神经网络在高校教育管理系统评估中的应用

赵晓宁，张 宁

(辽宁省大数据管理中心,辽宁 沈阳 110002)

1 现代教育管理系统评估

随着科技水平的不断发展，教育信息化已经深入教育教学的各个领域，积极开发并充分应用信息技术和信息资源，能够促进教育的现代化，培养满足社会需求的高等人才.教育信息化是现代高校教育管理的基本任务，是实现教育现代化的必经之路.教育管理是现代教育发展的重要组成部分，教育管理信息化是实现现代教育的重要技术手段[1].

高校教育管理的根本任务就在于保证实现高等教育的目标，完成各项教育教学任务.高校教育管理过程以育人为中心的这一特点要求高校管理者必须科学地确定培育人才任务的管理目标，制订规划和计划；把全校教职工组织起来实施规划和计划；检查监督计划的实行；总结工作绩效、评价学生素质水平.信息化技术为现代高校教育管理中的信息收集、过程监督和绩效评估等环节提供了工具和手段，在现代高校教育管理中必不可少[2-3].

然而，随着各种数字信息的不断增加，如何有效管理、评估各种信息化系统(如，学生信息、教师信息和员工信息等)的优劣、让管理人员依据使用者需求选择更适合其高校发展的信息化系统成为目前亟须解决的问题.本文应用神经网络技术提出一种服务系统的评估方法，用于帮助高校管理人员有效评估各类信息系统.

2 神经网络

神经网络是由大量处理单元互连而成的网络，是人脑的抽象、简化和模拟，反映人脑的基本特性[4-5].一般来说，神经元模型应具备3个要素：

(1)一组突触或连接，用wij表示神经元i和神经元j之间的连接强度；

(2)反映生物神经元时空整合功能的输入信号累加器；

(3)一个激励函数f(·)用于限制神经元输出，

其中，yi是神经元i的输出，xj是神经元j的输入，bi表示偏差.

3 研究方法

3.1 数据收集

一个信息系统的质量往往取决于使用者的行为，因此，度量一个系统的质量维度会随着系统的服务对象和服务属性而变化.信息系统用途和组件的多样性使它的质量控制和改进变得更加困难，因此，系统质量的评估维度需要随着系统变化而改变.在高校教育管理背景下，研究者对信息系统质量评估指标做了一系列研究，基于文献中信息技术领域专家的意见和对使用者的调研，本研究设计完成一个包含43项调查项目的调查问卷(部分项目如表1所示).

表1 高校教育管理系统的评价指标

该项研究选取两个高校的计算机专业和非计算机专业师生共计2 320人进行了问卷调查，收集了2 320条数据进行数据仓库构建.由于数据中存在一些问题数据，因此，必须进行数据清理和数据转换才能满足评估分析算法的需要.

3.2 数据清理和转换

在调查问卷中，一些师生由于某些原因(如未使用过系统某些功能)缺少一些数据或数据填写不真实，对这些不完整的数据和噪声数据需要进行清理操作.因为噪声数据在整个样本中所占比例相对较小，直接采用删除策略，即直接丢弃.噪声数据清理之后，共包含2 249个优良问卷.在本研究中，这些数据被按照4∶6的比例划分为训练样本和测试样本，经过随机选择，选出900条记录作为训练样本，1 349条作为测试样本.

数据的质量直接决定了模型的可预测性和通用性.因此，数据预处理被定义为使用某些标准方法的一些初步数据表征和处理步骤.由于数据中不同特征的量纲可能不一致，而且各值之间存在较大的差异，因此本研究首先对其进行了归一化处理，避免了预测结果存在较大偏差.针对两个样本集，本研究将各个属性的数据值均转化到[0,1]范围内.

3.3 系统评估模型

本研究采用RBF神经网络构建高校管理系统的系统评估模型，该模型共分为4层，包括输入层、归一化层、隐藏层和输出层，系统评估模型如图1所示.

图1 系统评估模型

首先，依据测试数据进行模型训练，对模型参数进行初始化；其次，利用Affinity Propagation聚类算法(AP)计算系统评估模型的隐藏层节点数量，以便找到隐藏层的数据中心；最后，在输出层和隐藏层之间进行权重优化，迭代训练隐藏层和输出层权重w，当误差满足模型要求时建立网络参数，完成模型训练.

Affinity Propagation聚类算法是Frey等[6]提出来的一种聚类算法,该算法的主要原理是通过构造整个样本集的相似度矩阵，并且通过迭代的方法分别计算出吸引度和归属度；然后，通过判断吸引度与归属度的和是否满足一定的条件去计算样本成为类代表点的可能性；最后，直到产生k个高质量的聚类中心将数据点分配到相应的聚类中.由于该算法具有聚类速度快、准确性高等特点，因此，基于RBF神经网络构建的高校管理系统的评估模型使用该算法计算隐藏层节点数量，查找隐藏层的数据中心.本文所提出的系统评估模型构建算法如下：

输入：测试数据集V，聚类中心Ac，方差σc

输出：评估值R

02.β1=0.98,β2=0.98,ε=0.08,α=0.01；

03.zdW=0,sdW=0,zdb=0,sdb=0,t=0；

04.whileW,b不收敛时，

ifW,b收敛，then break；

end while

06.returnR

在系统评估模型构建算法中，公式

用于计算隐藏层的隐藏节点个数，其中，Vi=(v1,v2,…,vn)表示第i个测试样本；vj表示一个测试样本中的第j个指标，一共有n个指标；φ表示该模型满足高斯分布；f表示误差函数；‖Vi-Ac‖表示向量Vi到聚类中心点Ac的距离；初始化参数β1、β2为指数衰减率，初始值均设为0.98；ε用于避免除数变为0；α表示模型的学习率；z表示梯度更新的指数移动均值；s表示梯度方差.

这里，利用动量算法的更新思想：

zdW=β1zdW+(1-β1)dW，

zdb=β1zdb+(1-β1)db，

sdW=β2sdW+(1-β2)(dW)2，

sdb=β2sdb+(1-β2)(db)2.

其中，W=(w1,w2,…,wm)是m个权重向量;dW表示成本函数，是对权重W的更新；db表示成本函数，是对阈值b的更新.因为这些移动均值初始化为0向量，所以会导致z偏向于0，特别是训练期间.因此,本研究利用偏差修正估计来解决训练初期问题，令

最后，通过公式

和

更新梯度参数，使模型从梯度均值及梯度平方两个角度进行自适应的调节，同时起到一定的退火作用.

在公式

中，Ri表示整个模型得到的最终估计值，隐藏层和输出层之间的权重用W表示，wc是从第c个隐节点连接到输出节点的相应权重.

利用系统评估模型构建算法将系统评估模型中的参数值确定后，整个模型构建完成.下一步利用测试样本对整个评估系统的性能进行测试、分析.

4 实验分析

为验证所提出的高校教育管理系统评估模型的有效性，本研究设置了相应的实验环境，硬件平台中央处理器为8核、主频2.60 GHz，内存为8 G，系统平台为Windows10，开发环境为Python 3.7，使用Tensorflow 1.10.0和Matlab R2019b 学习框架.

通过收集、整理的包含2 320条数据的数据集构建和测试所提出的高校教育管理系统评估模型，其中随机选取900条数据作为训练样本，1 349条作为测试样本.根据评估结果对模型进行验证，可以较直观地说明模型的有效性，实验使用均方根误差RMSE和平均绝对误差MAE来评估提出的方法.

这里，

通过将1 349条测试数据放入构建好的模型中进行计算评估，并与测试样本的实际值进行比较分析，评估的平均准确率达到83.07%，评估准确度符合预期目标.

5 结语

信息化时代下我国高等教育管理在不断朝着信息化、智能化发展.高校教育管理系统已经成为现代高校管理必不可少的技术手段.高校教育管理系统应尽可能地满足使用者的专业化、个性化需求，如何有效评估管理系统的实用性和专业性成为目前高校管理者的迫切需求.通过构建一个有效、专业的评估体系和评估模型，能够帮助高校教育管理者提高工作效率和服务水平，为高等教育发展做出贡献.