教学质量评价的BP神经网络模型

2015-05-26石黎孙志梅刘毅徐嘉婧

信息化建设 2015年4期

石黎　孙志梅　刘毅　徐嘉婧

摘要：针对教学质量评价的非线性、复杂性等问题，提出了基于BP网络的教学质量评价决策模型，借助其自学习，自适应及最佳逼近性能对评价数据进行量化训练，得到教学质量评价结果。MATLAB仿真结果表明了该评价模型的有效性，获得了较好的评价结果。

关键词：相对属性约简；BP神经网络；教学质量；评价决策

湖北经济学院法商学院教研项目-教师教学质量监控与评价实践问题的研究（2014J24）

在高校中，对教师的教学质量评价一直是国内外研究的热门课题。合理的评价不仅对教师起到良好的激励，而且还起到正确的、满足当前国家与社会需要的引导作用。随着信息技术迅速发展，出现了基于多元线性回归、偏最小二乘等教学质量评价方法[1-2]，但这些方法或多或少存在一些不足。由于教学质量各评价指标之间以及与评价结果间是一种复杂非线性关系，而人工神经网络具有非线性、实时优化、智能学习等优点，成为当前教学质量自动评价的主要算法[3-5]。本文首先使用SPSS主成分分析法对数据进行预处理，再利用BP神经网络，采用三层神经元的量化评价方法对教学质量评价数据学习训练，得到最终的评价结果。MATLAB仿真表明，该方法是一个可行的评估方法。

一、评价指标体系

在教学质量评价中，评价指标是评价工作最终真实有效的重要因素之一。为了确保研究工作顺利进行，得到理想的评价模型，借鉴了多所高校的教学评价指标及湖北经济学院法商学院教师课堂教学质量评价标准和相关研究文献，首先使用SPSS主成分分析法对数据进行预处理，简化后的指标见表1所示。

二、BP神经网络MATLAB算法过程

用MATLAB进行BP神经网络模型的建立和反复训练，以达到误差最小，使输出的预侧值能与实际值尽量接近。具体步骤如下：

⑵建立网络

网络名=[newff（PR，SN，TF，BTF，BLF，PF）]；PR=[输入取值范围]；SN=[每层神经元数]。TF=[每层传递函数]，BTF=[网络训练函数]，BLF=网络权值阈值函数，PF=网络性能函教，网络输出和目标输出的均方误差，取默认值MSE。

⑶相关参数设定。

⑷训练网络。网络名=train（网络名，输入变量名，目标变量名），此过程反复调整权值和阈值，以减小性能函数的值，直到达到预先设定的误差精度。

⑸模拟输出：sim（网络名，输入变量名）

（6）样本观测值与拟合值的比校。当拟合值与目标直线相交时，就应该考虑将目标直线下移，即提高精度，再进行训练。反复调整该参数，使网络更接近实际值。

三、模型构建与仿真应用

根据表1中的评价指标，收集相关评价数据。用Matlab建立三层BP数神经网络[6]，输入层神经元为14个，输出层神经元为1个，隐含层节点个数为8个。从评价数据中选取15个训练样本，归一化处理后，样本分为输入样本P和期望输出样本T，见表2。