基于DHNN的高校教师工程实践能力评价研究

曹 霞 郝耀军

(1.忻州师范学院专科部计算机系， 山西 忻州 034000； 2.忻州师范学院计算机系， 山西 忻州 034000)

现阶段我国大多数地方性应用型高等学校，基本上是以培养“具有运用科学理论知识和方法来综合分析、解决问题的综合能力及实践能力”的工程性人才为目标。为了实现这类人才的培养目标，需要建设一支既有深厚扎实的理论功底, 又具有较强的专业工程实践能力的教师队伍。而地方性高校大多是新建的本科院校，年轻教师较多，因此如何客观评价教师的工程实践能力，并根据评价结果选择师资培养方式，缩短教师的成长周期，是当前地方性高校急需解决的问题[1]。

影响教师工程实践能力的因素很多，本文以文献[2]中所述的工程实践能力评价指标体系中的三级指标(表1)作为评价因素。教师工程实践能力一般分为4个评价等级：很强(A)、较强(B)、一般(C)、较差(D)。

1 基于Hopfield网络的教师工程实践能力评价方法

Hopfield 网络是一种单层全反馈网络，模拟生物神经网络的记忆机理，在联想记忆、分类及优化计算等方面得到了成功的应用。根据激活函数选取的不同，可分为离散型的Hopfield网络(Discrete Hopfield Neural Network，简称DHNN) 和连续型的Hopfield网络(Continuous Hopfield Neural Network，简称CHNN)。DHNN的激活函数为二值型的，其输入、输出为{-1，+1}的反馈网络，主要用于联想记忆；CHNN主要用于优化计算[3]。由于DHNN进行网络联想时的输入是高校教师工程实践能力评价指标值和评价标准值的比较，所以进行评价时指标越多得到的评价结果就越可靠。

表1 教师工程实践能力评价指标体系

将教师工程实践能力4个评价等级对应的19 个评价指标作为DHNN的平衡点，DHNN神经网络的学习过程就是将不同等级的评价指标逐渐趋近于DHNN神经网络平衡点的过程。学习完成后，DHNN储存的平衡点即为各分类等级所对应的评价指标。当有待判定的教师工程实践能力评价指标时，DHNN即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的即为待判定教师工程实践能力的等级。

对影响教师工程实践能力的19个评价指标若采用其他评价方法会由于过多的评价指标使评价过程繁琐、权值淹没、结果趋同失真。

借用表1所述的评价指标，运用DHNN方法评价的步骤如下[4]：

步骤1：设计理想的各等级教师工程实践能力的评价指标。

从已有评价结果(一般为专家评定)的样本中每个级别随机选取每一等级的样本5份，按级别汇总后，以各评价指标值(满分100分)的平均值取整作为理想的教师工程实践能力等级的评价指标值，如表2所示。

表2 各个评价标准的指标值

步骤2：为理想的教师工程实践能力评价等级指标编码。

由于DHNN神经元的输出只取1和-1，所以将评价指标映射为神经元的状态时，需要将其进行编码。编码规则为：当大于或等于某个等级的指标时，对应的神经元状态设为“1”，否则设为“-1”。理想的4个等级评价指标编码如表3所列，其中●表示神经元状态为“1”，即大于或等于对应等级的理想评价指标值，反之用○表示。

步骤3：为待评价的教师工程实践能力评价指标编码。

设有5位待评价的教师，各评价指标值如表4所示。根据上述编码规则得到对应的编码，如图1所示。

步骤4：利用Matlab中神经网络工具箱函数创建Hopfield网络，对表2中的标准样本数据进行训练。

步骤5：利用训练好的网络对要评价教师的各项指标数据进行仿真和分类。

2 DHNN算法的MATLAB实现

教师工程实践能力评价的DHNN算法基于Matlab 7.10.0(R2010a)实现[4]，评价数据采集基于SQL Server 2008实现。

表3 理想的评价等级指标编码

表4 待评价的5位教师的工程实践能力评价指标

图1 待评价教师的工程实践能力的编码

具体步骤如下：

步骤1： SQL Server 2008数据库中建立样本表及待评价模型表，并采集数据，具体实现过程在此不再赘述。

步骤2：数据导入Matlab并作适应性转化，编码如下：

%% 连接数据库

conn=database(′HYJ′,″,″);

%%测试连接

ping(conn);

%%定位数据库

dbmeta=dmd(conn);

t=tables(dbmeta,′hyjlx′);

%% 获取待评价教师表中的数据

cursorA=exec(conn,′select * from mxk′);

cursorA=fetch(cursorA,10)

a=cursorA.data;

close(cursorA);

%% 获取样本表中的数据

cursorB=exec(conn,′select * from bzk′);

cursorB=fetch(cursorB,10)

b=cursorB.data;

close(cursorB);

%% 数据转变预处理

aa=cell2mat(a);

bb=cell2mat(b);

[mx,my]=size(aa)

[bx,by]=size(bb)

步骤3：数据编码，具体如下：

%% 待评价数据的编码

cc=[];

for i=1:mx

for j=1:my

if aa(i,j)>=bb(1,j)

cc=[cc,1 -1 -1 -1];

else if aa(i,j)>=bb(2,j)

cc=[cc,-1 1 -1 -1];

else if aa(i,j)>=bb(3,j)

cc=[cc,-1 -1 1 -1];

else if aa(i,j)>=bb(4,j)

cc=[cc,-1 -1 -1 1];

else

cc=[cc,0 0 0 0];

end

end

end

end

end

end

ee=reshape(cc,4,mx*my)′;

for p=1:mx

xxx=[xxx,ee(1+(p-1)*19:p*19,:)]

end

%% 样本编码略

步骤4：创建网络。

net=newhop(bz);

步骤5：仿真评价。

Y=sim(net,{20,15},{},A);

Y1=Y{15}(:,1:4)

Y2=Y{15}(:,5:8)

Y3=Y{15}(:,9:12)

Y4=Y{15}(:,13:16)

Y5=Y{15}(:,17:20)

result={A{1};Y{15}};

figure

%作图略

3 结果分析

仿真结果如图2所示，每一组均与图1中评价前的编码相对应，从图2中的结果可以看出，利用本文设计的DHNN网络可以有效地进行分类，从而客观公正地对教师的工程实践能力进行评价。同时，该方法也减少了整个评价过程的计算工作量，并在一定程度上解决了异常值对评价结果的影响，尽量减少个人主观臆断带来的弊端，评价结果直观、可靠。

图2 仿真结果

由于DHNN进行网络联想时的输入是教师工程实践能力评价指标值和评价标准值的比较，所以进行评价时会权衡每个比较结果，如果一位教师优势与劣势并存，则会得到一个“折中”的结果，如本文所示第2位教师。由此可以看出理想指标的设计至关重要，未来的研究重点是如何确立科学的理想样本及评价指标。

[1] 姚吉祥.应用型本科院校教师实践教学能力缺失及对策研究[J].合肥工业大学学报：社会科学版，2010，24(3)：139-142.

[2] 张海,邓长寿.地方高校青年教师工程实践能力定量评价体系的研究[J].黑龙江教育：高教研究与评估，2012(12)：22-23.

[3] 王振华.基于Hopfield神经网络的数据分类[J].计算机应用,2011,31(2):92-96.

[4] 郝耀军,王建国，赵青杉，等.网络智能教学系统中双层学生模型的设计[J].中国远程教育,2011(12)：64-67.

[5] 史峰,王小川,郁磊，等.Matlab神经网络30个案例分析 [M].北京:北京航空航天大学出版社,2010.

[6] 陈仕品,张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育,2010(5):112-117.