多级Sigmoid神经网络在本科教学评价中的应用

肖永良，朱韶平，贺灿卫，程余余

（湖南财政经济学院信息管理系，湖南长沙410205）

多级Sigmoid神经网络在本科教学评价中的应用

肖永良，朱韶平，贺灿卫，程余余

（湖南财政经济学院信息管理系，湖南长沙410205）

为了解决高校教师教学质量评价不全面、主观性过强等问题，提出了采用多级Sigmoid神经网络评价本科教学效果的方法.首先采用主成分分析从原始指标特征中提取有效信息，极大地减少了指标之间的相关性；其次，再通过建立类似于大脑神经突触信息神经网络处理模型，实现对本科教学效果的自动评价.实验结果表明，相对于其他评价方法，该方法具有更好的泛化性能，能提高本科教学的评价效果.

本科教学效果；多级Sigmoid神经网络；人工智能

《国家中长期教育改革和发展规划纲要（2010-2020年）》要求积极探索并制定出符合自身发展要求的教学质量评价体系.目前很多本科学校对教学效果进行评价时，常采用的方法有绝对、相对评估法和综合评价法等简单的方法，人们对评价过程中存在的问题进行了深入研究[1-4].基于现代统计理论的层次分析法[5]、权重分析法[6]和模糊综合评价法[7]等也逐渐引入至本科教学效果评价过程中，取得了较好的评价效果.但这些方法还存在很多需要改进的问题，如传统的层次分析法需要凭借经验确定参数，同时评价过程若过分依赖专家经验，容易导致评价结果与实际情况存在较大的误差.实际上本科教学活动是一个涉及多方面的复杂过程，影响教学效果的因素众多，影响程度也不一致，最后导致评价结果难以用恰当的数学解析表达式来表示.针对此问题，本文利用多级Sigmoid神经网络能模拟人类思维过程的特点，让神经元产生多元反应，进行本科教学效果分类评价.通过实验与比较，证明了所构建的评价模型能提高教学效果评价的准确性，为本科教学效果评价提供新的实现途径.

1 多级Sigmoid神经网络

神经网络是一种由正向与反向传播构成的误差修正学习模型，其输出信号与输入信号之间可以表示为一个复杂的非线性关系，具有自适应学习、非线性逼近、易于训练和联想记忆等特点[8].然而，由于神经元采用简单的激励函数，导致普通神经网络模型分类效果较差.为此，本文采用多级Sigmoid神经网络[9]，让神经元产生多元反应，进行多类分类识别.

多级Sigmoid神经网络包括输入层、隐含层和输出层三层.输入信号首先前向传播至隐含层节点，经节点激活后，再将其输出信号传播至输出节点输出结果（如图1所示）.

图1 多级Sigmoid神经网络结构图

激活函数一般采用标准Sigmoid函数：

其中α为常量，该类型的神经网络只能进行两类分类.为了实现对本科教学效果进行多分类评价，采用多级Sigmoid神经网络构建评价模型，激活函数为：

输出层的输出 yi可以表示为隐含层基函数φi(x)的线性加权

式中ωij为隐含层第i个节点到输出层第 j个节点之间的连接权系数，m为隐含层节点个数.

对输出节点进行归一化处理，取归一化后最大的为该节点的类别：

假如满足下列条件

则判别X∈Lj，即输入信号属于第j类.

2 本科教学效果评价

2.1 有效指标特征提取

对本科教学效果进行评价时，由于影响评价效果的指标众多，同时各指标之间不可避免地存在信息冗余，因此有必要从中提取有效指标特征后再利用神经网络模型分类处理.主成分分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出少数几个变量去描述多个变量的相关关系，并最大限度保留原来数据集的变化信息[10].设有n个样本和p个变量的样本集合矩阵为X∈Rn×p，采用主成分分析的本科教学有效指标特征的提取过程如下：

①教学数据预处理.为消除各个教学指标由于量纲和单位不一致产生的影响，在评价之前做标准化处理产生标准矩阵X′，计算公式如下：

其中x¯j和sj分别为指标变量xj的均值和方差.

②计算教学指标特征值和特征向量.首先建立相关矩阵R，即

式中X′为标准矩阵.求解自相关矩阵R特征值λ=[λ1,λ2,...,λp]，并将其从大到小排序，同时求解对应的征向量U=[u1,u2,...,up].

③确定教学指标主成分个数.分别计算方差贡献率和累计方差贡献率

主成分的个数选择取决于累计方差贡献率.通常选择累计方差贡献率超过85%对应的前p个主成分.

④根据特征向量计算教学指标的主成分矩阵

2.2 教学效果评价过程

本科教学效果评价过程分为三个主要过程，首先是建立评价指标体系，然后利用主成分分析方法提取有效特征，最后利用多级Sigmoid神经网络进行评价，教学效果评价过程如图2所示.

图2 本科教学效果评价流程图

教学效果评价的具体步骤如下：

（1）输入绩效评价指标.首先将教学效果评价分为教学态度、讲授能力、教学内容、教学方法、教师育人和教学效果等功能模块，然后将其细化为n个评价指标作为评价模型的输入.

（2）有效指标特征提取.采用主成分分析法对原始指标特征进行主成分分析处理，确定有效特征.

（3）确定神经网络模型结构.采用三级多级Sig⁃moid神经网络，节点采用Sigmoid激励函数.

（4）计算输出节点值.输出层节点值是隐含层基函数的输出进行线性加权组合.

（5）判断输出节点类别，确定输入属于第几类.

3 实验结果与分析

本文从教学态度、讲授能力、教学内容、教学方法、教师育人和教学效果几个方面对本科教学效果进行评价，将其细化为以下评价指标：教学态度、教学工作量、教学方法、教学效果、教学论文、学生满意度、学科建设、学生获奖、团队精神、责任心、个性和风格等共20个指标.其中责任心指标主要考察教师课前、课中和课后的责任态度.个性和风格指标主要考虑教师是否有自己的教学特色，能否不断进行教学创新，将知识最大限度传授给学生.为消除各个教学指标由于量纲和单位不一致产生的影响，在评价之前做标准化处理.然后根据标准数据建立相关矩阵，求解累计方差贡献率获得有效特征.测试所用硬件环境为CPUCeleron2.6GHz,2GB内存，测试平台为Windows7,测试程序在Matlab下实现，过程如下：首先采集数据将其标准化处理，其次利用主成分分析方法提取有效指标特征，最后利用多级Sigmoid神经网络进行评价，将教学效果分为优秀、良好、合格和不合格四个等级.

为验证本文算法的有效性，采用多级Sigmoid神经网络、权重分析法和模糊综合评价法作为对比模型，建立本科教学效果评价模型.评价模型的输入教学效果评价指标，主成分个数由累计方差贡献率超过85%的主成分自动确定，评价模型的输出分为优秀、良好、合格和不合格四类，神经网络采用Sig⁃moid激活函数，利用BP算法对多级神经网络进行学习，最终该网络能将教学效果分类为优秀、良好、合格和不合格，评价结果如图3所示.

图3 三种教学效果评价方法的性能对比

对比图中三种本科教学效果评价方法结果可知，在三种教学效果评价模型中，本文提出的多级Sigmoid神经网络模型有最好的评价效果，分别超过权重分析法和模糊综合评价法4.3%和2.5%.这表明利用主成分分析方法从原始指标中提取的有效特征，采用多级Sigmoid建立的评价模型具有更好的性能.在实际操作中，如对所得到的评价结果有疑问，可将该样本加入训练集重新学习模型参数，以获得更为合理的本科教学效果评价模型.

4 结语

本文利用基于统计分析理论的主成分分析方法从原始指标信息中提取有效指标特征，将提取后的特征作为多级Sigmoid神经网络的输入，对本科教学效果进行评价.该方法有效地降低了数据的相关性，减少了输入数据的维数，降低了神经网络训练的难度.同时通过建立类似于大脑神经突触信息多级神经网络评价模型，实现对本科教学效果的自动评价.实验结果表明，本文提出的评价方法具有更好的评价效果，进一步的工作是对模型进行实证分析，不断改进，最终运用于实际的本科教学效果评价.

[1]李宝斌,许晓东.高校课堂教学效果的教师评价维度探究[J].中国大学教学,2011(8):65-68.

[2]陈薇.探究高校本科教学中存在的问题和改革措施[J].佳木斯教育学院学报,2014,139(5):187-189.

[3]叶怀凡.我国高等教育质量评价研究的困境与超越[J].宜宾学院学报,2010,10(10):104-106.

[4]尹明明.对高校教师教学效果评价后信息反馈的思考[J].中国社会科学院研究生院学报,2010(4):141-144.

[5]耿方方,阮晓龙.基于区间层次分析法的多媒体教学效果模糊综合评估[J].电脑知识与技术,2011(9):6220-6222.

[6]吕佳佳,聂传朋.权重分析法在生物教学效果评价中的应用[J].阜阳师范学院学报(自然科学版),2011,28(2):85-88.

[7]黄迪民,孙佳燕.基于模糊综合评价法的高校实践教学效果评价[J].广西社会科学,2008(5):194-197.

[8]杜莉,张建军.神经网络在电力负荷预测中的应用研究[J].计算机仿真,2011,28(10):297-300.

[9]谭论正,夏利民,夏胜平.基于多级Sigmoid神经网络的城市交通场景理解[J].国防科技大学学报,2012,34(4):132-137.

[10]周松林,茆美琴,苏建徽.基于主成分分析与人工神经网络的风电功率预测[J].电网技术,2011,35(9):128-132.

【编校：王露】

ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNetwork

XIAOYongliang,ZHUShaoping,HECanwei,CHENYuyu
（DepartmentofInformationManagement,HunanUniversityofFinanceandEconomics,Changsha,Hunan410205,China）

Inordertoimprovetheincompleteandsubjectiveevaluationofuniversityteachingquality,anewteaching qualityevaluationmethodbyusingmulti-levelsigmoidneuralnetworkwasproposed.Someeffectiveinformationwasex⁃tractedfromtheoriginalinputinformationbyusingtheprincipalcomponentanalysistoreducethecorrelativityamongin⁃putvariables.Thenthemulti-levelsigmoidnetworkmodel,whichsimulatetheinformationprocessinginhumanbrain synapse,wasestablishedtoevaluatetheteachingqualityautomatically.Theexperimentalresultsshowthegeneralization performanceandeffectivenessoftheproposedmethod.

universityteachingquality;multi-levelsigmoidneuralnetwork;artificialintelligence

TP393.0

A

1671-5365(2015)12-0025-03

肖永良，朱韶平，贺灿卫，等.多级Sigmoid神经网络在本科教学评价中的应用[J].宜宾学院学报,2015,15(12):25-27. XIAOYL,ZHUSP,HECW,etal.ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNet⁃work[J].JournalofYibinUniversity,2015,15(12):25-27.

2015-09-08修回：2015-10-08

湖南省教育厅资助科研项目（15B040）

肖永良（1978-），男，副教授，博士，研究方向为模式识别理论及应用

时间：2015-10-0815:20

http://www.cnki.net/kcms/detail/51.1630.z.20151008.1520.001.html