基于神经网络的教学质量评估模型

基于神经网络的教学质量评估模型基于神经网络的教学质量评估模型 陈力捷 职教论坛 ISSN 1001 7518 核心刊物 2004 12 摘要 本文利用神经网络方法建立教学质量评估系统的数学模型 采用各评价指标作为其输 入 教学效果作为输出 基于最小二乘思想 采用梯度搜索技术 以期使网络的实际输出值与 期望输出值的误差均方值最小 经仿真计算证明 该数学模型具有较好的辨识精度 关键词 教学效果 评价指标 神经网络 在新形势下 如何使学校的教育水平走上一个新的台阶 提高教学质量无疑是最关键的 由于教学过程包括教与学 评价一个教师教学质量的优劣 要比评价产品质量的优劣要复杂得 多 因为教学质量评估体系中往往含有非定量的因素 这给评价带来了很大的困难 在以往的 评价体系中 我们往往将各评价指标的值通过简单的数学运算 如加减乘除 来评价一个教师 的教学效果 但这种做法存在着明显的不足 因为评价体系的输入 各评价指标 和输出 教 学效果 之间的关系并不一定是简单的线性关系 所以寻找评价体系的输入和输出的数学关系 建立一个合理的 科学的数学模型 将对教学质量的评估有着重要的意义 本文利用神经网络 理论建立了教学质量评价系统的数学模型 为教学质量评估体系的研究提供了有意义的参考价 值 1 1 教学质量评估的实例分析教学质量评估的实例分析 为了评价一个教师的教学质量 通常对其教学内容 教学方法 教学态度 教学效果等内 容进行评价 评价指标有 7 个 分别为 X1 X2 X3 X4 X5 X6 X7 其中 X1代表课程进度 教 学深广度和学习负担合理程度 X2代表与实践结合程度和能否反映近代科技成就 X3代表讲课 条理清楚 层次分明 重点突出程度 X4代表讲解生动 启发诱导 有吸引力 举例典型 理 论联系实际 X5代表指导学习方法 培养分析能力 X6代表备课充分 讲解熟练 答疑 批改 作业认真程度 X7代表教书育人 不断改进教学 我们将评价目标定为教学效果 其主要内容 包括学生考查成绩 课堂纪律 理解掌握程度 分析解决问题的能力等方面 建立如表 1 所示 的教学质量调查表 我们将评价指标的取值范围定为 0 9 表格分别由领导 教师 学生填写 每人填写一份 经总结后得到表 1 所示的结果 从表中可以看出 课程进度 教学深广度和学生学习负担愈合 理 其教学效果愈好 讲课条理愈清楚 层次愈分明 重点愈突出 教学效果愈好 指导学习 方法愈正确 培养学生分析能力愈得法 教学效果愈好 备课愈充分 讲解愈熟练 答疑 批 改作业愈认真 教学效果愈好 能够积极不断改进教学 教书育人 教学效果愈好 究竟各评价指标与评价目标 教学效果 之间存在着怎样的关系呢 为了解决这个问题 下面利用神经网络系统建立本评估体系的数学模型 2 2 基于神经网络的教学质量评估模型基于神经网络的教学质量评估模型 神经网络理论是近几年来国内外的一个前沿研究领域 它可用于预测 分类 模式识别和 过程控制等各种数据处理场合 相对于传统的数据处理方法 它更适合处理模糊的 非线性的 和模式特征不明确的问题 表表 1 1 教学质量调查表教学质量调查表 评价指标 样本 序号 X1 X2 X3 X4 X5 X6 X7 评价目标 教学效果 1 6 9 5 7 4 5 6 5 6 5 2 7 5 5 6 5 5 4 7 7 5 7 5 3 7 5 4 8 6 5 3 6 7 8 4 6 5 5 5 6 7 8 7 7 6 25 5 7 5 8 5 5 7 5 7 8 5 7 5 6 75 6 6 9 5 6 5 5 6 5 5 5 6 7 4 7 5 3 5 5 7 4 5 6 6 25 8 6 5 5 7 4 5 4 6 7 7 75 9 4 9 5 6 9 7 5 6 6 5 10 4 8 6 5 5 6 6 5 6 6 5 11 5 5 4 4 3 2 4 6 6 75 12 8 5 9 5 5 8 7 7 7 5 13 7 6 8 7 5 6 5 7 6 75 14 6 6 5 8 4 7 7 6 5 6 5 15 7 6 5 7 6 6 7 7 7 25 16 7 3 6 5 4 5 5 6 5 6 75 17 4 6 5 5 4 5 9 7 6 5 6 25 18 3 5 6 2 6 8 5 5 6 5 6 75 19 6 8 7 7 5 5 6 5 7 7 5 20 6 5 6 5 6 5 4 6 5 6 6 75 21 9 6 5 8 6 8 6 5 8 8 22 8 5 4 9 5 5 8 8 5 8 8 5 23 6 7 5 6 7 5 6 7 7 5 7 25 24 5 5 5 7 6 5 5 5 7 5 7 75 2 12 1 教学质量评估神经网络模型的结构和算法教学质量评估神经网络模型的结构和算法 本文采用 BP 神经网络对教学质量评估系统进行辩识 在这里 我们把 7 个评价指标作为神 经网络系统的输入 把评价目标 也即教学效果作为系统的输出 BP 网络 Backpropagation NN 是一单向传播的多层前向网络 网络除输入输出节点外 有 一层或多层的隐层节点 同层节点没有任何的耦合 输入信号从输入层节点 依此经过各隐层 节点 然后传到输出节点 每一层节点的输出只影响下一层节点的输出 其单元特性 传递函数 通 常采用 Sigmoid 型 但在输出层 节点的单元特性可采用线性 其网络结构如图 1 所示 x1 x2 y x7 输入层 中间层 隐层 输出层 图图 1 1 BPBP 网络结构网络结构 本文采用反向传播 BP 算法对评估体系进行辩识 其基本思想是最小二乘法 采用梯度搜 索技术 以期使网络的实际输出值与期望输出值的误差均方值最小 网络的学习过程是误差一 边向后传播一边修正加权系数的过程 故可用其对教学质量评估体系进行识别 设 BP 网络的输入层为 2 1 其中 x 是教学质量评估系统的各个评价指标 在这里 n 7 网络的隐层为 2 2 2 3 其中 为权系数 为系统的激励函数或传递函数 取Sigmoid 函数 即 2 4 网络的输出层为 2 5 其中 是神经网络系统的输出变量 为权系数 设准则函数为 2 6 利用 BP 算法可使性能指标最小化 为了保证系统的全局稳定性 把被辨识对象 教学质量 评估系统 的实际输出 y 作为反馈信号 将其与神经网络辨识器的输出 比较 使 其中 为一个很小的数 如果不满足要求 则不断调整权系数 以达到期望要求 根据反向传播计算公式 可得如下权系数学习规律 2 7 2 8 其中 为学习修正率 另外由式 2 4 可得到 2 22 2 仿真计算仿真计算 采用三层 BP 神经网络对上述的教学质量评估系统进行辨识 输入层 隐含层和输出层的 结点数分别为 7 14 1 激活函数采用 sigmoid 型 学习率 0 9 学习训练算法采用反向传播 BP 算法 将表 1 中的数据作为神经网络辨识模型的训练样本 目标误差为 0 001 训练过程 见图 2 训练达到要求后 可得到如表 2 所示的辨识值 从表 2 可以看出 原始数据与神经网 络系统的辨识值非常接近 也就是说 该模型能较为准确地根据各评价指标来确定教学效果 图 2 神经网络系统训练过程 3 3 总结总结 采用 BP 神经网络可以建立教学质量评估系统的数学模型 该模型的输出辨识值与真实值之 间的误差很小 一旦神经网络的结构和其算法确定后 数学模型的准确程度与输入的训练样本 的数量有着密切关系 训练样本越多 该数学模型就越能准确地根据各评价指标来描述教学效 果的好坏 表表 2 2 原始数据与神经网络系统的辨识值比较原始数据与神经网络系统的辨识值比较 样本序号 评价目标 神经网络 辨识值 样本序号 评价目标 神经网络 辨识值 样本序号 评价目标 神经网络 辨识值 1 6 5 6 4993 9 6 5 6 4994 17 6 25 6 2428 2 7 5 7 7494 10 6 5 6 4990 18 6 75 6 7057 3 8 7 9945 11 6 75 6 7495 19 7 5 7 4997 4 6 25 6 2573 12 7 5 7 4994 20 6 75 6 7501 5 6 75 6 7513 13 6 75 6 7500 21 8 7 9986 6 6 5 9996 14 6 5 6 5014 22 8 5 8 4986 7 6 25 6 2478 15 7 25 7 2511 23 7 25 7 2609 8 7 75 7 7488 16 6 75 6 7510 24 7 75 7 7491 参考文献参考文献 1 黄淑娴 教学质量的模糊综合评判 J 管理与教育 1994 2 57 58 2 吴钢 现代教育评价基础