教学质量论文：神经网络的教导品质评析范文

作者：冯莹莹程向阳单位：阜阳师范学院信息工程学院

AHP-BPNN的教学质量评价模型

1建立教学质量

评价指标体系构建教学质量评价模型的第一步是建立相应的评价因素集(指标体系)，指标体系的设置是否科学合理，直接关系到评价模型的科学性与实用性，然而教学质量评价是受到多种因素的影响，如教学方法，教学态度，教学内容，课堂管理，教学效果，本文通过系统分析和专家评论，参照相关文献和研究，然后采用层次分析建立如图1所示的教学质量评价指标体系。从图1可知，评价指标论域V=(教学方法，教学态度，教学内容，教学效果)，每一个评价指标均包含多个子评价指标。

2AHP筛选评价指标

2.1构建指标判断矩阵构建指标判断矩阵是层次分析法的关键步骤。为了减少主观因素的影响，对教学质量评价指标两两进行比较，构建判断矩阵A，矩阵A中元素值表示评价指标对于教学质量评价结果相对重要性程度，本文采用教学主管部门和熟悉课堂教学质量评价的专家共同打分确定，判断矩阵中元素的赋值标准如表1所示。

2.2评价指标权重计算及一致性检验求得W，然后进行归一化处理，得到相应指标对于上一层次相对重要性权值，最后对判断矩阵进行一致性检验。计算同一层次对教学质量总评价结果的相对重要性，得到综合权重，然后从高到低层对判断矩阵一致性进行检验。最后根据教学质量评价指标的权重对评价指标进行排序。

3重要性指标筛选

根据各评价指标对教学质量最终评价结果的影响权值顺序，剔除不重要的指标，筛选出比较重要的评价指标作为BP神经网络的输入，减少神经网络的输入维数，简化网络结果，加快神经网络的学习速度，提高教学质量评价精度和评价效率。

BP神经网络模型

BP神经网络是一种误差反向传播神经网，它由输入层、隐含层和输出层构成，成为使用最为广泛的一种人工神经网络，其结果如图2所示。

AHP-BPNN的教学质量评价步骤

Step1：依据专家系统、一线教师和教学质量评价实际要求，采用层次分析建立教学质量评价的层次性指标体系结构。

Step2：利用层次分析法对教学评价指标的综合权重进行计算，并根据指标权值的重要性大小进行排序。

Step3：根据评价指标权重采用筛选法选择对教学质量评价结果有重要影响的评价指标。

Step4：根据AHP筛选的评价指标确定BPNN输入层的神经元个数，将教学质量评价的等级作为模型的输出，隐含层神经元个数可通过逐步增长的方法确定，这样就确定BPNN模型的拓扑结构。

Step5：对指标进行归一化处理，消除指标量纲差异的不利影响。

Step6：初始化BPNN参数，并选取足够的教学质量评价样本，采用BPNN对其进行训练和学习，从而建立教学质量评价模型。

Step7：采用建立的评价模型对待评价教师教学质量进行评价，并输出评价结果，并对其性能进行分析。

AHP-BPNN的教学质量评价流程如图3所示。

仿真实验

1数据来源

为了检验AHP-BPNN教学质量评价模型的性能，在Matlab2007平台下对其进行仿真实验。实验数据来自安徽省高等学校教学改革立项项目《程序涉及与数据结构融合教学模式研究》，共收集到3000个数据。每一个数据共包括14个评价指标，部分数据如表2所示。

2模型实现

样本数据值差异过大或过小数据会对导致增加计算复杂度，训练时间过长，为此，对其进行归一化处理缩放到闭区间，具体则归一化公式为：采用层次分析法对教学质量评价指标进行确定权重，并按权重值进行筛选，其得到教学目的，教学工具和手段；难点、重点处理；教学计划完成；学生对教学内容掌握等5个指标，然后对根据这5个指标对数据进行处理，得到新的数据集。将数据分成两部分，其中选择2500个数据作为训练样本集，剩下500个数据作为测试样本集，将训练样本输入到BP神经网络进行训练。BP神经网络具体训练过程如图4所采用建立的最优教学质量评价模型对测试集进行检测，得到实际输出与模型输出如图5所示，两者之间的相关系数为0.9450，评价精度达到94.73%，评价结果的精度相当高，结果表明，层次分析法和BP神经网络相结合的教学质量评价方法是有效的，可行的。为进一步检测AHP-BPNN的泛化性能力，重新将3000个数据分成训练集、验证集和测试集，它们样本个数分别为：2000，800，200。首先将训练集输入到BPNN神经网络进行学习，然后采用验证集对建立模型的有效性进行验证，最后选择最优模型对测试集进行检测，训练集的评价精度为98.73%，验证集评价精度达到94.15%，测试集的评价精度为92.15%，结果表明，对于测试集的评价高达92.15%，说明AHP-BPNN模型的泛化性能力，较好的避免了过拟合的难题。

3与其它教学质量评价模型结果比较

为了评价AHP-BPNN模型的优劣，选择多元线性回归(MLR)，层次分析法(AHP)，BP神经网络(BPNN)，层次分析法+多元线性回归模型(AHP-MLR)进行对比实验，采用评价精度和相关系数作为模型的衡量标准，对比结果如表3所示。MLR、AHP、BPNN、和AHP-MLR实际输出与模型输出相关性变化曲线如图6~9所示。对表3和图5~9的仿真结果进行对比和分析，可以得到如下结论：

(1)组合模型AHP-MLR和AHP-BPNN教学质量的评价精度比单一模型的精度要高，这主要是由于组合模型利用了单一模型的优点，实现了优势互补，可以提供更多反映教学质量的信息，有效提高了教学质量的评价精度。

(2)BP神经网络的评价结果要优于MLR和AHP的评价结果，这主要是由于神经网络是基于非线性建模的，具有智能学习能力，而MLR和AHP是基于线性建模的，不能很好反映教学质量评价指标和评价等级的非线性关系，因此，BP神经网络要优于其它线性模型。

(3)AHP-BPNN的评价精度最高，说明采用AHP对评价指标进行分析，筛选出对评价结果最重要的指标，然后采用非线性逼近能力强的BP神经网络进行教学质量评价，充分利用了两者的优势，两者结果提高教学质量评价效率和评价精度，能够对教学质量进行有效、准确评价。

结束语

针对非线性的教学质量评价问题，提出一种基于AHP-BPNN的教学质量评价方法，并通过仿真实验进行性能测试。仿真结果表明，AHP-BPNN采用层次分析法对重要性指标进行筛选法，简化神经网络模型结构，大幅度减少模型计算的时间，同时采用非线性逼近能力的BP神经网络对复杂的教学质量进行评价可以提高教学质量的评价精度和教学质量评价系统的运行效率，得到的评价结果更具科学性和准确性，在教学管理中具有很好的应用前景。