基于BP神經網絡的課程質量評價體系研究與應用

張磊 方正 王磊 宋彬

摘 要：科學評價一門課程的課堂教學質量和網絡課程建設質量是一項系統而復雜的工作.本文首先提出了兼顧課堂授課質量和網絡課程建設質量的課程質量評價體系，然后根據該體系建立了模擬專家評價的BP神經網絡系統.通過實際評價數據驗證，該系統能夠準確模擬專家進行課程質量的評價工作.

關鍵詞：課程質量評價;BP神經網絡;課堂教學質量;網絡課程建設質量

中圖分類號：G642? 文獻標識碼：A? 文章編號：1673-260X（2020）01-0102-03

1 引言

當前，隨著計算機網絡技術和移動互聯技術的進步，高等教育的“慕課”時代已經來臨[1].高校的傳統課堂教學不再是小受眾、封閉式，高校教師也不再單純扮演“以教為主”的傳統角色，轉而發揮由“教”到“導”的作用[2]，人們對于“教學”的傳統觀念正在被打破.高校一方面順應潮流趨勢，大力推進“慕課”建設，培育一批優質的網絡開放課程，培養大學生利用網絡自主學習的能力，尋找傳統課堂教學與“慕課”學習的無縫連接點;另一方面則必須面對如何對課程質量進行科學評價的問題.當前，高教學界對于課程的課堂教學效果評價和網絡在線課程評價都是基于各自標準分別進行的，兩種評價相互孤立，沒有任何聯系.但從“教學”的根本宗旨出發，無論是課堂教學還是網絡課程，都是以教學對象獲得知識為最終目的，因此課程質量評價不應割裂課堂教學和網絡課程建設的關系.在高校教學中，一門課程若在實施課堂教學的同時還建設有較完善的網絡課程，這無疑豐富了教學對象的知識獲取手段.若課堂教學能與網絡課程無縫連接，相輔相成，則課程質量評價高;若課堂教學與網絡課程孤立存在，則課程質量評價低.因此，本文首先提出科學評價一門課程的課程質量要兼顧課堂教學和網絡課程建設的觀點.

然而，對一門課程進行科學的課程質量評價是一項系統而繁雜的工程.評價既包含客觀指標，又包含主觀評分;而各評分指標項的權重分配也無據可依，目前只能由各高校依據校情自行決定.近年來隨著神經網絡技術的發展，BP神經網絡被用于處理各類復雜系統問題，特別是在處理非線性系統問題方面，具有獨特優勢.已有學者將神經網絡用于教學效果評價，模擬專家打分，收到了較好的應用效果[3-8].本文即是在重新建構兼顧課堂授課效果和網絡課程建設評價體系的基礎之上，應用BP神經網絡建立了課程質量的評價模型，并使用測試數據驗證了所建立評價模型的有效性.本文所有數據均來自于徐州工程學院教務系統.

2 課程質量評價體系構建

通過對徐州工程學院現行的課堂教學評價方法進行梳理總結，參考部分典型的課堂教學評價體系，提出課堂教學質量評價的五個二級指標;通過參考教育部教育信息化技術標準委員會發布的CELTS-22網絡課程評價規范，結合學校實際情況，兼顧可操作性，提出網絡課程質量評價的3個二級指標，其中二級指標“課程內容”具有3個三級指標.由課堂教學質量評價和網絡課程質量評價共同構成該課程的綜合評價.具體的評價指標體系如表1所示.

表1所示的課程質量評價體系兼顧了一門課程的課堂教學和網絡課程建設質量評價，在實際使用中，由督導、同行和學生三類人群分別使用該評價體系表對一門課程打分.將三類人群的打分匯總后，由教務管理部門聘請校內專家依據打分匯總情況和實際聽課、網絡課程巡查情況給出課程的最終課程質量評分.專家綜合評分是課程質量評價的最終依據.

上述評價過程的督導、同行和學生三類人群的打分可以較快完成，所得分值也容易使用現代辦公軟件計算;但由這三類人群打分所反映出的課程基本情況，結合實際課堂授課質量和網絡課程建設質量，將其轉換成專家打分卻是一個經驗的、主觀的非線性過程.本文下面將建立BP神經網絡來模擬該非線性過程，達到使用BP神經網絡替代專家打分的目的.

3 BP神經網絡建模

BP神經網絡采用有監督的學習，進行本文BP神經網絡的建模將在MATLAB 2016b中進行.由于近年神經網絡技術的快速發展，許多與神經網絡相關的新算法、新函數已經更新包含在MATLAB的神經網絡工具箱中了，建立神經網絡模型的工作已經大為簡化.故本文的BP神經網絡建模只需考慮以下幾個方面問題：

3.1 網絡層數

BP神經網絡可以包含一個或多個隱含層.但理論已經證明，單個隱含層的神經網絡可以通過適當增加神經元的節點個數實現任意非線性映射.因此，對于大部分應用場合，單個隱含層即可滿足需要.故本文模型的網絡層數確定為3.

3.2 輸入層節點數

輸入層節點數取決于輸入向量的維數.由于使用表1進行評價的群體有3類，分別是督導、同行和學生，故本文設定輸入層節點數為3.

3.3 輸出層節點數

本文需要輸出的是一個課程評價綜合得分，故輸出層節點數為1.

3.4 隱含層節點數

隱含層節點數對BP神經網絡的性能有很大影響.隱含層節點數多可以帶來較好的網絡性能，但可能會導致訓練時間過長.目前還沒有一個明確的解析式可以用來確定隱含層神經元節點個數，一般做法是采用經驗公式給出估計值.本文根據下面的經驗公式來確定隱含層節點數[9]：

M=+a 1≤a≤10? （1）

其中M是隱含層神經元節點數，n和m是輸入和輸出層神經元節點數.由上式，確定隱含層節點數的取值范圍為3～12，本文取8.

3.5 數據預處理

將督導、同行和學生評分分別取算術平均，與專家評分一一對應，整理成如表2所示的表格形式.表2即是神經網絡的輸入和期望輸出.

4 BP神經網絡的訓練和仿真

由以上分析和準備工作，選擇表2的前19門課程作為訓練數據，后5門課程作為仿真校驗數據，在MATLAB 2016b中使用下列主要語句行建立BP神經網絡并進行訓練和仿真：

clear

clc

p=xlsread（'課程評分.xlsx'，'222'，'B2：D20'）';%變量輸入

t=xlsread（'課程評分.xlsx'，'222'，'E2：E20'）';%標簽數據

p2=xlsread（'課程評分.xlsx'，'222'，'B21：D25'）';%測試數據

p3=xlsread（'課程評分.xlsx'，'222'，'E21：E25'）';%測試標簽數據

fp.ymin=0;fp.ymax=1; %設置歸一化區間

pn=mapminmax（p，fp）;

tn=mapminmax（t，fp）;

p2n=mapminmax（p2，fp）;

[p3n，settings]=mapminmax（p3，fp）;

net = feedforwardnet（8）; %建立隱含層節點數目為8的BP神經網絡

[net，tr]=train（net，pn，tn）; %缺省訓練函數為‘trainlm

Y=sim（net，p2n）; %仿真

A=Y-p3n;

E=mse（A）; %求均方差

x=mapminmax（'reverse'，Y，settings） %反歸一化

訓練結果如下：

由圖3，BP神經網絡經過8次迭代就已達到目標要求.仿真最終計算的結果為：x=[83.2333 84.3996 85.2713 82.7633 82.6509]，均方誤差為0.0171，誤差較小，與表2對比可得，所建立的BP神經網絡可以滿足使用要求.

5 結論

使用BP神經網絡可以較好地模擬專家打分，由基礎數據迅速得到課程質量評價的綜合得分，所得分值誤差較小，大大減輕了教學管理部門的工作量，提高了工作效率.

參考文獻：

〔1〕方君，邵杰.慕課對傳統高等教育的沖擊與應對策略[J].重慶科技學院學報（社會科學版），2016（5）：122-124.

〔2〕陳薇伶，陳亮任，郭燕，等.MOOC時代普通高校課堂教學的影響[J].教育教學論壇，2019，398（04）：246-248.

〔3〕范巖，馬立平.優化BP神經網絡的高校教學質量評價模型[J].統計與決策，2018，34（02）：80-82.

〔4〕葛春，王虹，常偉，吳曉露.基于改進BP神經網絡的課堂教學質量評價模型研究[J].無線電工程，2016，46（06）：5-8+17.

〔5〕于權.基于BP神經網絡軍校教學質量評價系統[D].大連理工大學，2016.

〔6〕吳蕾，吳婷.BP神經網絡在教學質量評價中的應用觀察[J].湖南理工學院學報（自然科學版），2014，27（03）：33-36+59.

〔7〕袁劍.教學效果的BP神經網絡評價[J].智能計算機與應用，2013，3（06）：60-62.

〔8〕劉連新，劉郁.基于BP神經網絡的教學質量評價[J].江蘇建筑職業技術學院學報，2013，13（03）：60-63.

〔9〕周開利.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.