基于PSO-RBF的大学程序设计教学效果评价方法研究

张少巍,徐国明

(1.安徽文达信息工程学院 计算机工程学院,安徽 合肥 230032;2.安徽大学 互联网学院,安徽 合肥 230039)

0 引言

程序设计教育作为中国高等教育的组成部分,其价值和内在功能不言而喻。对于程序设计教学模式的改革层出不穷,研究人员尝试使用包括图像、声音、动作、语言等多种媒体和线上线下不同资源进行教学,以提高教与学的有效性[1-2]。当前大学课程设计中的学习成果评价是教育评价的重要研究课题。教师根据评估结果实时了解学习成果,及时调整课程设置和课程设计[3]。相关资料显示,对程序设计教学效果的有效性进行评价存在许多问题。例如,最初的评价方法过于依赖评价者的经验,主观因素对评价结果的公正性有重大影响[4]。因此,定量化的评价方法急需引入到教学效果评价中。深度学习是近年来流行起来的一种新方法,凭借其强大的自学习和自组织特性,为解决非线性问题提供了一种新途径。鉴于深度学习技术在其他领域的成功应用,将其应用于程序设计教学评价中可以激发教师主动教学的积极性,让教师可以横向比较自己,在竞争中获得动力和活力。

人工神经网络被认为是传统方法的有效替代,但其缺点是必须确定网络的结构。本研究提出了一个基于神经网络的 PSO-RBF模型来评估教学效果,以便更好地预测教学效果。

1 相关工作

目前,对教学评价发展的研究表明,西方的评价更加强调以学习者为主体进行自我评价,采用的评价方式更加多样,相对科学合理[3]。例如,在欧美等西方国家,已经形成了一些相对成熟的教学评价体系,如思科公司就开发了一套先进的评价体系,对学员在学习和培训过程中的表现进行评估,公司根据这些评估数据不断改进方案和课程[4]。CHEN等通过融合聚类算法、灰关联理论、模糊推理和模糊关联规则四种计算智能理论,得出了一种学习绩效评估系统[5]。

很多学者采用人工神经网络进行建模实现教学评价。SUN等构建智能评价模型对在线学习平台进行教学评价,取得了较好的效果[6]。ZABIHI等提出了一种基于智能算法的EMET方法,利用遗传算法提高BP神经网络的评价教学质量,收敛速度快,评价准确率高[7]。根据GUO等人的研究, EMET是一个由教学条件、课程难度、教师教学、学习效果等诸多因素相互作用的复杂问题。文献中考虑了 EMET 系统主要是从最能直接反映教学质量的因素出发设计的[8]。ONLY等人的研究表明,利用DL理论构建EMET模型,不仅可以克服传统评价方法的固有缺陷,而且能够快速准确地产生EMET结果,为高等教育教学提供科学合理的决策数据[9]。

2 评价指标体系构建

选择教学效果评估指标的关键在于整合教师教学过程和学生学习成果的指标,包括知识掌握、技能应用、问题解决、创造力和批判性思维以及交流与协作等方面的指标,以全面、准确地了解学习者的表现,从而优化学习方法,满足学习者的需求,提高学习效果。

2.1 教学过程指标构建

教学过程设计直接影响教学效果,重点应放在目标的明确性、内容的合理组织、学习方法和策略的多样性、交流与合作的机会以及有效的评估和反馈上,因此需要考虑教学过程中的以下几个方面。一是明确学习目标。学习目标是指导教学过程和评价教学效果的依据。一个好的学习目标应该是明确、具体和可评价的,这样教师和学生才能明确学习任务和学习要求。二是合理组织内容。合理的内容组织有助于学生理解和吸收知识,提高学习效果。在程序设计课程的学习过程中,教师需要考虑学习内容的整合与互联,形成一个连贯的学习系统。三是教学方法的多样性。教学方法和策略是指实现教学目标的具体手段和过程。多样化的教学方法和策略可以满足学习者的不同需求和特点。为了促进学习者主动学习和深度学习,教师应灵活运用多种教学方法和策略,包括讲授、讨论、案例研究和实践项目等。四是交流与协作。交流与协作是程序设计课程教学的基本特征,可提高积极性、深度。教学方法应考虑到学生之间和师生之间的互动与合作机会,如在线讨论、小组合作和同伴评价等。五是评估和反馈。评估和反馈是教学过程的重要组成部分,有助于教师和学生了解学习的进展和效果,并对教与学进行调整和改进。教学设计应包括多种形式的评估和反馈,如随堂测验、作业评估、项目评估以及及时有效的反馈机制,以保持持续学习和进步。

2.2 学习成果指标构建

学习过程指标侧重于学习者在编程过程中的行为和表现。这意味着,为了评估学习成果和提供反馈,需要考虑并量化学习者的参与度、独立性和完成任务的能力。选择和监测正确的指标将有助于我们了解学习者在学习过程中的表现,并改进教学策略,以满足他们的需求,提高学习效果,因此需要从以下几个方面考虑学习者的因素。一是参与度。学习者参与度是指学习者在课程中的活跃程度和参与度,包括参与课堂讨论、在线讨论、小组工作等。学习者的参与度越高,通常学习效果和满意度就越好。二是自主性。自主性是指学习者在学习过程中的主动性、自律性和自我调节能力。学习者通常需要较高的自主性,以适应教学方法的灵活性和个性化。三是学习策略和技能。学习策略和技能是指学习者在学习过程中使用的有效方法,如时间管理、任务分解、信息检索、批判性思维等。运用恰当的学习策略和技能可以提高学生的学习效果和效率。

2.3 整体评价指标体系

综合分析以上各种因素,并根据教师在大学程序设计教学过程中的具体体会,建立教师和学生为主体的多指标体系,如图1所示。图1中,教学效果评价指标体系包括来自学生的教学评价指标与教师教学评价指标。其中,教师责任心、程序设计成绩是大学程序设计教学效果重要的评价指标。将教学效果评价指标数据作为神经网络的输入样本,实现教学效果评价。

3 PSO-RBF模型

快速完成高度非线性的复杂任务是人工神经网络的优势所在。在以往的教学效果评价模型研究中,研究人员大多采用 BP 神经网络来构建评价模型,但 BP 神经网络在训练过程中存在坍缩到局部最小值的问题。通过PSO算法的全局寻优能力可以避免径向基神经网络模型的局部最小值的问题。

3.1 粒子群算法

粒子群(Particle Swarm Optimization,PSO)算法中每个粒子以其位置和速度为特征,代表一种潜在的解决方案,由Eberhart和Kennedy共同开发[10]。粒子的维数等于未优化参数的数量,被定义在超空间中。根据适应度函数(如Mean Square Error,MSE),粒子迭代地改变它们的位置以确定最佳位置。

初始粒子的位置和速度是随机的,通过适应度函数的计算,位置和速度不断发生变化。整个算法的执行流程如图2所示。

图2 粒子群算法流程

3.2 径向基神经网络

因其结构简单,RBF神经网络具有很强的泛化能力,如图3所示。RBF结构中只有一个隐层,其性能可以通过调整隐层神经元的中心(宽度)来确定,并且没有统一的公式用来调整径向基函数的宽度[11]。RBF已被广泛应用于评价预测、模式识别、语音识别和自动控制等领域[12]。

图3 RBF结构图

径向基函数是影响RBF整体性能的关键,而径向基函数的参数是核函数的中心C、宽度σ和输出权重w。样本的空间模式及各中心的相对位置由中心和宽度决定,而神经元节点的作用强度则由权值决定。

根据核函数,每个RBF输入生成一个输出,如公式1所示。

(1)

其中,x为网络的输入数据,u是径向基函数的中心,σ则为RBF的宽度(σ>0)。具体训练步骤如下：

步骤1：初始化径向基函数的参数。

步骤2：定义目标函数方程2。

(2)

其中,ei为第i个输入样本的误差,表示为方程3。

(3)

其中,di为第i个输入样本的期望输出。

步骤3：为了使目标函数最小化,每个参数都要根据负斜率的方向进行调整。

输出层权值修正量如方程4所示。

(4)

隐含层RBF中心修正量用方程5来描述。

(5)

宽度修正量见方程6。

(6)

其中,η为学习率。

步骤4：对网络进行更新。假设第n次参数值为wi(n)、ci(n)、σi(n),则第n+1次训练的参数值如方程7所示。

(7)

步骤5：条件满足,则结束。否则,返回到步骤3继续迭代。

3.3 PSO-RBF神经网络方法

为提升RBF神经网络的性能,本文使用PSO算法对传统的RBF神经网络进行优化,PSO算法优化后的RBF神经网络参数可以解决RBF神经网络易陷入局部最优解的问题。PSO优化 RBF参数的具体流程见图4。

图4 PSO-RBF算法流程

4 结果与分析

根据评价指标,采集了某高校大一、大二学生近5年的教学效果评价数据。在模型开始训练之前,对数据集进行归一化处理。归一化函数的处理方程如8所示。

(8)

按照大学程序设计教学效果评价指标搜集样本数据,通过大学程序设计教学实际情况与专家对大学程序设计教学效果的评价共得到13000个数据样本,并按照70%、20%、10%的比例进行分割,分别得到训练集、验证集和测试集。

粒子种算法中的各系数的值分别设定为0.3≤wi≤0.65,r1=r2=0.2,c1=c2=1.15。RBF网络对隐层神经元个数分别为6、10、16、25、32、38以及45时进行优化训练,测试结果如图5所示。从结果可知,当隐层神经元为25时,误差最低。为了进一步检测网络的性能,将文中提出的PSO-RBF网络结构与遗传(GA)算法、支持向量回归机(SVR)算法进行比较,得到三种方法的准确率计算结果如图6所示。三种算法的预测结果及误差如表1所示。从表1可知,GA算法的RMSE为1.015,SVR算法的RMSE为1.174,PSO-RBN的RMSE为0.608。从预测结果可知,所提出的模型的整体性能更优,预测效果更佳。

表1 不同算法预测结果

图5 不同神经元个数RMSE

图6 不同算法评价预测

5 结语

本文提出一种PSO-RBF的神经网络模型,用于在某高校大学程序设计教学效果的评价预测。尽管参数之间存在高度非线性关系,但这种新模型能够充分评估教学效果。此外,PSO-RBF模型、GA算法和SVR算法在教学效果评价预测中的统计学比较结果也表明本文提出的模型具有更好的有效性。因此,所提出的PSO-RBF模型能够较好地应用于教学效果评价,为高校程序设计教学的改进提供较好的支持。