高校教师教学质量的粒子群优化神经网络评价模型

2017-10-13贾花萍渭南师范学院网络安全与信息化学院渭南714099

微型电脑应用 2017年9期

贾花萍(渭南师范学院网络安全与信息化学院，渭南 714099)

贾花萍
(渭南师范学院网络安全与信息化学院，渭南 714099)

教学评价在高校教学工作中起着重要的作用，神经网络评价方法在面对海量数据时，在时间效率、鲁棒性和精确性上都显示出了不足，因而采用粒子群优化神经网络方法建立教师教学质量评价模型。与传统BP神经网络相比 ,粒子群优化神经网络的教学质量评价结果更接近于实际值,同时避免陷入局部极小的缺点,达到了很好的评价效果。

教学质量；粒子群；神经网络；评价；模型

Abstract： Teaching evaluation plays an important role in university teaching. Facing on massive data, neural network evaluation has its shortcomings such as low robustness, accuracy and time efficiency. Using particle swarm optimization neural network method this paper establishes teaching quality evaluation model. Compared with the traditional BP neural network, quality evaluation results of particle swarm optimization neural network teaching are much closer to the actual value, and avoid falling into local minima. It achieves good effect evaluation.

Keywords： Teaching quality; Particle swarm optimization; Neural network; Evaluation; Model

0 引言

教学评价是高校教学质量评价的主要手段之一，教师课堂教学质量评估是学校科学化管理必不可少的一环，起着区分优劣、鉴别等级、诊断问题、导向激励的作用。[1]高校教学质量评价工作主要是针对课堂教学、实验教学、实训教学进行评价。对教师进行客观公平合理的评价，可以让教师改进教学上的不足，改进教学方式与方法，更加客观准确的认识自己，提高教学质量。从而高校的教学质量也会因此而得以提升，这一良性的互动过程，必然会对高校的发展起到良好的推动作用。

教学质量的评价工作已经有多年历史，有着较为成熟的操作经验，可采取多种方式进行，过去通常采用调查问卷的方法进行教学质量评价，但该方法存在工作量大，覆盖面窄，数据处理准确性差等特点，目前，针对高校教学质量的评价体系一般包括以下几个部分：学生评教、同行评价、教学督导评价、教师自评[2]，在每一种评价方法都完成之后，按相应的权重对上述结果进行综合，得到对某教师的整体评价。教育水平处于世界前沿的美国，针对高等教育的特点颁布了其评比标准《绩效优异教育标准》[3-5]，从各个方面全面评价教师的教学工作。英国也成立了高等教育质量保证机构QAA)，来评估高校学科级的教学质量和教学标准。我国高校基本上都是建立自己的教学质量测评系统对教师进行评价。近年来，国家对高等学校教学质量的评估非常重视，如高等学校本科教学水平评估工作，教学质量评估是教学管理走向科学化的手段，也是高等教育国际化的重要要求[6]。

1 教学质量评价指标体系的建立

教学质量评价中，评价指标的构建是其核心内容。评价指标的构建不仅要符合高校的实际情况，而且要能够客观真实的反映教师的教学质量。通过对教学过程进行分析，建立了包括教学方法、教学态度、教学内容、教学效果、教学能力在内的5个一级指标，16个二级指标来构成评价指标，该指标涉及教师教学的各个方面，教学态度总权重值为40，主要用于衡量教师的教学态度等方面；教学内容总权重20分，主要是教师对教学内容的传授情况，包含3个二级指标；教学方法总权重15分，如现代化教学方法的应用等，包含3个二级指标；教学效果总权重15分，包含3个二级指标；讲授能力总权重10分，包含2个二级指标，主要反映教师的授课能力，各测评指标权重的设置能够很好地反映教师的教学情况，在实施中能够取得较真实地评价结果。如表1所示。

表1 教学质量评价指标体系

1 评价方法

PSO算法(Partical Swarm Optimization -PSO)于1995年由Eberhart博士和Kennedy博士基于鸟群觅食行为而提出[7][8]，该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法，近年来受到广泛的应用。但是PSO算法早期搜索速度较快，当参数设定过大时，粒子的搜索有可能错过最优解而导致算法不收敛。[9]在收敛情形下，也会由于所有粒子在“跟随”思想的指引下，向着一个方向飞行，导致粒子趋向同一化，降低了算法的收敛速度和搜索精度；当其应用于高维复杂问题的优化时，经常存在所谓的“早熟”现象，早熟收敛甚至不能保证算法收敛到局部极值，因而严重制约了算法的实际应用。

神经网络(Artificial Neural Networks，ANNs)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络方法近年来也成为研究热点，刘同海等将RBF 神经网络用于种猪体重的预测,预测效果优于线性回归模型。[10]徐黎明用BP神经网络预测泥石流平均流速。[11]

神经网络算法和PSO算法是两种不同的优化方法，处理信息的方式有着很大的差别，但二者之间也存在某些共性，将二者结合，利用各自优势取长补短，建立更加有效的优化方法，这也是近年来的研究热点。李方方等利用PSO算法优化神经网络的权值和阈值，将其应用于预测油品质量问题中，取得了很好的效果[12]；刁鸣等提出PSO优化方法与神经网络结合，即将神经网络嵌入到PSO优化算法的迭代中来改进算法性能，并将其应用于CDMA通信系统多用户检测问题中[13]；段玉红等将神经网络嵌入PSO算法来提高PSO算法的收敛速度，其性能优于采用单个Hopfield神经网络设计的多用户检测器性能[14]。本文提出采用混沌序列来初始化粒子速度及位置，和小生境淘汰选择的进化策略相结合，并调整惯性权重、压缩因子及目标函数，进而设计新的PSO优化算法，也就是将改进的PSO算法与神经网络相结合，建立新的PSO神经网络算法，将其应用于教师教学质量评价中。

PSO神经网络的学习算法可用以下数学模型来描述：[15]

minZ=f(x)

s.t.x∈X

其中，x为采用神经网络连接权值和阈值表示的决策变量，X是由x的定义域构成的约束条件，f(x)是神经网络输出误差表示的目标函数。

PSO算法的作用就是搜索一组最优的连接权值和阈值，使得神经网络的输出误差达到最小。神经网络阈值和初始权值的选取会影响网络最终训练效果。PSO神经网络阈值和权值的训练流程图如图1所示：

图1 PSO神经网络阈值和权值流程结构图

PSO神经网络算法步骤：

Step1：混沌初始化连接权值与阈值，并将其编码为粒子；

Step2：将初始种群划分为若干小生境子群；

Step3：计算粒子适应值；

Step4：计算个体极值，群体极值和总体极值，适应度定标和惯性权重自适应调整，更新粒子速度与位置；

Step5：若未达到小生境更新条件，迭代次加1，返回步骤Step3；若达到小生境更新条件，继续；

Step6：若未达到最大迭代次数，执行小生境淘汰策略，返回步骤Step2；若达到最大迭代次数，确定网络连接权值与阈值，结束。

1.1 实验数据

随机选取10名教师，对其按照教学质量评价指标体系由同一班学生进行打分取平均值后，先将数据进行归一化，计算出相关系数矩阵，计算出特征值和特征向量。由此求出贡献率和累计贡献率，并求出主成分。通过主成分分析法可以得到序号为1、2、4、6、9、10、12、15的评价指标是影响教学质量评价的主要因素。其主成分表如表2所示。

表2 主成分表

1.2 PSO神经网络设计

考虑PSO神经网络的精度和泛化能力，采用了一个隐含层的网络结构。该结构简单，应用广泛。依据神经网络非线性映射的基本理论，将PSO神经网络的隐含层个数确定为 1，整个网络一共是 3 层。对于教师教学质量评价指标首先进行的主成分分析结果，16个因素经过主成分分析后得到8 个主成分变量，所以，PSO神经网络输入层的节点数为 8；网络输出层的节点数确定为4；隐含层节点数根据Kolmogorov定理确定，将隐含层的节点数确定为4。

1.3 BP神经网络设计

BP神经网络的输入层，隐含层及输出层节点数的确定与改进PSO神经网络的拓扑结构相同，隐含层神经元传递函数为双曲正切tansig函数。

2 结果及主要结论

2.1 评价结果

取前8组数据作为训练数据，后2组数据作为预测数据，利用MATLAB7.0软件进行测试，预测结果与教学督导评价结果和传统BP神经网络评价结果相比，如表3所示。

表3 评价结果

2.2 主要结论

(1)提出的教师教学质量的粒子群优化神经网络评价模型，使评价克服主观性,且具有一定的弹性, 更加符合现实条件;

(2)对教师的最终评价结果进行排名后，和教学督导的评价结果及BP神经网络评价结果进行对比，3种方法排名结果变化不大，但PSO优化神经网络方法更接近于教学督导评价结果。所以，最终的评价结果能够真实地反映教师的教学情况。

(3)对教学质量进行评价，能够发现教师在教学过程中存在的问题，这样才能针对具体问题提出有效的整改方案，以提高高校的教学质量，促进教师主动学习学科前沿知识，不断更新教学内容，改进教学方法，提高自身教学水平。[16]

4 总结

目前，高校教学质量评价方法比较单一，通常是通过学生填写评价表的方式进行评价，该方法不尽全面也不尽详实，而且不能反应课程多样化的特征。数字化结果的内涵模糊, 对于指导教学缺乏针对性;仅靠分数来比较不同教师的教学水平, 不具有足够的说服力。[17]随着人工智能与计算机技术的发展，有学者提出采用新的方法来评价教学质量，如马希荣等将数据挖掘算法应用于教学评价中。[18]吴有昌，高凌飚等将SOLO分类法应用在在教学评价中。[19]该方法虽具有较大的优越性，但有时会在一定程度上造成教师难以识别学生回答的各个 SOLO层次, 从而不能有效地确定教师教学质量水平, 有人认为这是其在测量学习结果时存在概念上的模糊性。有学者提出“测评—反思—改进—实施”的教师教学能力发展性评价的模式,即PSGS模式。[20]

与常规方法相比，用BP神经网络方法无论是预测精度还是使用便捷性都有很大提高；但在教学质量评价中还存在一些问题，如这种算法简单易懂，但其训练速度往往很低，并且不适用于模式分量很多的分类问题；同时BP神经网络虽具有较强的适应能力但易陷入局部极小点，使得预测精度的稳定性不容易得到保证。于是，将 PSO优化神经网络算法建立评价模型，可以提高混合型神经网络的学习速度，并降低算法对网络初始权值的敏感性，减小网络受外界激发的震荡，加强算法的全局搜索能力。实验结果表明，采用PSO优化神经网络建立的评价模型，对教师教学质量具有良好的评价效果，和教学督导评价结果非常接近，其性能远优于传统的BP神经网络评价模型。

影响教学质量评价结果的因素多种多样，除了有课程特征、学生特征、教师特征外，还有其他目前没有发现和重视的其他特征，都会对教学质量评价产生影响，文中提出的评价模型对于教学质量评价是一种新的方案，在教师教学质量评价中起着积极的作用。在促进教育事业的发展具有一定的理论意义和实际应用价值。

[1] 赵乐华，逢增苗.课堂教学质量评价方法初探[J].高等理科教育，2002(1):62-64.

[2] 单高麟，潘立本．构建公平和谐的高职课堂教学质量监控体系[J]．职业与教育，2006(33)：13-15.

[3] 赵中建．从企业界走进教育界一美国国家质量奖《绩效优异教育标准》述评[J]．教育发展研究，2001(1)：66-71.

[4] 乐毅．可资借鉴与引用的学校办学质量评估标准——美国国家质量奖《绩效优异教育标准》述评[J].教育科学，2004，20(1)：61-64.

[5] 乐毅．波多里奇质量奖获得者的办学经验及其启示——美国威斯康星大学斯陶特分校个案析[J]．复旦教育论坛，2005(3)：66-69.

[6] 张国梁，朱泓.高等教育国际化的思考[J].辽宁教育研究,2002(10):42-43.

[7] Kennedy J, Eberhart R C. Particle Swarm Optimization[C]//Proceedings of IEEE International Conference on Neural Networks. Piscataway, NJ: IEEE Press, 1995.1942-194.

[8] Eberhart R C, Kennedy J. A new optimizer using particle swarm theory[C]//Proceeding of the sixth International symposium on micromachine and human science. Piscataway: IEEE Service Center, 1995. 39-43.

[9] 林卫星,陈炎海.一种快速收敛的改进PSO优化算法[J].系统仿真学报，2011,23(11): 2406-2411.

[10] 刘同海.李卓,滕光辉等. 基于RBF 神经网络的种猪体重预测[J].农业机械学报，2013,44(8):245-249.

[11] 徐黎明.基于BP神经网络的泥石流平均流速预测[J].吉林大学学报(地球科学版)， 2013(1):186-191.

[12] 李方方,赵英凯,贾玉莹.基于粒子群优化算法的神经网络在油品质量预测中的应用[J].计算机应用，2006,26(5):1122-1124.

[13] 刁鸣,高洪元,马杰,缪善林.应用神经网络粒子群算法的多用户检测[J].电子科技大学学报,2008,37(2)：178-180.

[14] 段玉红,高岳林.一类0/1优化问题融合神经网络的粒子群算法[J].计算机应用,2008,28(6)：1559-1562.

[15] 李勇平,基于改进粒子群神经网络的电信业务预测模型研究[D].广州:华南理工大学，2009.9.

[16] 王根顺,邓红.我国高等学校教学质量评估的理性思考[J]. 高等理科教育，2003(2)：12-17.

[17] 蔡敏, 张丽. 大学生参与教师教学评价的调查研究[J] . 高等教育研究, 2005(3):69-73.

[18] 马希荣，孙华志. 数据挖掘技术在教学评价中的应用[J].计算机工程与应用，2003(19)：51-54.

[19] 吴有昌,高凌飚. SOLO分类法在教学评价中的应用[J].华南师范大学学报(社会科学版)，2008(3)：95-99.

[20] 张才文.试论教师教学能力的发展性评价[J].上海教育科研, 2003(11): 61.