基于BP神经网络教学质量评价模型研究.docVIP

基于BP神经网络教学质量评价模型研究 　　摘要：随着当前高等教育教学改革的不断深化和发展，对教学质量管理的研究越来越受到人们的重视。因此建立和完善教学质量监控和评价体系对教学管理具有十分重要的意义。本文主要研究利用BP神经网络理论构建和完善客观、合理、量化的教学质量监控与评价模型。结合西安科技大学计算机学院自身的实际情况和现行的评价指标，利用BP神经网络对教学质量建立模型，实现对教学质量定量的评价。本文给出了BP神经网络算法的实现步骤以及算法流程，通过具体实例显示并分析了结果，说明了使用BP神经网络算法对教学质量建模的有效性。 　　关键词：教学质量评价；神经网络；BP（Back Propagation）算法 　　 　　在学校工作中，教学工作是一切工作的中心，教学质量管理是学校全面质量管理的关键，教学质量的优劣，是评价一所学校办学成功与否的重要标志[1]，教学质量评估是教学管理工作的重要方面，但由于教学是一种精神劳动，是一种艺术，没有固定不变的流程，教学质量评价体系中往往含有非定量因素，而且具有很大的模糊性，难以定量化，这就构成了教学质量评价的复杂性和困难度。教学是教师与学生的双边活动，而教学过程则是多种因素构成的，影响教学质量的因素也是多方面的，因此，需要评价的内容也就比较多。 　　从目前各高校教学质量评估方法[2]上看，很多采用了层次分析法、单项因子评价法、模糊综合评判法、聚类分析等方法，虽然这些方法能充分考虑各种评估因素并体现专家经验知识，但评估过程中难以排除各种随机性和主观性，造成评估的失真和偏差，因此在评估中如何克服人为的主观随机性，使得评估更加准确有效，不可避免地摆在我们面前。BP神经网络又称为“误差反向传播神经网络”（Error Back Propagation），为教学质量评估提供了一种新颖的技术，以其自由的模拟人的思维、非线性变换和自学习等功能，可以有效克服传统教学质量的不足。BP神经网络的新颖性[3]在于它可以在不了解数据产生原因的前提下，对非线性过程建模，具有非线性映射、学习分类和适时优化的特征，因此它为模式识别、非线性分类等研究开辟了新的途径。根据这一特点，本文利用BP神经网络理论建立教学质量评价模型，通过对网络的训练以后，可以对教学质量进行等级评价，从而为教学质量评价的研究提供有意义的参考价值。 　　一、教学质量评价指标体系的设定 　　由于教学质量评价指标是进行教学评价的主要依据，所以制订量化的评价指标体系是排除主观因素影响，使整个教学质量评价与监控体系科学、客观的主要途径。关于构建量化的评价指标体系要从使评价指标全面覆盖教学过程、从不同身份角度进行评价和制订具体的量化指标三个方面[1-3]去考虑。结合西安科技大学计算机学院的实际情况构建了一个涉及教学态度、教学内容、教学方法及作业与答疑辅导的教学质量评价指标体系（见表1）。 　　二、基于BP神经网络的教学质量评价模型及应用 　　1.基于BP神经网络的教学质量评价模型。典型的BP神经网络[4]是一个由输入层、隐含层和输出层构成的三层前馈阶层网络。BP神经网络的教学质量评价模型的确立步骤[4-5]如下：①输入层神经元个数的确定。根据我们确定的高校教学质量综合评价指标体系，一共有七个二级指标，可将这七个二级指标作为模型的输入神经元，所以输入层的神经元个数为n=7。②输出层神经元个数的确定。将评价结果作为网络神经元的输出，输出层个数m=1。③网络隐含层数的确定。隐含层可以是一层也可以是多层。Kolmogrov理论已经证明任意给定的连续函数可以精确地由一个三层神经网络实现，故在对教学质量评价模型中，我们选择隐含层为一层。④隐含层神经元个数的确定。一般可以采用“试凑法”，通过比较网络输出误差与期望误差之间的拟合程度，选择仿真效果最好时所采用的隐层节点数，但是这种办法比较繁琐耗时。隐含层神经元个数的确定也可以参照一些经验公式确定[6]，例如， 　　s=■+0.51或s=■+a（其中a为1~10之间的常数，n为输入层神经元个数，m为输出层神经元个数）等。在本文中我们根据相关经验初定隐含层神经元个数s=8。⑤神经元转换函数的确定。BP神经网络神经元转换函数一般选用Sigmoid函数：v1=■ 　　三、神经网络的训练 　　在收集数据的时候发现一些问题：①原始数据基本都是学生的评价，带有很大的主观性，而且评价的分数都很高，非常接近满分，这种差别不大的数据作为训练数据不合适。②教学二级指标分类不够明确，指标不够具体，量化程度差，使得评价起来难以客观。针对以上问题提出一些建议：①从指标的量化做起，使一级指标更全面，二级指标更具体，使评价者能够明显判断出教学效果在哪个等级，避免主观。②尽量让评价者从一个客观的角度出发去评价，在评价中事实求是。采用三层BP