RBF神经网络在高职院校教师质量评价体系中的应用

陈鸿俊　杨海涛

摘 要 高职院校教学质量是其生存和发展的基础，而教师质量是高职院校办学质量保障体系中的重要组成部分。为了客观、多元化的评价教师质量，真实反映教师水平和能力，本文首先提出高职院校教师质量评价体系和指标，再通过RBF神经网络理论确立基于RBF神经网络的高职院校教师质量评价模型，并经样本数据进行仿真验证。通过仿真数据表明，该模型能够较全面、科学地评价教师质量。

关键词 质量评价 RBF神经网络 指标体系

Abstract The quality of teaching in higher vocational colleges is the basis of its survival and development， and the quality of teachers is an important part of the quality assurance system in Higher Vocational colleges. In order to objectively and diversified evaluation the quality of teachers， teachers reflect the level and ability of teachers in higher vocational colleges， this paper puts forward the quality evaluation system and index， and then through the RBF neural network theory to establish the vocational college teachers RBF neural network evaluation model based on quality， and is verified by the sample data. The simulation results show that the model can comprehensively and scientifically evaluate the quality of teachers.

Keywords quality evaluation； RBF Neural Network； index system

0 引言

《國家中长期教育改革和发展规划纲要（2010-2020年）》中提出：提高质量作为重点，建立健全职业教育质量保障体系，吸收企业参加教育质量评估，开展职业技能竞赛。高职院校办学质量是其生存和发展的基础。教师质量是高职院校办学质量保障体系中重要的组成部分，是不断提高高职院校办学质量的有效保证，也是进行教师绩效考核的参考基础。[1][2]因此建立一套有效的、完善的、符合高职特色的教师质量评价体系，对于深化专业建设、推动教学改革、激励教师不断改进提高具有积极的作用，同时也对加强教学管理、建立良好教风起到了重要的作用。

本文首先在国家教育行业信息化的政策背景下，按照高职学院建立健全“师资队伍建设机制”和“质量监控体系”的需求，通过分析多个高职学院在师资队伍引进、聘用、管理制度；专、兼职行业、企业教师任职的标准；专业带头人、骨干教师的职责、认定程序、培养方法；“双师”型教师认定程序、培养方法等相关管理办法及制度；实训教师管理办法以及教辅人员管理办法等制度文件，提出一个多层次多元化的教师质量评价指标体系。再采用RBF神经网络将样本中指标量化分作为输入，最终评价作为输出，训练建立教师质量评价模型，并通过其它的样本数据对比该模型的评价结果和实际情况差异。这样实现了定量分析和定性分析的结合，保证了评价结果的客观性和一致性。

1 高职院校教师质量评价指标体系

1.1 评价指标体系设计

（1）评价指标体系设计理念。从目前高职教师质量评价的现状来看，主要存在以下问题：在内容上，偏重于评价知识与技能的掌握程度而缺乏对过程、方法以及情感、态度、价值观的评价，这样评价的结果很难反映教师真实的水平与能力；在形式上，偏重于总结性评价而缺乏对过程的监控与反馈，造成评价形式单一；功能上，强调评价的甄别和选拔，但是缺乏对教师提出改进措施与建议；在方法上，偏重于简单的量化评价而缺乏质性评价，描述性评价、表现性评价等更是少见；在评价标准上，有过于单一的绝对化的倾向。[3]

（2）评价指标体系设计方法。本项目在评价指标体系设计时，主要沿着以下几点思路进行的：

一是“以人为本”。关注教师的主体性是评价的出发点。

二是明确师生角色的定位是评价的基础。在评价教师的教学时，应该改变传统的师生角色的定位观念，明确教师的主导作用和学生的主体地位。在评价中时刻想到教师只是学习过程的组织者、辅助者、帮助者、教学环境的创设者，教师不能代替学生学习知识、思考问题。教学中教师的一切行为都是为了给学生创造良好的学习情境，学生才是整个课堂的核心，学生应该有足够的空间发挥自己，这样才能发挥学生的主动性。

三是以业绩记录与贡献作为评价重点。社会的发展，对人才的知识能力结构提出了新的要求，对于人才培养的目标也提出了新的要求。高等职业院校注重能力的培养已经成为一个关注的热点。需要指出的是，能力的客观反映需要大量的业绩共享数据作为支撑，对教师能力的评价采用业绩与贡献的分析是一种比较可行的量化评价方法。[4][5]

1.2 确立评价指标体系的步骤

（1）明确评价对象；（2）制定评价基本指标；（3）对评价目标进行分解；（4）设计评价标准；（5）对初步的评价指标体系进行论证、征询意见、试评。

通过以上步骤确立教师质量评价体系指标如表1所示。

2 RBF神经网络构建教师质量综合评价模型

RBF （Radical Basis Function） 神经网络也称为径向基神经网络，是一种前馈型神经网络，网络结构为三层模式，除了输入输出层以外还有一个隐含层。[6]隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因，但是RBF的训练时间更短。[7]RBF网络相当于用隐含层单元的输出构成一组基函数，然后用输出层来进行线性组合，以完成逼近功能，它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。

2.1 神经网络评价模型的确立

根据如表1所示指标体系，一共有30个三级指标，因此本文选取输入层神经元个数Q=30。同时为了使的网络具有更好的收敛速度，对输入样本数据进行归一化处理，将输入样本数据规范到[0，1]之间。教师质量样本评价结果作为网络的输出，因此输出层个数为1。RBF神经网络的隐含层是含有X个神经元的径向基函数层。根据Kolmogorov定理，RBF神经网络隐含层神经元数理论计算值是2p+1（p为输入层神经元个数），但实际效果并不理想，主要原因在于RBF神经网络隐含层节点数不仅与输入层神经元个数有关，还与样本的输入输出数据的结构特征有关。[8][9]本文RBF神经网络模型结构如图1所示。

2.2 神经网络评价模型的算法

图1中p1、p2、p3到pQ为RBF神经网络的Q个输入，Y为RBF神经网络的输出。输出层节点函数通常是简单的线性函数，隐含层节点函数通常为高斯函数，则隐含层第r个神经元的输出值zr为：

zr = exp（-||||2），r=1，2，3，……m （1）

式（1）中x为输入样本，cr为隐含层第r个神经元的中心向量，dr为隐含层第r个神经元的宽度向量，m为隐含层神经元总个数。由此输出层神经元的输出为：

Y=[y1，y2，y3，y4……..，yn]T （2）

yk=，k=1，2，3，4...n （3）

式（3）中wkr为隐含层第r个神经元与输出层第k个神经元之间的调节权重，n为输出层单元数。

3 教师质量综合评价模型的实现

3.1 样本的选取

本文从存档资料中选取20组教师质量考评数据，这些数据来自不同的评价群体，有学生、各系、人事处、教务处和其他综合部门。经过归一化处理后，将15组数据作（下转第170页）（上接第73页）为训练样本，剩下5组数据作为测试样本。

使用matlab2015建立三层RBF神经网络，输出层神经元个数、隐含层神经元个数和输出层神经元个数在前面的描述中已阐述，允许误差为0.001。通过选取的5组测试样本数据对得到的模型进行检验。将测试结果与期望结果比较，可以看出之间的误差比较小，测试结果与期望结果基本一致，具体见表2。由此看出基于RBF神经网络构建的教师质量评价模型具有较好的容错能力，基本达到了预期的效果。

4 结束语

高职院校教师质量评价体系是高职院校办学质量保障体系中的重要组成部分，是一个较复杂的非线性体系，而RBF神经网络模型具有自适应、自学习的特点，能有效克服传统评价的缺陷，减少主观因素对指标权重的影响，其评价结果与期望结果较接近。因此，运用RBF神经网络建立教师质量评价模型，可以为高职院校和教学管理部门提供一种较为科学的教师质量评价方法。

€L芸翁猓？016年四川教育发展研究中心立项课题：高职院校创业教育教学体系的改革研究（编号：CJF16012）

参考文献

[1] 唐振福.我国高等教育中外合作办学质量保障体系建设研究[J].江苏高教，2013.2：28-30.

[2] 朱玫林.高职院校办学质量评价职业化的理性回归[J].职业技术教育，2012.20（33）：55-57.

[3] 姜勇，张明红.教师质量评价的新转向与范式变革的前瞻思考[J].教育发展研究，2016.4：46-52.

[4] 刘霞玲.高职院校教师职业能力评价与能力建设研究[J].宁波大学学报（教育科学版），2011.1（33）：109-113.

[5] 王启田，崔维群，王有增.高职院校教师社会服务能力评价体系构建研究[J].职业教育，2015.5：31-34.

[6] 韩红桂，乔俊飞，薄迎春.基于信息强度的RBF神经网络结构设计研究[J].自动化学报，2012.7（38）：1083-1090.

[7] 儲兵，吴陈，杨习贝.基于RBF神经网络与粗糙集的数据挖掘算法[J].计算机技术与发展，2013.7（23）：87-91.

[8] 张吉刚，梁娜.基于多远统计—神经网络的教学质量评估模型[J].海南大学学报（自然科学版），2010.2：188-192.

[9] 史峰，王小川，郁磊，等.Matlab神经网络30个案例分析[M].北京航空航天大学出版社，2010.