基于深度学习的新型评教模式探索

2020-09-17张俊陈怡华陈诗源

时代人物 2020年12期

张俊陈怡华陈诗源

基金项目：中山大学新华学院教学改革项目：移动互联网形式下新型评教方式的探索与平台的建立（项目编号：2019J029）

引言

我国有六十多万所学校和上亿的学生，传统的评教方式主要为纸质版评教和期中/期末网上统一评教，这两种评教方式都有一定的局限性面，不仅耗费人力物力，但是其时效性极差，学生对于教学过程中的疑惑不能及时反馈给老师。在教育行业引入深度学习，打破传统教育管理和教学模式下的禁锢，从教育管理信息数据中挖掘出更高层和更有价值的信息，真正掌握学生的需求，进而改进教育管理体系的缺陷和不足，并且为教育管理决策提供指导和信息支撑。

研究内容

本文基于深度学习技术，构建的用于自动判断识别学生对每个评价指标评价情况的神经网络模型，如图1所示，包括输入层、隐藏层和输出层;输入层包含H个神经元;输出层包含I个神经元;隐藏层具有三层，每层神经元个数依次为。

神经网络模型的输入层输入为学生对评教过程中每一项评价指标的结果，输出层的输出为学生在教学中遇到的问题。用于训练神经网络模型的模型训练库包括大量学生评教情况的样本，样本包括学生为N个，每个学生对L个不同评价指标进行评分，其中L个不同评价指标包括了整个教学评价所有内容数量为K，则训练输入为每个学生每个评价指标的对应得分，表示为;其中，K为所有学科需要考核的全部知识点数量，表示该学生第道题目的得分，表示第道题目对应的评价内容。

实施方法

（1）学生登陆教务系统分别对评价表中的每一项指标进行评价，如：“老师的课件和板书有助于学习”、“老师的讲解与课件或课程材料相结合”、“整体来说这堂课令人获益或者有价值”、“这堂课的难度适宜”等等，并且这些评价指标分别设置五个得分档：0分，2分，4分，6分，8分和10分，学生可根据自己在课堂上的听课经历以及教师的课堂表现，对每个评价指标进行打分，以此作为图1中神经网络模型的输入。

（2）在训练神经网络模型时，激活函数采用tanh，公式为;损失函数采用交叉熵损失函数，公式为，其中为正确输出，为神经网络实际输出;优化函数采用随机梯度下降法（Stochastic Gradient Descent，SGD）公式为;迭代训练直至模型收敛。

图1

（3）在训练神经网络模型时，进行预测分类。将需要分类的试题结果作为测试数据输入神经网络模型，最后的输出层采用softmax函数将结果归一化为概率值。假设输入一共有个样本，对于每一个输入，输出值为其对应的类别，那么对于训练集，其中。

对于每一个输入样本，经过模型后都能得到该样本针对每一类别的概率值，输出为一个维的向量，具体的公式如下：

其中为模型的参数，是将每一类的概率分布进行归一化。

实施案例

下面以对M课程所有学生的评教情况进行考察为具体实施例。具体包括以下步骤：

步骤1：学生登陆评教平台，分别对M课程设立的评价指标进行打分评价，如：“老师的课件和板书有助于学习”、“老师的讲解与课件或课程材料相结合”、“整体来说这堂课令人获益或者有價值”、“这堂课的难度适宜”等等，并且这些评价指标分别设置的得分档分别为：0分，2分，4分，6分，8分和10分，学生可根据自己在课堂上的听课经历以及教师的课堂表现，对每个评价指标进行打分。

步骤2：获取M课程的评教分值分布，通过深度学习模型分析得到M课程的薄弱环节和需要巩固提高的环节。判定标准：如果学生评教的成绩低于评教满分的一半，可认定该类评价指标是学生掌握的薄弱环节，如，满分为10分的指标“老师的课件和板书有助于学习”，学生得分为4分，那么可以反馈出该M课程的老师课件和板书对学生的学习帮助不大，需要根据实际情况进行改进。

步骤3：系统根据设置的薄弱环节的规则，自动推送步骤2中所确定的M课程的薄弱环节和需要改进的措施以邮件的方式通知到M课程的任课老师。

步骤4：M课程的任课老师根据反馈的M课程的薄弱环节和需要巩固提高的环节，对M课程做出相应的教学决策。如，步骤2中的薄弱环节是“老师的课件和板书有助于学习”的评价，那么系统将推送M课程该评价分数和改进措施给任课老师，任课教师可根据所推送的相关信息，对所选M课程的同学改进教学方法，也可以换一种学生更容易理解的讲课方式，进行讲解。