基于RBF神经网络的高校教师教学质量评价模型

蔡 兵，刘贤亮

(襄樊学院 物理与电子工程学院，湖北 襄樊 441053)

人才培养是高等院校根本的任务.大学教师队伍水平的高低及其参与程度直接关系到人才培养水平的高低.大学的职能决定了教师必须具备教书育人的能力和科学研究的能力.故如何科学合理的对大学教师能力予以评价成为当务之急.目前在传统的多媒体教学课件的综合评价中，含有非定量的因素，且各因数之间是复杂的非线性关系，难以建立科学的综合评价模型.所采用现代数量统计方法[1]，如单项因子评价法等，都有许多不科学的地方，忽视了各评价指标之间、评价指标和教学效果之间的复杂关系，其结果常常产生一定的偏差，甚至较大的误差，不能客观、公正地反映教学质量状况.而神经网络能够处理复杂的非线性函数关系[2]，具有很强的非线性逼近能力.根据这一特点，本文拟利用RBF神经网络建立高校教师教学质量评价模型，以实现高校教师教学质量的等级评价.

1 RBF神经网络的高校教师教学质量评价模型

1.1 RBF高校教师教学质量评价指标体系的确立

高校教师教学质量评价指标体系包含两部分[3]：教学工作评价主体和教学工作评价指标.教学工作评价主体包含五个方面：①领导评价；②督导小组评价；③同事评价；④自我评价；⑤学生评价.而教学工作评价指标包含六个方面：①教学目的；②教学态度；③教学内容；④教学方法；⑤教学能力；⑥教学效果.而每个项目分为更细的评价标准.一级和二级指标分别赋予不同的权重，评价等级分为优、良、中、差等级别，见表1.

表1 高校教师教学质量评价指标体系(学生、同事、领导、督导、自我)

1.2 神经网络评价模型确定

本文应用三层误差反向传播RBF神经网络模型，来解决高校教师教学质量评价问题.方法如下：(1)首先确定输入层结点个数.在表1中，有11项指标，所以输入节点数为11.(2)确定隐含层结点个数.隐含层节点个数的取值公式为S=(M+N)1/2+C，(其中C为1～10之间的常数，N为输入层神经元个数，M为输出层神经元个数)等[4].(3)确定输出层结点数.对应评价结果只能为优秀、良好、中、差4种结果中的一种，所以输出层的结点数为1，其输出值即为评价值.神经网络评价模型如图1所示.

图1 神经网络评价模型

2 RBF神经网络评价模型的算法

图1中，i、j和k分别为输入层、隐层和输出层序号.T1、T2和TN为RBF神经网络的N个输入，Y为RBF神经网络的输出.输入层节点函数为斜率为1的线性函数，输出层节点函数是线性函数，可调节参数是权值Wjk，而隐层节点函数采用高斯函数[5]，第j个隐层节点输出Rj(t)为

Rj(t)=exp[-‖x-cj]‖2/(2σj2)

(1)

式(1)中，X=(T1，T2，TN)T是输入样本，cj是第j个高斯函数中心值，σj为标准偏差，j=1，2，…n，n为隐层节点数.则输出层输出Y为

(2)

式(2)中，为输出层神经元的阈值.

在这里，利用带动量因子的梯度下降法来调整网络的参数，即在考虑K时刻的网络状态变化时，将K-1时刻的网络参数变化也包括进去.其具体算法参阅文献[6]，此处不再赘述.

3 高校教师教学质量神经网络评价模型的实现

采用RBF神经网络算法和模型对高校教师教学质量进行综合评价[7]，选用MATLAB，建立三层RBF神经网络，输入层神经元为11个，输出层神经元为1个，隐含层节点个数为8个.将表1中的200组数据经过归一化处理后，作为RBF神经网络模型的训练样本，RBF网络训练次数为1000次，迭代次数为800次，初始化步长为0.3，M取值500，动量系数为0.85，允许误差为0.001，选取20对样本数据进行测试对比.通过对测试结果的验证，发现督导小组评价数据与神经网络系统的辨识值很接近，结果比较满意.测试结果与专家评价结果比较如表2.

表2 测试结果与专家评价结果比较

4 结论

教师课堂教学效果评价是教学评估的重要指标之一，是教学质量自我监控的重要环节.也是学校信息化建设的一个重要成果，是学校建立高素质师资队伍而开展的一项基础性工作.应用RBF神经网络建立高校教师教学质量评价模型，可为高校及教学管理部门提供又一较科学的高校教师教学质量评价方法，同时其评价思想也可扩展到其它教学质量的评价.

参考文献：

[1]王晓佳.基于主客观组合赋权法的高校音乐教师教学质量评价[J].教育研究与实验，2010(1)：182-184.

[2]孙金伟.普通高等学校教师综合评价系统的研究[D].大连，大连理工大学，2004.

[3]董跃娴，沈文华，马俊云.影响高校教师教学质量的多元线性回归分析与思考[J].高等农业教育，2009(2)：36-39.

[4]黄会明，鲍海君，赵匀.应用多元统计分析法评价教师教学质量[J].宁波大学学报，2009(4)：76-80.

[5]田月龙.基于AHP的高职教师教学能力评价系统研究与开发[D].华北电力大学，2008.

[6]蔡兵.基于RBF神经网络的多媒体教学课件综合评价模型[J].吉首大学学报，2009，30(4):62-64.

[7]廖宁放，高稚允.The Most Suitable Architecture of Hidden-Layer in BP Neural Networks for Function Approximation[J].北京理工大学学报，1998(4):476-480.