基于深度置信網絡的本科教學效果評價

王 軍

（電子科技大學 中山學院，廣東 中山 528402）

引言

教育是強國之本，建設教育強國是中華民族偉大復興的基礎工程。教學質量關系著人才培養質量，是高校辦學的基石。

目前，很多學者對本科教學質量評價方法和體系進行了深入研究，取得了大量的成果［1-5］。邢永麗等采用層次分析法進行本科教學評價［6］；羅奕等利用動態變權層次分析法對本科教學效果狀態進行評估［7］；肖永良等利用主成分分析方法從原始指標信息中提取有效指標特征，并采用多級Sigmoid神經網絡對本科教學效果進行評價［8］；何梅采用模糊綜合評價法對本科教學進行評價［9］；呂佳佳等采用權重分析法對生物教學效果進行評價［10］。然而，這些評價方法存在一些缺陷：首先，這些方法評價指標不完整，且受到主觀因素影響，很難保證評價的客觀性和公平性；其次，由于影響教學效果的因素很多，而且各個因素的影響程度也不一致，各因素權重的確定對評價結果影響很大。為此，本文構建了較全面的本科教學效果評價指標體系，給出了各指標權重確定方法，在此基礎上，采用深度置信網絡進行本科教學效果評價。

深度置信網絡（DBN）是機器學習之神經網絡的一種，既可以用于監督學習，又可以用于非監督學習。它是根據生物神經網絡的研究及淺層神經網絡發展而來的，為概率生成模型，通過聯合概率分布推斷出數據樣本分布。DBN生成模型通過訓練網絡結構中神經元間的權重，使整個神經網絡依據最大概率生成訓練數據，形成高層抽象特征，提升模型分類性能。DBN能更加抽象地學習高層特征，非常適用于處理高維復雜的大量數據。

一、本科教學效果評價指標體系

教學是師生互動的過程，因此，教學效果的評價主要從教師和學生兩方面進行。具體來說，包括教學內容，教師的教學態度、教學能力水平、教學方法、教學手段，學生學習態度、學習興趣、學習主動性，以及學生知識掌握、能力培養、素質培養情況等方面。本文收集并研究了國內部分高校的課堂質量評價體系，并通過問卷調查、聘請專家等形式，對國內本科院校的課堂教學質量評價體系進行了優化重構，確定了10個影響課堂教學效果的指標，如圖1所示。

圖1 大學課堂教學效果評價指標

1.教學內容x1：符合教學大綱，教學內容充實，信息量大，能夠理論聯系實際。

2.教學能力x2：教師講課層次分明、條理清晰、邏輯性強、深入淺出、趣味性強、重點突出，難點處理得當；用普通話進行教學，語言準確、簡潔、生動；板書設計合理，字跡工整。

3.教學方法x3：教師能應用合適的教學方法（如啟發式、案例式、討論式等）。

4.教學態度x4：教師備課充分，上課認真、按時上下課，認真批改作業，及時耐心輔導答疑。

5.教學手段x5：教師有效地運用多媒體等現代教學技術手段，并與板書有效結合。

6.課程思政內容x6：激發學生探索新技術的熱情，以及勇攀科學高峰的責任感和使命感；樹立學生正確的科學價值理念；培養學生精益求精的大國工匠精神；激發學生的愛國主義精神，培養學生的民族自豪感、認同感和榮譽感，以及對社會主義核心價值觀的高度認同；激發學生科技報國的家國情懷和使命擔當。

7.學生學習態度x7：按時上下課，認真聽講，按時完成作業。

8.學生學習興趣x8：興趣是探索知識的動力。

9.學生學習主動性x9：學生積極參與師生互動，積極思考并回答教師的提問，積極參與課堂討論。

10.課程達成目標x10：掌握工程知識，提高學生分析問題能力和解決問題能力，提高學生的思想水平、政治覺悟、道德品質和文化素養等。

二、確定本科教學效果評價各因素的權重

在本科教學效果評價時，上述本科教學評價指標的重要程度是不同的，為此，我們利用下列模糊方法確定各指標的權重。

1.結合專家組意見，對10個課堂教學效果評價指標進行重要性排序。

2.仔細分析并給出第一個指標（最重要的指標）與其他指標相比時的重要度u11,…,u1k,…,u110.其中u1k表示第一個指標與第k個指標相比的重要度。采用如下模糊語氣：極其重要、十分重要、明顯重要、一般重要、略為重要、不重要。第一指標是最重要的，我們認為它極其重要，并定義第一個指標與極其重要指標相比，其重要度u11=0.5，第一個指標與不重要的指標相比，其重要度u110=1，顯然，u11,…,u1k,…,u110滿足：

其他的u1k可以通過線性內插求得。

3.求各指標的重要度：

將重要度歸一化，可得指標權重：

用這些權重對原指標進行處理，得到加權教學評價指標：

三、基于深度置信網絡的本科教學效果評價

深度置信網絡［11］由多層受限玻爾茲曼機（Restricted Boltzmann Machine,RBM）網絡組成，采用無監督的學習進行模型訓練，具有優良的特征提取和分類能力。我們利用DBN強大的學習能力進行本科教學效果評價，以保證評價的客觀性和公平性。

1.受限玻爾茲曼機。圖2是RBM的結構圖，它由一個可視層（或輸入層）和一個隱含層組成，同一層中的神經元無連接，而輸入層和隱含層的神經元全連接，圖2中，v、h分別表示輸入層、隱含層，而w表示輸入層與隱含層神經元之間的連接權值。

圖2 RBM結構圖

RBM的輸入層和隱含層的神經元的狀態取值為{0,1}，設輸入層和隱含層的神經元個數分別為N和M，vi和hj分別表示第i個輸入神經元和第j個隱含層神經元的狀態，則RBM能量函數為：

式中，θ=(wi j,ai,bj)是RBM待確定的參數向量，其中，w ij表示輸入層第i個神經元vi和隱含層第j個神經元hj之間的連接權值，ai和bj分別表示神經元vi和hj的偏置值。

在狀態(v，h)下，RBM的聯合概率分布為：

而RBM 各個神經元的條件概率分布p(h j|v,θ)、p(vi|h,θ)可寫為：

其中，σ(x)=1/(1+e-x)是sigmoid函數。

通過求下列極大值問題確定RBM的參數向量θ：

其中，L為訓練集樣本數。

本文我們采用CD（Contrastive Divergence）算法［11］估計參數向量θ，即各個參數按下列規則進行更新：

式中，ε為學習步長，<·>data為訓練數據集上的數學期望，<·>model為模型定義的分布上的期望。

2.深度置信網絡。DBN是一種由多層RBM組合而成的網絡模型，其中低層RBM 的輸出，作為上一層RBM 的輸入，如圖3 所示。DBN 的訓練，采用從低層向高層逐層訓練的方式對各層中的RBM 進行訓練，而每一層RBM 的參數由式（6）確定。

圖3 DBN結構圖

3.基于深度置信網絡的本科教學效果評價。我們選擇一個由4個RBM構成的DBN，然后在最上層加一個soft-max分類層作為本科教學效果評價模型。以10個加權教學評價指標作為深度置信網絡的輸入，soft-max分類層的輸出為評價結果，分別對應優秀、良好、合格和不合格。

該網絡的訓練過程包括兩步：第一步用4.1節的方法以從低層向高層逐層訓練的方式對各層中的RBM進行訓練；第二步利用BP算法對soft-max分類層訓練，并對各RBM層的參數進行微調。

利用訓練后的深度置信網絡可以對本科課堂教學進行評價，其過程如下：（1）由專家對課堂教學的各個指標進行打分，每項100分；（2）用權重對指標進行處理，得到加權教學評價指標；（3）以加權教學評價指標作為深度置信網絡的輸入；（4）計算soft-max分類層的輸出，該輸出即為評價結果。

四、實驗與結果

我們對某高校的“微機原理”課程的課堂教學進行評價。選擇教學內容、教學能力、教學方法、教學態度、教學手段、課程思政內容、學生學習態度、學習興趣、學習主動性、課程達成目標作為本科課堂教學效果評價指標，深度置信網絡由4個RBM構成的DBN和一個soft-max分類層組成，其中輸入層神經元個數為10個，輸出層神經元個數為4個。

由30個教學同行對該課堂教學的各個指標進行打分，每項100分，部分同行打分如表1所示；然后對各指標加權處理，得到加權教學評價指標，將加權教學評價指標輸入深度置信網絡，得到評價結果為優，該結果與專家的評價一致，說明該方法有效。

表1 部分同行打分情況

五、結論

本科教學是教育強國的基礎，本科教學效果評價是保障本科教學質量的重要措施。針對課堂教學質量評價體系存在的問題，本文對各本科院校的教師課堂教學評價體系進行優化，構建較全面的本科教學效果評價指標體系；利用模糊方法確定了教學效果評價指標的權重；提出了基于深度置信網絡的本科教學效果評價方法。實驗結果表明，本文提出的評價方法具有很好的評價效果。