摘要：目前，高職院校教育教學質量保障體系與教學質量評估問題已成為世界各國關注的問題之一。但教學質量評價過程中，存在數據收集量大、繁、雜；數據不完備、不確定；評價方法和手段；后期數據分析與應用等問題。故針對目前現狀及存在問題，本文提出利用PSO優(yōu)化的人工神經網絡技術處理教學質量評估系統(tǒng)出現的問題，既克服了人為因素對評價結果的直接影響，又可建立全面合理的綜合評價指標體系。

關鍵詞：PSO優(yōu)化神經網絡高職教學質量評價體系

1 高職院校教學質量評價綜合指標體系的確立

目前，各大高職院校廣泛采用學生網上測評系統(tǒng)、教學質量管理委員會專家聽課制度及教師互相聽課評分制度，高度重視教學質量。故本文采用以下16項評價指標，分別用X1、X2…X16表示。其中，X1代表工作熱情、精神飽滿；X2代表課堂組織情況；X3代表講課認真程度；X4代表課后輔導答疑及時耐心；X5代表教學內容正確、容量、速度適當；X6代表授課內容注重科學性、邏輯性和系統(tǒng)性；X7代表能夠明確重點和難點，處理得當；X8代表理論聯系實際情況；X9代表啟發(fā)創(chuàng)新思維；X10代表作業(yè)布置與批改情況；X11代表根據教學需要，采用不同方法；X12代表多媒體教學手段運用情況；X13代表教學語言規(guī)范、生動，板書清晰、合理；X14代表能夠結合教學內容和課堂紀律等對學生進行教育；X15代表教師遵守紀律情況；X16代表對授課教師總體印象。

2 系統(tǒng)功能模塊設計

教學質量評價系統(tǒng)分兩部分，一是利用網絡技術對教師教學工作進行評價與查詢。學生可通過網絡隨時在該系統(tǒng)平臺上對任課教師進行評價；教師可通過該系統(tǒng)隨時了解學生和督導專家的評價；學校各級教學管理部門可在一定權限內通過系統(tǒng)隨時了解課堂教學反映。二是測評數據處理系統(tǒng)，用于分析教學質量評價過程。系統(tǒng)分為如下幾個模塊，具體見圖1：

3 教學質量神經網絡評價系統(tǒng)設計

學生測評數據獲得后，如何公正、有效地得到教師的最終測評結構，是高職院校教學質量評價體系的核心部分，由樣本庫維護、神經網絡訓練、神經網絡評價和報表輸出四個模塊組成。

3.1 樣本庫維護

人工神經網絡中，樣本是神經網絡訓練的必備條件，樣本選取好壞，直接影響神經網絡訓練結果。因此，樣本選取無錫職業(yè)技術學院課堂教學調查表，讓學生對授課教師各項指標進行評分，因每個課堂都有很多學生評分，相當于有很多評委，將所有測評成績取平均值，作為該教師16項輸入指標的值。本文采用督導組對課堂聽課評價值作為輸出指標，采用此樣本數據來訓練網絡，不僅能體現學生的評分，還能體現督導組專家評價思想。合適樣本選擇后，在輸入神經網絡前，須進行歸一化處理。本文采用最大最小值法進行歸一化處理，該方法對數據處理是一種線性變換，能較好保留其原始意義，不會造成信息的丟失。因此，樣本庫維護非常重要，可減小神經網絡模型復雜度，并增加網絡魯棒性，從而保證訓練網絡的準確性。實現本部分采用了對數據庫中的表進行設計，以表單形式實現各個功能。

3.2 PSO優(yōu)化的神經網絡訓練

PSO優(yōu)化神經網絡訓練是本系統(tǒng)核心部分，故將重點介紹訓練模型、訓練算法和程序實現等。

3.2.1 課堂教學質量神經網絡評價子系統(tǒng)模型

選擇網絡模型十分重要，其選擇好壞直接影響網絡訓練次數和網絡學習精度。①確定輸入層神經元個數：課堂教學評價子系統(tǒng)二級指標16個，取輸入層個數n=16；②確定輸出層神經元個數：課堂教學評價子系統(tǒng)評價結果作網絡的輸出，因此取輸出層個數m=1；③確定網絡隱含層數：隱含層數越多，神經網絡學習速度越慢，據Kosmogorov定理，結構合理和權值恰當條件下，3層BP網絡可逼近任意連續(xù)函數，故本文選取結構相對簡單的3層BP網絡；④據網絡收斂性能好壞確定隱含層神經元個數，據公式：s=■+0.51，可得出隱含層神經元個數s=8；⑤確定神經元轉換函數：BP神經網絡神經元轉換函數形式為：fx=■；⑥確定模型結構。

3.2.2 程序實現

①設計神經網絡參數：神經網絡訓練時，初始權值選取對網絡學習訓練是否會落入局部極小點及是否收斂都有很大關系。初始權值一般取隨機數，且要求取值較小，經比較多次訓練過程，網絡初始權值選在[-1/n，l/n]間，可大大縮短收斂時間。②初始化粒子群：按公式計算出維數dimsize=16×8+8×1+8+1=145，確定粒子位置；確定粒子群規(guī)模，一般取20-40就可解決大部分問題，本系統(tǒng)選取40；初始化學習因子c1、c2，c1和c2通常等于2；初始化粒子群及每個粒子速度。初始化每一個粒子個體極值pbest和全局最優(yōu)值gbest，并記錄相應權值、閾值。

3.2.3 神經網絡訓練

表1為進行網絡訓練的14組樣本數據，其中前10組為訓練數據，后4組為測試數據。表2為樣本訓練結果與期望值。圖2為神經網絡訓練后所得的權值和閾值。

3.3 PSO優(yōu)化的神經網絡評價

通過上述神經網絡訓練后，權值、閥值已確定，給定16項輸入值后，則可得出神經網絡的評價結果。利用最后四組數據進行測試，然后檢查輸出評價目標與實際評價目標間誤差是否滿足要求。表1中后4組數據經過歸一化后的值在表3中列出。

經神經網絡計算輸出結果為：0.9434，0.9335，0.1251，

0.3628，把該結果經反歸一化處理得到評價目標與實際評價目標相比較，可得到網絡測試誤差，列于表4。

可看出，測試結果與原始數據非常接近，即該模型能較準確根據各評價指標確定教學效果。

參考文獻：

[1]朱泓.高等學校教學質量評估體系的研究[D].大連：大連理工大學，2004.

[2]曾建潮，介婧，崔志華.微粒群算法[M].北京：科學出版社，2004：10-14.

[3]孫建英.粒子群優(yōu)化算法的分析及改進[D].大連：大連海事大學數學系，2007.

課題來源：

2012年江蘇高校哲學社會科學基金資助項目“基于PSO優(yōu)化神經網絡的高職院校教學質量評價”階段性成果，項目批準號：2012SJB880077；2011年江蘇省高等教育教改研究立項重點課題“基于專業(yè)評估的高職教學質量監(jiān)控體系的研究與實踐”階段性成果，項目批準號：2011JSJG096。

作者簡介：

許敏（1980-），女，無錫職業(yè)技術學院講師，博士研究生，主要研究方向為模式識別、人工智能等。