基于深度学习理论的学前教育质量评估模型

孙云霞

(神木职业技术学院 管理工程系， 陕西 神木 719300)

0 引言

当前，世界范围内对学前教育的重视度普遍提升，学前教育发展速度与办学规模持续提升[1]，同时学前教育机构的构建模式更加多样性。国家对学前教育的引导方向随着重视度的提升更加明确[2]，在提升学前教育发展速度，改善学前儿童学前教育难问题的基础上，更加重视学前教育质量[3]，因此，研究一种系统、科学、完整的学前教育机构教育质量评估方法具有重要意义。

作为机器学习领域的重要组成部分，深度学习网络基于构建、模拟人脑分析学习的神经网络描述数据[4]，其主要优势体现在建模能力强、表征精度高等，可有效解决普遍使用的浅层学习网络在有限样本与计算单元条件下对复杂函数的表达能力与泛化能力受到限制的问题[5-6]。基于此，研究基于深度学习网络的学前教育质量评估方法。

1 基于深度学习网络的学前教育质量评估方法

1.1 学前教育质量评估指标体系构建

学前教育质量评估指标体系构建是学前教育质量评估的基础[7]。构建由学前教育环境创设、学前教育保教质量和幼儿发展三个一级指标构建的学前教育质量评估指标体系，如图1所示。

图1 学前教育质量评估指标体系

学前教育环境创设包括学前教育机构创建体制、学前教育机构创建条件两个二级指标，两者分别描述学前教育机构采用的办学模式和学前教育教学活动所使用的硬件和软件设施。学前教育机构创建体制中包含学前教育机构创建思想和管理机制两个主要内容；学前教育机构创建条件中包含基础设施设备、人员配备、规模与班级三个主要内容。

学前教育保教质量包括教师素质、人际交往和安全卫生三个二级指标。教师素质所指的是从事学前教育人员的工作能力，其中包含教师资格、教学技能、职业道德和课程管理四个主要内容[8]。人际交往所指的是从事学前教育人员同学前儿童和家长沟通互动的能力。安全卫生所指的是学前教育机构满足学前儿童最基本的生理与安全需求的能力，包括教育/保健管理、交通安全管理与膳食管理三个主要方面。

幼儿发展包括体质与动作、行为习惯、沟通能力和艺术认知四个二级指标。体质与动作所指的是学前儿童生理机能的正常发展水平；行为习惯是指学前儿童日常生活中的自理能力；沟通能力是指学前儿童通过累计词汇量传达自己情绪情感的能力；艺术认知是指学前儿童基于基础知识的掌握对周边简单自然现象的审美与艺术表现能力。

1.2 基于深度学习网络的评估方法

1.2.1 深度学习网络

深度学习网络内具有一个输入层、多个隐含层和一个输出层[9]，其分层结构与人类大脑结构极为相似。深度学习网络内仅相邻节点间存在连接[10]，相同层或不同层内节点间不存在连接，可将深度学习网络内的各层定义为一个logistic回归模型。深度学习网络模型内的隐含层包含数个受限玻尔兹曼机，通过叠加数个受限玻尔兹曼机，能够构建深度玻尔兹曼机学习网络，如图2(a)所示。当距离可视层较近的结构和较远的结构分别使用贝叶斯信念网络和受限玻尔兹曼机构建时，所构建的网络为深度信息网络，如图2(b)所示。

(a) 深度玻尔兹曼机

(b) 深度信息网络图2 深度玻尔兹曼机与深度信息网络结构

图2内，v和h分别表示可视层和隐层。利用由下至上的方式逐层训练受限玻尔兹曼机，通过预训练得到权值W。

利用无监督的预训练模型优化深度学习网络各层的权值，可将简单特征抽象画。可视层的输入为学前教育质量评估指标体系内的各二级指标Ai，设定输入层以及输出层的节点数量，隐含层h1、h2、h3的节点均为100。可视层与隐含层的联合概率分布描述为式(1)。

P(Ai,h1,h2,h3)=P(Ai|h1)·P(h1|h2)·P(h2|h3)P(h3)

(1)

由下至上的非监督学习过程，将各层均定义为一个受限玻尔兹曼机，利用贪婪学习方法由下至上逐层训练各层权重，第一层和其余层分别构建高斯-二进制受限玻尔兹曼机和二进制-二进制受限玻尔兹曼机。受限玻尔兹曼机内各可视层节点与隐含层节点均不存在相关性，描述受限玻尔兹曼机内各层的条件概率分布与联合概率分布,如式(2)、式(3)。

(2)

(3)

其中，N(·)和logistic(·)分别表示高斯密度函数和逻辑函数;c表示可视层偏置;b表示隐含层偏置。

输出层依照输入的DMOS(平均主观得分差，Differential mean opinion score)值对各层参数实施整体优化。经由无监督训练与有监督优化能够获取各层的权值与偏执，构建输出的抽象一级指标与DMOS值间的回归模型，测试阶段依照回归模型预测获取学前教育质量的客观评估结果。

1.2.2 评量评估过程

(4)

(5)

(6)

(7)

2 仿真测试的结果与分析

选取某城市内规模不等的146家学前教育机构为测试对象，利用本文方法对测试对象的学前教育质量进行评估。以统计学前教育质量评估方法的客观评估结果与主观评估结果间的相关系数(线性相关系数与等级相关系数)，对本文方法实施客观评估。用于判断主观评估结果与客观评估结果两个质量评估结果间线性相关性的指标，即为线性相关系数Xij，如式(8)。

(8)

用于判断一种质量如何能够被表示为另一种质量的单调函数的指标，即为等级相关系数Cij，如式(9)。

(9)

Cij值取值范围为0-1，其值越大表示本文方法评估结果越准确。

2.1 评估指标体系的评估

以文献[5]中CLASS视角下的评估方法和文献[6]内基于用户满意度的评估方法为对比方法，对比本文方法与对比方法中构建的教育质量评估指标体系的专家认同度(指标选取的全面性与科学性)，以此判断不同方法中评估指标体系构建的质量。不同评估方法内评估指标体系的专家认同度对比结果，如表1所示。

表1 评估指标的专家认同度对比

由表1中不同方法评估指标体系的专家认同度对比结果可以看出，本文方法所构建评估指标体系内各级指标的专家认同度均显著高于两种对比方法，由此说明本文方法所构建的学前教育质量评估指标体系更全面更科学。

2.2 深度学习网络参数分析

在深度学习网络内包含较多参数，因此有必要分析深度学习网络内各项参数对网络性能的影响。以下从输入指标数量和隐层数量两个参数出发，分析深度学习网络参数对网络性能的影响。

2.2.1 输入指标数量对深度学习网络性能的影响

不同输入指标数量条件下，本文所建深度学习网络评估结果与主观评估结果之间的线性相关系数与等级相关系数，如图3所示。

图3 输入指标数量对深度学习网络性能的影响

分析图3得到，输入不同数量的评估指标对于本文方法深度学习网络性能的影响并不显著，由此说明深度学习网络对于输入指标数量并不敏感。

2.2.2 隐层数量对深度学习网络性能的影响

不同隐层数量条件下，本文构建的深度学习网络评估结果的线性相关系数与等级相关系数，如图4(a)所示。不同隐层数量条件下，本文所建的深度学习网络训练时间，如图4(b)所示。

分析图4(a)得到，本文方法评估结果的线性相关系数与等级相关系数整体上随着隐层数量的提升而提升。当隐层数量由1个提升至3个时，本文方法评估结果的线性相关系数与等级相关系数提升速度较快；当隐层数量由3个提升至5个时，本文方法评估结果的线性相关系数与等级相关系数提升幅度较小。分析图4(b)得到，本文方法中深度学习网络训练时间随着隐层数量的提升而显著提升，且隐层数量越大，训练时间提升幅度也越大。综合图4(a)与4(b)的评估结果说明，隐层数量为3时，本文方法的评估性能最佳。

(a) 线性相关系数与等级相关系数

(b) 训练时间图4 隐层数量对深度学习网络性能的影响

2.3 不同测试对象的评估结果

在所选测试对象中任意选取12个，对比本文方法与对比方法评估结果与主观评估结果之间的线性相关系数与等级相关系数，结果如表2所示。

表2 不同测试对象的评估结果统计

分析表2得到，采用本文方法对测试对象学前教育质量进行评估，所得评估结果与主观评估结果的线性相关系数与等级相关系数显著高于两种对比方法，由此说明本文方法评估结果更为准确。

4 总结

本文研究基于深度学习网络的学前教育质量评估方法，将学前教育质量评估指标输入所构建的深度学习网络中进行训练，利用训练好的深度学习网络能够获取较为准确的学前教育质量评估结果。在后续研究过程中，将继续针对本文方法进行优化，逐步提升学前教育机构教学质量，实现教育强国梦。