基于ICA和CNN算法在教学质量评价中应用的探析

刘海燕 孙 悦 关晓辉 杨永清 王建元

（东北电力大学 教务处，吉林 吉林 132012）

0 引言

在高校的教学过程中，影响教学质量的因素是变化的，因此，在教学质量评估过程中，要动态的分析这些影响因素。目前教学质量评估多采用由学生考评的方法，但现行的质量评价系统存在着几点弊端:1）学生在评分过程中，不同程度的带有随意性，不同专业的学生对于不同课程有倾向性。2）管理部门统计学生的评分时只是简单的将各项分数相加，而没有科学的权重配比。3）被评教的老师只知道总分而不知道自己的薄弱环节[1-3]。

本文首先应用独立成分分析（ICA）算法对数据进行预处理，消除异常数据，然后将竞争神经网络算法应用到评价体系中来，使得评价体系科学的确定权重，更准确的进行评价。

1 教学评价体系设计

一个科学的教学评价应致力于促进教师的全面发展，充分体现评价的教育功能。教学评价不仅仅是对教师工作状况的鉴定，更重要的是为促进教师成长和提高教学水平服务，从而最終达到提高学生学业成绩和发展学生综合能力的目的[4]。通过教学评价，可以反馈教学信息，及时纠正教学中存在的不足，发扬和推广先进教学经验，使教学的各个环节相互适应，从而提高教育质量，全面实现教育管理目标。本体系主要由8个评价指标[5]:教学准备、教学态度、教学内容、考核方法、教学能力、教学辅导、教学资源、教学方法构成。

2 数据处理方法

2.1 数据的预处理

数据预处理是系统运行的重要一环。主要目的是为后续的数据分析模块准备数据。需要根据系统的所采用算法的要求，提前对数据进行处理。数据预处理通常主要包括异常数据处理和特征提取等工作。通过数据预处理的操作，使数据集的数据更为简洁，更适合于后续分析[5-6]。

本文采用独立成分分析（ICA）的方法进行特征数据的提取。

ICA是最近十年发展起来的多维信号分解技术，主要处理的对象是非高斯信号，以高阶统计知识和信息熵理论为基础，以隐含变量之间相互独立为提取原则，进行独立成分的提取，提高系统的辨识能力[7]。

2.2 竞争神经网络原理

以往确定各个项目的权值是用优序比较法来确定的，所谓的优序比较法是利用专家组的经验作出判断，对各项评价指标分别排序,并通过各级指标的两两比较，从而确定权值。这种固定每项指标权重的做法在某些情况下未必科学，那么如何找出每项指标的合理权重，就成为评价体系设计中的一个很重要的因素。把竞争神经网络应用到评价体系中来，恰好能够解决这一问题[8]。

3 结果与讨论

将每一项得分满分设为10分，首先是组织数据源:本模块采用B/S模式，学生和专家使用IE浏览器的网页提交打分情况(学生评教数据、专家评教数据)，并将数据存储在服务器端的SQLServer 2000数据库中，为教学评估做准备。利用Visual Basic完成大部分数据的转换和清理工作，接着利用ICA算法进行特征提取，将提取后的数据训练神经网络，然后利用训练好的神经网络进行教学评价。

3.1 ICA处理结果

将ICA方法应用于处理采集到的学生评教数据。

经过ICA算法对数据进行处理后的数据，带有明显的分类信息，使得数据更为规范化，可以看出有的评估项目分类信息不明显，如X1，X4，X6，如果采用这些评估项目会造成后续工作的繁冗，因此经过综合考虑，在后续的神经网络算法中中我们只采用X2，X3，X5，X7，X8这五个评估项目即:教学态度，教学内容，教学能力，教学资源，教学方法。从这我们也可以得出其他评估项目教师做的已经比较好了，或从另一个角度来讲，学生对这几项评估内容比较重视。利用ICA算法对学生评估数据进行预处理可以有效减少异常数据所带来的干扰，从而有利于从大量数据中提取准确有效的特征，为后续的神经网络算法分析提供了保障。

3.2 竞争神经网络识别结果

为使数据符合训练过程的函数运算要求,对所有原始数据进行归一化处理,使其落在[0，1]区间。

采用竞争神经网络对教学质量评估系统进行辨识。这里将5个评价指标作为神经网络系统的输入，把评价目标即教学效果作为系统的输出，也就是神经网络有5路输入信号，1路输出信号，并设学习率初始值为0.6，初始权值 ，最大允许误差为0.001[9]。

网络选取45个样本进行训练，在训练577次达到训练目标。抽取15个样本的网络输出与专家评教值进行比较，网络输出与专家评教之间的差都落在了[-0.001，0.001]之间是符合我们的要求的。然后选取5个未曾训练过的测试样本让网络进行评估,以检验网络的推理、测试能力。由可见，这5个样本神经网络虽然未曾训练过，但输入到训练后的网络输出的结果与专家评价结果的差距也落在 [-0.001，0.001]之间，反映出网络对原始数据进行了很好的训练，有较强的推理能力,可以进行科学的评价。

4 结论

本文应用ICA算法可以有效的清理数据，使数据整洁有效。再应用CNN算法找到各项指标的权重，对教师的教学质量进行准确评价，建立的网络模型的输出值与专家评教值之间的误差很小，从而表明，ICA算法和CNN算法用于高校教学质量分析评估是有效、合理的。可以科学、快捷、方便的对教师的教学质量进行评价。

［1］张慎霞.课程教学效果评价还是教师教学水平评价:对改革和完善高校教师教学质量评价的思考[J].现代教育技术，2011，21(3):61-63.

［2］杨德芹.教学质量评价模型及案例分析应用研究[D].武汉:华中师范大学，2008.

［3］仲兰芬，王文忠.高校教师教学质量多级过程性评价系统模型的设计[J].阴山学刊:自然科学，2011，1:78-80.

［4］徐志伟.关联规则方法在高校课堂教学质量评估体系中的应用研究[D].长春:东北师范大学，2009.

［5］卢晶晶.基于数据挖掘的教学评价系统[D].南京:河海大学，2007.

［6］郭晓利，郭平，冯力.基于数据挖掘技术的教学质量分析评价系统的实现[J].东北电力大学学报，2006.Vol.26(3):70-72.

［7］赵立权.ICA算法及其在阵列信号处理中的应用研究[D].哈尔滨:哈尔滨工程大学，2009.

［8］葛勇，王玲.自组织竞争人工神经网络在颜色选择中的应用[J].计算机系统应用，2010，1:137-139.

［9］王铁，张国忠，周淑文.基于竞争神经网络的ABS路面辨识[J].东北大学学报，2003(6):560-563.