基于AHP-BP 神經網絡的高校實踐教學評價研究

于 敏 鐘 磊 曹洪斌

（吉林建筑科技學院，吉林 長春 130114）

一、引言

當前經濟社會發展對高校人才培養方面提出了新的要求，應用型高校及高職院校在實踐教學上則出現了新的挑戰。在實踐教學研究中，實踐教學評價的研究占有重要地位。近年來諸多學者針對不同專業領域的實踐課程進行了實踐教學評價研究。在評價內容上，從評價主體、評價對象等層面不斷拓展，但在教師實踐教學能力方面的評價研究不多，在實踐創新方面的評價指標體系尚未建立。在評價方法上多以單獨應用層次分析法或模糊綜合評價為主，使評價形式較為單一，評價過程計算繁瑣，針對相似評價主體時，評價的便攜性較弱。

在此基礎上，以吉林建筑科技學院現有實踐課程為主體，利用層次分析法建立了基于高校實踐課程的實踐教學評價體系。層次分析法，簡稱AHP，是指將與決策有關的元素分解成目標、準則、方案等層次，在此基礎上進行定性和定量分析的決策方法。BP 神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡模型之一。以AHP 確定權重，得到單一實踐課程教學評價成績。為了提高相似實踐課程教學評價的便捷性，以實踐課程評價單項指標數據為輸入樣本、教學評價成績為輸出樣本構建BP 神經網絡進行訓練，最終建立以實踐課程為主體的教學評價模型。

二、高校實踐教學評價體系構建

現有實踐教學環節主要包括認知實習、生產實習、畢業實習及相關學科課程設計、實驗課程等。實踐課程的有效評價，是控制實踐教學有效運行的舉措，對其教學上的反思與創新具有推動力量。然而，當前實踐類課程的評價工作以學生對課程的評價和教學管理部門定期檢查為主。評價標準與理論類課程相似，不能與實踐課程的特點有效貼合。

通過利用對教師與學生的線上問卷調查，咨詢相關專家指導意見，確定實踐課程教學評價體系。一級指標為某一具體實踐課程教學評價成績。由教學條件、教學內容、教學過程、教學效果四個因素構成二級指標。其中教學條件指學校實現實踐課程教學所擁有的必要條件；教學內容評價的是實踐教學過程中所涉及內容的充分性、前沿性等；教學過程評價的是學生在學習過程中的各項表現，以此來評判該實踐課程設置的合理性；教學效果評價的是在實踐教學完成之后，學生和教師對該實踐課程的主觀評價等因素。三級指標由13 個因素組成，因素的確定上考慮到實踐課程與傳統理論課程的差異，將條件評價、過程評價、成果評價結合其中；同時在教學過程及教學效果上依據學生學習態度、學生所獲得的知識、學生所獲得的能力進行因素的細致劃分。三級指標主要包括硬件配置、教學環境、教學內容全面且有更新等。其中教學內容的更新是指是否結合先進制造領域以及智能制造領域等新興技術。實踐課程教學評價體系具體如表1 所示。

表1 實踐課程教學評價體系

三、層次分析法確定綜合評價成績

利用YAANP 軟件中層次分析法模型確定因素權重。建立系統的層次結構模型，確保每一層指標所包含的元素不超過9 個。構造成對比較陣，采用1-9 標度法將同一層次的各指標逐一進行比對，構建各層次判斷矩陣。計算指標權向量來判斷矩陣中各指標對上層指標的相對權重。計算成對比較權重的最大特征根，進行一致性檢驗。最后得出通過組合一致性檢驗的指標組合權向量，具體步驟如下。

（一）構建層次結構模型

依照表1 內容，在軟件中構建層次結構模型，如下所示。

（二）成對比較陣

依照層次結構模型，采用1-9 標度法建立各層次的判斷矩陣。計算其最大特征根λ，按公式1 計算一致性比率（式中n 為判斷矩陣階數），CR<0.1 時，判斷矩陣符合一致性要求，確定各級指標的權重向量（W）。具體計算結果如表2 至表6 所示。

表2 準則層判斷矩陣

表3 判斷矩陣B1-C

表4 判斷矩陣B2-C

表5 判斷矩陣B3-C

表6 判斷矩陣B4-C

(三)計算指標組合權向量

依照構建的1 個二級指標判斷矩陣、4 個三級指標判斷矩陣，程序運行得到的一致性指標分別為CR=0.0709，CR1=0.0311，CR2=0.0904，CR3=0.0950，CR4=0.0516 均小于0.1，符合一致性檢驗要求。所得分項指標組合權重如表7 所示。

表7 分項指標組合權重

四、BP 神經網絡訓練

BP 神經網絡是一種前饋型神經網絡，可通過對樣本的多次訓練反復修正網絡的權值及閾值，最終確定對應的輸入輸出關系。它由輸入層、輸出層和隱含層構成，最常用的是只有一個隱含層的三層神經網絡。為了降低綜合評價過程的復雜程度，在確定了最終綜合指標權重的基礎上，可利用學校已知數據樣本進行BP 神經網絡訓練。

通過AHP 賦權確定實踐課程教學評價成績，將原始數據13 個分項指標作為輸入樣本，實踐課程教學評價成績作為輸出樣本構建BP 神經網絡。從學校抽取某一實踐課程40 份教學評價數據，其中30 組數據作為訓練樣本，10 組數據進行仿真預測，當訓練完成時，可以直接輸入待測試的樣本數據，便可得出預測結果。

（一）各層神經元個數確定

模型建立采用3 層BP 網絡結構。高校實踐課程教學評價有13 個指標，故輸入層神經元數為13；輸出層為高校實踐課程教學評價結果，神經元數為1；選擇隱含層最佳神經元數為2，構建13-2-1 的BP 神經網絡模型。

（二）MATLAB 的模型實現

運用MATLAB 軟件中Neural Net Fitting 工具箱實現3 層神經網絡訓練及預測。將30 組數據導入工具箱中，修改節點數目為2，神經網絡訓練16 次時收斂，過程曲線如圖1 所示，訓練的期望輸出與訓練輸出線性相關，相關系數為0.96269，相關性如圖2 所示。

圖1 神經網絡訓練過程曲線

圖2 訓練輸出與期望輸出相關性

（三）仿真預測

在訓練完成后運用sim 函數對剩余10 組數據進行仿真，BP 預測值與期望輸出結果及相對誤差如表8 所示。說明該模型準確率較高，評價過程簡潔迅速，可以用于后期高校實踐課程教學評價當中。

表8 預測結果

五、結論

以高校實踐課程為研究主體，建立實踐課程教學評價體系，并運用層次分析法確定體系中各元素權重。利用BP 神經網絡的非線性映射能力，構建AHP 賦權和BP 神經網絡的高校實踐課程教學評價模型。通過SIM函數仿真，測試樣本輸出數據評估誤差較低，可應用于同類型實踐課程評價當中。該模型構建的基礎時高校實踐課程，對推動實踐類教學的進一步改革具有參考價值。