神经网络的BP算法在教学质量评价中的应用研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇神经网络的BP算法在教学质量评价中的应用研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：神经网络具有很强的自学习能力和容错性，善于联想、类比和推理。该文在探讨教学质量评价指标体系构建的基础上, 将神经网络的bp算法应用于教师教学质量的评价中, 目的是为了准确地反映教学的实际，更科学地对教师的教学质量进行有效的评价。实验结果证明，应用神经网络BP算法的评价方法考虑了评价标准的模糊性，使教师的教学质量得到客观公正的评价。

关键词：教学质量; 神经网络; BP算法; 评价

中图分类号：TP182文献标识码：A文章编号：1009-3044(2011)07-1581-02

Study of the Application of BP Algorithm of Neural Network in the Evaluation of Teaching Quality

ZHOU Ying1,2, TAO Yu1, YAN Xi-huang1

(1.Anhui University, Hefei 230039, China; 2.Nanjing University, Nanjing 210093, China)

Abstract: Neural networks have good ability of self-learning and fault-tolerance. They are good at association, analogy and reasoning. Based on having discussed the compose of teaching quality evaluation system, This paper applies BP Algorithm of neural network into the evaluation of teaching quality in order to reflect the teaching fact correctly and evaluate the teacher's teaching quality effectively. Experiments prove that the method of neural networks has made the better result owing to it considering the vagueness of the evaluation.

Key words: teaching quality; neural networks; BP algorithm; evaluation

教师教学质量评价是高等院校教学质量管理的重要环节和内容，科学合理的评价方法是保障教学质量的一个重要措施，正确地评价一个教师的教学效果对于引导教师提高教学水平、改进教学方法具有积极的作用，科学有效地评价教学质量对学校的教学工作有着十分重要的意义。近年来, 各高校对教师教学质量评价工作极为重视, 制定了相应的规章制度和考核办法，并在实践中不断加以改革和完善。

目前应用较多的教学质量评价方法主要包括民意测验法、同行评价法等。这些方法为评估教学质量提供了参考，但也存在一些不足之处[1]，主要表现在教学质量评价的定性指标需要由评价者主观确定，存在着不确定性和模糊性[2], 这导致了目前教学质量的评价尚未找到较为客观的合适方法。而神经网络这一工具具有很强的自学能力以及鲁棒性和容错性，善于联想、概括、类比和推理，对教学质量评价的不确定性的处理具有很好的效果。

本文主要分为三个部分，首先讨论教师教学质量评价指标体系的构建，接着以我校的70名教师为实验对象，在Matlab7.0环境下，用神经网络的BP算法对其进行实验，在此基础上，最后给出结论。

1 教师教学质量评价指标体系的构建

构建科学有效的评价指标体系是教师评价工作需要首先解决和准备的重要内容。教师评价指标体系是所有规范和程序中最基本最重要的内容, 评价指标体系构造的好坏是教学质量评价成功与否的前提。考虑到不同学科门类、不同性质课程、不同教学环节、不同授课对象，对教学质量评价体系的考虑主要从能直接反映教学质量并有共性的最基本因素等方面加以设计。参考现有的教学质量评价体系[3]和安徽大学教学质量评价标准，不仅考虑教师的课堂教学质量，还将教师在课后对学生作业的批改及答疑的评价纳入评价范围，加强了对教师整个教学过程的监控。指标的设计包括以下几个方面。

在该评价体系中，对学生填写的问卷中的数据，用传统的指标加权平均法来评价教师的教学活动，其中A-90（优秀），B-80（良好），C-70（中等），D-60（合格），E-50（不合格）。

2 神经网络的BP算法及神经网络模型结构的确定

BP(Back Propagation)神经网络近年来被广泛应用于建模、模式识别和控制、时间序列分析以及评判中[4-6]，并且取得了很好的效果。它的学习过程由信号的正向传播和误差的反向传播两部分组成。正向传播时，输入样本从输入层传入，经隐层传向输出层。若输出层的实际输出与期望输出不一致，则将两者的误差通过隐层向输入层逐层反传，同时调整它们的权和阈值，使神经网络的实际输出更接近于期望输出。经过反复地迭代和调整，最后使误差达到要求。在这个学习的过程中，确定各层的权和阈值。

本文将选用三层网络结构来构建评价模型，即只设置一个隐含层。采用3层前向BP网络结构，即输入层、隐含层、输出层。合理设计网络结构以及训练样本，将训练样本输入网络进行运算，采用梯度下降法对BP网络进行训练，直到系统误差符合指定要求后所得到的网络模型便是所需要的教学质量评价模型。

2.1 输入样本和输出样本的设计

在输入层中，用教学质量的8个评价指标值（如表1所示）构成BP神经网络的输入向量，因此，BP神经网络的输入层节点数就相应地确定为8个。

在输出层中，用评价值(即专家或学生的评价结果)构成BP神经网络的输出向量。由于学生的评价结果只有一个，因此网络的输出层只设为1个输出节点。它是一个实数，取值范围为[0，1]。其中，优秀对应于1.00一0.9000，良好对应于0.89一0.8000，中等对应于0.79―0.7000，及格对应于0.69一0.6000，不及格对应于0.59以下。

2.2 隐层节点个数的设计

目前，确定隐层节点个数的一个常用方法是试凑法，在用该方法时，有一些确定隐层节点数的经验公式。我们选择了公式 ■进行试验，在该公式中，m为隐层节点数，n为输入层节点数，本实验中取为8，l为输出层节点数，本实验中取为1，a为一常数，介于1-10之间。根据上述公式，计算出隐层节点数为4-13个，逐一进行试验，得到最佳隐节点数为6。

此外，隐层单元上的激活函数选取tansig双曲正切函数，输出层的激活函数选取Sigmoid函数，函数形式为f(x)=1/(1+e-x)。连接权和阈值的初始值选取[-1,1]和[-1/n，1/n]范围内的随机数，其中n为神经网络输入层的节点数8。

3 实验过程

本文的所有实验均是在Matlab 7.0的环境下利用neural network toolbox（神经网络工具箱）进行的[7]。实验样本来自安徽大学部分老师的评价结果，共有70份。其中的20份作为神经网络的学习样本，分别包含优秀、良好、中等、合格和不合格样本各4份，评价的成绩来自于学生的评价。每个学习样本经过加权处理后，是一个9维的向量，其中的前8维数据是分项评价的结果，可以看成本实验的输入向量，第9维数据是最后的总评成绩，是本实验的输出结果。考虑到输入向量中的数据差距比较大，我们对样本的输入向量采用了最大最小值法进行归一化处理，通过公式xi*=(xi-xmin) / (xmax-xmin)可以将输入数据变换为[0，1]区间中的值，公式中xi*表示变换后的输入向量，xi表示变换前的输入数据，xmin表示输入数据中的最小值，xmax表示输入数据中的最大值。经过加权处理后，每个老师的评价成绩对应于9个实数。前8个实数是学生分项打分的标准化处理结果，这8个实数的范围分别是[4，7.2]、[9，16.2]各一个，[5，9]、[7.5，13.5]和[6，10.8]各两个，第9个实数则是前8个实数的加权和，对老师的教学质量的判定就根据第9个实数的大小来决定，如表2所示。剩下的50份样本作为测试样本，用于测试。测试样本的输入输出格式与学习样本的格式相同，都是一个9维的向量，其中前8个数据是已知的，用训练好的神经网络输出第9个数据，并与第9个数据的实际值进行比较。

评价的神经网络模型建立的具体步骤可以分为以下4步：1）使用newcf（）函数新建一个神经网络；2）使用随机函数rands（）对网络的权和阈值进行初始化；3）使用traingd（）函数对神经网络进行训练，训练的终止条件是误差小于0.001或最大次数设为2000次，用net.trainParam.lr=0.45来设定学习速率；4）使用sim（）函数对测试数据进行计算判定。经过1663次训练，误差为0.00099，达到预定的目标0.001。网络的训练结果和误差曲线如图1和图2所示。

用训练好的BP网络对剩下的50份样本进行测试，测试的结果与学生实际的评价结果相比，精度达到98%。从测试的结果来看，精度非常高。这表明神经网络的泛化性能较好，可以用训练好的神经网络来对教师的教学质量进行合理的评价。

4 结论

本文利用三层神经网络具有很好的逼近功能，它在不需要知道系统的内部机理的前提下，可根据输入数据和目标数据来对系统进行训练。将训练后的系统对教师的教学质量进行评价，实验结果表明，BP神经网络不但能够满足误差精度的要求，而且训练速度快，误差小。BP神经网络在教学质量评价中，考虑了评价标准的多样性和不确定性，使评价的结果更加全面准确地反映实际情况，为教学质量评价提供了实用的新的工具。

参考文献：

[1] 谷成,田颖.完善高校教师评价体系的思考[J].当代教育论坛,2008(3):83-85.

[2] 任之光,张彦通,李学迪.模糊综合评判法在高校教学评估中的应用[J].科学技术与工程,2006,6(15):2397-2401.

[3] 蔡锦锦.高校教师课堂教学质量评价方法研究[J].计算机教育,2009(10):104-105.

[4] Hagan M T,Demuth H B.Neural Network Design[M].北京:机械工业出版社,中信出版社,2002.

[5] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.

[6] 唐志丹,房丽娜.基于神经网络的本科教学工作评估的专家评价[J].鞍山科技大学学报,2006(5).

[7] 楼顺天.基于MATLAB7.X的系统分析与设计[M].西安:电子科技大学出版社,2005.