肖永良，朱韶平，賀燦衛(wèi)，程余余

（湖南財政經(jīng)濟學(xué)院信息管理系，湖南長沙410205）

多級Sigmoid神經(jīng)網(wǎng)絡(luò)在本科教學(xué)評價中的應(yīng)用

肖永良，朱韶平，賀燦衛(wèi)，程余余

（湖南財政經(jīng)濟學(xué)院信息管理系，湖南長沙410205）

為了解決高校教師教學(xué)質(zhì)量評價不全面、主觀性過強等問題，提出了采用多級Sigmoid神經(jīng)網(wǎng)絡(luò)評價本科教學(xué)效果的方法.首先采用主成分分析從原始指標(biāo)特征中提取有效信息，極大地減少了指標(biāo)之間的相關(guān)性；其次，再通過建立類似于大腦神經(jīng)突觸信息神經(jīng)網(wǎng)絡(luò)處理模型，實現(xiàn)對本科教學(xué)效果的自動評價.實驗結(jié)果表明，相對于其他評價方法，該方法具有更好的泛化性能，能提高本科教學(xué)的評價效果.

本科教學(xué)效果；多級Sigmoid神經(jīng)網(wǎng)絡(luò)；人工智能

《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》要求積極探索并制定出符合自身發(fā)展要求的教學(xué)質(zhì)量評價體系.目前很多本科學(xué)校對教學(xué)效果進(jìn)行評價時，常采用的方法有絕對、相對評估法和綜合評價法等簡單的方法，人們對評價過程中存在的問題進(jìn)行了深入研究[1-4].基于現(xiàn)代統(tǒng)計理論的層次分析法[5]、權(quán)重分析法[6]和模糊綜合評價法[7]等也逐漸引入至本科教學(xué)效果評價過程中，取得了較好的評價效果.但這些方法還存在很多需要改進(jìn)的問題，如傳統(tǒng)的層次分析法需要憑借經(jīng)驗確定參數(shù)，同時評價過程若過分依賴專家經(jīng)驗，容易導(dǎo)致評價結(jié)果與實際情況存在較大的誤差.實際上本科教學(xué)活動是一個涉及多方面的復(fù)雜過程，影響教學(xué)效果的因素眾多，影響程度也不一致，最后導(dǎo)致評價結(jié)果難以用恰當(dāng)?shù)臄?shù)學(xué)解析表達(dá)式來表示.針對此問題，本文利用多級Sigmoid神經(jīng)網(wǎng)絡(luò)能模擬人類思維過程的特點，讓神經(jīng)元產(chǎn)生多元反應(yīng)，進(jìn)行本科教學(xué)效果分類評價.通過實驗與比較，證明了所構(gòu)建的評價模型能提高教學(xué)效果評價的準(zhǔn)確性，為本科教學(xué)效果評價提供新的實現(xiàn)途徑.

1 多級Sigmoid神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種由正向與反向傳播構(gòu)成的誤差修正學(xué)習(xí)模型，其輸出信號與輸入信號之間可以表示為一個復(fù)雜的非線性關(guān)系，具有自適應(yīng)學(xué)習(xí)、非線性逼近、易于訓(xùn)練和聯(lián)想記憶等特點[8].然而，由于神經(jīng)元采用簡單的激勵函數(shù)，導(dǎo)致普通神經(jīng)網(wǎng)絡(luò)模型分類效果較差.為此，本文采用多級Sigmoid神經(jīng)網(wǎng)絡(luò)[9]，讓神經(jīng)元產(chǎn)生多元反應(yīng)，進(jìn)行多類分類識別.

多級Sigmoid神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三層.輸入信號首先前向傳播至隱含層節(jié)點，經(jīng)節(jié)點激活后，再將其輸出信號傳播至輸出節(jié)點輸出結(jié)果（如圖1所示）.

圖1 多級Sigmoid神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

激活函數(shù)一般采用標(biāo)準(zhǔn)Sigmoid函數(shù)：

其中α為常量，該類型的神經(jīng)網(wǎng)絡(luò)只能進(jìn)行兩類分類.為了實現(xiàn)對本科教學(xué)效果進(jìn)行多分類評價，采用多級Sigmoid神經(jīng)網(wǎng)絡(luò)構(gòu)建評價模型，激活函數(shù)為：

輸出層的輸出 yi可以表示為隱含層基函數(shù)φi(x)的線性加權(quán)

式中ωij為隱含層第i個節(jié)點到輸出層第 j個節(jié)點之間的連接權(quán)系數(shù)，m為隱含層節(jié)點個數(shù).

對輸出節(jié)點進(jìn)行歸一化處理，取歸一化后最大的為該節(jié)點的類別：

假如滿足下列條件

則判別X∈Lj，即輸入信號屬于第j類.

2 本科教學(xué)效果評價

2.1 有效指標(biāo)特征提取

對本科教學(xué)效果進(jìn)行評價時，由于影響評價效果的指標(biāo)眾多，同時各指標(biāo)之間不可避免地存在信息冗余，因此有必要從中提取有效指標(biāo)特征后再利用神經(jīng)網(wǎng)絡(luò)模型分類處理.主成分分析的基本思想是通過變量的相關(guān)系數(shù)矩陣內(nèi)部結(jié)構(gòu)的研究，找出少數(shù)幾個變量去描述多個變量的相關(guān)關(guān)系，并最大限度保留原來數(shù)據(jù)集的變化信息[10].設(shè)有n個樣本和p個變量的樣本集合矩陣為X∈Rn×p，采用主成分分析的本科教學(xué)有效指標(biāo)特征的提取過程如下：

①教學(xué)數(shù)據(jù)預(yù)處理.為消除各個教學(xué)指標(biāo)由于量綱和單位不一致產(chǎn)生的影響，在評價之前做標(biāo)準(zhǔn)化處理產(chǎn)生標(biāo)準(zhǔn)矩陣X′，計算公式如下：

其中xˉj和sj分別為指標(biāo)變量xj的均值和方差.

②計算教學(xué)指標(biāo)特征值和特征向量.首先建立相關(guān)矩陣R，即

式中X′為標(biāo)準(zhǔn)矩陣.求解自相關(guān)矩陣R特征值λ=[λ1,λ2,...,λp]，并將其從大到小排序，同時求解對應(yīng)的征向量U=[u1,u2,...,up].

③確定教學(xué)指標(biāo)主成分個數(shù).分別計算方差貢獻(xiàn)率和累計方差貢獻(xiàn)率

主成分的個數(shù)選擇取決于累計方差貢獻(xiàn)率.通常選擇累計方差貢獻(xiàn)率超過85%對應(yīng)的前p個主成分.

④根據(jù)特征向量計算教學(xué)指標(biāo)的主成分矩陣

2.2 教學(xué)效果評價過程

本科教學(xué)效果評價過程分為三個主要過程，首先是建立評價指標(biāo)體系，然后利用主成分分析方法提取有效特征，最后利用多級Sigmoid神經(jīng)網(wǎng)絡(luò)進(jìn)行評價，教學(xué)效果評價過程如圖2所示.

圖2 本科教學(xué)效果評價流程圖

教學(xué)效果評價的具體步驟如下：

（1）輸入績效評價指標(biāo).首先將教學(xué)效果評價分為教學(xué)態(tài)度、講授能力、教學(xué)內(nèi)容、教學(xué)方法、教師育人和教學(xué)效果等功能模塊，然后將其細(xì)化為n個評價指標(biāo)作為評價模型的輸入.

（2）有效指標(biāo)特征提取.采用主成分分析法對原始指標(biāo)特征進(jìn)行主成分分析處理，確定有效特征.

（3）確定神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu).采用三級多級Sig?moid神經(jīng)網(wǎng)絡(luò)，節(jié)點采用Sigmoid激勵函數(shù).

（4）計算輸出節(jié)點值.輸出層節(jié)點值是隱含層基函數(shù)的輸出進(jìn)行線性加權(quán)組合.

（5）判斷輸出節(jié)點類別，確定輸入屬于第幾類.

3 實驗結(jié)果與分析

本文從教學(xué)態(tài)度、講授能力、教學(xué)內(nèi)容、教學(xué)方法、教師育人和教學(xué)效果幾個方面對本科教學(xué)效果進(jìn)行評價，將其細(xì)化為以下評價指標(biāo)：教學(xué)態(tài)度、教學(xué)工作量、教學(xué)方法、教學(xué)效果、教學(xué)論文、學(xué)生滿意度、學(xué)科建設(shè)、學(xué)生獲獎、團隊精神、責(zé)任心、個性和風(fēng)格等共20個指標(biāo).其中責(zé)任心指標(biāo)主要考察教師課前、課中和課后的責(zé)任態(tài)度.個性和風(fēng)格指標(biāo)主要考慮教師是否有自己的教學(xué)特色，能否不斷進(jìn)行教學(xué)創(chuàng)新，將知識最大限度傳授給學(xué)生.為消除各個教學(xué)指標(biāo)由于量綱和單位不一致產(chǎn)生的影響，在評價之前做標(biāo)準(zhǔn)化處理.然后根據(jù)標(biāo)準(zhǔn)數(shù)據(jù)建立相關(guān)矩陣，求解累計方差貢獻(xiàn)率獲得有效特征.測試所用硬件環(huán)境為CPUCeleron2.6GHz,2GB內(nèi)存，測試平臺為Windows7,測試程序在Matlab下實現(xiàn)，過程如下：首先采集數(shù)據(jù)將其標(biāo)準(zhǔn)化處理，其次利用主成分分析方法提取有效指標(biāo)特征，最后利用多級Sigmoid神經(jīng)網(wǎng)絡(luò)進(jìn)行評價，將教學(xué)效果分為優(yōu)秀、良好、合格和不合格四個等級.

為驗證本文算法的有效性，采用多級Sigmoid神經(jīng)網(wǎng)絡(luò)、權(quán)重分析法和模糊綜合評價法作為對比模型，建立本科教學(xué)效果評價模型.評價模型的輸入教學(xué)效果評價指標(biāo)，主成分個數(shù)由累計方差貢獻(xiàn)率超過85%的主成分自動確定，評價模型的輸出分為優(yōu)秀、良好、合格和不合格四類，神經(jīng)網(wǎng)絡(luò)采用Sig?moid激活函數(shù)，利用BP算法對多級神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最終該網(wǎng)絡(luò)能將教學(xué)效果分類為優(yōu)秀、良好、合格和不合格，評價結(jié)果如圖3所示.

圖3 三種教學(xué)效果評價方法的性能對比

對比圖中三種本科教學(xué)效果評價方法結(jié)果可知，在三種教學(xué)效果評價模型中，本文提出的多級Sigmoid神經(jīng)網(wǎng)絡(luò)模型有最好的評價效果，分別超過權(quán)重分析法和模糊綜合評價法4.3%和2.5%.這表明利用主成分分析方法從原始指標(biāo)中提取的有效特征，采用多級Sigmoid建立的評價模型具有更好的性能.在實際操作中，如對所得到的評價結(jié)果有疑問，可將該樣本加入訓(xùn)練集重新學(xué)習(xí)模型參數(shù)，以獲得更為合理的本科教學(xué)效果評價模型.

4 結(jié)語

本文利用基于統(tǒng)計分析理論的主成分分析方法從原始指標(biāo)信息中提取有效指標(biāo)特征，將提取后的特征作為多級Sigmoid神經(jīng)網(wǎng)絡(luò)的輸入，對本科教學(xué)效果進(jìn)行評價.該方法有效地降低了數(shù)據(jù)的相關(guān)性，減少了輸入數(shù)據(jù)的維數(shù)，降低了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的難度.同時通過建立類似于大腦神經(jīng)突觸信息多級神經(jīng)網(wǎng)絡(luò)評價模型，實現(xiàn)對本科教學(xué)效果的自動評價.實驗結(jié)果表明，本文提出的評價方法具有更好的評價效果，進(jìn)一步的工作是對模型進(jìn)行實證分析，不斷改進(jìn)，最終運用于實際的本科教學(xué)效果評價.

[1]李寶斌,許曉東.高校課堂教學(xué)效果的教師評價維度探究[J].中國大學(xué)教學(xué),2011(8):65-68.

[2]陳薇.探究高校本科教學(xué)中存在的問題和改革措施[J].佳木斯教育學(xué)院學(xué)報,2014,139(5):187-189.

[3]葉懷凡.我國高等教育質(zhì)量評價研究的困境與超越[J].宜賓學(xué)院學(xué)報,2010,10(10):104-106.

[4]尹明明.對高校教師教學(xué)效果評價后信息反饋的思考[J].中國社會科學(xué)院研究生院學(xué)報,2010(4):141-144.

[5]耿方方,阮曉龍.基于區(qū)間層次分析法的多媒體教學(xué)效果模糊綜合評估[J].電腦知識與技術(shù),2011(9):6220-6222.

[6]呂佳佳,聶傳朋.權(quán)重分析法在生物教學(xué)效果評價中的應(yīng)用[J].阜陽師范學(xué)院學(xué)報(自然科學(xué)版),2011,28(2):85-88.

[7]黃迪民,孫佳燕.基于模糊綜合評價法的高校實踐教學(xué)效果評價[J].廣西社會科學(xué),2008(5):194-197.

[8]杜莉,張建軍.神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用研究[J].計算機仿真,2011,28(10):297-300.

[9]譚論正,夏利民,夏勝平.基于多級Sigmoid神經(jīng)網(wǎng)絡(luò)的城市交通場景理解[J].國防科技大學(xué)學(xué)報,2012,34(4):132-137.

[10]周松林,茆美琴,蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J].電網(wǎng)技術(shù),2011,35(9):128-132.

【編校：王露】

ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNetwork

XIAOYongliang,ZHUShaoping,HECanwei,CHENYuyu
（DepartmentofInformationManagement,HunanUniversityofFinanceandEconomics,Changsha,Hunan410205,China）

Inordertoimprovetheincompleteandsubjectiveevaluationofuniversityteachingquality,anewteaching qualityevaluationmethodbyusingmulti-levelsigmoidneuralnetworkwasproposed.Someeffectiveinformationwasex?tractedfromtheoriginalinputinformationbyusingtheprincipalcomponentanalysistoreducethecorrelativityamongin?putvariables.Thenthemulti-levelsigmoidnetworkmodel,whichsimulatetheinformationprocessinginhumanbrain synapse,wasestablishedtoevaluatetheteachingqualityautomatically.Theexperimentalresultsshowthegeneralization performanceandeffectivenessoftheproposedmethod.

universityteachingquality;multi-levelsigmoidneuralnetwork;artificialintelligence

TP393.0

A

1671-5365(2015)12-0025-03

肖永良，朱韶平，賀燦衛(wèi)，等.多級Sigmoid神經(jīng)網(wǎng)絡(luò)在本科教學(xué)評價中的應(yīng)用[J].宜賓學(xué)院學(xué)報,2015,15(12):25-27. XIAOYL,ZHUSP,HECW,etal.ApplicationofUniversityTeachingEvaluationbyUsingMulti-LevelSigmoidNeuralNet?work[J].JournalofYibinUniversity,2015,15(12):25-27.

2015-09-08修回：2015-10-08

湖南省教育廳資助科研項目（15B040）

肖永良（1978-），男，副教授，博士，研究方向為模式識別理論及應(yīng)用

時間：2015-10-0815:20

http://www.cnki.net/kcms/detail/51.1630.z.20151008.1520.001.html