段亞敏, 焦夢青, 趙 楠

河北地質(zhì)大學 研究生學院, 河北 石家莊 050031

0 引言

隨著高等教育毛入學率從2003 年的17%增長到2019 年的51.6%, 我國已從高等教育大眾化正式進入普及化階段。 黨的十九屆五中全會審議提出, “提高高等教育質(zhì)量, 分類建設(shè)一流大學、 一流學科, 加快培養(yǎng)理工農(nóng)醫(yī)類專業(yè)緊缺人才”, 從多個方位對“十四五” 時期高等教育高質(zhì)量發(fā)展提出要求。 提高高等教育質(zhì)量, 是實現(xiàn)高等教育內(nèi)涵式發(fā)展的核心環(huán)節(jié),新發(fā)展階段的質(zhì)量標準正在趨于多樣化。 不同教育機構(gòu)和教育學者所采用的教育質(zhì)量評價手段和方法也多種多樣、 水平層次不齊。 現(xiàn)階段一些高校仍存在教學制度保障落實不到位; 教學模式缺乏創(chuàng)新性等問題[1]。 所有高等教育改革理念的落實, 都需要通過教育質(zhì)量評價體系來衡量其效果。 教學質(zhì)量評價具有提升人才培養(yǎng)質(zhì)量、 促進教師教學水平發(fā)展、 加強教學管理工作等多重功能[2]。 因此, 開展科學、 合理的教學質(zhì)量評價工作是非常必要的。

基于種種不定量因素, 現(xiàn)行的高校教學質(zhì)量評價存在主觀性和片面性, 因而部分教育工作者考慮能否用更加智能的方式來進行教學質(zhì)量評價工作。 當今隨著人工智能技術(shù)的普及, 自動化方法的運用越來越廣泛。 趙曦[3]基于SOM 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)構(gòu)建高職院校質(zhì)量評價指標體系。 孟祥光[4]采用最小二乘支持向量機評價計算機實驗教學效果。 邱丹萍[5]構(gòu)建了一個單隱含層的BP 神經(jīng)網(wǎng)絡(luò)模型, 選取某學院8 位教師的教學評價數(shù)據(jù)作為訓練數(shù)據(jù)、 2 位教師的數(shù)據(jù)作為測試數(shù)據(jù)進行教學質(zhì)量的評定。 同行評價結(jié)果與神經(jīng)網(wǎng)絡(luò)測試結(jié)果的誤差率小于0.7%。 BP 神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)的前饋型學習網(wǎng)絡(luò), 它在人工智能領(lǐng)域中起著重要作用。 目前尚未有文獻采用BP 神經(jīng)網(wǎng)絡(luò)模型進行地質(zhì)類專業(yè)的教學質(zhì)量評價研究。 鑒于此, 本文分析地質(zhì)類專業(yè)教學質(zhì)量評價因素的特點,根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的特點, 來論證其在地質(zhì)類專業(yè)教學質(zhì)量評價中的有效性。

1 教學質(zhì)量評價指標的確定

首先, 基于“以學生為中心, 以成果為導向” 原則, 根據(jù)大量文獻分析結(jié)果, 結(jié)合地質(zhì)類專業(yè)特點,作者初步制定了教學質(zhì)量評價的4 個一級指標(包括教學目標、 教學過程、 教學效果、 教學條件保障),13 個二級指標[6](包括準確理解教學目標和人才培養(yǎng)方案、 講授內(nèi)容難點突出、 了解學科發(fā)展動態(tài)等)。之后, 面向具有豐富一線教學經(jīng)驗的教授進行問卷調(diào)查, 對指標進行增減和優(yōu)先級調(diào)整, 確定最終的評價指標, 如表1 所示。

表1 教學質(zhì)量評價指標Table 1 Teaching quality evaluation index

2 BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 BP 神經(jīng)網(wǎng)絡(luò)原理

BP 神經(jīng)網(wǎng)絡(luò)是一種反向傳播的前饋神經(jīng)網(wǎng)絡(luò),由輸入層、 隱含層、 輸出層(見圖1) 構(gòu)成。 BP 神經(jīng)網(wǎng)絡(luò)是通過對輸入層到隱含層以及隱含層到輸出層的權(quán)值及閾值的不斷修改來完善網(wǎng)絡(luò), 從而使實際輸出值和期望輸出值的誤差均方差最小。 BP 神經(jīng)網(wǎng)絡(luò)能夠模擬人類大腦神經(jīng)系統(tǒng), 對輸入的信息進行學習、 修正, 從而達到客觀、 公正的信息輸出[5]。

圖1 BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig.1 Neural network topology

2.2 BP 神經(jīng)網(wǎng)絡(luò)模型的確立

為了更好地對教學質(zhì)量評價結(jié)果進行定量分析,在此構(gòu)建一個合理的網(wǎng)絡(luò)模型, 對網(wǎng)絡(luò)模型輸入層、隱含層、 輸出層進行設(shè)計, 盡量減少訓練次數(shù)、 提升模型精度。

2.2.1 輸入層設(shè)計

本文的教學質(zhì)量評價指標包括4 項一級指標, 又細分為13 項二級指標, 這13 項二級指標是決定評價結(jié)果的根本因素。 因此, 該網(wǎng)絡(luò)模型的輸入層節(jié)點數(shù)為13。

2.2.2 隱含層設(shè)計

隱含層的層數(shù)既可以是單層, 也可以是多層, 但多隱含層設(shè)計增加了訓練時間和迭代次數(shù)。 并且Kolmogrov 理論表明, 一個包含單隱含層的三層BP 神經(jīng)網(wǎng)絡(luò)只要有足夠多的節(jié)點數(shù)就能夠無限逼近任一連續(xù)函數(shù)。 因此本文構(gòu)建的是單隱含層的網(wǎng)絡(luò)模型。 隱含層的節(jié)點數(shù)采用經(jīng)驗公式(1) 計算其范圍, 再通過試錯法確定最優(yōu)的隱含層節(jié)點數(shù)。

其中p表示輸入層節(jié)點數(shù),q表示輸出層節(jié)點數(shù),a為1~10 之間的常數(shù)。 經(jīng)測試, 隱含層節(jié)點數(shù)定為8。

2.2.3 輸出層設(shè)計

BP 神經(jīng)網(wǎng)絡(luò)一般把最終需要得到的結(jié)果當成輸出值, 在教學質(zhì)量評價體系中, 把質(zhì)量評價結(jié)果作為最終的輸出值, 因此, 輸出層節(jié)點數(shù)為1。

3 訓練和仿真實驗

3.1 數(shù)據(jù)處理

本研究邀請從教多年的同行根據(jù)評價標準對地質(zhì)類專業(yè)教師的教學質(zhì)量進行評分, 每項指標滿分100分。 我們將43 位教師樣本數(shù)據(jù)的13 項考核指標作為神經(jīng)網(wǎng)絡(luò)輸入層, 將對應(yīng)的得分作為輸出層。 為減少網(wǎng)絡(luò)對樣本的需求量, 保證迭代運算時收斂加快, 本文按照公式(2) 對教師的每項得分數(shù)據(jù)xi進行歸一化處理得到xi*, 從而減少因數(shù)據(jù)量綱不同而造成的影響。

其中:xi為第i個指標的屬性隸屬度, min (xi)為隸屬度的最小值, max (xi) 為隸屬度的最大值。

3.2 網(wǎng)絡(luò)訓練

本文選取43 位教師的得分數(shù)據(jù)作為訓練數(shù)據(jù),以MATLAB 為訓練工具和載體, 采用自適應(yīng)梯度下降算法, 其中輸入層到隱含層的激勵函數(shù)為tansig, 隱含層到輸出層的激勵函數(shù)為purelin。 MATLAB 中神經(jīng)網(wǎng)絡(luò)訓練具體步驟如下:

(1) 運用函數(shù)xlsread 讀取教學質(zhì)量評價樣本數(shù)據(jù)。

(2) 為后續(xù)工作處理數(shù)據(jù)方便, 采用函數(shù)mapminmax 進行歸一化處理, 把樣本數(shù)據(jù)歸一化到[-1, 1], 保證程序運行時收斂加快。

(3) 設(shè)定隱含層函數(shù)為tansig, 輸出層激勵函數(shù)為purelin, 網(wǎng)格訓練函數(shù)選取trainlm, MATLAB 中相關(guān)代碼如下:

nettraining = newff ( Iput, Oput, hiddennum,{ ‘tansig’, ‘purelin’ }, ‘trainlm’ )。

(4) 網(wǎng)絡(luò)迭代次數(shù)為1 000 次, 期望誤差為0.01, 學習速率為0.05:

nettraining. trainParam. epochs=1 000;

nettraining. trainParam. goal=0.01;

LP. lr=0.05;

nettraining=train (nettraining, Iput, Oput);

其中, Iput 為BP 神經(jīng)網(wǎng)絡(luò)的輸入值, Oput 為BP神經(jīng)網(wǎng)絡(luò)的目標輸出值。

3.3 網(wǎng)絡(luò)測試

接下來本文選取另外11 位教師的評價結(jié)果數(shù)據(jù)作為測試數(shù)據(jù), 運用sim 函數(shù)引入訓練好的神經(jīng)網(wǎng)絡(luò)模型, 計算輸出值Otest, 再對Otest 進行反歸一化處理, 得到輸出樣本數(shù)據(jù)Fdata, 與同行打分加權(quán)計算結(jié)果EXPdata 進行比較, MATLAB 相關(guān)代碼如下:

Otest=sim (nettraining, V);

Fdata=mapminmax (‘reverse’, Otest, outputps);

ARD = mean ( abs ( ( Fdata-EXPdata ). /EXPdata) )。

結(jié)果表明, 網(wǎng)絡(luò)測試平均相對誤差A(yù)RD 很小,為1.7%, 如圖2 所示, 說明BP 神經(jīng)網(wǎng)絡(luò)模型能很好地進行教學質(zhì)量評價定量分析。

圖2 加權(quán)計算結(jié)果與網(wǎng)絡(luò)測試結(jié)果比較Fig.2 Comparison between weighted calculation results and network test results

4 結(jié)語

教學質(zhì)量評價是當前研究的熱點, 針對當前傳統(tǒng)教學質(zhì)量評價方法存在的局限性, 為改善地質(zhì)類專業(yè)教學質(zhì)量評價效果, 特提出基于BP 神經(jīng)網(wǎng)絡(luò)的地質(zhì)類專業(yè)教學質(zhì)量評價方法。 通過上述仿真實驗說明BP 神經(jīng)網(wǎng)絡(luò)可以定量分析教學質(zhì)量評價結(jié)果, 能夠較好地判定教學質(zhì)量水平。

該評價方法在教學質(zhì)量評價工作中具有說服力,可信度高。 相較于傳統(tǒng)評價方法來說, BP 神經(jīng)網(wǎng)絡(luò)能夠極大減少教學質(zhì)量評價的工作量, 同時弱化偶然誤差對評價結(jié)果的影響, 建模時間短、 效率高。 可以為教學質(zhì)量管理者提供有價值的參考意見, 有利于提高人才培養(yǎng)質(zhì)量, 以及提升教師自身的教學水平。

下一步的研究方向可以關(guān)注于提升數(shù)據(jù)源的質(zhì)量, 增加收集到的樣本數(shù)據(jù)量, 例如: 將全國高校的地質(zhì)類專業(yè)作為樣本進行分析; 也可以繼續(xù)挖掘評價指標維度和內(nèi)涵, 進一步深入調(diào)研和拓寬評價體系;同時分析評價指標之間的關(guān)聯(lián)性, 對比不同評價方法的優(yōu)劣性。