BP神经网络在教学质量评价体系中的应用研究

邱丹萍

（广东白云学院软件工程系，广州 510450）

0 引言

随着高等教育的普及化，市民对教育的关注度、了解度也在逐渐提升。越来越多的人认识到提升公民的受教育水平，让更多的人接受高等教育不仅能提高大众的文化素养，还能推动国家的科技进步。对教育部门及家长而言，探讨如何提升高等教育教学质量成为一个不可避免的话题。而高等教育的教学几乎都是由高校完成，而高校教学质量的好坏，很难由一两个数据直接进行判定。高校的教学也大部分是由教师课堂授课的方式来完成，而且在我们国家，课堂教学仍是我们开展教育活动的主要渠道，其质量很大程度上反映并决定了高校的教育质量[1]。

高校的教学质量由教师的教学质量决定，但是，如何判定教师的教学质量却很难用一个线性的数学表达式进行计算。在大多数高校，教学质量的评价依旧采用专家、督导组、同行进课堂听课、学生课后评价的方式来判定教师的教学水平。不可否认，这些判定方法有一定的实用性。尤其对于新教师，专家、同行能及时发现问题并帮助新教师快速纠正，从学生的课后反馈上也能知道应该如何更好的践行“以学生为中心”的教学理念。但这些判定标准也有其局限性，比如专家、同行随堂听课的课堂质量判定标准大多由一些行政部门根据社会要求、领导要求、主观认知进行权重设定，对于同一个标准，针对不同学院的应该有权重的区分，倘若都用统一标准很容易引起判定不严谨。除此之外，专家组及学生在进行教师评价阶段，也存在主观性和不全面性。基于种种不定量因素，高校对教师的评价标准也缺乏科学的理论依据[2]。

因而很多科学工作者在考虑能否用更加智能、合理的方式来进行教学质量评价。当今，随着人工智能的普及，神经网络的运用也越来越广泛，本文也是根据神经网络的特点，采用BP神经网络算法来论证此算法在教师教学质量评价中能得到有效运用。

1 BP神经网络模型搭建

1.1 BP 神经网络原理

BP神经网络是一种反馈型传播网络，类似人的大脑，它主要由输入层、隐含层和输出层构成。BP神经网络也是通过对输入层到隐含层以及隐含层到输出层的权值及阈值的不断修改来完善网络，从而使输出值和准确值的误差最小。BP神经网络它能够模拟人类大脑神经系统，对输入的信息进行学习、修正，从而达到客观、公正的信息输出。也正是因为BP神经网络的这些优点，所以它在机器学习、人工智能、信息预测等领域都有广泛的应用。

图1 BP神经网络结构图

1.2 网络模型的确立

在高校教学质量评价体系中，如何对高校教师的教学质量进行良好的评价变得越来越重要了。在现实中，因为存在各种主观因素，使得评价缺乏理论依据，因而我们也根据BP神经网络的特点构建一个基于教学质量评价的BP神经网络模型，对教学评价结果进行定量分析。在传统的教学评价中一般分为教学目标、教学过程、教学效果、教学态度四个方面。在评价中这四个方面又可以再细分成其他二级指标，如表1。

表1 教学评价指标

根据传统评价指标，为了更好地对教学质量进行分析，在此我们必须构建一个合理的网络模型，对网络模型输入、隐含、输出层进行设计，尽量减少网络训练次数、提升精确度。对于BP神经网络，因为隐含层的层数既可以单层也可以是多隐含层的，但是多隐含层神经既增加了训练时间，又增加网络的泛化性。所以，在此我们构建一个单隐层的神经网络模型。

（1）输入层设计

神经网络中，我们一般把可以决定网络输出的初始决定因素当成输入值。本文的教学评价指标中，我们有四个一级指标，经过分析，这四个以及指标又可以细分成14个二级指标最终，这14个二级指标也是决定评价结果的根本因素。所以在此，我们定义网络模型的输入层神经元个数为14个。

（2）隐含层设计

在BP神经网络中，我们对隐含层的层数及节点数的确定并没有统一的计算公式，大部分采取的是经验法、试错法。这里我们采用常用的经验公式：（其中p表示输入层层数，q表示输出层层数，a表示1-10之间的常数）。经过测试，这里我们把隐含层节点数定为9。

（3）输出层设计

BP神经网络一般把最终需要得到的结果当成输出值，在教学质量评价体系中，一般把评价的结果当成最终的输出。因而，我们的输出层神经元分个数定义为1。

2 仿真实验

构建了神经网络模型后，接下来我们使用某学院10位教师的教学评价结果进行分析。其中评价结果是由从教多年的同行根据评价指标对每项指标进行评分，其中每项指标的最高分为10分。评定出每项指标的单项得分后，接下来再使用线性加权法计算出每位教师的最终得分。为了减少网络对样本的需求量，接下来再使用归一化处理每位教师的最终得分数据，归一化的计算公式为，处理后得分数据如表2所示。

表2 加权法处理后教师得分及归一化处理后数据

根据同行评价的教师教学质量成绩表，接下来我们可以以这些数据为依托来构建我们的BP神经网络教学质量评价体系。根据归一化处理后的十组教师评价体系数据，我们选取8组数据作为训练数据，另外B、H两位教师的数据当成测试数据。在教学质量评价体系中，采用的是自适应的梯度下降BP算法。根据选取的7组测试数据值定义好输入向量及输出向量，利用MATLAB，创建3层BP神经网络，其中隐含层的传递函数采用双曲正切S型激活函数，输出层激活函数采用线性激活函数，学习次数为10000次，误差为0.001。构建好前向神经网络后，对网络进行训练，若训练次数达到10000次，网络仍未收敛，则说明此模型不收敛。若训练未到10000次，误差已经小于0.001，说明训练误差达到目标，可结束训练。

经过训练，发现在训练次数为9000次时，误差小于0.001，接下来我们使用教师B和教师H的数据当成测试数据，将测试数据引入训练好的神经网络模型，经过测试后，发现两组数据的误差率均较小，通过仿真得到的结果与同行评定的结果也很接近，如表3所示。说明BP神经网络模型能很好地进行教学质量评定。

表3 同行评价结果与神经网络测试后结果

3 结语

通过上述实验结果说明使用BP神经网络可以进行教学质量的评定，并且采用这种方式可以定量地得出评定结果，这不但有利于教师及时发现教学中的不足之处，也有利于教务部门进行教学质量的评定，定量化的结果在教学评定中也更具说服性。