基于ELM的高校课堂教学评价模型研究

摘  要： 高校教学督导工作作为逐步建立和完善教学质量保障体系、保证教学过程规范进行、提高教学质量的坚实后盾，在加强教学环节管理过程中起着重要的作用。为了改善课堂教学质量的客观、科学、合理性，本文针对高校教学督导组在教师课堂教学过程中的评价问题，提出了一种基于极限学习机（ELM）的课堂教学评价模型。该模型在训练过程中无需调整神经网络的权值和阈值，只需要设置隐层神经元个数获得最优解。以重庆某高校为例，通过MATLAB平台仿真，结果表明该模型不仅克服了BP神经网络模型容易陷入局部极小的缺陷，而且抑制了教学督导评价的主观因素，提高了评价准确度。

关键词： 教学督导;课堂教学;极限学习机;评价模型

中图分类号： TP389.1    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.06.008

本文著录格式：唐立力. 基于ELM的高校课堂教学评价模型研究[J]. 软件，2020，41（06）：3538

【Abstract】： Teaching supervision plays an important role in the process of strengthening the management of teaching links as a solid backing to gradually establish and improve the teaching quality assurance system， ensure the standardized teaching process and improve the teaching quality. In order to improve the objective， scientific and reasonable quality of classroom teaching， this paper puts forward an evaluation model of classroom teaching based on ELM， aiming at the evaluation of teaching supervision group in the process of classroom teaching. In the process of training， it is not necessary to adjust the weight and threshold of neural network， but only to set the number of hidden neurons to get the optimal solution. Taking a university in Chongqing as an example， the result of MATLAB platform simulation shows that the model not only overcomes the defect of BP neural network model easily falling into local minimum， but also restrains the subjective factors of teaching supervision evaluation and improves the evaluation accuracy.

【Key words】： Teaching supervision; Classroom teaching; Extreme learning machine; Evaluation model

0  引言

国务院于2012年10月1日实施了《教育督導暂行规定》，明确将教育教学水平、教育教学管理等教育教学工作情况纳入教育督导工作范围，为高校建立和完善教学质量保障与监控体系提供了重要依据。教学督导在当今倡导的“以学生为中心、以输出为导向、持续改进”的教育理念中扮演着重要角色，教师课堂教学质量的评价是学校教学管理的一项重要内容，是高校教学质量保障体系的重要组成部分，所以提高课堂教学质量显得非常重要。目前，高校教师课堂教学的评价主要由教学督导工作组[1]完成，督导评教结果也成为了衡量和提升教学质量的核心内容。由于教学督导工作组在评价教师课堂教学情况时难免会产生主观性，许多学者研究了一些量化评价模型来克服这个问题。比如统计评价模型：层次分析模型[2]、KANO模型[3]、主成分分析模型[4]、灰色模型[5]，统计评价模型能过模拟线性关系，对象为非线性关系时评价准确度不高。神经网络因其强大的非线性逼近能力，在课堂教学评价中应用广泛。比如，郑永等[6]利用BP神经网络模型来评价教师教学质量，但是BP模型的初始权值和阈值无法准确获得，导致网络陷入局部极小问题，诊断精度降低。于是出现了一些BP神经网络的优化评价模型，比如，刘忠宝等[7]利用粒子群算法优化BP网络的参数完成教学质量的评价，李燕燕等[8]利用蜻蜓算法优化BP网络的参数完成教学质量评价。

本文为高校教学督导工作组设计了一种课堂教学的ELM评价模型，以重庆某高校实际情况为例，通过实测数据验证了该模型的有效性。和传统BP网络评价模型相比，ELM评价模型训练前只需要设置神经网络隐含层神经元个数，克服了神经网络的

评价效果受初始权值和阈值影响、网络容易陷入局部极小点问题，抑制了教学督导工作组评价中可能出现的主观因素，提高了评价准确度。为高校教学督导工作组提供了一种评价参考方法。

1  教师课堂教学评价指标体系

以重庆某高校为例，学校教学督导工作组从评教和评学两个维度构建了课堂教学综合评价指标体系，分解为教师授课和学生学习两个一级评价指标。教师授课方面分解为10个二级评价指标、学生学习方面分解为5个二级评价指标。各指标相互联系、相互影响，全面反映了教师教学过程和学生学习过程的效果。具体评价指标及分值见表1。

2.2  ELM评价模型建立

2.2.1  获取样本数据

以重庆某高校实评数据为例，学校教学督导工作组根据表1的评价指标于2019-2020学年第一学期组织了10名教学督导专家，通过现场听课方式对《线性代数》课程进行了现场打分评价，评价过程分为二级指标的专家独立评价和专家联合评价两个步骤，其中专家联合评价的结果就是该项指标的总评结果，分为：优秀、良好、中等、合格四个等级。独立评价结果和联合评价结果之间具有较强的非线性关系，为了便于ELM训练和测试，对二级指标评价结果原始数据进行归一化处理，对总评结果编码：优秀-1、良好-2、中等-3、合格-4，得到样本数据如表2所示。

督导专家对讲授《线性代数》课程的第一位教师的15个二级指标进行了评价，即表2中的I1-I15，将评价结果作为训练样本。随后，督导专家对讲授该课程的第二位教师随机选取了4个二级指标进行评价，即表2中的I*7、I*9、I*12、I*15，将评价结果作为测试样本。

2.2.2  创建ELM评价模型

ELM模型为单隐层前馈神经网络，根据表2样本数据，将网络的输入神经元个数设置为10，对应10名专家独立评价结果，将其作为网络判别因素。隐层神经元个数设置为训练样本个数，这样可以提高训练精度[9]，故隐层神经元个数设置为15。网络输出对应总评结果，因为总评结果为单值，故输出层神经元个数设置为1。创建的ELM模型结构就为10-15-1型网络。课堂教学的ELM评价流程如图1所示。

3  仿真与分析

本文以表2的样本数据为例，隐层神经元的传递函数选为S型函数Sigmoid，利用函数elmtrain（）来训练ELM，elmpredict（）函数进行ELM的仿真测试，性能函数选为mse（均方误差），ELM的应用类型设置为0，表示回归、拟合问题。通过MATLAB R2016a软件平台进行仿真，得到ELM课堂教学评价结果如表3所示，其中，测试样本评价结果对比如图2所示。

从评价结果可以看出，ELM对测试样本的评价正确率为100%，表明其拟合性能较好。为了对比ELM的性能，同时采用BP神经网络对表2的样本数据进行仿真，得到ELM和BP网络的均方误差对比如表4所示。

从表4可以看出，ELM网络的训练和测试误差均小于BP网络，评价精度有所提高。

4  结束语

本文提出了一种基于极限学习机的高校课堂教学评价模型，将该模型应用于教学督导工作组的实际评价中，获得了很好的评价效果，并和常规的BP神经网络评价模型相比较，ELM评价模型训练时需要设置的网络参数较少，克服了常规BP网络收敛速度慢、容易陷入局部极小值问题，抑制了教学督导工作组容易出现的评价主观性，提高了评价准确度。为高校教学督导工作组在课堂教学以外的督导项目提供了一种参考方法。

参考文献

[1] 王莉芬，  杨勇， 朱惠延.  地方高校教学督导助推青年教师教学能力提升的对策思考[J]. 高教论坛， 2019（11）：  33-36.

[2] 刁光成. 基于层次分析法构建高校教学质量评价模型[J]. 开封教育学院学报， 2017， 37（12）： 140-141.

[3] 任丽平， 侯建成， 郑中华. 卡诺模型在高校课堂教学质量评价中的应用研究[J]. 卫生职业教育， 2018， 36（16）： 68-70.

[4] 汪学荣， 周玲， 章杰. 基于主成分分析法的教学质量评价模型的构建[J]. 中国轻工教育， 2017（1）： 44-46.

[5] 赵桂兰， 孙冻. 基于灰色聚类分析的教师课堂教学质量评价[J]. 兰州石化职业技术学院学报， 2019， 19（3）： 58-61.

[6] 郑永， 陈艳. 基于BP神经网络的高校教师教学质量评价模型[J]. 重庆理工大学学报（自然科学）， 2015， 29（1）： 85-90.

[7] 刘忠宝， 马巧梅， 杨秋翔. 基于PSO神经网络的高校教学质量评价方法[J]. 计算机与网络， 2015（5）： 52-54.

[8] 王小川， 史峰， 郁磊， 等. MATLAB神经网络43个案例分析[M]. 北京： 北京航空航天大学出版社. 2013： 245-246.

[9] 史峰， 王辉， 郁磊， 等. MATLAB智能算法30个案例分析[M]. 北京： 北京航空航天大学出版社. 2011： 290-301.

[10] 李晓玲. 高校督导制度提升青年教师教学能力研究[J]. 大学教育， 2019（11）： 207-209.

[11] 黃彦. 高校教学督导工作创新与发展趋势研究[J]. 中国多媒体与网络教学学报， 2019（10）： 124-125.

[12] 林家栋. 新常态下高校课堂教学督导工作探析[J]. 北京教育（高教）， 2019（2）： 72-73.

[13] 常强，赵伟，赵仰杰. 基于神经网络的数据分类预测与实现[J]. 软件， 2018， 39（12）： 210-214.

[14] 王海丰，李金霞，张鲲. 基于SVN版本控制的程序设计类课程教学研究[J]. 软件， 2018， 39（4）： 218-221.

[15] 谢晋. 模糊算法在高校教师评价系统中的应用研究[J]. 软件， 2015， 36（8）： 22-24.

[16] 何洪亮， 赵珂， 王子群， 等. 基于层次分析法与多元曲线拟合法的众包任务定价模型研究[J]. 软件， 2018， 39（10）： 139-144.

[17] 刘迷迷， 蔡永铭. 基于多层感知神经网络的糖尿病并发症预测研究[J]. 软件， 2018， 39（10）： 30-35.