基于深度學(xué)習(xí)理論的學(xué)前教育質(zhì)量評估模型

孫云霞

(神木職業(yè)技術(shù)學(xué)院 管理工程系， 陜西 神木 719300)

0 引言

當前，世界范圍內(nèi)對學(xué)前教育的重視度普遍提升，學(xué)前教育發(fā)展速度與辦學(xué)規(guī)模持續(xù)提升[1]，同時學(xué)前教育機構(gòu)的構(gòu)建模式更加多樣性。國家對學(xué)前教育的引導(dǎo)方向隨著重視度的提升更加明確[2]，在提升學(xué)前教育發(fā)展速度，改善學(xué)前兒童學(xué)前教育難問題的基礎(chǔ)上，更加重視學(xué)前教育質(zhì)量[3]，因此，研究一種系統(tǒng)、科學(xué)、完整的學(xué)前教育機構(gòu)教育質(zhì)量評估方法具有重要意義。

作為機器學(xué)習(xí)領(lǐng)域的重要組成部分，深度學(xué)習(xí)網(wǎng)絡(luò)基于構(gòu)建、模擬人腦分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)描述數(shù)據(jù)[4]，其主要優(yōu)勢體現(xiàn)在建模能力強、表征精度高等，可有效解決普遍使用的淺層學(xué)習(xí)網(wǎng)絡(luò)在有限樣本與計算單元條件下對復(fù)雜函數(shù)的表達能力與泛化能力受到限制的問題[5-6]。基于此，研究基于深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)前教育質(zhì)量評估方法。

1 基于深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)前教育質(zhì)量評估方法

1.1 學(xué)前教育質(zhì)量評估指標體系構(gòu)建

學(xué)前教育質(zhì)量評估指標體系構(gòu)建是學(xué)前教育質(zhì)量評估的基礎(chǔ)[7]。構(gòu)建由學(xué)前教育環(huán)境創(chuàng)設(shè)、學(xué)前教育保教質(zhì)量和幼兒發(fā)展三個一級指標構(gòu)建的學(xué)前教育質(zhì)量評估指標體系，如圖1所示。

圖1 學(xué)前教育質(zhì)量評估指標體系

學(xué)前教育環(huán)境創(chuàng)設(shè)包括學(xué)前教育機構(gòu)創(chuàng)建體制、學(xué)前教育機構(gòu)創(chuàng)建條件兩個二級指標，兩者分別描述學(xué)前教育機構(gòu)采用的辦學(xué)模式和學(xué)前教育教學(xué)活動所使用的硬件和軟件設(shè)施。學(xué)前教育機構(gòu)創(chuàng)建體制中包含學(xué)前教育機構(gòu)創(chuàng)建思想和管理機制兩個主要內(nèi)容；學(xué)前教育機構(gòu)創(chuàng)建條件中包含基礎(chǔ)設(shè)施設(shè)備、人員配備、規(guī)模與班級三個主要內(nèi)容。

學(xué)前教育保教質(zhì)量包括教師素質(zhì)、人際交往和安全衛(wèi)生三個二級指標。教師素質(zhì)所指的是從事學(xué)前教育人員的工作能力，其中包含教師資格、教學(xué)技能、職業(yè)道德和課程管理四個主要內(nèi)容[8]。人際交往所指的是從事學(xué)前教育人員同學(xué)前兒童和家長溝通互動的能力。安全衛(wèi)生所指的是學(xué)前教育機構(gòu)滿足學(xué)前兒童最基本的生理與安全需求的能力，包括教育/保健管理、交通安全管理與膳食管理三個主要方面。

幼兒發(fā)展包括體質(zhì)與動作、行為習(xí)慣、溝通能力和藝術(shù)認知四個二級指標。體質(zhì)與動作所指的是學(xué)前兒童生理機能的正常發(fā)展水平；行為習(xí)慣是指學(xué)前兒童日常生活中的自理能力；溝通能力是指學(xué)前兒童通過累計詞匯量傳達自己情緒情感的能力；藝術(shù)認知是指學(xué)前兒童基于基礎(chǔ)知識的掌握對周邊簡單自然現(xiàn)象的審美與藝術(shù)表現(xiàn)能力。

1.2 基于深度學(xué)習(xí)網(wǎng)絡(luò)的評估方法

1.2.1 深度學(xué)習(xí)網(wǎng)絡(luò)

深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)具有一個輸入層、多個隱含層和一個輸出層[9]，其分層結(jié)構(gòu)與人類大腦結(jié)構(gòu)極為相似。深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)僅相鄰節(jié)點間存在連接[10]，相同層或不同層內(nèi)節(jié)點間不存在連接，可將深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)的各層定義為一個logistic回歸模型。深度學(xué)習(xí)網(wǎng)絡(luò)模型內(nèi)的隱含層包含數(shù)個受限玻爾茲曼機，通過疊加數(shù)個受限玻爾茲曼機，能夠構(gòu)建深度玻爾茲曼機學(xué)習(xí)網(wǎng)絡(luò)，如圖2(a)所示。當距離可視層較近的結(jié)構(gòu)和較遠的結(jié)構(gòu)分別使用貝葉斯信念網(wǎng)絡(luò)和受限玻爾茲曼機構(gòu)建時，所構(gòu)建的網(wǎng)絡(luò)為深度信息網(wǎng)絡(luò)，如圖2(b)所示。

(a) 深度玻爾茲曼機

(b) 深度信息網(wǎng)絡(luò)圖2 深度玻爾茲曼機與深度信息網(wǎng)絡(luò)結(jié)構(gòu)

圖2內(nèi)，v和h分別表示可視層和隱層。利用由下至上的方式逐層訓(xùn)練受限玻爾茲曼機，通過預(yù)訓(xùn)練得到權(quán)值W。

利用無監(jiān)督的預(yù)訓(xùn)練模型優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò)各層的權(quán)值，可將簡單特征抽象畫。可視層的輸入為學(xué)前教育質(zhì)量評估指標體系內(nèi)的各二級指標Ai，設(shè)定輸入層以及輸出層的節(jié)點數(shù)量，隱含層h1、h2、h3的節(jié)點均為100。可視層與隱含層的聯(lián)合概率分布描述為式(1)。

P(Ai,h1,h2,h3)=P(Ai|h1)·P(h1|h2)·P(h2|h3)P(h3)

(1)

由下至上的非監(jiān)督學(xué)習(xí)過程，將各層均定義為一個受限玻爾茲曼機，利用貪婪學(xué)習(xí)方法由下至上逐層訓(xùn)練各層權(quán)重，第一層和其余層分別構(gòu)建高斯-二進制受限玻爾茲曼機和二進制-二進制受限玻爾茲曼機。受限玻爾茲曼機內(nèi)各可視層節(jié)點與隱含層節(jié)點均不存在相關(guān)性，描述受限玻爾茲曼機內(nèi)各層的條件概率分布與聯(lián)合概率分布,如式(2)、式(3)。

(2)

(3)

其中，N(·)和logistic(·)分別表示高斯密度函數(shù)和邏輯函數(shù);c表示可視層偏置;b表示隱含層偏置。

輸出層依照輸入的DMOS(平均主觀得分差，Differential mean opinion score)值對各層參數(shù)實施整體優(yōu)化。經(jīng)由無監(jiān)督訓(xùn)練與有監(jiān)督優(yōu)化能夠獲取各層的權(quán)值與偏執(zhí)，構(gòu)建輸出的抽象一級指標與DMOS值間的回歸模型，測試階段依照回歸模型預(yù)測獲取學(xué)前教育質(zhì)量的客觀評估結(jié)果。

1.2.2 評量評估過程

(4)

(5)

(6)

(7)

2 仿真測試的結(jié)果與分析

選取某城市內(nèi)規(guī)模不等的146家學(xué)前教育機構(gòu)為測試對象，利用本文方法對測試對象的學(xué)前教育質(zhì)量進行評估。以統(tǒng)計學(xué)前教育質(zhì)量評估方法的客觀評估結(jié)果與主觀評估結(jié)果間的相關(guān)系數(shù)(線性相關(guān)系數(shù)與等級相關(guān)系數(shù))，對本文方法實施客觀評估。用于判斷主觀評估結(jié)果與客觀評估結(jié)果兩個質(zhì)量評估結(jié)果間線性相關(guān)性的指標，即為線性相關(guān)系數(shù)Xij，如式(8)。

(8)

用于判斷一種質(zhì)量如何能夠被表示為另一種質(zhì)量的單調(diào)函數(shù)的指標，即為等級相關(guān)系數(shù)Cij，如式(9)。

(9)

Cij值取值范圍為0-1，其值越大表示本文方法評估結(jié)果越準確。

2.1 評估指標體系的評估

以文獻[5]中CLASS視角下的評估方法和文獻[6]內(nèi)基于用戶滿意度的評估方法為對比方法，對比本文方法與對比方法中構(gòu)建的教育質(zhì)量評估指標體系的專家認同度(指標選取的全面性與科學(xué)性)，以此判斷不同方法中評估指標體系構(gòu)建的質(zhì)量。不同評估方法內(nèi)評估指標體系的專家認同度對比結(jié)果，如表1所示。

表1 評估指標的專家認同度對比

由表1中不同方法評估指標體系的專家認同度對比結(jié)果可以看出，本文方法所構(gòu)建評估指標體系內(nèi)各級指標的專家認同度均顯著高于兩種對比方法，由此說明本文方法所構(gòu)建的學(xué)前教育質(zhì)量評估指標體系更全面更科學(xué)。

2.2 深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)分析

在深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)包含較多參數(shù)，因此有必要分析深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)各項參數(shù)對網(wǎng)絡(luò)性能的影響。以下從輸入指標數(shù)量和隱層數(shù)量兩個參數(shù)出發(fā)，分析深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)對網(wǎng)絡(luò)性能的影響。

2.2.1 輸入指標數(shù)量對深度學(xué)習(xí)網(wǎng)絡(luò)性能的影響

不同輸入指標數(shù)量條件下，本文所建深度學(xué)習(xí)網(wǎng)絡(luò)評估結(jié)果與主觀評估結(jié)果之間的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)，如圖3所示。

圖3 輸入指標數(shù)量對深度學(xué)習(xí)網(wǎng)絡(luò)性能的影響

分析圖3得到，輸入不同數(shù)量的評估指標對于本文方法深度學(xué)習(xí)網(wǎng)絡(luò)性能的影響并不顯著，由此說明深度學(xué)習(xí)網(wǎng)絡(luò)對于輸入指標數(shù)量并不敏感。

2.2.2 隱層數(shù)量對深度學(xué)習(xí)網(wǎng)絡(luò)性能的影響

不同隱層數(shù)量條件下，本文構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)評估結(jié)果的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)，如圖4(a)所示。不同隱層數(shù)量條件下，本文所建的深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練時間，如圖4(b)所示。

分析圖4(a)得到，本文方法評估結(jié)果的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)整體上隨著隱層數(shù)量的提升而提升。當隱層數(shù)量由1個提升至3個時，本文方法評估結(jié)果的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)提升速度較快；當隱層數(shù)量由3個提升至5個時，本文方法評估結(jié)果的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)提升幅度較小。分析圖4(b)得到，本文方法中深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練時間隨著隱層數(shù)量的提升而顯著提升，且隱層數(shù)量越大，訓(xùn)練時間提升幅度也越大。綜合圖4(a)與4(b)的評估結(jié)果說明，隱層數(shù)量為3時，本文方法的評估性能最佳。

(a) 線性相關(guān)系數(shù)與等級相關(guān)系數(shù)

(b) 訓(xùn)練時間圖4 隱層數(shù)量對深度學(xué)習(xí)網(wǎng)絡(luò)性能的影響

2.3 不同測試對象的評估結(jié)果

在所選測試對象中任意選取12個，對比本文方法與對比方法評估結(jié)果與主觀評估結(jié)果之間的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)，結(jié)果如表2所示。

表2 不同測試對象的評估結(jié)果統(tǒng)計

分析表2得到，采用本文方法對測試對象學(xué)前教育質(zhì)量進行評估，所得評估結(jié)果與主觀評估結(jié)果的線性相關(guān)系數(shù)與等級相關(guān)系數(shù)顯著高于兩種對比方法，由此說明本文方法評估結(jié)果更為準確。

4 總結(jié)

本文研究基于深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)前教育質(zhì)量評估方法，將學(xué)前教育質(zhì)量評估指標輸入所構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)中進行訓(xùn)練，利用訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)能夠獲取較為準確的學(xué)前教育質(zhì)量評估結(jié)果。在后續(xù)研究過程中，將繼續(xù)針對本文方法進行優(yōu)化，逐步提升學(xué)前教育機構(gòu)教學(xué)質(zhì)量，實現(xiàn)教育強國夢。