基于BP神经网络的教材质量评价研究

陈江丽，张 嵘

（临沧师范高等专科学校，云南临沧 677000）

教材作为教育过程中一种必不可少的工具，已经成为师生教学活动中最重要的工具和媒介〔1-2〕。教材为教师组织教学内容，为学生提供学习知识和技能的途径。好的教材能促进教学积极有效地开展，有利于教学目标和人才培养目标的实现。而质量不好的教材会给师生的教学带来负面的影响，制约学生学习和掌握新的知识。因此，教材的质量将直接影响教学的效果和人才培养的能力。

近年来，伴随着国家教育事业的蓬勃发展，各类教材出版行业也掀起了热潮。面向多学科领域多学历层次的教材比比皆是，其中不乏经典的、有创新、紧跟科学发展和社会进步的优秀教材，但也存在一些诸如盲目模仿、内容陈旧、不联系实际等问题的教材。因此，学校应该加强教材管理工作，规范教材选用制度，建立教材质量评价体系，把好教材质量关。

1 传统教材质量评价方法

目前，大部分的学校的教材工作还主要由任课教师完成，在实施过程中会存在一些主观的片面性，影响教材选用的质量。因此，为了避免此类问题，学校应当采取教材的质量跟踪和信息反馈制度，广泛收集教师、学生对教材质量的反馈意见和建议。通过表1所示的教材质量评价指标对选用教材进行跟踪调查，其中包含3个一级指标，再进一步划分为11 个二级指标，全面反映教材的质量水平。掌握足够的教材质量反馈信息后，就该进入教材质量评价环节。

传统的教材质量评价方法中，评价指标被指定相应的权值，来表示其在教材质量判别中的地位。但评价指标的权值一般由主观经验来确定，缺乏理论依据和实验证明，直接影响评价结果的客观性和科学性。

因此，鉴于传统方法存在的弊端，本文提出将BP 神经网络的理论和技术应用于教材质量评价之中。运用BP 神经网络进行教材质量评价，不仅能克服传统评价方法存在的缺陷，还能准确、快速地获得教材质量评价结果。

2 基于BP神经网络的教材质量评价方法

BP神经网络是一种多层前馈神经网络，其结构如图1所示。它的主要特点是输入信息从输入层经隐藏层，向前传递到输出层。若输出结果达不到期望值，则根据误差向后调整权值，通过不断地训练和学习，最终使输出结果逼近期望值，产生具有较高准确度的分类模型〔3〕。利用构建好的BP 神经网络分类模型对新样本进行分类，能够最大程度地保证分类结果的正确性并提高分类的效率。

本文通过4 个步骤实现BP 神经网络的教材质量分类〔4〕。见图2。

2.1 数据选择和归一化根据表1 所示的教材质量评价指标体系，通过多渠道获取教师、学生和专家对教材的质量评价得分，存储于Matlab2012 的data.Mat 数据库文件中，每组数据为12维，其中第1维为类别标识，后11 维为教材质量评价指标得分。随机抽取其中的2/3 作为训练样本对BP 神经网络进行学习，其余1/3作为测试样本对BP神经网络进行测试。本文选取了40 个样本数据，将其中的25个作为训练样本，15个作为测试样本。

图1 BP神经网络结构图

图2 BP神经网络实现教材质量分类的流程

为了减小预测误差，在Matlab2012 中利用公式（1）所示的mapminmax函数对训练样本input_train做归一化处理，把所有数据转化为〔0，1〕之间的数。将处理后的训练样本inputn作为BP神经网络的输入。

其次，利用训练样本归一化后得到的结构体inputps，用于测试样本input_test的归一化，如公式（2）所示。将处理后的测试样本inputn_test作为输入来验证神经网络的分类能力。

表1 教材质量评价指标

2.2 BP 神经网络构建合理确定BP 神经网络的层数和各层的节点数，能够减少网络训练次数，提高训练的精度。本文采用3 层神经网络结构，其中分别含1个输入层、隐藏层和输出层，即能使结构简单，又能保证预测结果的准确性。

由表1 构造的教材质量评价体系中包含11 个二级指标，于是BP 神经网络的输入层节点数n=11。教材质量评价结果分为优秀（100 表示）、一般（010表示）和差（001表示）3种，因此输出层节点数m=3。由于隐藏层节点数影响BP 神经网络的预测精度，最佳的隐藏层节点数可以参考公式（3）、（4）等经验公式。由此可以得出，隐藏层节点数l=7。最终确定BP神经网络结构为11—7—3。

另外，初始化BP 神经网络的输入层和隐含层的连接权值w1、隐含层和输出层的连接权值w2 和隐含层阈值b1、输出层阈值b2，它们的初值各取0～1之间的随机数，学习率x取0.1。

2.3 BP神经网络训练使用训练样本对神经网络进行学习和训练，根据预测误差不断调整网络权值，最终获得期望误差情况下的最佳权值。

本文利用Matlab2012 平台开发程序，输入训练样本，对BP 神经网络进行训练。主要算法分为下列6个步骤。

步骤1：根据输入训练样本inputn，输入层和隐含层间连接权值w1 和隐含层阈值b1，计算隐含层输出H。

步骤2：根据隐含层输出H，隐含层和输出层的连接权值w2 和隐含层阈值b2，计算输出层输出output。

步骤3：根据神经网络预测输出output和期望输出output_train，计算神经网络预测误差E。

步骤4：根据神经网络预测误差E更新网络连接权值w1、w2。

步骤5：根据神经网络预测误差E更新阈值b1、b2。

步骤6：判断预测误差是否小于期望误差且达到预定的训练次数。若满足条件，则结束训练，否则返回步骤1继续进行训练。

2.4 BP 神经网络分类利用训练好的BP 神经网络对测试的教材评价样本进行分类，根据分类结果验证BP神经网络的能力。若分类结果的准确率较高，教材质量评价的神经网络模型就可对新样本进行分类，能够正确评价出教材的质量。

本文用训练好的BP神经网络对15组测试样本进行分类，仿真结果如图3 所示，从图中可以看出，只有第8号样本的输出结果与实际结果不一致。总体来看，预测结果与实际结果误差较小，分类误差如图4所示，分类准确率如表2所示。

表2 教材质量分类的准确率

通过BP 神经网络的分类结果可以看出，基于BP 神经网络的教材质量分类算法具有较高的准确性，能够正确识别出教材质量的类别，是一种合理的、可行的、准确的教材质量评价方法。

3 结束语

规范的教材质量评价方法能有效地指导教材的选用，提高教材的利用率。但传统教材质量评价方法中存在的主观因素，降低了评价结果的准确性，并且处理过程较繁琐，评价效率低。为了有效地解决传统方法存在的缺陷，利用BP神经网络的原理和方法对教材质量进行评价〔5-10〕。在科学的理论指导下，通过Matlab2012 软件编程，经过数据预处理、BP 神经网络构建、训练和分类，最终形成具有较高准确率的教材质量评价模型。经过实验表明，基于BP神经网络的教材质量评价方法能有效避免评价的主观性，同时解决了传统评价过程的复杂性，能够更加科学和规范地指导教材的选用和管理。

图3 预测与实际分类结果对比

图4 教材质量评价的BP神经网络分类误差

〔1〕刘景超.高校创新教育教材评价体系的构建研究〔J〕.当代教育论坛，2012（5）:34-37.

〔2〕胡格.试论新形势下高校教材建设与管理工作创新〔J〕.内蒙古师范大学学报，2012，25（5）:36-38.

〔3〕韩立群.人工神经网络的模型及其应用〔M〕.上海:复旦大学出版社，1995.

〔4〕余立雪.神经网络与实例学习〔M〕.北京:中国铁道出版社，1996.

〔5〕韩轲.基于BP神经网络的教学质量评价模型研究〔J〕.计算机与现代化，2013（1）:45-46.

〔6〕王伟丽.基于BP神经网络的教学质量评估模型研究〔J〕.信息技术与信息化，2011（6）:38-42.

〔7〕李丽，侦姜麟，钱浩光，等.基于BP 神经网络的压缩空气用能预测模型研究〔J〕.计算机技术与发展，2014，24（1）:216-219.

〔8〕郭庆春，郝源，李雪，等.BP神经网络在长江水质COD预测中的应用〔J〕.计算机技术与发展，2014，24（4）：235-238.

〔9〕师铮.基于BP 神经网络的研发人员能力评价方法研究〔D〕.大连：大连理工大学，2013.

〔10〕李霞.基于BP 神经网络的销售预测研究〔D〕.上海：上海交通大学，2013.