基于深度置信网络的本科教学效果评价

王 军

（电子科技大学 中山学院，广东 中山 528402）

引言

教育是强国之本，建设教育强国是中华民族伟大复兴的基础工程。教学质量关系着人才培养质量，是高校办学的基石。

目前，很多学者对本科教学质量评价方法和体系进行了深入研究，取得了大量的成果［1-5］。邢永丽等采用层次分析法进行本科教学评价［6］；罗奕等利用动态变权层次分析法对本科教学效果状态进行评估［7］；肖永良等利用主成分分析方法从原始指标信息中提取有效指标特征，并采用多级Sigmoid神经网络对本科教学效果进行评价［8］；何梅采用模糊综合评价法对本科教学进行评价［9］；吕佳佳等采用权重分析法对生物教学效果进行评价［10］。然而，这些评价方法存在一些缺陷：首先，这些方法评价指标不完整，且受到主观因素影响，很难保证评价的客观性和公平性；其次，由于影响教学效果的因素很多，而且各个因素的影响程度也不一致，各因素权重的确定对评价结果影响很大。为此，本文构建了较全面的本科教学效果评价指标体系，给出了各指标权重确定方法，在此基础上，采用深度置信网络进行本科教学效果评价。

深度置信网络（DBN）是机器学习之神经网络的一种，既可以用于监督学习，又可以用于非监督学习。它是根据生物神经网络的研究及浅层神经网络发展而来的，为概率生成模型，通过联合概率分布推断出数据样本分布。DBN生成模型通过训练网络结构中神经元间的权重，使整个神经网络依据最大概率生成训练数据，形成高层抽象特征，提升模型分类性能。DBN能更加抽象地学习高层特征，非常适用于处理高维复杂的大量数据。

一、本科教学效果评价指标体系

教学是师生互动的过程，因此，教学效果的评价主要从教师和学生两方面进行。具体来说，包括教学内容，教师的教学态度、教学能力水平、教学方法、教学手段，学生学习态度、学习兴趣、学习主动性，以及学生知识掌握、能力培养、素质培养情况等方面。本文收集并研究了国内部分高校的课堂质量评价体系，并通过问卷调查、聘请专家等形式，对国内本科院校的课堂教学质量评价体系进行了优化重构，确定了10个影响课堂教学效果的指标，如图1所示。

图1 大学课堂教学效果评价指标

1.教学内容x1：符合教学大纲，教学内容充实，信息量大，能够理论联系实际。

2.教学能力x2：教师讲课层次分明、条理清晰、逻辑性强、深入浅出、趣味性强、重点突出，难点处理得当；用普通话进行教学，语言准确、简洁、生动；板书设计合理，字迹工整。

3.教学方法x3：教师能应用合适的教学方法（如启发式、案例式、讨论式等）。

4.教学态度x4：教师备课充分，上课认真、按时上下课，认真批改作业，及时耐心辅导答疑。

5.教学手段x5：教师有效地运用多媒体等现代教学技术手段，并与板书有效结合。

6.课程思政内容x6：激发学生探索新技术的热情，以及勇攀科学高峰的责任感和使命感；树立学生正确的科学价值理念；培养学生精益求精的大国工匠精神；激发学生的爱国主义精神，培养学生的民族自豪感、认同感和荣誉感，以及对社会主义核心价值观的高度认同；激发学生科技报国的家国情怀和使命担当。

7.学生学习态度x7：按时上下课，认真听讲，按时完成作业。

8.学生学习兴趣x8：兴趣是探索知识的动力。

9.学生学习主动性x9：学生积极参与师生互动，积极思考并回答教师的提问，积极参与课堂讨论。

10.课程达成目标x10：掌握工程知识，提高学生分析问题能力和解决问题能力，提高学生的思想水平、政治觉悟、道德品质和文化素养等。

二、确定本科教学效果评价各因素的权重

在本科教学效果评价时，上述本科教学评价指标的重要程度是不同的，为此，我们利用下列模糊方法确定各指标的权重。

1.结合专家组意见，对10个课堂教学效果评价指标进行重要性排序。

2.仔细分析并给出第一个指标（最重要的指标）与其他指标相比时的重要度u11,…,u1k,…,u110.其中u1k表示第一个指标与第k个指标相比的重要度。采用如下模糊语气：极其重要、十分重要、明显重要、一般重要、略为重要、不重要。第一指标是最重要的，我们认为它极其重要，并定义第一个指标与极其重要指标相比，其重要度u11=0.5，第一个指标与不重要的指标相比，其重要度u110=1，显然，u11,…,u1k,…,u110满足：

其他的u1k可以通过线性内插求得。

3.求各指标的重要度：

将重要度归一化，可得指标权重：

用这些权重对原指标进行处理，得到加权教学评价指标：

三、基于深度置信网络的本科教学效果评价

深度置信网络［11］由多层受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）网络组成，采用无监督的学习进行模型训练，具有优良的特征提取和分类能力。我们利用DBN强大的学习能力进行本科教学效果评价，以保证评价的客观性和公平性。

1.受限玻尔兹曼机。图2是RBM的结构图，它由一个可视层（或输入层）和一个隐含层组成，同一层中的神经元无连接，而输入层和隐含层的神经元全连接，图2中，v、h分别表示输入层、隐含层，而w表示输入层与隐含层神经元之间的连接权值。

图2 RBM结构图

RBM的输入层和隐含层的神经元的状态取值为{0,1}，设输入层和隐含层的神经元个数分别为N和M，vi和hj分别表示第i个输入神经元和第j个隐含层神经元的状态，则RBM能量函数为：

式中，θ=(wi j,ai,bj)是RBM待确定的参数向量，其中，w ij表示输入层第i个神经元vi和隐含层第j个神经元hj之间的连接权值，ai和bj分别表示神经元vi和hj的偏置值。

在状态(v，h)下，RBM的联合概率分布为：

而RBM 各个神经元的条件概率分布p(h j|v,θ)、p(vi|h,θ)可写为：

其中，σ(x)=1/(1+e-x)是sigmoid函数。

通过求下列极大值问题确定RBM的参数向量θ：

其中，L为训练集样本数。

本文我们采用CD（Contrastive Divergence）算法［11］估计参数向量θ，即各个参数按下列规则进行更新：

式中，ε为学习步长，<·>data为训练数据集上的数学期望，<·>model为模型定义的分布上的期望。

2.深度置信网络。DBN是一种由多层RBM组合而成的网络模型，其中低层RBM 的输出，作为上一层RBM 的输入，如图3 所示。DBN 的训练，采用从低层向高层逐层训练的方式对各层中的RBM 进行训练，而每一层RBM 的参数由式（6）确定。

图3 DBN结构图

3.基于深度置信网络的本科教学效果评价。我们选择一个由4个RBM构成的DBN，然后在最上层加一个soft-max分类层作为本科教学效果评价模型。以10个加权教学评价指标作为深度置信网络的输入，soft-max分类层的输出为评价结果，分别对应优秀、良好、合格和不合格。

该网络的训练过程包括两步：第一步用4.1节的方法以从低层向高层逐层训练的方式对各层中的RBM进行训练；第二步利用BP算法对soft-max分类层训练，并对各RBM层的参数进行微调。

利用训练后的深度置信网络可以对本科课堂教学进行评价，其过程如下：（1）由专家对课堂教学的各个指标进行打分，每项100分；（2）用权重对指标进行处理，得到加权教学评价指标；（3）以加权教学评价指标作为深度置信网络的输入；（4）计算soft-max分类层的输出，该输出即为评价结果。

四、实验与结果

我们对某高校的“微机原理”课程的课堂教学进行评价。选择教学内容、教学能力、教学方法、教学态度、教学手段、课程思政内容、学生学习态度、学习兴趣、学习主动性、课程达成目标作为本科课堂教学效果评价指标，深度置信网络由4个RBM构成的DBN和一个soft-max分类层组成，其中输入层神经元个数为10个，输出层神经元个数为4个。

由30个教学同行对该课堂教学的各个指标进行打分，每项100分，部分同行打分如表1所示；然后对各指标加权处理，得到加权教学评价指标，将加权教学评价指标输入深度置信网络，得到评价结果为优，该结果与专家的评价一致，说明该方法有效。

表1 部分同行打分情况

五、结论

本科教学是教育强国的基础，本科教学效果评价是保障本科教学质量的重要措施。针对课堂教学质量评价体系存在的问题，本文对各本科院校的教师课堂教学评价体系进行优化，构建较全面的本科教学效果评价指标体系；利用模糊方法确定了教学效果评价指标的权重；提出了基于深度置信网络的本科教学效果评价方法。实验结果表明，本文提出的评价方法具有很好的评价效果。