吴艳丽 武创举 阴钰娇

摘  要： 互联网教学质量评估对互联网教育教学发展具有重大意义和促进作用。为此，提出证据理论和神经网絡的互联网教学质量评估模型。依照目前互联网教学基本情况，遵循定性、定量指标相结合准则，构建包括企业运营水平、高校配合程度、教师教学能力、学生学习程度、环境支持程度的互联网教学质量评估体系。在此基础上，利用BP神经网络模型自适应性、自组织性、自学习性特点，以及D?S证据理论的不确定信息处理优势，有效结合基于BP神经网络模型的评估结果以及基于D?S证据理论的评估结果，对互联网教学质量实施综合评估。实验结果表明，该模型可有效评估互联网教学质量，提供精准评估数据，满足实际应用需求，为促进互联网教育教学发展提供数据基础。

关键词： 证据理论; 神经网络; 教学质量; 评估模型; 评估体系; 评估精准度

中图分类号： TN711?34; G420                    文献标识码： A                      文章编号： 1004?373X（2020）19?0175?04

Abstract： The Internet teaching quality evaluation is of great significance and promotion effect to the development of Internet education and teaching. Therefore， the Internet teaching quality evaluation model based on evidence theory and neural network is proposed. According to the basic situation of current Internet teaching， an Internet teaching quality evaluation system including enterprise operation level， university cooperation level， teachers′ teaching ability， students′ learning level and environmental support level is constructed following the principle of combining qualitative and quantitative indicators. On this basis， the characteristics of self?adaptability， self?organization and self?learning of neural network model and the advantages of uncertain information processing of D?S evidence theory are effectively combined with both the evaluation results based on BP neural network model and D?S evidence theory to carry out the comprehensive Internet teaching quality evaluation. The experimental results show that the model can effectively evaluate the quality of Internet teaching， provide accurate evaluation data， meet the actual application needs， and provide data basis for promoting the development of Internet education and teaching.

Keywords： evidence theory; neural network; teaching quality; evaluation model; evaluation system; evaluation accuracy

0  引  言

随着互联网技术的飞速发展，互联网技术的全面普及，已经引起了教育行业的大范围关注[1]。传统教育行业由于受到互联网技术的冲击，已经逐渐被教育大环境所淘汰，在传统教育与互联网技术不断碰撞过程中，适合当代教育事业运营发展的一种新兴教育教学模式应运而生，即互联网教学[2?3]。互联网教学模式的产生使得学校不是唯一的知识获取途径，教师也不再是知识获取途径中唯一的主导人员，为知识汲取提供了更多的可能。知识需求者不再受限于时间、年龄、地域等客观条件，可通过互联网依据自身兴趣爱好挑选感兴趣的内容进行学习[4?5]。但是，互联网教学模式并不像传统模式一样，教学质量的高低会在某种程度上依托于学习者的自主性和自律性，高校中，教学质量可通过教学小组、教师、学生等教育参与角色共同评估得出，而互联网教学质量因知识传输者和接收者之间缺乏沟通，使得教育教学质量受所依托平台虚拟性影响而变得无法控制，导致互联网教学质量参差不齐[6]。

互联网教学质量评估是有效衡量互联网教学质量、提升互联网教学管理的重要方式[7]。为此本文依照我国目前互联网教学基本情况，构建互联网教学质量评估体系，有效利用BP神经网络模型的学习能力和自适应性，结合D?S证据理论的不确定信息处理能力，建立互联网教学质量评估模型，融合证据理论和神经网络的优势，实现互联网教学质量精准、有效评估。

1  互联网教学质量评估模型

1.1  互联网教学质量评估体系构建

为大力倡导互联网教学理念，实现“教学?实践一体化”，构建面向各领域的互联网教学质量评价体系，通过质量评价体系形成闭环反馈机制，实现教学体制的正常运转和高质量发展，有效达成预期教学目标[8]。依照我国目前互联网教学基本情况，遵循定性、定量指标相结合准则，以企业运营水平、高校配合程度、教师教学能力、学生学习程度、环境支持程度等为一级指标，反映互联网教学质量的5个方面，下属16项二级指标，共同构建互联网教学质量评估体系，结果如表1所示。

1.2  神经网络的教学质量评估

神经网络理论是一种类似于人脑思维结构的信息处理系统，通过模仿人类大脑中神经系统的信息处理模式，结合当下先进的神经科学研究成果而设计产生[9?10]。神经网络的功能强大之处在于，无需经历复杂的搜寻过程，仅通过所提供的样本数据，便可根据以往学习经验，自主、准确地获取已完整刻画的各种形式样本规律函数，尤其针对干扰因素多、非线性程度高的情况，其优势更加显著[11]。神经网络凭借其自身的自适应性、自组织性以及自学习性特点，可从相近的、尚未明确的、几乎彼此冲突的知识环境中，有效躲避人为计算指标权重以及计算相关系数等步骤，直接找到有效决策[12?13]。

采用如图1所示的三层结构的BP神经网络构建互联网教学质量评估模型，选择Sigmoid函数作为模型中各神经元所属激发函数。

模型的输入向量为[A=（a1，a2，…，an）]，输出向量为[C=（c）]，两者呈非线性关系，因此最终确定的激发函数为单极性Sigmoid函数，表达式为：

式（1）是用户描述实数域[R]到闭合区间[[0，1]]的非下降连续函数，为状态连续性神经元模型。

BP神经网络模型的第1层是输入层，节点数为互联网教学质量评估体系的16项二级指标的个数，即输入向量[A=（a1，a2，…，a16）]。BP神经网络模型的第2层是中间层，也被称为隐含层，节点数为互联网教学质量评估体系的5项一级指标，则隐含层向量[B=（b1，b2，…，b5）]。BP神经网络模型的第3层是输出层，节点数为1，用变量[C]表示，即模型输出值。

输入向量为对外宣传、教学设置、线上互动状态、作业完成度、互联网技术等16项互联网教学质量评估体系二级评估指标，用[A=（a1，a2，…，a16）]描述;隐含层节点向量为企业运营水平、高校配合程度、教师教学能力、学生学习程度、环境支持程度等5项评价体系一级指标，用向量[B=（b1，b2，…，b5）];输出向量用[C=（c）]描述。遵循激发函数特点[C∈[0，1]]，转换训练集，真实输出數据为闭合区间[[0，1]]之间的数值，并视其为最佳期望输出值，用[D=（d1）]描述。输入层?隐含层、隐含层?输出层节点权值分别用[P=（p11，p12，…，p16）]，[Q=（q11，q21，…，q51）]描述。

隐含层节点输出如式（2）所示：

输出层节点输出如式（3）所示：

式中[f（ ）]表示激发函数。

互联网教学质量评估模型由式（2），式（3）共同实现。

1.3  D?S证据理论的互联网教学质量评估

虽然BP神经网络可利用自身学习能力及非线性映射能力对互联网教学质量进行评估，是一种较为理想的方法，但是实际应用中存在网络训练时间长、网络泛化能力降低等因素，会使评估结果具有很强的不确定性。而证据理论是一种推理不确定数值的方法，具有不确定信息处理的独特优势[14?15]，因此为弥补BP神经网络模型的教学质量评估结果存在的不确定因素，利用D?S证据理论评估互联网教学质量，最后结合BP神经网络的评估结果，作为互联网教学质量评估的最终结果。

1.3.1  D?S证据理论

置信函数和似然函数：假设识别框架用[U]表示，由识别框架[U]的幂集[2U]组成的命题集合用[Θ]表示，则存在[?X?U]，[?Y?U]，即置信函数[Bel2U→[0，1]]以及似然函数[Pl2U→[0，1]]的表示分别如下：

如果[K1≠1]，那么可明确基本概率分配函数;如果[K1]=1，那么[m1]，[m2]互相冲突，无法构成基本概率函数，此时[K1]表示冲突强弱。因而利用D?S组合规则集合子集基本概率函数可以得到融合概率分布函数值[m（D）]。

1.3.2  教学质量评价

利用D?S证据理论，将样本空间作为互联网教学质量评估因素集合，即以1.1节的一级和二级指标为内容，一级指标用[bi]表示，其中，利用D?S证据理论组合公式融合获取的教学质量评价体系的每个一级指标所对应的二级指标[bij]，则有：

针对每个评估因素获取一个可信度因子CF，构成可信度因子集[m（bi）]。可信度因子可通过多个专家对评价指标体系的知识集做出评价的方式获取，其既是互联网教学质量评估的基础，也从侧面体现评估的精准度。由于不同专家的评估结果共同聚集成某个评估因素的可信度因子，因此利用D?S证据理论便可获取不同指标的综合可信度因子，保障评估不确定性的同时，精准评估互联网教学质量。

2  模型性能的验证测试

以北京市某高校为实验对象，对各专业的互联网教学质量进行评估，验证本文模型的有效性。

2.1  模型评估能力

根据表1所构建的互联网教学质量评估体系，固定指标体系的取值区间为[0，1]，利用本文模型获取互联网教学质量评估结果如表2所示。由于篇幅有限，省略了部分数据。

分析表2数据可知，对于专业1而言，其互联网教学质量评估结果中线上互动状态（A8）评估结果最好，教师资源（A4）评估结果次之，但是技术资源（A6）、经费分配（A3）和教学设置（A7）评估结果较差，该高校可在这几方面予以加强，提升该专业整体互联网教学质量。从表2中还可以看出，该高校对于专业3的互联网教学对外宣传（A1）力度较大，对于专业5的制度实施（A2）力度较大，企业运营水平较高，使得其该项目评估结果最好;专业10 的学生互动积极性（A11）较高，评估结果达到0.92。结果表明采用本文模型可有效评估该高校不同专业的教学质量。

2.2  本文模型的评估结果

统计本文模型的评估结果和实际互联网教学质量评估结果，如图2所示。从图2可以看出，本文模型评估结果与实际质量评估结果数值基本一致，表明本文模型可以有效满足实际应用需求。

2.3  与其他模型的性能對比

为进一步验证本文模型在互联网教学质量评估中的优势，分别采用BP神经网络、D?S证据理论与本文模型的评估结果进行对比，结果如表3所示。分析表3结果可知：BP神经网络的互联网教学质量评估结果最大和最小绝对误差值分别为6.98%和1.83%;D?S证据理论的互联网教学质量评估结果最大绝对误差为5.28%，最小绝对误差值为1.42%;本文模型的互联网教学质量结果最大和最小绝对误差值仅为1.86%和0.15%。这是因为本文模型有效融合了BP神经网络模型的学习能力、并行能力、非线性映射能力，以及D?S证据理论模型处理不确定信息的能力，消除多样本数据不确定性的同时，减小了评估误差，提升教学质量评估准确性。

3  结  语

本文依据证据理论和神经网络建立了互联网教学质量评估模型，可以有效评估企业运营水平、高校配合程度、教师教学能力、学生学习程度以及环境支持程度等方面的互联网教学质量，为管理部门及时有针对性的整改提供数据支撑。在后期评估模型实际应用中应依据时代发展以及相关制度的整改，有针对性地更新、调整评价体系，更精准地评估互联网教学质量。

参考文献

[1] 王秋静，王苹，陈霞.基于医学生创新训练构建创新教育质量监控体系[J].中国卫生事业管理，2019，36（5）：380?382.

[2] 姜从玉，黄虑，朱玉连，等.康复医学住院医师规范化培训教学质量评估体系的构建和应用研究[J].中华物理医学与康复杂志，2019，41（1）：68?70.

[3] 王建波，有维宝，刘芳梦，等.基于WSR?D?S证据理论的地铁车站火灾安全评价[J].安全与环境学报，2018，18（3）：900?906.

[4] 刘欣，赵同刚.基于创新创业教育的学院教学管理探索与实践[J].北京邮电大学学报（社会科学版），2019，21（1）：112?118.

[5] 颜波，张磊，褚学宁.基于卷积神经网络的用户感知评估建模[J].上海交通大学学报，2019，53（7）：844?851.

[6] 陈晋音，王桢，陈劲聿，等.基于深度学习的智能教学系统的设计与研究[J].计算机科学，2019，46（z1）：550?554.

[7] 马凤岐.建设“金课”是提高通识教育质量的关键[J].高校教育管理，2019，13（4）：57?63.

[8] 王冠男.三参数层次分析模型在网络质量评估中的应用[J].西南师范大学学报（自然科学版），2017，42（3）：146?150.

[9] 徐彬斌，王冬梅，谢建.“互联网+”背景下多维教学模式评估体系构建及应用研究[J].福建茶叶，2019，41（3）：204?205.

[10] 张熠.基于D?S证据理论和TFAHP?TOPSIS的工程项目评标决策模型[J].统计与决策，2018，34（11）：48?51.

[11] 赵洪科，吴李康，李徵，等.基于深度神经网络结构的互联网金融市场动态预测[J].计算机研究与发展，2019，56（8）：1621?1631.

[12] 郑莉，王建骅.基于模糊数据挖掘的教学质量满意度分析[J].数学的实践与认识，2018，48（18）：106?116.

[13] 邵春福，王菁，彭金栓.基于主成分分析和BP神经网络的网约车服务质量评价[J].北京交通大学学报，2018，42（3）：10?15.

[14] 崔玮.改进的D?S证据理论在海上目标融合识别模型中的应用[J].舰船科学技术，2017，39（8）：109?111.

[15] 徐绪堪，楼昱清，于成成.基于D?S理论的突发事件多源数据可信度评估研究[J].情报理论与实践，2019，42（8）：67?72.