军队初级任职教育教学质量BP神经网络管理评价模型

徐玉志，胡永生

(蚌埠汽车士官学校基础部，安徽蚌埠233011)

教学质量管理是军队院校管理的核心，院校教学管理工作的着眼点应放在提高教学质量上，有了教学和管理的高质量，就有了人才的高质量。在完成好当前面临的教学工作评价准备任务中，如何使院校的教育水平走上一个新的台阶，提高教学质量无疑是最关键的。由于教学过程包括教与学，评价一个教员教学质量的优劣，要比评价产品质量的优劣复杂得多，因为教学质量评估体系中往往含有非定量的因素，这给评价带来了很大的困难。从目前各教学质量评估方法上看，很多测评采用了绝对评估法、相对评估法、评等法、评语法、写实法和综合评分法等简单方法。这些方法或过于主观，或通过简单的加减乘除数学运算来评价教学效果，忽视了各评价指标和教学效果之间的非线性关系，其结果难以真实反映教学质量状况，也难以被人接受。寻找评价体系的输入和输出的数学关系，建立一个合理的、科学的数学模型，对教学质量的评估有着重要的意义。

BP神经网络又称为“误差反向传播神经网络”，为教学质量评估提供了一种新颖的技术，可以有效克服传统教学质量评价方法的不足。BP神经网络是美国加州大学的鲁梅尔哈特和麦克莱兰提出的一种人工神经网络学习算法。从本质上说，这是一类由大量信息处理单元通过广泛联结而构成的动态信息处理系统。这种系统在处理各种含悖、模糊、随机、量大、动态、低精度信息方面具有独特的功能，它具有学习、记忆、联想、归纳、概括、抽取、容错以及自学自适应能力，是一个可以处理非线性问题的系统。BP神经网络的新颖性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、学习分类和实时优化的特征。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，本文拟利用BP神经网络理论建立教学质量评估系统模型，对教学质量进行等级评价，为任职院校教学质量评估的研究提供参考。

表1 初级任职教育院校教学质量评价指标体系

1 课堂教学质量评价指标体系

1.1 初级任职教育院校教学质量评价指标体系

进行教学质量评价，首先必须确定一套科学的教学质量评价指标体系。初级任职教育院校教学质量评价指标体系一般包括办学思想、教员队伍、教学环境、教学建设、教学管理、教学效果、特色项目等一级指标，各一级指标下设立不同的二级指标。但事实上教学是由教员、学员、教员与学员互动、教学资源、教学环境等多因素组成的一个功能系统。教学质量取决于教学各因素的质量及其各因素相互作用的质量。也就是说，教学质量是通过教学各因素交互作用的过程创造出来的。结合对军队初级任职教育院校教学质量评价研究理论与实践的总结，构建涉及教学资源、教学环境、教学过程及教学结果等各个方面的教学质量评价指标体系(见表1)。

1.2 初级任职教育院校教学质量评价指标

为了评价教学质量，通常对教学设计、教学方法、教学态度、教学手段、语言表达、重点难点、学员互动等内容进行评价。假设主要包含的评价指标有 7 个，分别为 C1、C2、C3、C4、C5、C6、C7，将评价目标定为教学质量评价效果，且评价指标的取值范围定为［0，9］，随机选取学校课堂质量督导专家对8名教员课堂授课质量进行评价，通过分析评价结果(见表2)可以看出，评价目标即教学质量与各评价指标之间的关系是非线性关系。

表2 教学质量调查表

2 基于神经网络的教学质量评估模型应用

2.1 教学质量评估神经网络模型的构建

采用BP神经网络对教学质量评估系统进行辩识。把7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。BP神经网络是一单向传播的多层前向网络，网络除输入、输出节点外，有一层或多层的隐含层节点，同层节点没有任何的耦合。输入信号从输入层节点依次经过各隐含层节点，然后传到输出层节点，每一层节点的输出只影响下一层节点的输出，其单元特性(传递函数)通常采用Sigmoid型，但在输出层，节点的单元特性可采用线性，其网络结构如图1所示。

图1 BP神经网络教学质量评价模型结构

2.2 教学质量评估神经网络模型的算法

(1)输入层神经元的确定。设BP网络的输入层为 X={x1，x2，…，xi}，其中 xi是教学评估体系的各个二级指标，初级任职教育院校教学质量评价指标体系二级指标26个，i=26。

(2)网络的隐含层。neti=，oi=α(neti)，其中neti为各隐含层输入总量，vij为权系数，α(x)为系统单个神经元的输入与输出之间的关系函数，也称为激活函数，通常取 Sigmoid函数，即α(x)(3)网络的输出层。，其中 y^是神经网络系统的输出变量，wi为权系数。因为评价结果作为网络输出，因此取输出层神经元个数为m=1，设准则函数为

利用BP算法可使性能指标，权值收敛到局部最小即网络误差平方和最小，为了保证系统的全局稳定性，把教学质量评估系统的实际输出y作为反馈信号，将其与神经网络辨识器的输出 y^比较，使E＜ε，其中 ε(目标误差)为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。根据反向传播计算公式，可得如下权系数:η［y－y^］o和 Δv=η［yiijy^］α＇(neti)wiΧ，其中 η 为学习修正率，0 ＜ η ＜1。由 α(x)，可得 α＇=α(x)－α2(x)。

2.3 仿真计算

采用3层BP神经网络对上述的教学质量评估系统进行辨识，输入层、隐含层和输出层的结点数分别为7×26×1，激活函数采用sigmoid型，学习率η=0.9，学习训练算法采用反向传播(BP)算法，将表1中的数据作为神经网络辨识模型的训练样本，目标误差为0.001，采用MATLAB软件进行训练，具体训练过程如图2所示。

网络训练完成以后，对其进行测试，检查神经网络输出的评价目标值和实际评价目标值之间的误差。通过比较其结果可以看出，应用BP神经网络建立的教学质量评价模型的输出值与真实值非常接近(见表3)。也就是说，该模型能较为准确地根据各评价指标来确定教学效果。

图2 BP神经网络教学质量评价训练过程流程

表3 原始数据与神经网络系统的输出值比较

3 结语

采用BP神经网络建立教学质量评估系统的数学模型，可以有效克服传统评价方法的缺陷，弱化传统评价方法中指标权重确定的人为影响因素，不仅可行，而且精度较高。经过实证研究，发现BP神经网络模型的输出值与真实值之间的误差较小，性能完全可以满足实际应用的要求。神经网络的结构和其算法确定后，数学模型的准确程度与输入的训练样本的数量有着密切关系。训练样本越多，其输出的教学效果评估值就越接近于真实值。总之，运用BP神经网络建立教学质量评价模型，能为教学管理部门寻求科学的教学质量评估解决方案提供有益的参考。

［1］ 吴立志.应用模糊综合评判的置信度准则评价教员质量［J］.北京理工大学学报，2003，4(2):8 －9.

［2］ 闻新.MATLAB神经网络应用设计［M］.北京:科学出版社，2000:207－231.

［3］ 蓝江桥.中美两国大学教学质量评价的比较与思考［J］.高等教育研究，2003，24(2):96 －100.

［4］ 杨红樱.教学质量的计算机综合评估算法［J］.小型微型计算机系统，2002，23(6):716 －720.