巩长芬,彭荣荣

(南昌工学院 教育学院,江西 南昌 330108)

英语课程是中国高校的通识教育课程,英语是学生学习、交流和科研必须掌握的技能,因此大学英语教学质量将直接影响学生英语学习的效果和质量。本文以大学英语课程作为研究对象,对其教学质量进行评价。根据已有文献可知,传统的教学质量主要以主观评价为主,无法做到客观、科学的评价。因此,需一种科学、公正、量化的评价模型来对英语教学质量进行评价。

人工智能的崛起及其在教育中的应用,为科学评价教学质量提供了新思路。温阿莉等[1]基于误差反向传播(BP)神经网络,筛选出了学生英语学习中最大的影响因素。Lu等[2]运用成分分析法筛选出影响教学质量的评价指标,通过构建径向基函数(RBF)神经网络来评价英语口译教学质量。Fang[3]从评价指标的预处理和构建两方面入手,构建了高校在线英语教学质量的评价决策模型,且验证了该模型的性能。Zhang等[4]在教学质量评价中引入层次分析法,从而构建了新型的评价体系,实现了较为高效的教学质量评估。朱庆生等[5]运用深度神经网络(DNN)对线上英语课程教学质量进行全方位的评价。Han[6]提出了一种基于模糊逻辑分析的高校数字化教学质量评价方法,且在教学中得到应用。

通过已有文献可知,DNN因为具备深层次特征提取能力强的特点,使其在教学质量评价领域有着得天独厚的优势,但其存在的2方面缺点限制了自身性能的发挥。一是DNN在挖掘输入数据中的有价值特征时,有时会将部分重要特征错误剔除,这将影响其网络性能;二是DNN的性能依赖于隐含层的神经元数目,该数目通常都是人为经验设定的,具有较大的偶然性,过多或过少的神经元都会对模型的评估性能产生负面影响。

为消除以上两种不利影响,本文提出了一种基于改进麻雀搜索算法的深度循环神经网络(ISSA-DRNN)。该网络不仅解决了DNN的诸多缺点,还提高了模型的评价性能,将其应用到大学英语教学质量评价中取得了很好的效果。最后通过实验发现,该模型与其他基础模型相比,减少了人为设定的偶然性,提高了模型的评估性能,改善了模型的泛化能力,其评价效果均优于其他基础模型,具有较好的普适性。

1 大学英语教学质量评价指标

在实际中,主要从两方面对大学英语教学质量进行评价:学生对英语教学质量评价和学校对英语教师教学质量评价。在实地问卷调查的基础上,通过筛选与论证,共选取12个评价指标:教学内容的安排合理性、课堂氛围、教学逻辑性、教学技巧、教师责任感、作业批改的认真度、学生阶段性测试结果、课后作业批改次数、课后辅导次数、早退学生人数、迟到学生人数、讲座次数。

2 麻雀搜索算法与深度神经网络

2.1 麻雀搜索算法

麻雀搜索(SSA)算法是通过模拟麻雀种群生活习惯而提出的一种参数优化算法[8],其优点是参数搜索范围广,收敛速度快,寻优能力强。该算法具体的步骤如下。

第一步,初始化麻雀种群,其种群位置如下:

(1)

式中:n为待优化参数;m为麻雀种群的数量。

第二步,麻雀种群中的发现者、追随者和警戒者,三者的位置更新如下:

(2)

(3)

(4)

式中:t为迭代次数;α、Q、ε、K均为设定的均衡参数;Xbest和Xworst分别表示麻雀所处的最优和最差位置;A为元素全为1的矩阵;fg和fi均表示适应度值。

第三步,通过式(2)至式(4)来更新种群位置,则适应度函数可更新如下:

(5)

2.2 深度神经网络

深度神经网络(DNN)被广泛应用于故障诊断、语音识别和目标检测等领域[9]。其由输入层、隐含层、输出层和SoftMax函数4部分构成,如图1所示。

图1 DNN的详细结构

DNN的训练主要分为两阶段。第一阶段是输入数据的前向传播,即输入数据从输入层经过多个隐含层的特征提取后,其被提取的特征经过SoftMax函数后,被输入到输出层;第二阶段是误差的反向微调,即输出数据与真实数据从输出层返回到隐含层,最后回到输入层,依次调节输入层到隐含层的权重和偏置,隐含层到输出层的权重和偏置。具体的过程如下。

1)前向传播:假设输入数据和真实样本标签分别为I={i1,i2,…,in}和Y={O1,O2,…,On}。因此,DNN的前向传播可以表示为

(6)

Y=SoftMax(H)

(7)

式中:H表示最后的隐含层提取的特征;wij表示神经元i和j的连接权重;b为隐含层偏置;Y表示DNN的前向传播输出结果。

Sigmoid激活函数的表达式如下:

(8)

2)反向微调:计算前向传播输出结果与真实样本标签的总误差,然后使用随机梯度下降法(SGD)对总误差函数中的权重和偏差进行优化微调,使总误差函数最小,即:

(9)

式中:L为DNN的总误差函数;O表示真实样本标签;Y表示DNN预测输出结果。

3 基于改进深度循环神经网络的英语教学质量评价模型

3.1 基于瞬态优化扰动的麻雀搜索算法

在SSA算法中,发现者、追随者、警戒者不仅容易出现种群聚集,还易导致种群多样性减少。因此,本文在SSA上增加了瞬态优化扰动,改进后的SSA算法既提高了种群位置变换的多样性,又提高了SSA的搜索性和鲁棒性。其具体步骤如下。

1)在麻雀种群位置更新后,重新生成麻雀搜寻空间,如下:

Xij=Xworst+α×(Xbest-Xworst)

(10)

2)麻雀种群位置更新后,增加瞬态扰动,以提高麻雀的搜寻空间,新的位置如下:

(11)

3)瞬态扰动后,式(11)中的参数更新为

Cl=k×z×r3+1

(12)

T=2×z×r2-z

(13)

z=2-2l/lmax

(14)

式中:r1、r2、r3、Cl和T均为设定参数;l为迭代次数。

3.2 深度循环神经网络

DNN具有良好的深层次特征提取能力,但其在经过多层特征提取时,无法全部保留有价值的特征从而会对结果造成影响。于是,本文对其进行改进,形成深度循环神经网络(DRNN)。DRNN不仅可以极大限度地保留数据的有效特征,防止特征被错误剔除,还可重复提取有效特征,从而提高模型的性能。DRNN的具体结构如图2所示。

图2 DRNN的详细结构与训练过程

DRNN的训练也分为前向传播与反向微调两个阶段:

1)前向传播:假设输入数据和真实样本标签分别为I={i2,i2,…,in}和Y={O1,O2,…,On}。DRNN的前向传播更新为

(15)

Y=SoftMax(H)

(16)

2)反向微调:在该阶段需对前向传播的参数进行初始化,即去除增加隐含层的权重和偏置,然后对初始化的参数进行反向更新微调。参数的初始化过程如下:

(17)

式中:wft和bft分别为反向微调阶段需要微调的权重和偏置。

紧接着全局应用SGD算法,通过前向传播计算的损失函数来更新微调DRNN的参数,即:

(18)

式中:J为DRNN的损失函数;O为真实样本标签;Y为DRNN预测输出结果。

最后,引进Adam优化器对DRNN的参数进一步调整和更新,具体如下:

(19)

(20)

(21)

(22)

式中:β1、β2和ε为Adam优化器的参数;m1和m2为时刻估计;r(epoch+1)为epoch+1迭代后的学习率。

综上,整个训练过程完成后,DRNN可以充分提取输入数据的特征,实现更高的模型性能。

4 仿真实验与结果分析

4.1 实验数据来源与处理

为有效构造大学英语教学质量评价模型,本研究收集了江西省某3个城市共计6 000份调查问卷作为数据集。将其随机均分为3个不同数据集,每个数据集的前1 500份为训练集,后500份为测试集。对于收集的数据,由于同一样本的评价指标的数据量纲不同,若直接输入到ISSA-DRNN模型易导致网络崩溃,因此需对原始数据进行归一化处理,如下:

(23)

4.2 结果与分析

4.2.1 SSA和ISSA性能比较

为比较ISSA和SSA两种算法的迭代速度和最佳性能,选取2个测试函数进行比较。为保证公平性,算法的参数设置需一致。2个高维函数Ackley和Schwefel的表达式分别如下:

(24)

(25)

2个高维函数的图像及其2种算法的适应度变化曲线如图3和图4所示。从图3和图4可明显看出,ISSA具有更快的收敛速度和更高的收敛精度,同时在处理多峰函数问题时,ISSA也得到了极大改进。

(a)Ackley函数

(a)Ackley函数

4.2.2 DRNN和DNN性能比较

为验证DRNN的优越性,DRNN和DNN之间的损失值和准确率的曲线,如图5所示。可看出,DRNN的损失值小,精度较高,评价性能明显优于DNN模型。这是因为DRNN模型不仅可以极大限度地保留数据的有效特征且防止特征被错误剔除,还可以重复提取有效特征,从而提高了模型的性能。

(a) 损失值变化

4.2.3 验证基于ISSA-DRNN的英语教学质量评价模型优越性

为验证ISSA-DRNN对英语教学质量评价的优越性,将其与DNN、DRNN和SSA-DRNN这3种方法进行比较,各自独立运行10次取平均值。基于不同算法的英语教学质量评价模型在数据集A的平均准确率和标准偏差如表1所示,不同方式的迭代训练耗时如表2所示。英语教学质量评价模型的平均精度如图6所示。

表1 不同模型的平均精度和标准差 %

表2 不同模型的迭代训练耗时 s

图6 不同方法在各个数据集上的平均精度

对图6、表1和表2进行对比分析得到如下结论:

1)由图6可知,基于ISSA-DRNN的大学英语教学质量评价模型在数据集A、B、C上的评价精度远高于其他3种模型。

2)通过表1可知,基于ISSA-DRNN的评价模型的平均精度远高于其他3种基础模型,且标准偏差小,说明该方法的预测精度更加稳定,预测误差波动更小。

3)通过表2可知,基于ISSA-DRNN的评价模型的建模平均耗时略高于其他3种基础模型,主要是因为该模型中添加了改进优化算法和DRNN。但随着计算机硬件的提升,ISSA-DRNN的建模时间会大幅缩小,不会因此而降低效率。

最后,为有效地验证本研究所提模型在不同大学课程教学质量评价中的普适性,选取了高等数学、大学物理、某专业课、思政课程4门功课进行教学质量评价,来检测所提模型的通用性,预测结果如表3所示。可看到,所提方法对不同课程均有着良好的评价精度。

表3 不同课程教学质量评价结果 %

5 结语

本文提出一种基于优化麻雀搜索算法的深度循环神经网络(ISSA-DRNN),高性能地实现了对大学英语教学质量的评价。基于调研数据,将ISSA-DRNN与DNN、DRNN和SSA-DRNN这3种基础方法进行比较,发现其能较大程度地提升模型自身的鲁棒性与泛化能力,在对大学英语教学质量评价方面有着很好的优越性,并能得到精准评估结果。基于ISSA-DRNN的评价模型可以很好地进行教学的预测与评估,为教学质量评判提供一般方法,具有重要的现实意义。