基于GA-BP神经网络的信息化课堂教学质量评价

沈毅波

（漳州职业技术学院 教务处，福建 漳州 363000)

现今全球步入“信息化”蓬勃发展期，各行业、各领域的信息化进程不断加快。作为人才培养摇篮的教育行业，也在逐步加强信息化建设步伐，在课堂教学中引入信息化技术达到信息化课堂教学目的[1]。信息化课堂教学是依托现代教育理念的先进教学方式，在课堂教学过程中，充分利用信息技术实现课程资源的扩展[2]，并打破了传统课堂教学的时空、地域的束缚，可以充分调动学生的主观能动性，实现自主学习。信息化课堂教学是一种新形态的教学模式[3]，针对该模式下的教学质量评价研究相对较少，同时信息化课堂教学质量的干扰指标众多，且各指标间具有较高的关联性[4]，导致评价指标筛选难度加大。而评价指标是评价信息化课堂教学质量的重要依据，因此筛选能够反映信息化课堂教学质量的评价指标具有重要意义。

李英梅等利用阶段评价模式，并运用多种评价手段建立基于信息化平台的高校教师课堂教学质量评价体系，实现高校人才培养质量的提升，但该方法构建的评价指标覆盖率较低，指标局限性较高，导致评价效果差强人意[5]；徐辉等在对高校信息化教学质量评价中引入层次分析法，运用该方法对信息化教学中质量评价指标进行创建，并借助问卷调查及模糊综合评价模型实现教学质量的有效评价，但该方法获得的教学质量评价效果存在一定偏差，准确度仍有提升空间[6]。鉴于以上方法在教学质量评价上的局限性问题，采用何种方法实现信息化课堂教学质量的准确、有效评价是现下急需解决的问题。

BP(Back Propagation)神经网络在解决非线性问题及自主学习方面具有一定的优势，将其运用在教学质量评价中可使教学质量评价精度获得提升，但BP神经网络在训练过程中搜索到的结果容易面临局部最优的窘境。而遗传算法（Genetic Algorithm，GA）在全局检索方面优势明显，利用GA方法对BP神经网络的初始参数进行优化，获取最适合的参数，可使教学质量评价准确度获得大幅度提升。因此，本文提出基于GA-BP神经网络的信息化课堂教学质量评价研究，通过有效评价信息化课堂教学质量，提高人才培养质量。

1 信息化课堂教学质量评价

1.1 信息化课堂教学质量评价指标体系

信息化课堂教学质量评价指标的层次结构如图1所示。

图1 信息化课堂教学质量评价指标的层次结构

教师在信息化课堂教学中处于主导地位，需对教学形式、情境互动等方面进行构思[7]，重点考查教师对课堂教学的设计、整合等能力。影响信息化课堂教学质量的一个关键因素即是教学内容，教学内容是否涉及专业领域前沿科学、是否运用媒体技术呈现教学内容决定了学生的课堂学习效果、兴趣。信息化建设是搭建信息化课堂教学的基础硬件设施部署和软件服务的供应。在信息化课堂教学中，吸收知识的主体是学生，学生是否善于利用学习资源、学习方式是否高效、学习过程是否具有互动性，既决定了学生的学习效果，也关系着信息化课堂教学质量。评价指标能全面反映信息化课堂教学质量[8]，因此，通过以上指标建立信息化课堂教学质量评价指标体系。

1.2 基于层次分析法的课堂教学质量评价指标权重确定

1.2.1 课堂教学质量评价指标权重确定步骤

采用层次分析法(Analytic Hierarchy Process，AHP)确定信息化课堂教学质量评价指标权重，具体流程如下。

第一步：构建递阶层次结构模型。AHP方法的基础任务即是对层次结构模型的构建，因此在对课堂教学质量进行评价的首要任务是建立信息化课堂教学评价指标层次。

第二步：确定判断矩阵。在信息化课堂教学评价指标中，选择相同层次的两个指标因素，利用1-9标度法对其进行对比，分析各指标因素的重要程度[9]。对于指标因素j，因素i对其的重要程度可通过aij的值得以体现，A表示判断矩阵，该矩阵为n阶，可将其表达为：

第三步：校验矩阵一致性。C⋅R为一致性比率，矩阵的一致性可通过C⋅R值进行验证。对判断矩阵进行一致性验证时，需满足C⋅R足够小条件，即C⋅R≤0.1，此时可达到较好的层次单排序效果，当C⋅R条件无法满足时，需对判断矩阵进行调整[11]，直至符合C⋅R条件。其校验流程分别为：

2）平均随机一致性指标R⋅I可通过查询方式获取。

1.2.2 课堂教学质量评价指标权重求解

2）二级指标权重求解。在信息化课堂教学质量评价体系中，通过数个二级教学质量评价指标共同实现一级指标的描述。

1.3 基于GA-BP神经网络的信息化课堂教学质量评价模型

通过遗传算法（GA）确定BP神经网络的最佳输入权值、阈值，使BP神经网络在信息化课堂教学质量评价中具有较高的准确度[13]。基于GA-BP神经网络的信息化课堂教学质量评价模型构建流程如图2所示。

具体步骤为

第一步：将信息化课堂教学质量评价指标权重作为BP神经网络输入，将教学质量评价结果作为BP神经网络输出，对BP神经网络的输入、输出、隐含层节点数量进行初始设置，确定网络层数。

第二步：对BP神经网络信息化课堂教学质量评价过程所需权值、阈值数量进行求解。依据BP神经网络的三层拓扑结构，对网络权值、阈值进行求解，确定最终数量。

第三步：对GA算法进行初始设置。X个体编码可在二进制法、实数法中进行任意选取[14]，LEN为其编码长度，设定算法规模，并对交叉、变异概率等参数进行设定。

第四步：确定GA算法的适应度函数，即为BP神经网络的训练误差总和。训练后的BP神经网络输出预测结果，与目标输出比较，二者的误差绝对值即为个体适应度值，用F表示，其求解公式可描述为：

其中BP神经网络的输入节点总数表示为n，对于BP神经网络的第i个节点，其目标输出结果表示为yi，预测结果表示为oi，系数用h表示。

第五步：GA算法的个体选取可通过式(3)实现

其中个体选取概率表示为pselect，fi=h/Fi，任意个体i,其适应度值为Fi，Fi取值足够小对个体更有利，个体规模表示为N。

针对第i个个体，其第j个基因表示为aij，该基因的变异操作可通过下式进行描述：

第六步：确定最佳个体。当满足迭代次数极值时，依据适应度值确定最佳个体[15]。

第七步：确定网络最佳权值、阈值。具体需由最佳个体的编码确定。

第八步：对BP神经网络进行训练。网络经由训练数据训练后，对均方误差（Mean Square Error,MSE）进行求解，若MSE低于期望值，迭代结束。

将各个课堂教学质量评价指标权重输入到GA-BP神经网络，实现信息化课堂教学质量评价，网络输出结果即为信息化课堂教学质量评价分值。评价结果分为五个评价等级，分别为“非常优秀”“优秀”“满意”“合格”“不合格”，各评价等级对应分值情况如表1所示。

表1 评价结果等级划分

2 实验分析

以某高校的信息化课堂教学为研究对象建立数据集，数据集中包含200个训练数据，50个测试数据，采用本文方法评价该信息化课堂教学质量，利用MATLAB软件对其进行模拟，分析本文方法的评价效果。设定GA数量为30，个体以实数方式进行编码，其长度为70，交叉、变异概率分别为0.620、0.006。

采用本文方法对信息化课堂教学质量评价所需的各指标权重进行求解，获取的各指标权重值如表2所示。

表2 信息化课堂教学质量评价各指标权重值

续表2

由表2可知，信息化课堂教学质量评价指标体系由5类一级指标构成，一级指标下共包括15个二级指标，通过本文方法可计算各评价指标权重值，将获得的各评价指标权重值输入到基于GA-BP神经网络的信息化课堂教学质量评价模型中，模型输出分值为92分。查询表1可知，该分值对应的评价等级为“优秀”，由此可确定信息化课堂教学质量评价结果为“优秀”。实验结果表明，本文方法可对信息化课堂教学质量进行有效评价。

BP神经网络的网络结构对信息化课堂教学质量评价结果的准确度具有较大影响，根据信息化课堂教学质量评价指标和评价结果，可确定BP神经网络的输入、输出节点数量分别为15、1。设定隐含层节点数量分别为3、5、7、9，利用训练数据训练BP神经网络。根据不同迭代次数下均方误差的变化趋势，确定BP神经网络最佳隐含层节点数，实验结果如图3所示。

图3 BP神经网络性能分析

分析图3可知，随着迭代次数的不断增长，不同隐含层节点数下的BP神经网络均方误差指标均呈下降趋势。当迭代次数相同时，随着隐含层节点数的不断增多，均方误差呈先降低后增大的变化趋势，隐含层节点数为7时均方误差指标最低，且迭代60次网络即可收敛，当继续增加节点数至9时，均方误差开始增大。由此可确定BP神经网络的最佳隐含层节点数为7。

本文运用GA-BP神经网络对信息化课堂教学质量进行评价，为确保教学质量评价具有较高的准确度，通过均方误差和曲线、适应度曲线验证GA-BP神经网络性能，实验结果如图4-图5所示。

图4 均方误差和曲线

图5 适应度曲线

由图4得出，与理想评价曲线对比，本文方法获得的信息化课堂教学质量的实际评价曲线与之基本一致，随着迭代次数的不断增大，均方误差呈下降趋势，当迭代95次时曲线开始收敛。由图5可知，随着迭代次数的不断增长，适应度值呈增大趋势，且实际评价曲线与理想评价曲线呈相同变化趋势，偏差很小，当迭代95次时，曲线开始趋于稳定。实验结果表明，GA-BP神经网络可有效提升信息化课堂教学质量评价准确度，当迭代95次时，GA-BP神经网络具有最优性能。

在该高校中随机选取5个班级，针对各班级的信息化课堂教学，应用本文方法作出教学质量评价，并与实际评价结果进行对比，分析本文方法评价结果的准确性，实验结果如图6所示。

图6 信息化课堂教学质量评价结果分析

分析图6可知，应用本文方法对某高校不同班级的信息化课堂教学进行质量评价，本文方法的教学质量评价结果与实际结果基本一致，偏差很小，本文方法评价结果与实际结果的等级均在同一等级区间；在5个班级中3班的教学质量评价分数最高，分数可达到96分，由表1可将其划分为“非常优秀”等级，2班的教学质量评价分数最低，但仍可达到86分，对应的评价等级为“优秀”，实验结果表明本文方法的教学质量评价准确度高，该高校对课堂教学的信息化建设很重视，信息化水平较高，教学内容设计新颖、教学效果突出，因此本文方法具有实际应用性。

3 结论

以某高校的信息化课堂教学为研究对象，采用本文方法构建信息化课堂教学质量评价指标体系，并确定信息化课堂教学质量评价各指标权重，利用教学质量评价模型求解评价结果。为确保教学质量评价具有较高的精度，利用MATLAB软件模拟分析BP神经网络的最佳隐含层节点数，通过均方误差和、适应度曲线验证GA-BP神经网络的性能，通过随机选取的5个班级的信息化课堂教学质量评价结果，分析本文方法的应用性。实验结果表明：

1）当隐含层节点数为7时，BP神经网络具有最佳性能。

2）GA-BP神经网络迭代95次时，均方误差最小、适应度最高。

3）本文方法可对该高校的信息化课堂教学质量进行评价，且评价准确度高，具有较好的应用性。