基于深度學習的計算機應用基礎課堂教學評價系統

聶文芳

（南昌應用技術師范學院，江西 南昌 330108）

0 引言

以計算機應用基礎課堂教學課堂為例，此門課程是高校教學中的重點環節，也是大部分專業課程中的基礎學習內容[1]。針對此門課程的傳統教學評價，都是由高校教育處根據校內管理部門提供的數據報表與簡單信息，進行數據隱含價值的分析，但此種評價方式會受到評價者個人主觀意識的影響，無法實現對數據隱含價值的深度挖掘，也無法實現對教學質量的全面提升。為了進一步提高教育教學工作的質量，本文將在此次研究中引進深度學習算法，從硬件結構與軟件功能等方面，開發一個針對計算機應用基礎課堂教學的評價系統，從客觀角度發現教學中的價值性行為，提取潛在數據的規律性，實現對教學中多元化數據、復雜化數據的設計與獲取，保證對課程教育提供實質性意見[2]。截至目前，相關此方面內容的研究仍存在一些不足，例如，該系統在開發初期的硬件選擇工作尚未完善，系統內置程序中的評價功能仍較為單一。為此，本文將基于教育市場持續化發展層面，開展此項工作的進一步研究。

1 硬件設計

為滿足高校教學工作的需求，本文按照B/S框架，對系統硬件展開設計。相比傳統的評價系統，基于B/S架構的評價系統具有操作方便、維護便捷、適配性強等優勢。根據教學過程中的評價參與方，設置系統的三個終端分別為用戶服務器終端、程序單位存儲終端與數據庫集成終端[3]。按照此種設計理念，進行系統的綜合部署。該系統硬件構成如圖1所示。

圖1 計算機應用基礎課堂教學評價系統硬件設備

從圖1可以看出，該系統中的主要硬件設備包括服務器、存儲器、采集器與顯示屏，不同的硬件設備在系統中所起到的作用是不同的。根據系統的運行需求，進行系統硬件的配置設計，如表1所示。

表1 計算機應用基礎課堂教學評價系統硬件配置

下述將以系統服務器與存儲器為例，進行硬件設備的詳細設計。

1.1 服務器設計

根據本文上述論述內容，針對評價系統中的服務器，選用Intel HI-100型號可自定義配置，24盤熱插拔服務器。該型號服務器存儲可被擴展為支持24盤SAS；CPU支持Intel Xeon E5 6核12線程；接口為VGA顯示接口；電源為800 W冗余（1+1）服務器電源；內存類型為DDR4 16G RECC；可適用于分布式存儲環境；尺寸為650 mm×420 mm×175 mm（長×寬×高）。該型號服務器具備24盤滿配336/384 TB大容量，能夠充分滿足本文評價系統對各類評價依據資源數據的存儲和運行條件，同時服務器能夠支持Intel千兆網絡傳輸，具備兩個Intel千兆網口以及IntelX520雙萬兆光口，能夠確保本文評價系統在運行過程中具備極高的運行速度[4]。

1.2 存儲器設計

在完成對服務器的選型后，由于在本文評價系統當中含有海量與計算機應用基礎課程相關的信息內容，因此需要更大容量的存儲器對海量信息進行存儲[5]。針對這一問題，選用IC-GB36型號電可擦除只讀存儲器作為本文評價系統的存儲器。IC-GB36型號存儲器接口采用2-Wire, I2C類型；電源電壓范圍為1.7 ~5.5 V；工作溫度范圍為-35~+75°C；最大時鐘頻率為1 MHz；數據保留時限為100年。將ICGB36型號存儲器作為本文評價系統中的存儲器，以此結合存儲器中的計算機應用基礎課堂教學信息對其效果進行評價。

2 軟件設計

2.1 獲取計算機應用基礎課堂教學評價指標

為實現對高校計算機應用基礎課堂教學的精準化評估，保證教學工作的全面優化，需要在完成對該系統的硬件設計后，獲取影響課堂教學的相關因素，將其作為評價指標。此次構建的評價指標體系整體按照層次分析法構建，建立計算機應用基礎課堂教學評價指標體系，如表2所示。

表2 計算機應用基礎課堂教學評價指標體系

按照表2所示的內容，獲取計算機應用基礎課堂教學評價指標，并在教學中根據教師執教的實際情況，進行指標體系的填充與完善。

2.2 基于深度學習的教學執行特征識別

完成上述研究后，引進深度學習算法，按照指標進行教學信息的獲取，并通過此種方式，對計算機應用基礎課堂教學中的教學執行情況進行特征識別。在此過程中，將數據窗口的固定長度作為節點最大值，綜合聚合層中的數據，進行節點數值的深度學習。可將學習的過程表示為下述計算公式。

式中，D表示對網絡節點參數的深度學習過程；表示為輸入參數；i表示參數對應的評價指標；k表示參數的平均加權值；s表示參數的非線性表達方式；b表示參數局部特征；v表示參數集成網絡的層數；t表示深度學習與單次迭代平均處理時長；a表示聚合網絡特征。

2.3 基于卷積網絡的教學評價與結果輸出

在上述設計內容的基礎上，引進卷積神經網絡，根據識別的教學執行特征，進行教學評價結果的輸出。在此過程中，提取并識別教學中不同行為的程度，將程度作為教學質量優化條件。根據與之方面相關的優化條件進行參數行為的匹配[6]。例如，當執行的行為可滿足計算機應用基礎課堂高質量教學行為時，將參數設定為上限值，以此為依據，將數據導入卷積網絡進行迭代處理，得到評價查詢結果，并根據教學中相關數據的完整度，進行教學行為的定性評估。

3 對比實驗

結合本文上述論述，從硬件和軟件兩個層次實現對評價系統的理論設計后，為了驗證這一評價系統的實際應用效果，開展如下對比實驗。

在實驗中選擇將本文提出的基于深度學習的評價系統作為實驗組，將基于云平臺的評價系統作為對照組，將兩種評價系統應用到某高校計算機專業中，并針對計算機應用基礎課堂教學情況進行評價。為了實現對評價系統運行情況的直觀檢驗，選擇將兩種評價系統完成運行得出的評價結果置信度作為對系統評價的量化指標，系統評價結果的置信度計算公式為

從圖2中兩條曲線可以看出，實驗組評價系統對五節計算機應用基礎課堂教學情況的評價結果置信度均在0.70以上，并且隨著評價次數的增加，評價結果的置信度逐漸提高，評價價值提升。而對照組評價系統對五節計算機應用基礎課堂教學情況的評價結果置信度均未超過0.50。通過上述置信度的取值變化特性可以得出，實驗組評價系統得出的評價結果更符合實際，而對照組評價系統得出的評價結果與實際相差較大。

圖2 實驗組與對照組評價系統評價結果置信度對比

4 結束語

本文從獲取計算機應用基礎課堂教學評價指標、基于深度學習的教學執行特征識別、基于卷積網絡的教學評價與結果輸出三個方面，開展了基于深度學習的計算機應用基礎課堂教學評價系統設計研究，并在完成對系統的開發與設計后，通過對比實驗證明，將本文設計的評價系統得出的評價結果作為依據，可以為提升計算機應用基礎課程教學質量策略的提出提供更可靠的依據。通過此種方式，為我國高等職業教育相關工作的實施提供進一步的指導與幫助。■