BP神经网络在教学质量评价中的应用

梁飞鸿

(广东水利电力职业技术学院，广东广州510635)

1.引言

教学质量评价是一个比较复杂的过程，它是一个多因素、多变量、模糊的非线性过程。传统的方法是由学校教育管理部门的专家领导、教师同行及学生分别对教师的教学质量进行打分，然后对三个分数人工进行加权评分，最后得出教师在某一阶段教学质量的综合评价。这在一定程度上能反映教师的教学工作水平，但是还是不够准确、全面和系统，容易出现主观性。因此，只有建立科学的教学质量评价方法，才能真实反映教学工作水平，从而调动广大教师的教学积极性，推进学校教学工作进程。

作为研究复杂性的有力工具，人工神经网络不仅解决了综合评价指标体系中的定性指标与定量指标的问题，克服了传统评价过程中建立复杂的数学模型和数学解析表达式的问题，而且还避免了评价者主观因素对评价结果的直接影响，因为人工神经网络的建模，是一种自然的非线性建模过程，毋需分清存在何种非线性关系，通过分析大量的样本数据后，确定神经网络权值系数，从而对教学质量进行评价。

2.教学质量评价指标体系的构建

本文以广州某高职院校教学质量评价的指标体系为依据（见表1），建立了基于BP神经网络的教学质量评价模型，旨在克服人为评价的主观随意性，使评价更加准确、公平、客观。在此基础上，选取2009年部分老师的真实数据作为历史样本数据，供神经网络进行训练和学习。

3.BP神经网络简介

典型的BP（Back Propagation）神经网络是一个由输入层、隐含层和输出层构成的三层前馈阶层网络。BP网络的学习过程由信息的正向传播和误差的反向传播组成。当给定网络一组输入模式时，BP网络将依次对这组输入模式按如下方式学习：首先，把输入模式从输入层传输到隐含层单元，经隐含层单元逐层处理后，产生一个输入模式传送到输出层，这一过程称为正向传播；然后，将输出结果和期待值进行比较，如果没有达到预期目标，则转变为误差的反向传播，并将误差沿原路返回，再通过修改各层神经元的连接权值，使误差信号变小。

表1 评估指标表

上面这种正向传播和反向传播相互交替的过程看成一个“记忆训练”的过程。系统不断地循环这两个过程并重复学习，一直到输出值和期待值的误差减小到规定范围内，系统便停止学习。此时将新样本输入到已经训练好的网络，就可以得到相应的输出值。基于BP神经网络的教学质量评价系统结构如图1所示。

图1 BP神经网络结构图

4.BP 神经网络在教学质量评价中的应用

4.1 网络模型的确定

教学质量评价指标体系有20个二级指标，可将这20个指标作为模型的输入神经元，即输入层神经元个数n=20。根据Kolmogrov理论已经证明：任意给定的连续函数φ：X→Y，X∈R，Y∈0，1，则φ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，选择隐含层为1层；神经网络的训练结果作为网络的输出，输出层个数m=1；一般情况下，隐含层神经元个数是根据网络收敛性能的好坏来确定的，在总结大量网络结构的基础上，得出经验公式：s=根据此公式，可以得出隐含层神经元个数s=8。

BP神经网络的传输函数通常采用S形函数（logsig）或者双曲正切S形传输函数（tansig），本文中的输入层采用双曲正切S形传输函数来训练，而隐含层则采用S形函数来训练。至于训练方法，采用的是Levenberg-Marquardt算法的变梯度反向传播算法（trainlm）。

4.2 Matlab仿真和结果

基于以上分析建立的学习算法和网络模型，笔者用Matlab7.1中的神经网络工具箱，建立三层BP神经网络，并选取10组真实且中肯的样本数据进行仿真。

首先利用ImportWizard从文件中导人标准化后的训练数据到变量P与变量t中，其中P为输人矩阵(20*10)，t为目标矩阵(1*10)。

在命令窗口输入：

网络经过12次循环，网络误差小于期望值，训练终止，最终的网络误差性能曲线如图2所示，结果比较满意。最后将神经网络的仿真结果和专家评价的数据相比较（如表3），可看出测试结果与专家评价的误差绝对值范围在0.12%～1.43%之间，仿真评价的结果与专家评价的结果非常接近，说明模型具有良好的容错性和泛化能力。

图2 测试样本的误差曲线

表3 仿真结果与专家评价结果比较

5.结语

运用BP神经网络建立的教学质量评价模型能够充分利用样本指标的有关信息，通过高度的非线性映射，揭示参评教师教学质量与其相关评价因素间的关联度，从而排除了评价主体的主观因素影响。通过仿真证明，此方法输出结果与专家评价结果之间的误差很小，表明BP神经网络方法用于高校教师教学质量分析评价是完全有效和合理的。

[1] 姜大源.职业教育质量研究新论[M].北京：教育科学出版社，2007：7-9.

[2] 汪旭晖，黄飞华.基于BP神经网络的教学质量评价模型及应用[J].清华大学教育研究，2007，(1).

[3] 乔维德.基于BP神经网络的现代远程教育教学质量评价模型的构建[J].中国远程教育，2006，(7).

[4] 洪顺华.BP神经网络在教学质量评估中的应用[J].机械制造与自动化，2005，(6).