出的各項指標分值。對列向量進行均值計算，則得到各個教師的教學效果指標向量S。所得教學效果指標向量S即是神經網絡的輸入。評價體系方案設計如表1所示。

表1教師教學評價體系

Tab.1 The system of teaching evaluation類別項目教學態度嚴謹負責x0； 思想教育x1；教學內容教學目標x2； 準確度x3； 熟練程度x4； 信息量x5；教授方法啟發思維x6； 講授思路x7；重點難點x8；聯系實際x9；教學儀態x11；語言表述x12；媒體使用x14課堂效果課堂紀律x15；學生思維x16 圖2則為一個由6名專家給出的某位教師教學效果的評分矩陣。

3BP網絡模型的設計與實現

使用BP神經網絡可以構建穩定的評分系統。人為打分時由于主觀因素的影響，分值出入較大，往往不能準確地反映實際情況，為了避免對同一教師的教學評價出現較大反差，構建一個穩定的BP神經網絡系統即已成為實踐發展過程中的一個必然要求。在系統實現過程中，一位專家首先根據本文提出的評分系統給出各項成績，并將此成績作為神經網絡的輸入值。其后，這位專家再給出一個綜合評分，作為神經網絡的樣本，即輸出值，以此即可對BP網絡進行訓練。訓練后的神經網絡就可以模擬該專家的打分經驗，由此構建形成一個穩定的評分系統。

根據BP神經網絡模型的定理（Kolmogrov 定理）：給定任一連續函數f：[0，1]n→Rn，f可以用一個三層前向神經網絡來模擬實現。第一層，即輸入層，有n個神經元；中間層，神經元個數可由經驗公式實驗得出；第三層，輸出層有m個神經元。因此一個三層結構的、設有Sigmoid神經元，并具有足夠隱節點的BP神經網絡則可以逼近任何一個連續函數。本系統采用有三層結構的BP神經網絡，其結構如圖1所示。由于評價體系中有17個指標，因此網絡的輸入層有17個輸入。系統的輸出層則確定為1個節點。隱層神經元個數將根據實驗結果而確定為11個。隱層傳遞函數可使用“lognsig”對數傳遞函數實現，輸出層傳遞函數使用“pureline”純線性傳遞函數實現。訓練函數則使用“traingdm”動量梯度下降反向傳播法對網絡進行訓練，另外，網絡性能函數使用了默認的“mse”均方誤差函數。MATLAB中的主要代碼如下：

設有10位教師需要評分，因而使用10組分數即17×10的矩陣作為10個教師的教學效果矩陣。教學效果矩陣即是神經網絡的輸入矩陣，亦是訓練樣本，矩陣的行向量為各項評價指標，10個樣本，即10位教師的最終評價結果則作為目標樣本來訓練神經網絡，獲取1×10矩陣為目標矩陣，即10位教師的最終得分。實驗中運用Matlab編程建立三層BP神經網絡，目標訓練誤差為0.1，最大訓練次數為 3 000次。訓練誤差隨訓練次數的變化情況如圖3所示，神經網絡經過909步迭代達到精度要求。對應輸出與目標的誤差如圖4所示。

訓練樣本的輸出與專家打分結果比較如表2所示。

由表2可以看出，訓練后的網絡輸出值與專家給出的終值之間的差異均在可接受的指標范圍內，因此采用BP神經網絡可以構建穩定的評分系統。

4結束語

在對教師教學效果的評價中存在著多種因素，本文構建了一套較為合理的評價體系，并且提出使用BP神經網絡對專家評分進行模擬，利用神經網絡可避免打分過程中出現的寬嚴不定的情況。實驗證明，BP神經網絡可以構建穩定的評分系統，并取得了良好的實驗效果。

參考文獻：

[1]許東. 吳錚. 基于Matlab 的系統分析與設計—神經網絡[M]. 西安：西安電子科技大學出版社，2003：18-19.

[2]胡守仁. 神經網絡導論[M] . 長沙：國防科技大學出版社，1993 ：113 - 120.

[3]Martin T. Hagan， Howard B.demuth. 神經網絡設計[M]. 北京：機械工業出版社 ，2002：227-255.

[4]郭齊勝. 系統建模原理方法[M]. 長沙：國防科技大學出版社，2003：172-173.

[5]袁劍. BP神經網絡在學生綜合考評中的應用[J]. 福建電腦，2010（6）.

[6]彭志樹. 尹雪蓮. 基于BP神經網絡的教學質量評價模型[J].安徽建筑工業學院學報（自然科學版）， 2009（12）.

[7]徐惠仁. 淺談教師教學過程性評價的價值與策略[J]. 上海教育科研，2012（7）.