基于BP神经网络的线上教学质量评价方法研究

朱庆生　曹情情　白秀云

摘 要：本文研究神经网络在线上教学质量评价中的应用，利用深度神经网络，从在线点击率、视频学习进度、上课视频状态、作业完成率、学习频率等行为数据，测量、评价教学状态，构建基于BP神经网络的线上教学质量评价模型，结合我校MOOC课程、直播课程等在线课程的教学实际数据来训练模型，给出了线上教学质量评价的一般方法。

关键词：线上教学评价；BP神经网络；教学大数据；数据挖掘

中图分类号：G642  文献标识码：A  文章编号：1673-260X（2023）04-0064-06

1 高校开展在线教学的意义

在互联网技术时代，信息技术广泛应用于教育行业，数字化、网络化、智慧化的学习方式越来越流行[1]。在线教学，是指通过互联网技术或其他数字手段进行的教育和培训，它已经成为传统面对面教育外另一种很受欢迎的选择。我省各高校均开设了大量的在线课程，疫情期间我校所有课程全面建立了线上资源，保障了教学工作的正常有序实施。

（1）在线教学内容的可重复性促进学生对专业知识的学习和理解。线上教学内容的可重复性意味着在线教学平台上的课程内容可以被学生多次观看、操作、实践，这种特性对于学生学习知识具有巨大的帮助。学生可以通过多次听课，加强知识学习，进一步掌握理解知识的方式。同时，可重复性也可以使学生更容易回顾所获得的知识，以加深记忆力，防止知识点被遗忘。

（2）在线学习的自主性可以提供学生个性化学习的机会。网络教学的自主性是指鼓励学生根据自己的课程学习和需求，选择课程内容，学生可以根据个人兴趣爱好与需求选择知识和教学方法。这种教学方式大大降低了学生的时间成本和精力，而且能够提升学生的学习成绩，满足学生的个性化要求。因此，在线学习的自主性是一种有效且个性化的学习方法，可以让学生拥有更轻松的学习氛围、独立性和快乐感，有助于增加他们学习和成长的内在动力。

（3）在线教学互动性和协作性有助于提高师生交流和合作意识。在线教学支持交互性和协作性，通过在线平台提供的讨论板、聊天室等工具，使学生和教师可以互相沟通和合作，提升了师生之间的沟通能力和协作能力。这样可以让学生们更好地理解课程内容，有利于更好地进行课堂教学。通过老师和学生之间的支持与合作，不仅开阔他们的视野，拓宽他们知识的体系，而且有利于提升学生团队合作能力。

2 高校线上教学质量评价存在的困难

2.1 高校线上教学的形式

线上课程的教学方式多样，包括翻转课堂、大学开放课程、MOOC课程等。许多高等院校开设的网络课程都是采用线上和线下结合的教学方式。高校网络公开课改革已成为网络教育研究的热点，互联网教学改革涉及互联网课堂教学在课题设计、教学策略和课程评价等方面效率和效果，及其如何鼓励学习者积极开展课程内容活动和批判性思考学习。

近些年，在我国高等院校网上教学和互联网开放学科的建设与教学改革取得了一定的成果，但也存在诸多问题。网上课程资源的问题多在于课程规划缺乏科学性，课程理念不够先进，课程设计不够合理[1]，课程资源不够优质，课程评价不够有效等。在线课程学习的问题在于学生的平均流失率较高或学习完成率偏低，学习者的知识水平侧重于认知层次，很少能够达到应用和复杂应用的水平。学习者对在线课程感兴趣程度差异是造成该问题的关键性原因，知识比较碎片化，实际解决问题能力上有差异，学习的批判性水平也有待提高。

2.2 目前高校在线课程教学质量评价存在的困难

高校在评估网络课程教学质量时面临着几个困难，其一标准化问题：开发一个可以在不同机构和学科之间普遍应用的标准评估系统是一项挑战。其二数据收集问题：由于教师与学生之间缺乏实时互动，很难收集到在线教学的准确数据，难以准确捕捉教学效果。其三主观性问题：在线教学评估可能会有偏差，因为学生可能会根據教学质量以外的因素来评价他们的教师，比如课程难度或个人关系。其四缺乏反馈：在线学生可能得不到与传统课堂环境下相同水平的反馈，因此很难评估教师教学方法的影响。其他还有互动有限性问题：在线课程缺乏传统课程提供的面对面互动和协作机会，这使得评估教学效果和学生参与度具有挑战性。

在线教育教学也包含着非常复杂的内部规律，使用一般意义上的分析模型很难使评估更接近实际情况的结论。正是由于这个原因，目前，对高校教学质量的评估主要通过教学监督评估和客观指标（如考试成绩、出勤率、家庭作业完成情况等）相结合来评估。

3 神经网络算法在教育领域应用场景

3.1 线上课程大数据特征

在线教育大数据不同于传统教育数据，有以下特征：第一，规模大。在线教育大数据涵盖了与教育相关的所有记录，数据量庞大。第二，类型多样。在线教育大数据包括学生的学习行为数据，课程数据，学校数据等，类型繁多。第三，连续性强。在线教育大数据是在线学习过程中不断积累的，每一条数据都反映了学习者的行为及进步。第四，价值密度低。在线教育大数据中，很多数据不能直接等同于教育信息[4]，需要进行进一步的分析处理。第五，具有多媒体数据。在线教育大数据包括图像，语音，文本三种不同类型的数据。

为了更好地挖掘教育大数据，需要使用图像信息识别、文本数据分析、语音数据分析等技术。深度学习在处理这三种数据方面表现出色，因此各大高校开始将深度学习算法引入在线教育大数据挖掘领域，以更加准确和有效地探索教育问题。

3.2 神经网络算法

深度学习是一项新的机器学习技术，由Hinton教授提出，因其提高了神经网络的效率，受到了学术界的注意。深度学习神经网络是一个多层网络，包括输入、隐藏和输出层[5]。其多层结构可以接近复杂的函数。深度学习可以拟合任意复杂函数，不同的神经网络模型可以从数据中提取特征[4]，增强识别能力。也能保存长期状态，维护数据之间的连接。相比其他方法，深度学习算法更灵活和准确，在语音识别、图像识别、情感分析等领域有重要作用[10]。神经网络算法是解决复杂问题的流行方法，因能从数据中学习和归纳，即使是在有噪声或不完整信息的情况下。

神经网络算法在教育领域应用于各种场景，如学习资源推荐、学习行为分析、在线教学质量评价、学生学习效果预测等。神经网络算法可以处理大量的数据，并通过模型训练和学习来提取特征，进而对教育进行更加准确的预测和评价。这不仅可以提高课程教学质量与效率，而且有利于改善学生的学习成效。

神经网络算法在教育领域的应用方式非常多样化。主要有以下的应用方式：（1）学习评价。神经网络算法可以评价学生的学习表现情况，进而对学生的学习成效做出有效的评价。（2）教学内容推荐。神经网络算法能够通过对比学生们的学习状况、学习能力及学习设计风格，从而为学生推荐合适的教学内容。（3）教学课件生成。神经网络算法可以通过分析教师的教学风格，教学内容，教学方法等信息，从而生成适合教师教学风格的课件。（4）在线教学评价。神经网络算法可以通过分析在线教学内容，课件，教师教学风格等信息，从而评价在线教学的质量。（5）学习路径生成。神经网络算法可以通过分析学生的学习风格，学习能力等信息，从而为学生生成适合学生学习风格的学习路径。

3.3 基于神经网络技术的在线教育大数据挖掘流程

基于神经网络技术的在线教育大数据挖掘流程主要包括以下几个步骤：

（1）数据预处理。由于在线教育大数据独有的特征表现，从在线教育系统中收集大量的数据中可能存在缺失值、异常值、噪声等，因此需要对数据进行清理、格式化等预处理工作，使得数据更适合挖掘分析。

（2）特征工程。根据数据的具体情况，选取有价值的特征，并对特征进行转换、缩放等工程处理，使得数据更适合神经网络分析。

（3）神经网络模型设计。根据数据特征以及问题要解决的任务，选择合适的神经网络模型，并进行设计、训练。

（4）神经网络模型验证。对神经网络模型进行验证，判断模型的准确率和效果，并对模型进行调整和改进。

（5）神经网络模型应用。根据神经网络模型的结果，对在线教育数据进行挖掘分析，得出有意义的结论。

这五个步骤通过神经网络算法，在线教育课程教学质量评价可以实现对课程教学效果的多维度、精确评价，有助于提高教育教学质量，提升学习效果。基于神经网络技术的在线教育大数据挖掘流程图如图1所示。

4 基于BP神经网络线上教学质量评价模型的构建

BP神经网络作为机器学习的一种重要算法，可以有效地评价线上教育的质量。这里介绍基于BP神经网络的线上教学质量评价方法的过程。

4.1 线上教学质量评价指标体系设计

课程评价指标体系是高校教师教学和学生学习情况的反馈。有助于推动课程改革、促进课程建设、提高教学质量。其中，线上教学质量评价指标体系是评估线上教学质量的一系列指标。常见的线上教学评价指标：学生参与度（包括学生对课程内容的反馈、评论以及参与讨论）、学生学习成果（包括学生的测试成绩和课程作业）、教师教学表现（包括教师的教学方法、使用的教学资源以及课堂环境的管理）、课程内容（包括课程的内容、资源和教学计划的实施情况）、技术支持（包括设备和技术的可靠性以及在线教学系统的易用性）。此外，通过对这些指标的评估，线上教学质量评价指标体系可以帮助高校评估线上教学质量，有助于及时改进在线教学风格。针对学生学习追踪的结果不仅仅是提供给学生和教师一个学习结果评价，更需要通过评价结果来帮助学生意识并调整个人的线上学习状态，以达到更好的学习效率。

线上教学过程追踪的数据包括：用户信息（包括学生的个人信息，如姓名、年龄、性别、学校信息等）、学习行为数据（包括学生的学习时间、学习内容、学习频率、学习进度等）、学习成绩数据（包括学生在课程中的考试成绩、作业分数、项目成績）、课程内容数据（包括课程结构、课件、题目、知识点等）、教师数据（包括教师的课程得分、教学方式、教学评价）如表1所示。这些数据可以通过线上教学平台的日志、数据库、教师手工输入等方式获取。利用这些数据可以对学生的学习情况、课程质量、教师教学质量等进行评价，为高校提供重要的决策依据。

4.2 BP神经网络线上教学质量评价模型

根据现有的在线教育环境和在线学习的常见方式[3]，提出基于BP神经网络的学生学习行为评价可采用的评价模型，如图2所示[3]。

BP神经网络线上教学质量评价模型的构建步骤一般如下：

（1）数据收集。首先需要准备用于训练和评估神经网络的数据。这些数据可以是用户的评价，每个评价的分数以及可能的其他关键因素，如课程名称、课程内容、教师能力等。与此同时，结合我校在校生课程学习情况，从学生信息系统中收集初始样本数据，确定输入层、隐含层、输出层节点个数以及期望值。

（2）数据预处理。对原始数据进行预处理，提取有用的特征，并对数据进行标准化处理。

（3）构建模型。根据评价指标体系构建BP神经网络模型。

本文采用3层BP神经网络结构，如图3所示。BP神经网络线上教学质量评价模型的输入层是该模型的第一层，是模型处理数据的第一个关键点。输入层需要以一种明确的方式来表达线上教学数据，以便模型对数据进行分析和评估。

（4）模型训练。对构建好的模型进行训练，得到最优参数。

参数设置，输入层与输出的节点个数均根据具体问题确定，并无严格要求隐藏层的数量，层数可以为一层或多层。柯尔莫格罗夫的理论已经证明，任何给定的连续函数φ：X一Y，X∈Rn，Y∈[0，1]m，φ可以通过一个三层的神经网络精确地实现[2]。

除此之外，在隐藏层中使用太少的神经元可能导致欠拟合状况[7]。反过来，使用过多的神经元可能致使过度拟合[7]，进而难以实现预期的效果。因此，在隐藏层挑选适度数量的神经元一样重要。可利用经验公式（1）确定隐含层神经元数量Lh，表示为：

表达式（1）中，Lt为训练集的样本数据，Li为输入层神经元个数，L0为输出层神经元个数，？茁为任意变量，通常取[2，10]区间的常数。激活函数拟采用的是Logistic函数。再用softmax函数对系统输出值进行反归一化处理[8]。学习率、训练集和测试集均通过实验反复调整来确定。

BP算法实现，应用SPSS软件进行仿真实验，步骤如下：

步骤1：利用公式（2）对输入层数据归一化处理

其中X为输入数据分量，Xmin和Xmax分别表示在训练数据集中该分量的最小值和最大值[6]。经过输入层标准化后，得到的数值在区间[0，1]中。

步骤2：搭建前向神经网络，并进行训练。

步骤3：输出预测结果，验证模型的有效性，如通过交叉验证法等。

步骤4：将训练好的模型应用到线上教学的评价中，得到线上教学质量评价结果。计算评价模型的精度和可靠性，并对模型进行优化。

5 实验及结果分析

5.1 实验过程

5.1.1 数据收集

本项目拟收集数据集的规模为2个学年20门专业课约1000名同学在线课程互动信息（学习状态信息）。以BP神经网络模型中的结果作为线上教学质量评价预测值。将学生评教、学院综合考核融合得分作为BP神经网络模型中的真实值，结合表1先线上教学行为数据结构展示学生学习行为状态数据，如表2所示。

5.1.2 数据预处理

通常情况下，预处理线上教学数据可以是学生的学习行为数据、教师的教学数据等。这些数据需要被转化为模型可以识别的数字，以便模型进行处理。因此，在表达线上教学数据时，需要对每一种类型的数据进行分别处理，以便在输入层中表示。例如，对于学生的学习行为数据，可以利用0/1等数字表示。

5.1.3 模型训练

（1）参数设置。将表1中指标X1、X2、X3、X4…X9、X11作为10个输入层数据，X12是由前10个指标基于BP神经网络模型对课程名称（X10）作为输出层的预测值，表2中评课得分Y作为输出层的真实值。输入层与输出层节点数分别为10、1。根据公式（1），隐藏层层数为5、每层神经元个数相等均为10，训练结果最佳。经过反复测验比较分析，发现迭代次数为1000时训练效果最佳。同时，将学习率设定为0.05，训练集占比为0.7。

（2）BP算法实现。学生评学指标体系使用SPSS软件进行仿真实验，根据式（2）对各指标数据进行归一化处理，得到测试数的预测结果，如表3所示。

5.2 结果分析

基于MSE、RMSE、MAE、MAPE、R2指标对模型进行分析比较，输出结果如表4所示。其中将预测值跟只使用均值的情况下相比表示R2的值，结果越靠近1模型准确度越高。教学评估中的BP神经网络R2的值为0.976，表明模型具有确定的参考价值。

表3展示了训练集和测试集的线上行为数据指标，通过量化指标来衡量BP神经网络回归的预测效果。其中，通过交叉验证集的评价指标可以不断调整超参数，以得到可靠稳定的模型。基于BP神经网络模型所构建的评学体系预测该门课程的教学质量如图4所示。

图4中菱形标记的折线表示学生针对相应课程评教的课程得分，作为基于BP神经网络的线上教学质量评价模型的真实值；圆点标记的折线表示由文中构建的BP神经网络模型就线上行为数据即X1、X2…X9、X11等10个指标，对20门课程教学质量的预测值。

通过表3的对比及图4的分析可得，在可接受的预测精度范围内[9]，表明基于BP神经网络的线上教学质量评价模型是有效、合理的。从应用来看，该课程的教学质量预测值X12可以近似为传统课程主观评教得分Y。

本研究创建的三层BP神经网络线上教学质量评价方法，在对BP神经网络基本原理、模型构建方法、指数值估计方法等进行详细解释和分析的基础上，检查了基于BP神经网络的线上教学质量评估方法的有效性和稳定性。从研究结果可知，基于BP神经网络的线上教学质量评估方法是一种比较合理的线上教学质量评估方法。

——————————

参考文献：

〔1〕宋倩倩，曹玉娟，刘振海.深度学习视角下高校在线开放课程教学改革初探[J].盐城工学院学报（社会科学版），2018，31（04）：83-85.

〔2〕梅强，范茜.基于BP神经网络的高新技术企业自主创新能力评价研究[EB/OL].（2011/6/8）[2023/2/12].http：//219.231.8.39/s/com/baidu/w enku/G.https/view/48f0d317c281e53a5802ffa9？_ wkts_=1676270264593.

〔3〕刘明春.基于BP神经网络的在线学习行为评价模型[EB/OL].（2015/7/25）[2023/2/12].https：//www.doc88.com/p-9032358207792.htmt.

〔4〕陈德鑫，占袁圆，杨兵.深度学习技术在教育大数据挖掘领域的应用分析[J].电化教育研究，2019， 40（02）：68-74.

〔5〕谢丽强.基于BP神经网络下的煤炭上市公司融资风险预警研究[D].太原：山西财经大学，2018.

〔6〕张钢，等.深度学习技术在高校教学质量评价中的应用研究[J].电脑与电信，2017，23（10）：6-8.

〔7〕冯雨萌.基于深度神经网络的上市公司价值评估应用研究[J].佳木斯职业学院学报，2022，38（08）：50-52.

〔8〕池永为.滚动轴承故障的振动特性分析与智能诊断方法研究[D].无锡：浙江大学，2018.

〔9〕郑永，陈艳.基于BP神经网络的高校教師教学质量评价模型[J].重庆理工大学学报（自然科学版），2015，29（01）：86-90.

〔10〕郭昌健.基于订单流不平衡的股指期货套利研究[D].济南：山东大学，2021.

〔11〕S. H. Hong， “Application of BP Neural Networks in Teaching Quality Evaluation，” Machine Building & Automation， vol.34， Dec. 2005， pp. 160-162.

〔12〕W. D. Qiao， “Teaching Quality Evaluation of Modern Distance Education based on BP Neural Networks，” Distance Education in China， no.25， Jul. 2006， pp. 69-71.

收稿日期：2023-02-17

通讯作者：白秀云（1964-），女，内蒙古赤峰市人，副教授。研究方向：生物学科教学及编辑规范。

基金项目：安徽省质量工程重点教学研究项目（2020jyxm0359）；安徽省质量工程重大教学研究项目（2018jyxm1147）；安徽省质量工程重大教学研究项目（2020jyxm0329）；省级示范实验实训中心（2019sxzx14）