《基于神经网络的教学质量评估模型(共5页).doc》由会员分享，可在线阅读，更多相关《基于神经网络的教学质量评估模型(共5页).doc（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上基于神经网络的教学质量评估模型陈力捷 职教论坛（ISSN 1001-7518 ）（核心刊物）2004(12)【摘要】本文利用神经网络方法建立教学质量评估系统的数学模型，采用各评价指标作为其输入，教学效果作为输出，基于最小二乘思想，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值最小，经仿真计算证明，该数学模型具有较好的辨识精度。 【关键词】教学效果；评价指标；神经网络 在新形势下，如何使学校的教育水平走上一个新的台阶，提高教学质量无疑是最关键的。由于教学过程包括教与学，评价一个教师教学质量的优劣，要比评价产品质量的优劣要复杂得多，因为教学质量评估体系中
2、往往含有非定量的因素，这给评价带来了很大的困难。在以往的评价体系中，我们往往将各评价指标的值通过简单的数学运算，如加减乘除，来评价一个教师的教学效果，但这种做法存在着明显的不足，因为评价体系的输入（各评价指标）和输出（教学效果）之间的关系并不一定是简单的线性关系，所以寻找评价体系的输入和输出的数学关系，建立一个合理的、科学的数学模型，将对教学质量的评估有着重要的意义，本文利用神经网络理论建立了教学质量评价系统的数学模型，为教学质量评估体系的研究提供了有意义的参考价值。 1.教学质量评估的实例分析 为了评价一个教师的教学质量，通常对其教学内容、教学方法、教学态度、教学效果等内容进行评价。评价指标
3、有7个，分别为X1，X2，X3，X4，X5，X6，X7，其中X1代表课程进度、教学深广度和学习负担合理程度；X2代表与实践结合程度和能否反映近代科技成就；X3代表讲课条理清楚、层次分明、重点突出程度；X4代表讲解生动、启发诱导、有吸引力、举例典型、理论联系实际；X5代表指导学习方法、培养分析能力；X6代表备课充分、讲解熟练、答疑、批改作业认真程度；X7代表教书育人，不断改进教学。我们将评价目标定为教学效果，其主要内容包括学生考查成绩、课堂纪律、理解掌握程度、分析解决问题的能力等方面。建立如表1所示的教学质量调查表。 我们将评价指标的取值范围定为0,9。表格分别由领导、教师、学生填写，每人填写一
4、份，经总结后得到表1所示的结果。从表中可以看出，课程进度、教学深广度和学生学习负担愈合理，其教学效果愈好；讲课条理愈清楚、层次愈分明、重点愈突出，教学效果愈好；指导学习方法愈正确、培养学生分析能力愈得法，教学效果愈好；备课愈充分，讲解愈熟练，答疑、批改作业愈认真，教学效果愈好；能够积极不断改进教学、教书育人，教学效果愈好。 究竟各评价指标与评价目标（教学效果）之间存在着怎样的关系呢？为了解决这个问题，下面利用神经网络系统建立本评估体系的数学模型。 2. 基于神经网络的教学质量评估模型 神经网络理论是近几年来国内外的一个前沿研究领域，它可用于预测、分类、模式识别和过程控制等各种数据处理场合。相对
5、于传统的数据处理方法，它更适合处理模糊的、非线性的和模式特征不明确的问题。 表1 教学质量调查表 样本 序号 评价指标 评价目标 (教学效果) X1 X2 X3 X4 X5 X6 X7 1 6 9 5 7 4 5 6.5 6.5 2 7 5.5 6 5.5 4 7 7.5 7.5 3 7.5 4 8 6.5 3 6 7 8 4 6.5 5.5 6 7 8 7 7 625 5 7.5 8.5 5 7.5 7 8.5 7.5 6.75 6 6 9 5 6.5 5 6.5 5.5 6 7 4 7.5 3 5.5 7 4.5 6 6.25 8 6.5 5 7 4.5 4 6 7 7.75 9 4 9
6、5 6 9 7.5 6 6.5 10 4 8 6 5.5 6 6.5 6 6.5 11 5.5 4 4 3 2 4 6 6.75 12 8 5 9 5.5 8 7 7 7.5 13 7 6 8 7 5 6.5 7 6.75 14 6 6.5 8 4 7 7 6.5 6.5 15 7 6.5 7 6 6 7 7 7.25 16 7 3 6 5 4 5.5 6.5 6.75 17 4 6.5 5 4.5 9 7 6.5 6.25 18 3.5 6 2 6 8 5.5 6.5 6.75 19 6 8 7 7.5 5 6.5 7 7.5 20 6.5 6.5 6 5 4 6.5 6 6.75 21 9
7、 6.5 8 6 8 6.5 8 8 22 8.5 4 9 5.5 8 8.5 8 8.5 23 6 7.5 6 7.5 6 7 7.5 7.25 24 5.5 5 7 6 5 5.5 7.5 7.75 2.1教学质量评估神经网络模型的结构和算法 本文采用BP神经网络对教学质量评估系统进行辩识。在这里，我们把7个评价指标作为神经网络系统的输入，把评价目标，也即教学效果作为系统的输出。 BP网络(Backpropagation NN)是一单向传播的多层前向网络，网络除输入输出节点外，有一层或多层的隐层节点，同层节点没有任何的耦合。输入信号从输入层节点，依此经过各隐层节点，然后传到输出节点，每一层
8、节点的输出只影响下一层节点的输出，其单元特性(传递函数)通常采用Sigmoid型，但在输出层，节点的单元特性可采用线性,其网络结构如图1所示。 x1 x2 y x7 输入层 中间层（隐层） 输出层 图1 BP网络结构本文采用反向传播(BP)算法对评估体系进行辩识，其基本思想是最小二乘法，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值最小，网络的学习过程是误差一边向后传播一边修正加权系数的过程，故可用其对教学质量评估体系进行识别。 设BP网络的输入层为： (2.1) 其中x是教学质量评估系统的各个评价指标。在这里n=7。 网络的隐层为： (2.2) (2.3) 其中 为权系数，
9、 为系统的激励函数或传递函数，取Sigmoid函数，即： (2.4) 网络的输出层为： (2.5) 其中 是神经网络系统的输出变量， 为权系数。 设准则函数为： (2.6) 利用BP算法可使性能指标最小化，为了保证系统的全局稳定性，把被辨识对象(教学质量评估系统)的实际输出y作为反馈信号，将其与神经网络辨识器的输出 比较，使 ，其中 为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。 根据反向传播计算公式，可得如下权系数学习规律。 (2.7) (2.8) 其中为学习修正率， 。另外由式(2.4)，可得到： 。 2.2 仿真计算 采用三层BP神经网络对上述的教学质量评估系统进行辨
10、识，输入层、隐含层和输出层的结点数分别为7141，激活函数采用sigmoid型，学习率=0.9，学习训练算法采用反向传播(BP)算法，将表1中的数据作为神经网络辨识模型的训练样本，目标误差为0.001，训练过程见图2。训练达到要求后，可得到如表2所示的辨识值。从表2可以看出，原始数据与神经网络系统的辨识值非常接近。也就是说，该模型能较为准确地根据各评价指标来确定教学效果。 图2 神经网络系统训练过程 3.总结 采用BP神经网络可以建立教学质量评估系统的数学模型，该模型的输出辨识值与真实值之间的误差很小。一旦神经网络的结构和其算法确定后，数学模型的准确程度与输入的训练样本的数量有着密切关系。训练
11、样本越多，该数学模型就越能准确地根据各评价指标来描述教学效果的好坏。 表2 原始数据与神经网络系统的辨识值比较样本序号 评价目标 神经网络辨识值 样本序号 评价目标 神经网络辨识值 样本序号 评价目标 神经网络辨识值 1 6.5 6.4993 9 6.5 6.4994 17 6.25 6.2428 2 7.5 7.7494 10 6.5 6.4990 18 6.75 6.7057 3 8 7.9945 11 6.75 6.7495 19 7.5 7.4997 4 6.25 6.2573 12 7.5 7.4994 20 6.75 6.7501 5 6.75 6.7513 13 6.75 6.7
12、500 21 8 7.9986 6 6 5.9996 14 6.5 6.5014 22 8.5 8.4986 7 6.25 6.2478 15 7.25 7.2511 23 7.25 7.2609 8 7.75 7.7488 16 6.75 6.7510 24 7.75 7.7491 【参考文献】 1. 黄淑娴.教学质量的模糊综合评判J. 管理与教育.1994.2:5758 2. 吴钢.现代教育评价基础M. 上海:上海学林出版社.2000 3. 闻新，周露，王丹力，熊晓英.MATLAB神经网络应用设计M. 北京:科学出版社，2000.207231 4. 吴立志,韩伯棠.应用模糊综合评判的置信度准则评价教师质量J.北京理工大学学报.2003.4(2):89 5. 赵振宇,徐用懋.模糊理论和神经网络的基础与应用M.北京:清华大学出版社,广西科学技术出版社.1995.103114 专心-专注-专业