教學質量評價的BP神經網絡模型

石黎　孫志梅　劉毅　徐嘉婧

摘要：針對教學質量評價的非線性、復雜性等問題，提出了基于BP網絡的教學質量評價決策模型，借助其自學習，自適應及最佳逼近性能對評價數據進行量化訓練，得到教學質量評價結果。MATLAB仿真結果表明了該評價模型的有效性，獲得了較好的評價結果。

關鍵詞：相對屬性約簡；BP神經網絡；教學質量；評價決策

湖北經濟學院法商學院教研項目-教師教學質量監控與評價實踐問題的研究（2014J24）

在高校中，對教師的教學質量評價一直是國內外研究的熱門課題。合理的評價不僅對教師起到良好的激勵，而且還起到正確的、滿足當前國家與社會需要的引導作用。隨著信息技術迅速發展，出現了基于多元線性回歸、偏最小二乘等教學質量評價方法[1-2]，但這些方法或多或少存在一些不足。由于教學質量各評價指標之間以及與評價結果間是一種復雜非線性關系，而人工神經網絡具有非線性、實時優化、智能學習等優點，成為當前教學質量自動評價的主要算法[3-5]。本文首先使用SPSS主成分分析法對數據進行預處理，再利用BP神經網絡，采用三層神經元的量化評價方法對教學質量評價數據學習訓練，得到最終的評價結果。MATLAB仿真表明，該方法是一個可行的評估方法。

一、評價指標體系

在教學質量評價中，評價指標是評價工作最終真實有效的重要因素之一。為了確保研究工作順利進行，得到理想的評價模型，借鑒了多所高校的教學評價指標及湖北經濟學院法商學院教師課堂教學質量評價標準和相關研究文獻，首先使用SPSS主成分分析法對數據進行預處理，簡化后的指標見表1所示。

二、BP神經網絡MATLAB算法過程

用MATLAB進行BP神經網絡模型的建立和反復訓練，以達到誤差最小，使輸出的預側值能與實際值盡量接近。具體步驟如下：

⑵建立網絡

網絡名=[newff（PR，SN，TF，BTF，BLF，PF）]；PR=[輸入取值范圍]；SN=[每層神經元數]。TF=[每層傳遞函數]，BTF=[網絡訓練函數]，BLF=網絡權值閾值函數，PF=網絡性能函教，網絡輸出和目標輸出的均方誤差，取默認值MSE。

⑶相關參數設定。

⑷訓練網絡。網絡名=train（網絡名，輸入變量名，目標變量名），此過程反復調整權值和閾值，以減小性能函數的值，直到達到預先設定的誤差精度。

⑸模擬輸出：sim（網絡名，輸入變量名）

（6）樣本觀測值與擬合值的比校。當擬合值與目標直線相交時，就應該考慮將目標直線下移，即提高精度，再進行訓練。反復調整該參數，使網絡更接近實際值。

三、模型構建與仿真應用

根據表1中的評價指標，收集相關評價數據。用Matlab建立三層BP數神經網絡[6]，輸入層神經元為14個，輸出層神經元為1個，隱含層節點個數為8個。從評價數據中選取15個訓練樣本，歸一化處理后，樣本分為輸入樣本P和期望輸出樣本T，見表2。

使用MATLAB編程進行模擬訓練，經過3000步后，誤差達到要求，過程如圖1所示。網絡輸出與期望輸出的結果擬合如圖2所示。

結語

教學評價是一個復雜的、非線性過程，運用本文提出的決策模型，MATALB驗證結果表明它是一種有效的可值得借鑒的方法，為教學評價決策提供方便快捷的途徑，同時該評價模型也可推廣到其他非線性的評價系統中。

參考文獻：

[1] 馬紅.運用灰色趨勢關聯方法評價教學質量[J].武漢理工大學學報，2010，32（15）：181-184.

[2] 劉偉，孫林.基于支持向量機的課堂教學質量評價[J].合肥工業大學學報：自然科學版，2010，33（7）：968-971.

[3]孫曉玲，王寧，梁艷.應用 BP 神經網絡的教學評價模型及仿真[J].計算機仿真，2010，27（11）：314-317.

[4]傅莉.BP神經網絡在教學質量評價中的應用[J].智能計算機與應用，2012，（05）：70-72.

[5] 唐立力.基于BP神經網絡的課堂教學質量評價系統[J].中國西部科技，2014，（04）：103-105.

[6] 劉會燈，朱飛. MATLAB編程基礎與典型應用[M].北京：人民郵電出版社，2008.

作者簡介：

石黎（1980- ），女，湖北人，副教授，博士，研究方向：輔助教學決策；

孫志梅，講師；

劉毅，本科生；

徐嘉靖，本科生。endprint