高校课堂教学质量的智能评价模式及应用

汪克亮+何刚+程云鹤

摘要：科学评价高校课堂教学质量是保证与提升高校人才培养质量的关键环节。为了克服传统评价过程中主观因素的干扰，本文在建立高校课堂教学质量评价指标体系的基础上，基于BP神经网络提出了一种高校课堂教学质量的智能评价模型并将其应用到某高校的评价实践之中，评价实例充分证明了这种评价模式的可行性与有效性。

关键词：高等学校;课堂教学质量;智能评价;BP神经网络

中图分类号：G642.0     文献标志码：A     文章编号：1674-9324（2015）24-0062-02

一、引言

自从1999年我国高等学校实施扩招以来，课堂教学质量问题一直是社会舆论与新闻媒体关注的焦点。高校大幅度扩招到底是否能够保证人才的培养质量呢？这个问题一直萦绕在社会公众的心头，难以挥去。作为我国各条战线人才培养的主要基地，高校教学质量的好坏不仅影响到高校的办学水平，还将直接影响到学生专业素质的培养，进而会影响到一个国家的核心竞争力，事关重大。目前，课堂教学仍然是我国高校最重要的教学组织形式，同时也是实现人才培养目标、保证教学质量的关键环节[1]，因此，要提升高校教学质量，首先必须要提高课堂教学质量，要提高课堂教学质量，就必须建立一套科学、完整的评价体系，对高校课堂教学质量进行客观、公正、有效的评价，实现评价结果之间的横向与纵向比较，进而发现高校课堂教学中存在的问题与薄弱环节并有针对性地采取相关措施。这样不仅可以全面洞悉高校教师课堂教学质量的真实情况，还能对课堂的参与主体——教师、学生产生正确的行为导向与激励作用[2]，对于进一步促进我国高校课堂教学水平实现本质性的提高具有重要的指导意义与应用价值。

近年来，一种新型的智能化建模工具——人工神经网络（Artificial Neural Network，ANN）在诸多领域得到了广泛的应用。该方法本质上是一种信息的非线性变换系统，具有强大的非线性处理能力，因其广泛的适应能力、学习能力和映射能力，在多变量非线性系统的建模方面有很大的优势。BP神经网络（Back-Propagation Network）学习算法是目前在各领域中研究和应用最广泛的算法，它所擅长的是处理那种规律隐含在一大堆数据中的映射逼近问题[3-5]。因为高校课堂教学质量的评价涉及到一系列的指标，不同指标之间的关系十分复杂，是一个典型的复杂非线性系统，所以本文尝试利用BP神经网络来建立高校课堂教学质量的智能化评价模式并将其应用到评价实践之中，以期为高校课堂教学质量的评价提出一种较为客观、准确的方法。

二、高校课堂教学质量评价指标体系的建立

影响高校课堂教学质量的因素很多，本文经过深入课堂调研、密切联系实际，建立了五个一级指标：教学内容（U1）、教学方法（U2）、教学态度（U3）、教学能力（U4）、教学效果（U5），每个一级指标又由若干个二级指标组成，一共19个二级指标。根据教师教学水平的构成，按照教学质量综合评价的原则，建立了一套适用于评价高校教师课堂教学质量水平的指标体系。评价指标具体包括：U1（教学内容）下的二级指标包括，U11：基本概念、理论讲解清楚;U12：教学内容重点突出;U13：理论联系实际;U14：能够及时介绍该课程的最新研究成果;U15知识含量高。U2（教学方法）下的二级指标包括：U21：备课充分，讲学认真;U22：耐心辅导答疑，关心学生进步;U23：上课不迟到、不早退、不拖堂;U24：能主动虚心听取学生对教学的意见。U3（教学态度）下的二级指标包括：U31：教学过程重点突出，难点讲透，详略得当;U32：使用现代教学手段（多媒体、电化教学等）;U33：教学生动，课堂气氛活跃;U34：教学环节协调，层次条例清楚。U4（教学能力）下的二级指标包括：U41：讲课语言流畅、生动;U42：板书工整、条理、规范;U43：普通话教学。U5（教学效果）下的二级指标包括：U51：调动学生思维，激发学习兴趣;U52：学生对教学内容印象深刻，理解吸收好;U53：对实践有较强的指导意义。

由于高校课堂教学质量的评价指标涉及到的都是定性指标，为了将其量化，一般都是采取专家打分的方法。针对神经网络输入样本的特点，也为了使得各指标在整个系统中具有可比性，我们将指标数据做归一化处理，将所有指标数值均转化为[0，1]之间的值。评价主体对高校课堂教学质量的理论评价结果是（好，较好，一般，较差，差）。作为课堂教学质量的综合评价值，分为5个等级，分别是：0.9～1.0为很高，0.7～0.9为较高，0.5～0.7为一般，0.3～0.5为较差，0.3以下为极差。

三、高校课堂教学质量智能评价系统的设计与仿真实例

1.BP网络结构的设计。本文选择一个三层的BP神经网络来对系统进行综合评价，因为该系统的评价指标体系涉及到19个指标，也就说明了网络的输入层有19个节点，作为网络的唯一输出是课堂教学质量的综合评价值，也在[0，1]之间。网络隐含层的节点数的选择可以采取对比实验法，即选取几种隐含层节点进行训练，将训练结果从网络逼近能力和泛化能力两个方面进行对比实验，使之有较为明确的实际依据，同时也有助于了解隐含层节点数对网络性能的影响。通过对比实验，选取最佳隐含层节点数。还有其他方法也可以得到隐含层节点数，如经验公式法。本文综合两种方法，最后确定网络的隐含层节点数为8。由于BP神经网络是一种较为成熟且应用最为广泛的人工神经网络，因此对于其原理以及BP算法本文不再做具体介绍。整个智能评价系统的结构如图1所示。

2.BP神经网络的训练与检验。本文选取某高校26位教师作为样本，将其中20位教师的评价指标的量化值作为训练样本，另外6位教师的评价结果作为检验样本来验证该系统综合评价的能力。网络的隐含层节点为8个，给定的学习精度为0.0001。将专家的打分值作为网络的期望输出。当网络的输出结果与期望结果的误差在可接受的范围之内时，网络训练结束。现将教师课堂教学质量评价的指标打分结果以及神经网络的训练结果做了对比。我们发现网络的训练结果与期望输出（专家打分结果）取得了很好的一致性，相对误差控制在相当小的范围，说明了此时的神经网络系统已经具备了评价的功能。神经网络训练及检验过程都是利用Matlab软件中的BP神经网络工具箱完成的。

经过训练的智能评价系统已经具备了评价非线性系统的能力。为了验证该评价系统的有效性，我们将剩下的6个样本作为评价样本来评价该系统。检验结果如表1所示。

检验结果表明，相对误差最大的为1.1245%，最小的为0.0961%，而且系统评价等级与专家评价等级完全一致，因此两种方法评价结果具有很好的一致性，这充分表明，采用三层BP神经网络通过已有的学习训练来评价高校课堂教学质量是完全可行的，且评价结果是有效的。

四、结论

本文采用最常见的人工神经网络——BP神经网络来设计高校课堂教学质量的智能评价系统。BP神经网络利用其自身的非线性映射能力以及很强的自学习性、自适应性和容错性，能够充分利用样本指标的有关信息，揭示了高校课堂教学质量与其相关影响因素之间的内在作用机理，不但可以模拟专家对高校课堂教学质量进行评价，而且克服了评价过程中的人为干扰，更能够体现评价的客观性。仿真实验结果表明，这种方法是行之有效的，可以作为以后评价高校课堂教学质量的工具。但是，人工神经网络也有自身的缺点，比如BP网络的初始权重的赋值、训练样本的选取、隐含层的设计以及网络的收敛容易陷入局部极小等问题，也应该引起高度重视。只要能够采取有效的措施和算法处理好上述问题，那么基于人工神经网络的高校课堂教学质量智能评价方法就不失为高校课堂质量评价方法中较好的一种。

参考文献：

[1]曹春丽，文志诚，贺红香.高校本科课堂教学质量评价体系研究[J].中国高等教育评估，2014，（2）：58-60.

[2]李长熙，张伟伟.课堂教学质量评价体系信度和效度实证研究——以山东科技大学为例[J].山东科技大学学报（社会科学版），2013，15（6）：92-96.

[3]汪克亮，杨力，查甫更.基于BP神经网络的工作岗位评价系统设计[J].企业经济，2007，（12）：30-33.

[4]汪克亮，杨力，查甫更.改进BP神经网络在企业网络营销绩效评价中的应用[J].商业研究，2008，（3）：64-68.

[5]杨力.基于BP神经网络的城市房屋租赁估价系统设计[J].中国管理科学，2002，10（4）：22-26.endprint