基于深度学习算法的教学质量评价系统

赵敏 詹玮

摘  要： 基于深度学习算法设计教学质量评价系统，系统自动生成教师教学质量评价报告，分析教学过程中存在的问题，给出优化建议。教学质量评价系统包括用户管理、网上评价、数据管理、评价结果查询、教学质量分析5个单元，用户进入系统后为教学质量打分。基于教学质量评价指标体系内容，卷积神经网络学习专家教学质量评价样本，构建卷积神经网络教学质量评价模型。将教学质量评价测试样本输入模型，模型输出结果即为教学质量评价分析结果，主要分析教学存在的问题，提出改进建议。系统可统计不同学科教学质量评价情况，统计不同学科教学质量占比情况，智能化程度较高，值得推广使用。

关键词： 深度学习; 用户; 教学质量; 数据管理; 评价系统; 智能化程度

中图分类号： TN911.1?34; TP319                   文献标识码： A                    文章編号： 1004?373X（2020）13?0143?04

Teaching quality evaluation system based on deep learning algorithm

ZHAO Min1， ZHAN Wei2

（1. School of Data Science and Information Engineering， Guizhou Minzu University， Guiyang 550025， China;

2. College of Clinical Medicine， Guizhou Medical University， Guiyang 550025， China）

Abstract： The teaching quality evaluation system is designed based on the deep learning algorithm. The system can automatically generate teachers′ teaching quality evaluation report， analyze the problems existing in the teaching process and give optimization suggestions. The teaching quality evaluation system includes 5 units， named user management， online evaluation， data management， evaluation result query and teaching quality analysis. The user scores the teaching quality after entering the system. On the basis of the content of teaching quality evaluation index system and the teaching quality evaluation samples of convolutional neural network learning experts， a convolutional neural network teaching quality evaluation model is constructed. Input the teaching quality evaluation test sample into the model， the output result of the model is the teaching quality evaluation and analysis results， which mainly analyzes the problems existing in the teaching. In addition， the suggestions for improvement is put forward. The system can count the evaluation of teaching quality of different subjects and the teaching quality proportion of different subjects. It is highly intelligent and worth popularizing.

Keywords： deep learning; user; teaching quality; data management; evaluation system; intelligence level

0  引  言

深度学习是机器学习研究领域的延伸，是实现人工智能的有效方式，近几年，关于深度学习的研究成为人工智能领域的研究重点[1?2]。深度学习理论在图像识别、语音识别、语言处理、数据挖掘等方面取得了优异成绩。深度学习算法实现方式较多，如卷积神经网络、多层神经元的自编码神经网络、深度置信网络等[3]。

教学质量评价系统是对教师阶段性教学效果的评估，为掌握教师教学能力、提升教学质量提供有利分析依据[4]。评价教学质量过程中，涵盖评价指标较广，形成大规模复杂数据，大部分教学质量评价系统仅能显示教师教学质量，不具备智能分析教师存在的问题，制定合理建议的功能，或者这些功能需要人工完成[5?6]。以往实例研究显示，深度学习算法可精准提取数据的隐含规律，处理复杂数据的多样性，因此，深度学习算法应用在教学质量系统设计中较为合理。所以，本文采用深度学习算法设计教学质量评价系统，智能评价教学质量的同时提出合理化建议。

1  教学质量评价系统设计

1.1  深度学习算法的教学质量评价系统架构

基于深度学习算法的教学质量评价系统基于B/S模式展开设计，如图1所示。基于B/S模式设计教学质量评价系统的优点是：方便不同类型用户操作，短期内完成网上评价，系统维护便捷[7]。用户端、应用单元、数据库是系统的三个重要组成部分。用户端包括督导、管理员、教师、审核管理员、学生五种类型用户，不同类型用户操作界面与浏览器结合，显示页面操作等内容[8]。系统应用单元涵盖用户管理、网上评价、数据管理、评价结果查询、教学质量分析五个方面。教学质量评价指标数据、评价主客体数据等有价值数据均存储在数据库中。

1.2  应用单元设计

1） 用户管理单元。用户管理单元分为系统登录与安全管理两个方面。不同类型用户根据不同单元入口登录教学质量评价系统，用户在各自权限页面中执行操作[9]。考虑用户信息的安全性，将用户分为教学督导、審核管理员、管理员、教师、学生五种用户类型。

2） 网上评价单元。此单元的权限开放时间一般为期末或者特殊使用时期，由管理员开放教学质量评价权限。网上评价单元中存在用户身份的限制，用户登录所属界面后进入不同权限界面，即审核管理员可审核录入数据，有效管理数据库;学生仅具备评价教师授课质量、自身学习效果的权限。系统识别到学生用户信息后自动给出待评价内容，学生依据实际情况输入教学质量评价相关内容[10]。各用户处于不同界面时，系统数据库的教学质量评价指标体系向用户智能提供待评价内容。网上评价单元组成如图2所示，由此可知，教学质量评价的主体分别为学生、教师与专家。

3） 数据管理单元。数据管理单元的功能是维护教学质量评价的相关数据，主要功能是控制系统的数据。控制两方面内容：一是操作管理数据源;二是管理教师与学生的基本信息。在此单元可修改、删除数据。

4） 评价结果查询单元。在查询单元中，不同类型用户可获取教师教学质量评价结果，还可以查询课程等基本信息，用户查询到教学质量评价结果的同时了解课程等相关信息，为管理评价过程提供有利条件[11]。学生通过查询评价结果了解授课教师的教学质量情况，帮助学生对教师做出客观评价;教师根据不同课程、不同教学方面得分情况分析教学中存在的优势与不足[12];管理员不仅可以查询上述两种内容，还具备查询后台数据的权限，向教师提供正确的优化教学质量的依据。

5） 教学质量分析单元。系统的教学质量分析模块基于深度学习算法学习教学质量分析样本后，可对教学质量存在的问题展开分析，并给出相应的优化建议，此功能是系统的优势所在，无需花费大量人工与时间分析教师教学质量情况。

1.3  基于深度学习算法的教学质量评价与分析

学习样本数据的内在规律与表示层次是深度学习的功能，设计教学质量评价系统时采用深度学习算法中的卷积神经网络模型评价教学质量[13]。首先，构建教学质量评价指标体系;其次，采用卷积神经网络模型学习训练样本，学习样本为专家教学质量评价样本，学习训练样本后构建教学质量评价模型;最后，输入测试样本，开始教学质量评价与分析，流程如图3所示。

1） 教学质量评价指标体系构建

教学过程、教学环境、教学师资、教学质量监控是教学质量评价指标体系的一级指标，一级指标下分20个二级指标，最终构建的教学质量评价指标体系如图4所示。

2） 基于卷积神经网络的深度学习算法

卷积神经网络的构成形式为一组（多组）卷积层+聚合层的模式，不同数量卷积器存在于卷积层中，卷积器功能是寻找教学质量评价数据的局部特征[14]。聚合层减少模型复杂性的方式为缩减下一层输入节点数量，具体方法为以固定窗长的方式聚合卷积层输出节点[15]。大部分聚合层输出为固定窗长内节点最大值，综合全部聚合层的数据值得到教学质量评价结果。卷积神经网络聚合层与卷积层结构如图5所示。

图5中，卷积器输出计算方法为：

卷积器输出结果即为局部特征观察结果，模型卷积完成后执行聚合操作，将卷积结果的最大值作为聚合输出结果，即图5中，将[D1]，[D2]中的最大值作为结果[M1]输出。经过逐步聚合，卷积神经网络模型输出节点逐渐减少，综合多个卷积节点的聚合输出值提取教学质量评价特征的准确度更高。

卷积神经网络学习以往专家教学质量评价样本后，构建卷积神经网络教学质量评价模型，输入测试样本后，得到教学质量评价输出结果。

2  系统性能测试

本文基于深度学习算法设计的教学质量评价系统包含大量数据，所以对运行的硬件与软件环境存在一定要求。为保障系统高效运行，搭建如下测试环境：CPU为2.4 GHz，内存大小为4 GB，计算机硬盘为200 GB;基于Windows 7 64位系统具有稳定程度高、使用便捷的优势，计算机采用Windows 7 64位操作系统。测试以某高校的2019年1月期末教学质量评价作为样本数据，从系统界面设计效果与教学质量统计角度分析本文系统在教学质量评价方面的优势。

2.1  系统界面设计

本文系统用户登录界面如图6所示。

在此界面中，不同类型的用户通过账号、密码形式进入不同权限区域，执行相应操作。本文系统采用验证码的形式确保用户为本人登录，避免账户被盗现象，确保用户使用安全性。

学生是教学质量评价的主体，学生用户角度教学评价界面如图7所示。

学生评价教师教学质量过程中，同时显示教师的编号信息、姓名、所属院系、评价等级与评价分数等信息，学生用户提交评价结果后，具备两次修改权限的机会。

基于深度学习算法的教学质量评价系统相对一般教学质量评价系统的优势在于能够分析教学中存在的问题，提出改进教学质量的建议。

教师教学质量分析与建议如图8所示。

本文设计的教学质量评价系统的分析与建议功能体现了系统的智能化程度，分担人工评估教师教学效果的工作量，提升了教学质量评价的运行效率。

2.2  教学质量评价内容统计

以该高校广告学专业教学质量评价为例，展示本文系统统计各学科教学质量情况，如表1所示。

不同学科教学质量评价统计显示，本文系统能够识别不同课程教学质量评价的最高分、最低分以及平均分，为全面分析教学质量提供了不同类型数据。

在本文系统导出以上9门学科教学质量占比的情况下，制成饼图如图9所示（以各学科教学质量评价分数均值计算）。

本文系统可根据用户需求导出如图9所示的不同学科教学质量占比情况饼图，更加直观地体现不同学科教学质量的优劣。图中数据显示，相对其他科目而言，平面设计教学质量相对优秀，其他学科教学质量相当。

3  结  论

本文基于深度学习算法设计教学质量评价系统，由此设计的系统智能化程度较高，准确做出教学质量评价的同时，根据教学质量分数评估教师教学过程中存在的问题，根据教学薄弱环节提出合理化教学改进建议。大部分教学质量评价系统不具备这种智能分析的功能，一般由管理员完成，增加了教学质量评价的工作量。所以本文系统最大的优势在于提升教学质量评价运行效率、缩减人工评价工作量，是一种智能化的教学质量评价系统。

注：本文通讯作者为詹玮。

参考文献

[1] 刘勇，李青，于翠波.深度学习技术教育应用：现状和前景[J].开放教育研究，2017，23（5）：113?120.

[2] 曾旭禹，杨燕，王淑营，等.一种基于深度学习的混合推荐算法[J].计算机科学，2019，46（1）：126?130.

[3] 刘方园，王水花，张煜东.深度置信网络模型及应用研究综述[J].计算机工程与应用，2018，54（1）：11?18.

[4] 吴沁，杜亚平.全科医学移动教学模式的教学效果评价[J].中国全科医学，2017，20（25）：3153?3157.

[5] 柳春.基于AHP法的成人学历教育教学质量评价体系研究[J].成人教育，2016，36（3）：64?68.

[6] ZHOU Lintao， LI Hongxing， SUN Kaibiao. Teaching performance evaluation by means of a hierarchical multifactorial eva?luation model based on type?2 fuzzy sets [J]. Applied intelligence， 2016， 46（1）： 1?11.

[7] 陈娟，李元，李万国.基于B/S模式的嵌入式系统测试方法与实现[J].电子技术应用，2016，42（2）：50?52.

[8] 刘靖.地方高校基于应用型人才培养的教学评估体系建设与应用：以广东海洋大学为例[J].职业技术教育，2016，37（27）：56?60.

[9] 周九诗，鲍建生.美国PACT教师教学质量评估系统的评介与启示[J].教育科学，2018，34（5）：80?87.

[10] 魏顺平，程罡.数据驱动的教育机构在线教学过程评价指标体系构建与应用[J].开放教育研究，2017，23（3）：113?120.

[11] 刘芳，宮华，许可，等.基于熵权改进的TOPSIS法的教师教学质量评价[J].沈阳工业大学学报，2017，39（5）：540?544.

[12] 曹慧，毛亚庆.美国UTOP课堂教学质量评估系统的探索与反思[J].全球教育展望，2017，46（1）：79?89.

[13] 邓俊锋，张晓龙.基于自动编码器组合的深度学习优化方法[J].计算机应用，2016，36（3）：697?702.

[14] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229?1251.

[15] 李旭冬，叶茂，李涛.基于卷积神经网络的目标检测研究综述[J].计算机应用研究，2017，34（10）：2881?2886.