基于BP神经网络的课程质量评价体系研究与应用

张磊 方正 王磊 宋彬

摘 要：科学评价一门课程的课堂教学质量和网络课程建设质量是一项系统而复杂的工作.本文首先提出了兼顾课堂授课质量和网络课程建设质量的课程质量评价体系，然后根据该体系建立了模拟专家评价的BP神经网络系统.通过实际评价数据验证，该系统能够准确模拟专家进行课程质量的评价工作.

关键词：课程质量评价;BP神经网络;课堂教学质量;网络课程建设质量

中图分类号：G642  文献标识码：A  文章编号：1673-260X（2020）01-0102-03

1 引言

当前，随着计算机网络技术和移动互联技术的进步，高等教育的“慕课”时代已经来临[1].高校的传统课堂教学不再是小受众、封闭式，高校教师也不再单纯扮演“以教为主”的传统角色，转而发挥由“教”到“导”的作用[2]，人们对于“教学”的传统观念正在被打破.高校一方面顺应潮流趋势，大力推进“慕课”建设，培育一批优质的网络开放课程，培养大学生利用网络自主学习的能力，寻找传统课堂教学与“慕课”学习的无缝连接点;另一方面则必须面对如何对课程质量进行科学评价的问题.当前，高教学界对于课程的课堂教学效果评价和网络在线课程评价都是基于各自标准分别进行的，两种评价相互孤立，没有任何联系.但从“教学”的根本宗旨出发，无论是课堂教学还是网络课程，都是以教学对象获得知识为最终目的，因此课程质量评价不应割裂课堂教学和网络课程建设的关系.在高校教学中，一门课程若在实施课堂教学的同时还建设有较完善的网络课程，这无疑丰富了教学对象的知识获取手段.若课堂教学能与网络课程无缝连接，相辅相成，则课程质量评价高;若课堂教学与网络课程孤立存在，则课程质量评价低.因此，本文首先提出科学评价一门课程的课程质量要兼顾课堂教学和网络课程建设的观点.

然而，对一门课程进行科学的课程质量评价是一项系统而繁杂的工程.评价既包含客观指标，又包含主观评分;而各评分指标项的权重分配也无据可依，目前只能由各高校依据校情自行决定.近年来随着神经网络技术的发展，BP神经网络被用于处理各类复杂系统问题，特别是在处理非线性系统问题方面，具有独特优势.已有学者将神经网络用于教学效果评价，模拟专家打分，收到了较好的应用效果[3-8].本文即是在重新建构兼顾课堂授课效果和网络课程建设评价体系的基础之上，应用BP神经网络建立了课程质量的评价模型，并使用测试数据验证了所建立评价模型的有效性.本文所有数据均来自于徐州工程学院教务系统.

2 課程质量评价体系构建

通过对徐州工程学院现行的课堂教学评价方法进行梳理总结，参考部分典型的课堂教学评价体系，提出课堂教学质量评价的五个二级指标;通过参考教育部教育信息化技术标准委员会发布的CELTS-22网络课程评价规范，结合学校实际情况，兼顾可操作性，提出网络课程质量评价的3个二级指标，其中二级指标“课程内容”具有3个三级指标.由课堂教学质量评价和网络课程质量评价共同构成该课程的综合评价.具体的评价指标体系如表1所示.

表1所示的课程质量评价体系兼顾了一门课程的课堂教学和网络课程建设质量评价，在实际使用中，由督导、同行和学生三类人群分别使用该评价体系表对一门课程打分.将三类人群的打分汇总后，由教务管理部门聘请校内专家依据打分汇总情况和实际听课、网络课程巡查情况给出课程的最终课程质量评分.专家综合评分是课程质量评价的最终依据.

上述评价过程的督导、同行和学生三类人群的打分可以较快完成，所得分值也容易使用现代办公软件计算;但由这三类人群打分所反映出的课程基本情况，结合实际课堂授课质量和网络课程建设质量，将其转换成专家打分却是一个经验的、主观的非线性过程.本文下面将建立BP神经网络来模拟该非线性过程，达到使用BP神经网络替代专家打分的目的.

3 BP神经网络建模

BP神经网络采用有监督的学习，进行本文BP神经网络的建模将在MATLAB 2016b中进行.由于近年神经网络技术的快速发展，许多与神经网络相关的新算法、新函数已经更新包含在MATLAB的神经网络工具箱中了，建立神经网络模型的工作已经大为简化.故本文的BP神经网络建模只需考虑以下几个方面问题：

3.1 网络层数

BP神经网络可以包含一个或多个隐含层.但理论已经证明，单个隐含层的神经网络可以通过适当增加神经元的节点个数实现任意非线性映射.因此，对于大部分应用场合，单个隐含层即可满足需要.故本文模型的网络层数确定为3.

3.2 输入层节点数

输入层节点数取决于输入向量的维数.由于使用表1进行评价的群体有3类，分别是督导、同行和学生，故本文设定输入层节点数为3.

3.3 输出层节点数

本文需要输出的是一个课程评价综合得分，故输出层节点数为1.

3.4 隐含层节点数

隐含层节点数对BP神经网络的性能有很大影响.隐含层节点数多可以带来较好的网络性能，但可能会导致训练时间过长.目前还没有一个明确的解析式可以用来确定隐含层神经元节点个数，一般做法是采用经验公式给出估计值.本文根据下面的经验公式来确定隐含层节点数[9]：

M=+a 1≤a≤10  （1）

其中M是隐含层神经元节点数，n和m是输入和输出层神经元节点数.由上式，确定隐含层节点数的取值范围为3～12，本文取8.

3.5 数据预处理

将督导、同行和学生评分分别取算术平均，与专家评分一一对应，整理成如表2所示的表格形式.表2即是神经网络的输入和期望输出.

4 BP神经网络的训练和仿真

由以上分析和准备工作，选择表2的前19门课程作为训练数据，后5门课程作为仿真校验数据，在MATLAB 2016b中使用下列主要语句行建立BP神经网络并进行训练和仿真：

clear

clc

p=xlsread（'课程评分.xlsx'，'222'，'B2：D20'）';%变量输入

t=xlsread（'课程评分.xlsx'，'222'，'E2：E20'）';%标签数据

p2=xlsread（'课程评分.xlsx'，'222'，'B21：D25'）';%测试数据

p3=xlsread（'课程评分.xlsx'，'222'，'E21：E25'）';%测试标签数据

fp.ymin=0;fp.ymax=1; %设置归一化区间

pn=mapminmax（p，fp）;

tn=mapminmax（t，fp）;

p2n=mapminmax（p2，fp）;

[p3n，settings]=mapminmax（p3，fp）;

net = feedforwardnet（8）; %建立隐含层节点数目为8的BP神经网络

[net，tr]=train（net，pn，tn）; %缺省训练函数为‘trainlm

Y=sim（net，p2n）; %仿真

A=Y-p3n;

E=mse（A）; %求均方差

x=mapminmax（'reverse'，Y，settings） %反歸一化

训练结果如下：

由图3，BP神经网络经过8次迭代就已达到目标要求.仿真最终计算的结果为：x=[83.2333 84.3996 85.2713 82.7633 82.6509]，均方误差为0.0171，误差较小，与表2对比可得，所建立的BP神经网络可以满足使用要求.

5 结论

使用BP神经网络可以较好地模拟专家打分，由基础数据迅速得到课程质量评价的综合得分，所得分值误差较小，大大减轻了教学管理部门的工作量，提高了工作效率.

参考文献：

〔1〕方君，邵杰.慕课对传统高等教育的冲击与应对策略[J].重庆科技学院学报（社会科学版），2016（5）：122-124.

〔2〕陈薇伶，陈亮任，郭燕，等.MOOC时代普通高校课堂教学的影响[J].教育教学论坛，2019，398（04）：246-248.

〔3〕范岩，马立平.优化BP神经网络的高校教学质量评价模型[J].统计与决策，2018，34（02）：80-82.

〔4〕葛春，王虹，常伟，吴晓露.基于改进BP神经网络的课堂教学质量评价模型研究[J].无线电工程，2016，46（06）：5-8+17.

〔5〕于权.基于BP神经网络军校教学质量评价系统[D].大连理工大学，2016.

〔6〕吴蕾，吴婷.BP神经网络在教学质量评价中的应用观察[J].湖南理工学院学报（自然科学版），2014，27（03）：33-36+59.

〔7〕袁剑.教学效果的BP神经网络评价[J].智能计算机与应用，2013，3（06）：60-62.

〔8〕刘连新，刘郁.基于BP神经网络的教学质量评价[J].江苏建筑职业技术学院学报，2013，13（03）：60-63.

〔9〕周开利.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.