基于AHP-BP 神经网络的高校实践教学评价研究

于 敏 钟 磊 曹洪斌

（吉林建筑科技学院，吉林 长春 130114）

一、引言

当前经济社会发展对高校人才培养方面提出了新的要求，应用型高校及高职院校在实践教学上则出现了新的挑战。在实践教学研究中，实践教学评价的研究占有重要地位。近年来诸多学者针对不同专业领域的实践课程进行了实践教学评价研究。在评价内容上，从评价主体、评价对象等层面不断拓展，但在教师实践教学能力方面的评价研究不多，在实践创新方面的评价指标体系尚未建立。在评价方法上多以单独应用层次分析法或模糊综合评价为主，使评价形式较为单一，评价过程计算繁琐，针对相似评价主体时，评价的便携性较弱。

在此基础上，以吉林建筑科技学院现有实践课程为主体，利用层次分析法建立了基于高校实践课程的实践教学评价体系。层次分析法，简称AHP，是指将与决策有关的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析的决策方法。BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。以AHP 确定权重，得到单一实践课程教学评价成绩。为了提高相似实践课程教学评价的便捷性，以实践课程评价单项指标数据为输入样本、教学评价成绩为输出样本构建BP 神经网络进行训练，最终建立以实践课程为主体的教学评价模型。

二、高校实践教学评价体系构建

现有实践教学环节主要包括认知实习、生产实习、毕业实习及相关学科课程设计、实验课程等。实践课程的有效评价，是控制实践教学有效运行的举措，对其教学上的反思与创新具有推动力量。然而，当前实践类课程的评价工作以学生对课程的评价和教学管理部门定期检查为主。评价标准与理论类课程相似，不能与实践课程的特点有效贴合。

通过利用对教师与学生的线上问卷调查，咨询相关专家指导意见，确定实践课程教学评价体系。一级指标为某一具体实践课程教学评价成绩。由教学条件、教学内容、教学过程、教学效果四个因素构成二级指标。其中教学条件指学校实现实践课程教学所拥有的必要条件；教学内容评价的是实践教学过程中所涉及内容的充分性、前沿性等；教学过程评价的是学生在学习过程中的各项表现，以此来评判该实践课程设置的合理性；教学效果评价的是在实践教学完成之后，学生和教师对该实践课程的主观评价等因素。三级指标由13 个因素组成，因素的确定上考虑到实践课程与传统理论课程的差异，将条件评价、过程评价、成果评价结合其中；同时在教学过程及教学效果上依据学生学习态度、学生所获得的知识、学生所获得的能力进行因素的细致划分。三级指标主要包括硬件配置、教学环境、教学内容全面且有更新等。其中教学内容的更新是指是否结合先进制造领域以及智能制造领域等新兴技术。实践课程教学评价体系具体如表1 所示。

表1 实践课程教学评价体系

三、层次分析法确定综合评价成绩

利用YAANP 软件中层次分析法模型确定因素权重。建立系统的层次结构模型，确保每一层指标所包含的元素不超过9 个。构造成对比较阵，采用1-9 标度法将同一层次的各指标逐一进行比对，构建各层次判断矩阵。计算指标权向量来判断矩阵中各指标对上层指标的相对权重。计算成对比较权重的最大特征根，进行一致性检验。最后得出通过组合一致性检验的指标组合权向量，具体步骤如下。

（一）构建层次结构模型

依照表1 内容，在软件中构建层次结构模型，如下所示。

（二）成对比较阵

依照层次结构模型，采用1-9 标度法建立各层次的判断矩阵。计算其最大特征根λ，按公式1 计算一致性比率（式中n 为判断矩阵阶数），CR<0.1 时，判断矩阵符合一致性要求，确定各级指标的权重向量（W）。具体计算结果如表2 至表6 所示。

表2 准则层判断矩阵

表3 判断矩阵B1-C

表4 判断矩阵B2-C

表5 判断矩阵B3-C

表6 判断矩阵B4-C

(三)计算指标组合权向量

依照构建的1 个二级指标判断矩阵、4 个三级指标判断矩阵，程序运行得到的一致性指标分别为CR=0.0709，CR1=0.0311，CR2=0.0904，CR3=0.0950，CR4=0.0516 均小于0.1，符合一致性检验要求。所得分项指标组合权重如表7 所示。

表7 分项指标组合权重

四、BP 神经网络训练

BP 神经网络是一种前馈型神经网络，可通过对样本的多次训练反复修正网络的权值及阈值，最终确定对应的输入输出关系。它由输入层、输出层和隐含层构成，最常用的是只有一个隐含层的三层神经网络。为了降低综合评价过程的复杂程度，在确定了最终综合指标权重的基础上，可利用学校已知数据样本进行BP 神经网络训练。

通过AHP 赋权确定实践课程教学评价成绩，将原始数据13 个分项指标作为输入样本，实践课程教学评价成绩作为输出样本构建BP 神经网络。从学校抽取某一实践课程40 份教学评价数据，其中30 组数据作为训练样本，10 组数据进行仿真预测，当训练完成时，可以直接输入待测试的样本数据，便可得出预测结果。

（一）各层神经元个数确定

模型建立采用3 层BP 网络结构。高校实践课程教学评价有13 个指标，故输入层神经元数为13；输出层为高校实践课程教学评价结果，神经元数为1；选择隐含层最佳神经元数为2，构建13-2-1 的BP 神经网络模型。

（二）MATLAB 的模型实现

运用MATLAB 软件中Neural Net Fitting 工具箱实现3 层神经网络训练及预测。将30 组数据导入工具箱中，修改节点数目为2，神经网络训练16 次时收敛，过程曲线如图1 所示，训练的期望输出与训练输出线性相关，相关系数为0.96269，相关性如图2 所示。

图1 神经网络训练过程曲线

图2 训练输出与期望输出相关性

（三）仿真预测

在训练完成后运用sim 函数对剩余10 组数据进行仿真，BP 预测值与期望输出结果及相对误差如表8 所示。说明该模型准确率较高，评价过程简洁迅速，可以用于后期高校实践课程教学评价当中。

表8 预测结果

五、结论

以高校实践课程为研究主体，建立实践课程教学评价体系，并运用层次分析法确定体系中各元素权重。利用BP 神经网络的非线性映射能力，构建AHP 赋权和BP 神经网络的高校实践课程教学评价模型。通过SIM函数仿真，测试样本输出数据评估误差较低，可应用于同类型实践课程评价当中。该模型构建的基础时高校实践课程，对推动实践类教学的进一步改革具有参考价值。