基于灰色關聯分析和神經網絡的多媒體教學質量評估

谷琳

摘? 要： 針對多媒體教學質量評估過程存在一些缺陷，設計基于灰色關聯分析和神經網絡的多媒體教學質量評估方法。首先，分析當前多媒體教學質量評估現狀，構建多媒體教學質量評估指標;然后，采用灰色關聯分析法確定多媒體教學質量評估指標的權值，采用神經網絡建立多媒體教學質量等級的分類器;最后，與其他多媒體教學質量評估方法進行仿真測試。結果表明，所提方法的多媒體教學質量評估正確率超過95%，而對比方法的多媒體教學質量評估正確率均低于95%，同時，多媒體教學質量評估建模效率也明顯改善，為多媒體教學質量評估提供了一種新的研究方法。

關鍵詞： 多媒體教學質量評估; 現代教學手段; 評估指標; 評估效率; 灰色關聯分析; 教學質量等級分類器

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）09?0183?04

Multimedia teaching quality assessment based on grey relational

analysis and neural network

GU Lin

（Capital Normal University， Beijing 100048， China）

Abstract： Since there are some shortcomings existing in the process of multimedia teaching quality assessment， a method of multimedia teaching quality assessment based on grey correlation analysis and neural network is designed. The current situation of multimedia teaching quality assessment is analyzed， and the assessment index of multimedia teaching quality is constructed. The weight of multimedia teaching quality assessment index is determined with the grey relational analysis method， and the classifier of multimedia teaching quality grade is established by the neural network. Finally， the simulation test is carried out to make comparison with other multimedia teaching quality assessment methods. The results show that the accuracy of multimedia teaching quality assessment obtained with the proposed method is above 95%， while that with other methods is below 95%. At the same time， the modeling efficiency of multimedia teaching quality assessment is improved obviously. Therefore， the proposed method provides a new method for multimedia teaching quality assessment.

Keywords： multimedia teaching quality assessment; modern teaching means; assessment index; assessment efficiency; grey correlation analysis; teaching quality grade classifier

0? 引? 言

從1999年開始，全國高校進入了擴招階段，全國大學生數量急劇增加，高校教育進入了快車道時代，大多數高校的師資力量不足，教育教學設備緊張，教學質量成為高校討論的焦點問題[1]。高校的聲譽與教學質量密切相關，為了滿足高校教育，提高教學質量，大多數高校采用多媒體教學方式，相對于傳統黑板教學方式，多媒體教學方式具有許多優越性，如可以進行動畫播放講解、互動形式更優[2]。高校教學質量主要通過課堂多媒體教學質量來反映，因此，如何對高校多媒體教學質量進行科學、客觀評估，對于提高高校課堂教學效果具有重要的實際意義[3?5]。

多媒體教學質量是一個比較復雜的問題，牽涉技術很多，多媒體教學質量評估指標構建主要包括：教師水平、課程難易、學生自身素質等，它們之間相互影響，而當前沒有一個統一、公認的多媒體教學質量評估指標體系[6?7]。通常情況下，選擇大量的指標對多媒體教學質量進行評估，這使得數據采集難度增加，同時，評估指標太多，使得多媒體教學質量評估建模過于復雜，評估指標之間有一定的信息重復，會產生一定的干擾。當前有主成分分析法的多媒體教學質量評估指標構建方法、基于模糊理論的多媒體教學質量評估指標構建方法，它們雖然可以減少多媒體教學質量評估指標的數量，但是沒有體現出每一種指標對多媒體教學質量評估結果的影響，從而影響多媒體教學質量評估效果[8?10]。灰色關聯分析法是一種新型的指標構建方法，可以對各種指標的權值進行合理確定，為多媒體教學質量評估指標構建提供了一種新的工具。

從本質上，多媒體教學質量評估是一種多分類問題，將多媒體教學質量劃分為不同的等級，因此，在多媒體教學質量評估指標構建的基礎上，需要設計多媒體教學質量評估的分類器，主要由BP神經網絡、支持向量機、馬爾可夫鏈等對多媒體教學質量評估的分類器進行設計[11?13]。

支持向量機設計多媒體教學質量評估的分類器速度慢，而馬爾可夫鏈設計的多媒體教學質量評估分類器質量差，相對于支持向量機、馬爾可夫鏈，BP神經網絡的多媒體教學質量評估分類器更優，在多媒體教學質量評估中得到了廣泛應用[14]。

針對多媒體教學質量評估過程中存在一些問題，本文設計了基于灰色關聯分析[15]和神經網絡的多媒體教學質量評估方法，與其他多媒體教學質量評估方法進行了仿真測試，結果表明，本文方法的多媒體教學質量評估正確率高于當前其他多媒體教學質量評估方法，提升了多媒體教學質量評估建模效率，同時，對比驗證了灰色關聯分析和神經網絡相融合應用于多媒體教學質量評估中的優越性。

1? 灰色關聯分析和神經網絡的多媒體教學質量評估方法

1.1? 灰色關聯分析和神經網絡的多媒體教學質量評估原理

基于灰色關聯分析和神經網絡的多媒體教學質量評估原理為：首先，構建多媒體教學質量評估指標;然后，采用灰色關聯分析法確定多媒體教學質量評估指標的權值;最后，采用神經網絡建立多媒體教學質量等級的分類器，具體如圖1所示。

1.2? 構建多媒體教學評估體系

在建立多媒體教學質量評估指標時，要使多媒體教學質量評估結果科學、可信度高，本文基于一致性、全面性、獨立性、容錯性原則，建立一個合理、公正、科學的多媒體教學質量評估指標體系，具體如表1所示。

將多媒體教學質量劃分為5個等級：優、良、中、合格、不合格，它們的取值具體如表2所示。

1.3? 灰色關聯分析法

設多媒體教學質量評估指標組成的參考序列為：[X0={x0（1），x0（2），…，x0（m）}]，[m=6]，比較序列為：[Xi={xi（1），xi（2），…，xi（n）}]，[i=1，2，…，n]，設：

[xi（k）=1mk=1nxi（k），? ? i=0，1，2，…，m]? （1）

作如下標準化處理：

[xi=xi（k）xi，? ? i=0，1，2，…，m] （2）

灰色關聯系數計算公式為：

[ξi（k）=miniminkx0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）x0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）]? （3）

式中[ρ]表示分辨系數。

多媒體教學質量評估指標之間的關聯度為：

[ri=1mk=1mξi（k）] （4）

根據關聯度確定多媒體教學質量評估的指標權值。

1.4? BP神經網絡

BP神經網絡輸入節點數為[m]，隱含層節點數為[p]，輸出層的節點數為1，通過映射函數得到隱層節點輸入和輸出分別為：

[Sj=i=1nωijx（i）-θj] （5）

[bj=11+expi=1nωijxi-θj] （6）

式中[ωij]和[θj]分別表示隱層的連接權值和閾值。

輸出層節點的輸入和輸出分別為：

[L=j=1pωjkbj-θk] （7）

[yk=11+expi=1nωikxi-γk] （8）

式中[ωik]和[γk]分別表示輸出層的連接權值和閾值。

BP神經網絡的學習過程就是不斷調整連接權值和閾值，使輸出層的實際輸出與期望輸出之間的誤差最小。

2? 多媒體教學質量評估效果測試

2.1? 測試環境

為了分析基于灰色關聯分析和神經網絡的多媒體教學質量評估方法的有效性，采用表3的測試環境進行仿真實驗，并選擇文獻[13?14]的教學質量評估方法進行對比測試。

2.2? 測試數據

為了體現多媒體教學質量評估結果的科學性，選擇5位教師的多媒體教學質量作為測試對象，它們的樣本數量如表4所示。同時，采集多媒體教學質量評價指標數據，由于幅篇有限，沒有列出。

2.3? 多媒體教學質量評估正確率對比

統計本文方法與文獻[13?14]的多媒體教學質量評估方法對5位教師多媒體教學質量評估的正確率，結果如圖2所示。對圖2的多媒體教學質量評估正確率進行分析可以發現：

1） 文獻[13?14]的多媒體教學質量評估正確率均低于95%，這主要是由于它們無法準確描述多媒體教學質量整體信息，使得多媒體教學質量評估錯誤率高，媒體教學質量評估結果缺乏科學性。

2） 本文方法的多媒體教學質量評估正確率高于文獻[13?14]方法，對于所有教師的多媒體教學質量評估正確率均高于95%，這主要是由于本文方法引入灰色關聯分析法，準確確定了多媒體教學質量評估指標的權值，能夠更好地反映多媒體教學質量整體信息，并采用BP神經網絡進行建模，降低了多媒體教學質量評估錯誤率，媒體教學質量評估結果更加可信。

2.4? 多媒體教學質量評估效率對比

統計本文方法與文獻[13?14]的多媒體教學質量評估方法對5位教師多媒體教學質量評估建模時間，結果如圖3所示。

從圖3可以發現，文獻[13?14]的多媒體教學質量評估建模時間長，多媒體教學質量評估效率比低，而本文方法的多媒體教學質量評估建模時間明顯縮短，加快了多媒體教學質量評估速度，可以快速得到多媒體教學質量評估結果，能夠滿足人數多的多媒體教學質量評估應用要求，實際應用范圍更廣。

3? 結? 語

為了提高多媒體教學質量評估正確率，本文提出了基于灰色關聯分析和神經網絡的多媒體教學質量評估方法。首先，構建多媒體教學質量評估指標，并采用灰色關聯分析法確定多媒體教學質量評估指標的權值;然后，采用神經網絡建立多媒體教學質量等級的分類器;最后，進行多媒體教學質量評估仿真實驗，結果表明，本文方法是一種錯誤率低、效率高的多媒體教學質量評估方法。

參考文獻

[1] 楊秀平，張華，李亞兵.高校教學質量評價系統平臺的構建與保障機制探究[J].實驗室研究與探索，2018，37（2）：231?234.

[2] 阮家港.基于因子?聚類分析的民辦本科高校青年教師教學質量評價研究：以商丘學院為例[J].數學的實踐與認識，2015，45（4）：86?93.

[3] 趙馨蕊，周雨青，瞿林云.大學物理MOOC教學質量評價指標體系的建構[J].東南大學學報（哲學社會科學版），2017，19（z2）：163?168.

[4] 李逢慶，韓曉玲.混合式教學質量評價體系的構建與實踐[J].中國電化教育，2017，22（11）：108?113.

[5] 劉芳，宮華，許可，等.基于熵權改進的TOPSIS法的教師教學質量評價[J].沈陽工業大學學報，2017，39（5）：540?544.

[6] 昝輝，施章清.基于模糊理論的文科綜合實驗教學質量評價體系的構建[J].實驗技術與管理，2016，33（8）：213?216.

[7] 唐量，張國強，匡希龍.應用型高校《工程建設法規》課程教學質量評價的AHP模型[J].湖南師范大學自然科學學報，2016，39（5）：77?80.

[8] 趙馨蕊，周雨青.基于模糊綜合評價法的大學物理MOOC教學質量評價[J].高等工程教育研究，2019（1）：190?195.

[9] 冉建.基于馬爾可夫鏈和多元統計分析的體育教學質量評估方法研究[J].教育理論與實踐，2013，33（18）：60?62.

[10] 岳琪，溫新.基于GA和BP神經網絡的教學質量評價模型研究[J].內蒙古大學學報（自然科學版），2018，49（2）：204?211.

[11] 盧信文.證據理論和神經網絡的教學質量評估模型[J].現代電子技術，2017，40（15）：119?121.

[12] 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（2）：80?82.

[13] 張明亞.基于主成分分析和支持向量機的英語教學質量評價[J].現代電子技術，2018，41（7）：178?182.

[14] 吳麗，劉益和.證據理論和支持向量機相融合的教學質量評價[J].西南師范大學學報（自然科學版），2016，41（2）：92?98.

[15] 孫明瑋，齊玉東.基于云模型和改進灰色關聯分析模型的網絡服務質量綜合評估[J].計算機科學，2019，46（5）：315?319.