軍隊初級任職教育教學質量BP神經網絡管理評價模型

徐玉志，胡永生

(蚌埠汽車士官學校基礎部，安徽蚌埠233011)

教學質量管理是軍隊院校管理的核心，院校教學管理工作的著眼點應放在提高教學質量上，有了教學和管理的高質量，就有了人才的高質量。在完成好當前面臨的教學工作評價準備任務中，如何使院校的教育水平走上一個新的臺階，提高教學質量無疑是最關鍵的。由于教學過程包括教與學，評價一個教員教學質量的優劣，要比評價產品質量的優劣復雜得多，因為教學質量評估體系中往往含有非定量的因素，這給評價帶來了很大的困難。從目前各教學質量評估方法上看，很多測評采用了絕對評估法、相對評估法、評等法、評語法、寫實法和綜合評分法等簡單方法。這些方法或過于主觀，或通過簡單的加減乘除數學運算來評價教學效果，忽視了各評價指標和教學效果之間的非線性關系，其結果難以真實反映教學質量狀況，也難以被人接受。尋找評價體系的輸入和輸出的數學關系，建立一個合理的、科學的數學模型，對教學質量的評估有著重要的意義。

BP神經網絡又稱為“誤差反向傳播神經網絡”，為教學質量評估提供了一種新穎的技術，可以有效克服傳統教學質量評價方法的不足。BP神經網絡是美國加州大學的魯梅爾哈特和麥克萊蘭提出的一種人工神經網絡學習算法。從本質上說，這是一類由大量信息處理單元通過廣泛聯結而構成的動態信息處理系統。這種系統在處理各種含悖、模糊、隨機、量大、動態、低精度信息方面具有獨特的功能，它具有學習、記憶、聯想、歸納、概括、抽取、容錯以及自學自適應能力，是一個可以處理非線性問題的系統。BP神經網絡的新穎性在于它可以在不了解數據產生原因的前提下，對非線性過程建模，具有非線性映射、學習分類和實時優化的特征。因此，它為模式識別、非線性分類等研究開辟了新的途徑。根據這一特點，本文擬利用BP神經網絡理論建立教學質量評估系統模型，對教學質量進行等級評價，為任職院校教學質量評估的研究提供參考。

表1 初級任職教育院校教學質量評價指標體系

1 課堂教學質量評價指標體系

1.1 初級任職教育院校教學質量評價指標體系

進行教學質量評價，首先必須確定一套科學的教學質量評價指標體系。初級任職教育院校教學質量評價指標體系一般包括辦學思想、教員隊伍、教學環境、教學建設、教學管理、教學效果、特色項目等一級指標，各一級指標下設立不同的二級指標。但事實上教學是由教員、學員、教員與學員互動、教學資源、教學環境等多因素組成的一個功能系統。教學質量取決于教學各因素的質量及其各因素相互作用的質量。也就是說，教學質量是通過教學各因素交互作用的過程創造出來的。結合對軍隊初級任職教育院校教學質量評價研究理論與實踐的總結，構建涉及教學資源、教學環境、教學過程及教學結果等各個方面的教學質量評價指標體系(見表1)。

1.2 初級任職教育院校教學質量評價指標

為了評價教學質量，通常對教學設計、教學方法、教學態度、教學手段、語言表達、重點難點、學員互動等內容進行評價。假設主要包含的評價指標有 7 個，分別為 C1、C2、C3、C4、C5、C6、C7，將評價目標定為教學質量評價效果，且評價指標的取值范圍定為［0，9］，隨機選取學校課堂質量督導專家對8名教員課堂授課質量進行評價，通過分析評價結果(見表2)可以看出，評價目標即教學質量與各評價指標之間的關系是非線性關系。

表2 教學質量調查表

2 基于神經網絡的教學質量評估模型應用

2.1 教學質量評估神經網絡模型的構建

采用BP神經網絡對教學質量評估系統進行辯識。把7個評價指標作為神經網絡系統的輸入，把評價目標(即教學效果)作為系統的輸出。BP神經網絡是一單向傳播的多層前向網絡，網絡除輸入、輸出節點外，有一層或多層的隱含層節點，同層節點沒有任何的耦合。輸入信號從輸入層節點依次經過各隱含層節點，然后傳到輸出層節點，每一層節點的輸出只影響下一層節點的輸出，其單元特性(傳遞函數)通常采用Sigmoid型，但在輸出層，節點的單元特性可采用線性，其網絡結構如圖1所示。

圖1 BP神經網絡教學質量評價模型結構

2.2 教學質量評估神經網絡模型的算法

(1)輸入層神經元的確定。設BP網絡的輸入層為 X={x1，x2，…，xi}，其中 xi是教學評估體系的各個二級指標，初級任職教育院校教學質量評價指標體系二級指標26個，i=26。

(2)網絡的隱含層。neti=，oi=α(neti)，其中neti為各隱含層輸入總量，vij為權系數，α(x)為系統單個神經元的輸入與輸出之間的關系函數，也稱為激活函數，通常取 Sigmoid函數，即α(x)(3)網絡的輸出層。，其中 y^是神經網絡系統的輸出變量，wi為權系數。因為評價結果作為網絡輸出，因此取輸出層神經元個數為m=1，設準則函數為

利用BP算法可使性能指標，權值收斂到局部最小即網絡誤差平方和最小，為了保證系統的全局穩定性，把教學質量評估系統的實際輸出y作為反饋信號，將其與神經網絡辨識器的輸出 y^比較，使E＜ε，其中 ε(目標誤差)為一個很小的數，如果不滿足要求，則不斷調整權系數，以達到期望要求。根據反向傳播計算公式，可得如下權系數:η［y－y^］o和 Δv=η［yiijy^］α＇(neti)wiΧ，其中 η 為學習修正率，0 ＜ η ＜1。由 α(x)，可得 α＇=α(x)－α2(x)。

2.3 仿真計算

采用3層BP神經網絡對上述的教學質量評估系統進行辨識，輸入層、隱含層和輸出層的結點數分別為7×26×1，激活函數采用sigmoid型，學習率η=0.9，學習訓練算法采用反向傳播(BP)算法，將表1中的數據作為神經網絡辨識模型的訓練樣本，目標誤差為0.001，采用MATLAB軟件進行訓練，具體訓練過程如圖2所示。

網絡訓練完成以后，對其進行測試，檢查神經網絡輸出的評價目標值和實際評價目標值之間的誤差。通過比較其結果可以看出，應用BP神經網絡建立的教學質量評價模型的輸出值與真實值非常接近(見表3)。也就是說，該模型能較為準確地根據各評價指標來確定教學效果。

圖2 BP神經網絡教學質量評價訓練過程流程

表3 原始數據與神經網絡系統的輸出值比較

3 結語

采用BP神經網絡建立教學質量評估系統的數學模型，可以有效克服傳統評價方法的缺陷，弱化傳統評價方法中指標權重確定的人為影響因素，不僅可行，而且精度較高。經過實證研究，發現BP神經網絡模型的輸出值與真實值之間的誤差較小，性能完全可以滿足實際應用的要求。神經網絡的結構和其算法確定后，數學模型的準確程度與輸入的訓練樣本的數量有著密切關系。訓練樣本越多，其輸出的教學效果評估值就越接近于真實值。總之，運用BP神經網絡建立教學質量評價模型，能為教學管理部門尋求科學的教學質量評估解決方案提供有益的參考。

［1］ 吳立志.應用模糊綜合評判的置信度準則評價教員質量［J］.北京理工大學學報，2003，4(2):8 －9.

［2］ 聞新.MATLAB神經網絡應用設計［M］.北京:科學出版社，2000:207－231.

［3］ 藍江橋.中美兩國大學教學質量評價的比較與思考［J］.高等教育研究，2003，24(2):96 －100.

［4］ 楊紅櫻.教學質量的計算機綜合評估算法［J］.小型微型計算機系統，2002，23(6):716 －720.