盧信文

摘 要： 為了獲得更優的教學質量評估結果，提高教學效果，利用證據理論處理不確定性問題的優點，提出證據理論和神經網絡的教學質量評估模型。利用非線性擬合能力的神經網絡對教學質量進行評估，構建證據體，通過證據理論對教學質量最終評估結果進行決策，采用Matlab仿真工具箱進行有效性測試。測試結果表明，該模型克服了傳統模型評估結果的不確定性，提高了教學質量的評估精度，評估結果對提高教學質量具有一定的實際意義。

關鍵詞： 教學質量； 評估模型； 證據體； 結果融合； 神經網絡

中圖分類號： TN711?34； TP391.9 文獻標識碼： A 文章編號： 1004?373X（2017）15?0119?03

Abstract： A teaching quality evaluation model based on evidence theory and neural network is proposed to acquire the better evaluation result of teaching quality， and improve the teaching effect， which is on the basis of the advantage that the evidence theory can handle the uncertain items. The neural network with nonlinear fitting ability is used to evaluate the teaching quality， and construct the evidence body. The final evaluation result of teaching quality is decided with evidence theory. The validity of the model is tested by means of Matlab simulation tool. The test results show that the model can eliminate the uncertainty of the evaluation result， improve the evaluation accuracy of teaching quality， and its evaluation result has a certain practical significance to improve the teaching quality.

Keywords： teaching quality； evaluation model； evidence body； results fusion； neural network

0 引 言

教學質量評估是一個十分復雜的過程，對于教學管理具有十分重要的研究意義。教學質量不僅影響學生成績，而且會對教學效果產生一定的影響[1]。影響教學質量的因素十分復雜，這給準確評估課堂教學質量增加了難度，因此，建立一個科學、精度高的教學質量評估模型面臨巨大的挑戰[2]。

教學質量評估受到了高校的高度關注，起初一些管理員對教學質量進行評估，有時也要求學生對教學質量進行評估，它們均屬于人工評估方式，評估精度低，無法客觀描述真實的教學質量[3]。為了克服人工方式的不足，高校建立了基于專家系統的教學質量評估系統，通過收集大量的教學質量信息進行評估，但評估過程繁鎖，耗時長，而且評估結果極不科學[3]。隨著計算機水平的不斷發展，出現了基于計算機的教學質量自動評估模型，如采用模糊算法、神經網絡等，它們對教學質量的變化特點進行不斷的擬合，達到實現教學質量的評估目的。在這些評估模型中，BP神經網絡的學習能力、容錯能力相對更好，成為主要的教學質量評估方法。在實際應用中，BP神經網絡通過誤差反向傳播使得教學質量評估誤差盡可能的小，但易陷入局部極小點，使得教學質量評估結果不穩定[4?5]。為了解決BP神經網絡存在的局限性，有學者提出了小波神經網絡，該神經網絡將小波函數引入到建模中，非線性學習能力更強，獲得了比BP神經網絡更優的教學質量評估結果[6?8]。然而教學質量變化比較復雜，單一小波神經網絡只能從一個方面對教學質量的內容進行描述，評估結果有待進一步改善。再加之教學質量的不確定性，單一神經的教學質量評估結果的錯誤率高，經常出現錯誤評估情況[9?10]。

證據理論[11]是一種可以處理不確性問題的方法，為解決復雜教學質量評估問題提供了一種新的途徑。為了獲得更好的教學質量評估結果，提出了證據理論和神經網絡的教學質量評估模型。仿真實驗結果表明，該模型克服了傳統模型評估結果的不確定性，提高了教學質量的評估精度。

1 神經網絡和證據理論

1.1 BP神經網絡

BP神經網絡是一種典型的前饋網絡，不僅具有正向傳播功能，同時有誤差反向傳播功能，通過誤差反向傳播對不同層之間的權值進行修正，不斷向誤差最小的問題解進行逼近，結構如圖1所示。

1.2 小波神經網絡

小波神經網絡是在神經網絡的基礎上引入小波變換，采用小波基函數代替Sigmoid函數，可以大幅度提高非線性擬合逼近能力[11]。當含有個輸入節點，個隱含節點數時，網絡結構如圖2所示。

設為輸出層的期望值，那么有：

1.3 證據理論

設表示一個識別框架，而和表示中的兩個獨立的基本概率值，和表示焦元，當時，可以得到：

2 證據理論和神經網絡的教學質量評估模型

基于證據理論和神經網絡的教學質量評估模型工作流程如圖3所示。由圖3可知，首先收集教學質量評估的樣本，并進行歸一化處理；然后將歸一化后的樣本輸入BP神經網絡和小波神經網絡進行學習，得到BP神經網絡和小波神經網絡的教學質量初步評估結果，并將兩者的結果進行歸一化處理產生基本概率分配，形成證據體；最后采用證據融合和決策規則得到教學質量的最終評估結果。

3 仿真實驗

3.1 樣本數據

為了分析證據理論和神經網絡的教學質量評估模型性能，在Matlab 2014平臺上進行仿真測試，首先將收集的多個教學質量評估指標作為神經網絡的輸入向量，與相應的教學質量等級組成學習樣本。教學質量等級共分為4種：優秀、良好、一般、不合格，共收集到1 000個樣本，800個樣本作為訓練樣本，其他作為測試樣本。把優秀、良好、一般、不合格記為A1，A2，A3和A4，每一個樣本教學質量等級只屬于其中一種，即且（為第個教學質量樣本，表示教學質量等級，2，3，4）。對于每一個測試，采用神經網絡進行初步評估，并將評估值作為證據體的基本概率分配。

3.2 結果與分析

將測試樣本輸入BP神經網絡和小波神經網絡進行訓練，建立教學質量評估模型，它們的教學質量評估結果如圖4所示。從圖4可以發現，單一BP神經網絡和小波神經網絡的教學質量評估精度低，無法客觀對實際教學質量進行描述。采用證據理論對BP神經網絡和小波神經網絡的評估結果進行融合，得到的教學質量評估精度更高，評估結果更加合理和科學。

全部模型的教學質量評估結果錯誤率如圖5所示，從圖5可知，本文模型的錯誤率要遠遠低于BP神經網絡和小波神經網絡的教學質量評估錯誤率，評估結果更加可信，是一種科學、高精度的教學質量評估模型。

4 結 語

根據證據理論分析隨機性問題的優點，結合神經網絡良好的非線性擬合能力，提出證據理論和神經網絡的教學質量評估模型，通過具體數據對該模型的有效性進行分析，可以得到如下結論：

（1） 該模型可以對教學質量進行有效、客觀評估，并且具有良好的通用性。

（2） 相對于單一的教學質量評估模型，該模型提高了教學質量的評估精度，而且評估結果更加可信、科學合理。

（3） 該模型有效降低了教學質量評估的誤差，評估結果與期望值更加接近，從多個角度描述了教學質量的內容，評估結果可以用于指導老師的實際教學，具有很好的實際應用價值。

參考文獻

[1] 馮虹，鄒華，魏文元.馬爾可夫鏈在教學質量評價中的應用[J].天津師范大學學報，1999，19（1）：5?9.

[2] 丁家玲，葉金華.層次分析法和模糊綜合評判在教師課堂教學質量評價中的應用[J].武漢大學學報，2003，56（2）：241?245.

[3] 趙立新，王石安，賴元峰.教學質量評估的定量比較評價模型[J].數學的實踐與認識，2005，35（1）：12?17.

[4] 吳虹.基于模糊綜合評判法的高校教師教學質量評價體系的構建[J].統計與決策，2010（3）：166?168.

[5] 洪月華.基于模糊綜合評價的課堂教學質量數據挖掘[J].計算機科學，2008，35（2）：154?156.

[6] 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（11）：314?318.

[7] 徐欣，徐立鴻.教學質量評價與預測的人工神經網絡方法[J].統計與決策，2009（20）：159?160.

[8] 許敏，王士同.PSO優化的神經網絡在教學質量評價中的應用[J].計算機工程與設計，2008，29（20）：5327?5332.

[9] 蔡錦錦.基于BP神經網絡的新型課堂教學質量評價方法[J].繼續教育，2011（2）：23?25.

[10] 新佳，龍熙華，韓波.基于BP神經網絡的教學質量評價模型研究[J].教育教學論壇，2011（14）：222?223.

[11] 辛玉林，鄒江威，徐世友，等.DSmT理論在綜合敵我識別中的應用[J].系統工程與電子技術，2010，32（11）：2385?2388.