基于BP神经网络的军校课堂教学质量评价模型

宋端超+闻传花+王行自

摘 要：本文以军校课堂教学质量评价为研究对象，在建立军校课堂教学质量评价指标体系的基础上，构建了一种基于BP神经网络的军校课堂教学质量评价模型。运用Matlab神经网络工具箱进行实例验证，并利用采集的样本数据对网络进行训练、优化和测试分析。实例证明该模型可用于军校课堂教学质量评价活动，依据给定的各评价指标可较科学、合理地确定课堂教学质量。

关键词：BP神经网络；课堂教学质量；评价模型；Matlab

中图分类号：G712 文献标识码：A

军队院校是培养军事人才的主阵地。课堂教学是人才培养的重要方式，课堂教学质量是人才培养质量的关键所在，建立科学的军校课堂教学质量评价系统是加强军校课堂教学质量管理和提高军校课堂教学质量的重要举措。由于课堂教学质量评价结果与教员职称评定、课酬奖励和成长进步等工作挂钩，所以亟需解决课堂教学质量评价的客观性、公平性问题。但是影响课堂教学质量的因素非常多，且各因素影响的程度各不相同，所以课堂教学质量评价是一个多因素、多变量、复杂的、模糊的非线性过程。目前，从各院校课堂教学质量评价方法上看，很多院校采用了绝对评估法、相对评估法、评等法、评语法、写实法和综合评分法等定性评价方法。这些方法不可避免地受到评价专家主观因素的影响，同时难以实现各评价指标和课堂教学质量之间的非线性关系，所以评价结果难以真实地反映课堂教学质量状况。如何构建一套科学有效的、可操作性强的课堂教学质量评价系统成为教学管理部门亟需解决的难题。

近年来，许多专家尝试将BP神经网络应用于教学质量评价中。BP神经网络（BPN，Back-Propagation Network）即误差反向传播神经网络，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络之一。BP神经网络能学习和存贮大量的输入——输出模式映射关系，且无需事前揭示描述这种映射关系的数学方程。它的学习过程是从已有数据中自动地归纳规则，获得这些数据的内在规律，同时运用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差达到可接受范围。BP神经网络具有很强的非线性映射能力，非常适用于因果关系复杂的非线性映射问题，主要用于函数逼近、模式识别、分类和数据压缩。

本文首先根据某军校教学督导的内容，结合影响教学质量的诸多因素，经梳理后建立了教学质量评价指标体系；然后构建了基于BP神经网络的军校课堂教学质量评价模型，着重描述了运用Matlab神经网络工具箱对模型网络进行训练的过程；样本数据测试的满意结果表明，此模型可以作为确定课堂教学质量评价结果的科学方法。

一、军校课堂教学质量评价指标体系

（一）科学建立军校课堂教学质量评价指标体系

确定一套科学合理、客观公正的教学评价指标体系是进行军校课堂教学质量评价的第一步。根据某军校教学督导组督导教学的内容，结合梳理分析调查问卷中影响教学质量的诸多因素，构建了教学质量评价指标体系（见表1），体系包括教学理念、教学设计、教学内容、教学方法和教学手段5个一级评价指标，每个一级指标下设有3个二级指标。

（二）军校课堂教学质量评价指标

为了评价课堂教学质量，教学督导专家通常对教学理念、教学设计、教学内容、教学方法和教学手段下设的15个二级指标进行评价，分别标记为x1至x15。随机选取教学督导专家对12名教员的课堂教学质量评价结果，通过整理得到评价结果（见表2），其中前10组数据作为样本集，第11、12组数据作为测试实例。分析评价结果可知课堂教学质量与各评价指标之间为非线性关系。

二、基于BP神经网络的军校课堂教学质量评价模型

（一）课堂教学质量评价模型的构建

BP神经网络一般由输入层、隐层和输出层组成，各层间实行全连接。根据实际需要，隐层可以是一层也可以是多层。在本文的课堂教学质量评价模型中，选择隐层为1层。

根据建立的教学质量评价指标体系可知，一共有15个二级评价指标，可将这15个指标作为模型的输入，所以输入层神经元个数l= 15。

网络的输出只有教学质量评价结果1个指标，所以输出层神经元个数n=1。

隐层神经元个数的确定方法一直是众多学者研究的问题，隐层神经元个数过少，网络容错性差，很难识别出样本，可能训练不出网络；隐层神经元个数过多，网络的训练时间过长，同时网络泛化能力会随之降低。对于如何确定隐层神经元个数，目前还没有一个公认的解决方案，在总结大量BP神经网络结构设计的基础上，并经过自己的实验验证，得出隐层神经元个数m的一种估算方法为：

式1中l代表输入层的神经元个数，n表示输出层的神经元个数，q代表训练样本个数。此网络中l=15，n=1，q=10，最后可求得隐层神经元个数m=9。

由以上分析可知，课堂教学质量评价模型的结构见图1。

（二）课堂教学质量评价模型的学习

BP神经网络的学习过程由信息的正向传播和误差的反向传播两个过程组成。輸入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播过程和误差反向传播过程，是各层权值不断调整的过程，也是BP神经网络学习训练的过程，此过程一直进行到网络输出的误差减小到可以接受的程度或者预先设定的学习次数为止，此时可认为BP神经网络获得了一组最佳权值。endprint

用Matlab中的newff函数建立BP神经网络结构。在训练之前，需要设置神经网络的参数，隐层神经元的传递函数调用logsig函数，输出层神经元的传递函数调用purelin函数，调用traingdx函数对神经网络进行训练。经过多次的尝试，设定学习步长为100，学习率为0.9，最大学习迭代次数为50000次，目标误差为1×e-5。运用Matlab软件进行仿真和学习，学习流程见图2。

由图3可知，网络学习迭代3741次达到了目标误差，此时训练结束。经过训练的BP神经网络，其函数具有了非常好的逼近效果。

（三）课堂教学质量评价模型的测试

基于完成训练的BP神经网络，采用测试集中的后2组数据对神经网络进行测试，检查网络输出评价结果与实际样本评价结果的误差。模型输出结果与督导组的实际数据对比分析如表3所示数据分析可知：最大的相对误差仅为1.38%，误差在可接受范围内，即该模型能够较为准确地根据各项二级评价指标来确定教学质量评价结果。

三、结论

利用神经网络的结构特性，提出了基于BP神经网络的军校课堂教学质量评价模型，不仅解决了评价的非线性问题，而且不需要建立复杂的数学模型；该模型能有效地克服传统评价方法的缺陷，可降低指标权重评价中人为因素的影响，实现高精度预测，具有科学、准确、可靠、快速的特点；另外，网络的训练样本越多，输出精度就会越高。

总之，基于BP神经网络构建的军校课堂教学质量评价模型具有很高的应用推广价值。能科学准确地评价教学质量水平；模型应用方便，在以后的应用中只要对二级指标进行评分，并将评分值输入训练好的BP神经网络，就可得到客观、合理的评价结果，为军校课堂教学质量评价系统的研究提供了有益参考。

参考文献

[1]王尚顺，卢玲.军校教学质量评估系统的设计与实现[J].武警工程大学学报，2015（2）.

[2]徐玉志，胡永生.军队初级任职教育教学质量BP神经网络管理评价模型[J].军事交通学院学报，2015（2）.

[3]汪旭晖，黄飞华.基于BP神经网络的教学质量评价模型及应用[J].高等工程教育研究，2007（5）.

[4]王彦群，张树艳.基于BP神经网络的优质课评价模型研究[J].电子测试，2016（4）.

[5]蔡会娟.基于AHP和BP神经网络的高校研究生综合素质评价研究[D].河南师范大学，2014.

[6]鄂媛媛，霍天强.基于BP神經网络的实践教学质量评价模型研究[J].实验室科学，2009（5）.

[7]桂现才.BP神经网络在MATLAB上的实现与应用[J].湛江师范学院学报，2004（3）.

[8]左国平，谢红艳，邱小平，于涛，宋碧英.基于神经网络的高校教师课堂教学质量评价[J].中国现代教育装备，2011（3）.

[9]苏义鑫，魏毅然.基于BP神经网络的教学质量评估系统研究[J].电子元器件应用，2009（5）.

[10]王春媛.BP神经网络在高职实践教学质量评价中的应用[J].科技信息，2009（17）.

[11]余文利.基于遗传算法的BP神经网络在高职教学质量评估中的应用[J].计算机系统应用，2008（12）.

[12]刘彩红，唐万梅.基于组合神经网络的教师评价模型研究[J].重庆师范大学学报（自然科学版），2008（4）.

[13]易少军，李学迁，邹玲.基于BP神经网络的高职教育教学质量评价[J].中国教育信息化，2007（7）.endprint