RBF神經網絡在高職院校教師質量評價體系中的應用

陳鴻俊　楊海濤

摘 要 高職院校教學質量是其生存和發展的基礎，而教師質量是高職院校辦學質量保障體系中的重要組成部分。為了客觀、多元化的評價教師質量，真實反映教師水平和能力，本文首先提出高職院校教師質量評價體系和指標，再通過RBF神經網絡理論確立基于RBF神經網絡的高職院校教師質量評價模型，并經樣本數據進行仿真驗證。通過仿真數據表明，該模型能夠較全面、科學地評價教師質量。

關鍵詞 質量評價 RBF神經網絡 指標體系

Abstract The quality of teaching in higher vocational colleges is the basis of its survival and development， and the quality of teachers is an important part of the quality assurance system in Higher Vocational colleges. In order to objectively and diversified evaluation the quality of teachers， teachers reflect the level and ability of teachers in higher vocational colleges， this paper puts forward the quality evaluation system and index， and then through the RBF neural network theory to establish the vocational college teachers RBF neural network evaluation model based on quality， and is verified by the sample data. The simulation results show that the model can comprehensively and scientifically evaluate the quality of teachers.

Keywords quality evaluation； RBF Neural Network； index system

0 引言

《國家中長期教育改革和發展規劃綱要（2010-2020年）》中提出：提高質量作為重點，建立健全職業教育質量保障體系，吸收企業參加教育質量評估，開展職業技能競賽。高職院校辦學質量是其生存和發展的基礎。教師質量是高職院校辦學質量保障體系中重要的組成部分，是不斷提高高職院校辦學質量的有效保證，也是進行教師績效考核的參考基礎。[1][2]因此建立一套有效的、完善的、符合高職特色的教師質量評價體系，對于深化專業建設、推動教學改革、激勵教師不斷改進提高具有積極的作用，同時也對加強教學管理、建立良好教風起到了重要的作用。

本文首先在國家教育行業信息化的政策背景下，按照高職學院建立健全“師資隊伍建設機制”和“質量監控體系”的需求，通過分析多個高職學院在師資隊伍引進、聘用、管理制度；專、兼職行業、企業教師任職的標準；專業帶頭人、骨干教師的職責、認定程序、培養方法；“雙師”型教師認定程序、培養方法等相關管理辦法及制度；實訓教師管理辦法以及教輔人員管理辦法等制度文件，提出一個多層次多元化的教師質量評價指標體系。再采用RBF神經網絡將樣本中指標量化分作為輸入，最終評價作為輸出，訓練建立教師質量評價模型，并通過其它的樣本數據對比該模型的評價結果和實際情況差異。這樣實現了定量分析和定性分析的結合，保證了評價結果的客觀性和一致性。

1 高職院校教師質量評價指標體系

1.1 評價指標體系設計

（1）評價指標體系設計理念。從目前高職教師質量評價的現狀來看，主要存在以下問題：在內容上，偏重于評價知識與技能的掌握程度而缺乏對過程、方法以及情感、態度、價值觀的評價，這樣評價的結果很難反映教師真實的水平與能力；在形式上，偏重于總結性評價而缺乏對過程的監控與反饋，造成評價形式單一；功能上，強調評價的甄別和選拔，但是缺乏對教師提出改進措施與建議；在方法上，偏重于簡單的量化評價而缺乏質性評價，描述性評價、表現性評價等更是少見；在評價標準上，有過于單一的絕對化的傾向。[3]

（2）評價指標體系設計方法。本項目在評價指標體系設計時，主要沿著以下幾點思路進行的：

一是“以人為本”。關注教師的主體性是評價的出發點。

二是明確師生角色的定位是評價的基礎。在評價教師的教學時，應該改變傳統的師生角色的定位觀念，明確教師的主導作用和學生的主體地位。在評價中時刻想到教師只是學習過程的組織者、輔助者、幫助者、教學環境的創設者，教師不能代替學生學習知識、思考問題。教學中教師的一切行為都是為了給學生創造良好的學習情境，學生才是整個課堂的核心，學生應該有足夠的空間發揮自己，這樣才能發揮學生的主動性。

三是以業績記錄與貢獻作為評價重點。社會的發展，對人才的知識能力結構提出了新的要求，對于人才培養的目標也提出了新的要求。高等職業院校注重能力的培養已經成為一個關注的熱點。需要指出的是，能力的客觀反映需要大量的業績共享數據作為支撐，對教師能力的評價采用業績與貢獻的分析是一種比較可行的量化評價方法。[4][5]

1.2 確立評價指標體系的步驟

（1）明確評價對象；（2）制定評價基本指標；（3）對評價目標進行分解；（4）設計評價標準；（5）對初步的評價指標體系進行論證、征詢意見、試評。

通過以上步驟確立教師質量評價體系指標如表1所示。

2 RBF神經網絡構建教師質量綜合評價模型

RBF （Radical Basis Function） 神經網絡也稱為徑向基神經網絡，是一種前饋型神經網絡，網絡結構為三層模式，除了輸入輸出層以外還有一個隱含層。[6]隱層中的轉換函數是局部響應的高斯函數，而其他前向型網絡，轉換函數一般都是全局響應函數。由于這樣的不同，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型網絡的原因，但是RBF的訓練時間更短。[7]RBF網絡相當于用隱含層單元的輸出構成一組基函數，然后用輸出層來進行線性組合，以完成逼近功能，它對函數的逼近是最優的，可以以任意精度逼近任意連續函數。

2.1 神經網絡評價模型的確立

根據如表1所示指標體系，一共有30個三級指標，因此本文選取輸入層神經元個數Q=30。同時為了使的網絡具有更好的收斂速度，對輸入樣本數據進行歸一化處理，將輸入樣本數據規范到[0，1]之間。教師質量樣本評價結果作為網絡的輸出，因此輸出層個數為1。RBF神經網絡的隱含層是含有X個神經元的徑向基函數層。根據Kolmogorov定理，RBF神經網絡隱含層神經元數理論計算值是2p+1（p為輸入層神經元個數），但實際效果并不理想，主要原因在于RBF神經網絡隱含層節點數不僅與輸入層神經元個數有關，還與樣本的輸入輸出數據的結構特征有關。[8][9]本文RBF神經網絡模型結構如圖1所示。

2.2 神經網絡評價模型的算法

圖1中p1、p2、p3到pQ為RBF神經網絡的Q個輸入，Y為RBF神經網絡的輸出。輸出層節點函數通常是簡單的線性函數，隱含層節點函數通常為高斯函數，則隱含層第r個神經元的輸出值zr為：

zr = exp（-||||2），r=1，2，3，……m （1）

式（1）中x為輸入樣本，cr為隱含層第r個神經元的中心向量，dr為隱含層第r個神經元的寬度向量，m為隱含層神經元總個數。由此輸出層神經元的輸出為：

Y=[y1，y2，y3，y4……..，yn]T （2）

yk=，k=1，2，3，4...n （3）

式（3）中wkr為隱含層第r個神經元與輸出層第k個神經元之間的調節權重，n為輸出層單元數。

3 教師質量綜合評價模型的實現

3.1 樣本的選取

本文從存檔資料中選取20組教師質量考評數據，這些數據來自不同的評價群體，有學生、各系、人事處、教務處和其他綜合部門。經過歸一化處理后，將15組數據作（下轉第170頁）（上接第73頁）為訓練樣本，剩下5組數據作為測試樣本。

使用matlab2015建立三層RBF神經網絡，輸出層神經元個數、隱含層神經元個數和輸出層神經元個數在前面的描述中已闡述，允許誤差為0.001。通過選取的5組測試樣本數據對得到的模型進行檢驗。將測試結果與期望結果比較，可以看出之間的誤差比較小，測試結果與期望結果基本一致，具體見表2。由此看出基于RBF神經網絡構建的教師質量評價模型具有較好的容錯能力，基本達到了預期的效果。

4 結束語

高職院校教師質量評價體系是高職院校辦學質量保障體系中的重要組成部分，是一個較復雜的非線性體系，而RBF神經網絡模型具有自適應、自學習的特點，能有效克服傳統評價的缺陷，減少主觀因素對指標權重的影響，其評價結果與期望結果較接近。因此，運用RBF神經網絡建立教師質量評價模型，可以為高職院校和教學管理部門提供一種較為科學的教師質量評價方法。

€L蕓翁猓？016年四川教育發展研究中心立項課題：高職院校創業教育教學體系的改革研究（編號：CJF16012）

參考文獻

[1] 唐振福.我國高等教育中外合作辦學質量保障體系建設研究[J].江蘇高教，2013.2：28-30.

[2] 朱玫林.高職院校辦學質量評價職業化的理性回歸[J].職業技術教育，2012.20（33）：55-57.

[3] 姜勇，張明紅.教師質量評價的新轉向與范式變革的前瞻思考[J].教育發展研究，2016.4：46-52.

[4] 劉霞玲.高職院校教師職業能力評價與能力建設研究[J].寧波大學學報（教育科學版），2011.1（33）：109-113.

[5] 王啟田，崔維群，王有增.高職院校教師社會服務能力評價體系構建研究[J].職業教育，2015.5：31-34.

[6] 韓紅桂，喬俊飛，薄迎春.基于信息強度的RBF神經網絡結構設計研究[J].自動化學報，2012.7（38）：1083-1090.

[7] 儲兵，吳陳，楊習貝.基于RBF神經網絡與粗糙集的數據挖掘算法[J].計算機技術與發展，2013.7（23）：87-91.

[8] 張吉剛，梁娜.基于多遠統計—神經網絡的教學質量評估模型[J].海南大學學報（自然科學版），2010.2：188-192.

[9] 史峰，王小川，郁磊，等.Matlab神經網絡30個案例分析[M].北京航空航天大學出版社，2010.