基于BP神經網絡的教材質量評價研究

陳江麗，張 嶸

（臨滄師范高等專科學校，云南臨滄 677000）

教材作為教育過程中一種必不可少的工具，已經成為師生教學活動中最重要的工具和媒介〔1-2〕。教材為教師組織教學內容，為學生提供學習知識和技能的途徑。好的教材能促進教學積極有效地開展，有利于教學目標和人才培養目標的實現。而質量不好的教材會給師生的教學帶來負面的影響，制約學生學習和掌握新的知識。因此，教材的質量將直接影響教學的效果和人才培養的能力。

近年來，伴隨著國家教育事業的蓬勃發展，各類教材出版行業也掀起了熱潮。面向多學科領域多學歷層次的教材比比皆是，其中不乏經典的、有創新、緊跟科學發展和社會進步的優秀教材，但也存在一些諸如盲目模仿、內容陳舊、不聯系實際等問題的教材。因此，學校應該加強教材管理工作，規范教材選用制度，建立教材質量評價體系，把好教材質量關。

1 傳統教材質量評價方法

目前，大部分的學校的教材工作還主要由任課教師完成，在實施過程中會存在一些主觀的片面性，影響教材選用的質量。因此，為了避免此類問題，學校應當采取教材的質量跟蹤和信息反饋制度，廣泛收集教師、學生對教材質量的反饋意見和建議。通過表1所示的教材質量評價指標對選用教材進行跟蹤調查，其中包含3個一級指標，再進一步劃分為11 個二級指標，全面反映教材的質量水平。掌握足夠的教材質量反饋信息后，就該進入教材質量評價環節。

傳統的教材質量評價方法中，評價指標被指定相應的權值，來表示其在教材質量判別中的地位。但評價指標的權值一般由主觀經驗來確定，缺乏理論依據和實驗證明，直接影響評價結果的客觀性和科學性。

因此，鑒于傳統方法存在的弊端，本文提出將BP 神經網絡的理論和技術應用于教材質量評價之中。運用BP 神經網絡進行教材質量評價，不僅能克服傳統評價方法存在的缺陷，還能準確、快速地獲得教材質量評價結果。

2 基于BP神經網絡的教材質量評價方法

BP神經網絡是一種多層前饋神經網絡，其結構如圖1所示。它的主要特點是輸入信息從輸入層經隱藏層，向前傳遞到輸出層。若輸出結果達不到期望值，則根據誤差向后調整權值，通過不斷地訓練和學習，最終使輸出結果逼近期望值，產生具有較高準確度的分類模型〔3〕。利用構建好的BP 神經網絡分類模型對新樣本進行分類，能夠最大程度地保證分類結果的正確性并提高分類的效率。

本文通過4 個步驟實現BP 神經網絡的教材質量分類〔4〕。見圖2。

2.1 數據選擇和歸一化根據表1 所示的教材質量評價指標體系，通過多渠道獲取教師、學生和專家對教材的質量評價得分，存儲于Matlab2012 的data.Mat 數據庫文件中，每組數據為12維，其中第1維為類別標識，后11 維為教材質量評價指標得分。隨機抽取其中的2/3 作為訓練樣本對BP 神經網絡進行學習，其余1/3作為測試樣本對BP神經網絡進行測試。本文選取了40 個樣本數據，將其中的25個作為訓練樣本，15個作為測試樣本。

圖1 BP神經網絡結構圖

圖2 BP神經網絡實現教材質量分類的流程

為了減小預測誤差，在Matlab2012 中利用公式（1）所示的mapminmax函數對訓練樣本input_train做歸一化處理，把所有數據轉化為〔0，1〕之間的數。將處理后的訓練樣本inputn作為BP神經網絡的輸入。

其次，利用訓練樣本歸一化后得到的結構體inputps，用于測試樣本input_test的歸一化，如公式（2）所示。將處理后的測試樣本inputn_test作為輸入來驗證神經網絡的分類能力。

表1 教材質量評價指標

2.2 BP 神經網絡構建合理確定BP 神經網絡的層數和各層的節點數，能夠減少網絡訓練次數，提高訓練的精度。本文采用3 層神經網絡結構，其中分別含1個輸入層、隱藏層和輸出層，即能使結構簡單，又能保證預測結果的準確性。

由表1 構造的教材質量評價體系中包含11 個二級指標，于是BP 神經網絡的輸入層節點數n=11。教材質量評價結果分為優秀（100 表示）、一般（010表示）和差（001表示）3種，因此輸出層節點數m=3。由于隱藏層節點數影響BP 神經網絡的預測精度，最佳的隱藏層節點數可以參考公式（3）、（4）等經驗公式。由此可以得出，隱藏層節點數l=7。最終確定BP神經網絡結構為11—7—3。

另外，初始化BP 神經網絡的輸入層和隱含層的連接權值w1、隱含層和輸出層的連接權值w2 和隱含層閾值b1、輸出層閾值b2，它們的初值各取0～1之間的隨機數，學習率x取0.1。

2.3 BP神經網絡訓練使用訓練樣本對神經網絡進行學習和訓練，根據預測誤差不斷調整網絡權值，最終獲得期望誤差情況下的最佳權值。

本文利用Matlab2012 平臺開發程序，輸入訓練樣本，對BP 神經網絡進行訓練。主要算法分為下列6個步驟。

步驟1：根據輸入訓練樣本inputn，輸入層和隱含層間連接權值w1 和隱含層閾值b1，計算隱含層輸出H。

步驟2：根據隱含層輸出H，隱含層和輸出層的連接權值w2 和隱含層閾值b2，計算輸出層輸出output。

步驟3：根據神經網絡預測輸出output和期望輸出output_train，計算神經網絡預測誤差E。

步驟4：根據神經網絡預測誤差E更新網絡連接權值w1、w2。

步驟5：根據神經網絡預測誤差E更新閾值b1、b2。

步驟6：判斷預測誤差是否小于期望誤差且達到預定的訓練次數。若滿足條件，則結束訓練，否則返回步驟1繼續進行訓練。

2.4 BP 神經網絡分類利用訓練好的BP 神經網絡對測試的教材評價樣本進行分類，根據分類結果驗證BP神經網絡的能力。若分類結果的準確率較高，教材質量評價的神經網絡模型就可對新樣本進行分類，能夠正確評價出教材的質量。

本文用訓練好的BP神經網絡對15組測試樣本進行分類，仿真結果如圖3 所示，從圖中可以看出，只有第8號樣本的輸出結果與實際結果不一致。總體來看，預測結果與實際結果誤差較小，分類誤差如圖4所示，分類準確率如表2所示。

表2 教材質量分類的準確率

通過BP 神經網絡的分類結果可以看出，基于BP 神經網絡的教材質量分類算法具有較高的準確性，能夠正確識別出教材質量的類別，是一種合理的、可行的、準確的教材質量評價方法。

3 結束語

規范的教材質量評價方法能有效地指導教材的選用，提高教材的利用率。但傳統教材質量評價方法中存在的主觀因素，降低了評價結果的準確性，并且處理過程較繁瑣，評價效率低。為了有效地解決傳統方法存在的缺陷，利用BP神經網絡的原理和方法對教材質量進行評價〔5-10〕。在科學的理論指導下，通過Matlab2012 軟件編程，經過數據預處理、BP 神經網絡構建、訓練和分類，最終形成具有較高準確率的教材質量評價模型。經過實驗表明，基于BP神經網絡的教材質量評價方法能有效避免評價的主觀性，同時解決了傳統評價過程的復雜性，能夠更加科學和規范地指導教材的選用和管理。

圖3 預測與實際分類結果對比

圖4 教材質量評價的BP神經網絡分類誤差

〔1〕劉景超.高校創新教育教材評價體系的構建研究〔J〕.當代教育論壇，2012（5）:34-37.

〔2〕胡格.試論新形勢下高校教材建設與管理工作創新〔J〕.內蒙古師范大學學報，2012，25（5）:36-38.

〔3〕韓立群.人工神經網絡的模型及其應用〔M〕.上海:復旦大學出版社，1995.

〔4〕余立雪.神經網絡與實例學習〔M〕.北京:中國鐵道出版社，1996.

〔5〕韓軻.基于BP神經網絡的教學質量評價模型研究〔J〕.計算機與現代化，2013（1）:45-46.

〔6〕王偉麗.基于BP神經網絡的教學質量評估模型研究〔J〕.信息技術與信息化，2011（6）:38-42.

〔7〕李麗，偵姜麟，錢浩光，等.基于BP 神經網絡的壓縮空氣用能預測模型研究〔J〕.計算機技術與發展，2014，24（1）:216-219.

〔8〕郭慶春，郝源，李雪，等.BP神經網絡在長江水質COD預測中的應用〔J〕.計算機技術與發展，2014，24（4）：235-238.

〔9〕師錚.基于BP 神經網絡的研發人員能力評價方法研究〔D〕.大連：大連理工大學，2013.

〔10〕李霞.基于BP 神經網絡的銷售預測研究〔D〕.上海：上海交通大學，2013.