喬維德（無錫開放大學 科研與質(zhì)量控制處，江蘇 無錫 214011）

0 引 言

實施翻轉(zhuǎn)課堂是解決教師課堂講授能力差異的重要途徑，更是解決學生學習差異的有效途徑。與傳統(tǒng)課堂教學有所不同，翻轉(zhuǎn)課堂教學充分體現(xiàn)“以學為主、寓教于學”的現(xiàn)代教學理念，注重學生的學習過程管理與考核，強化學生的知識內(nèi)化，滿足學生的個性自主學習需求，可極大地調(diào)動學生的學習主觀能動性和學習參與熱情，有利于建立良好、和諧、新型的師生和生生關(guān)系。目前，我國普通高校、職業(yè)院校等都在大力開展翻轉(zhuǎn)課堂教學改革活動，許多教師及相關(guān)學者也在進行翻轉(zhuǎn)課堂教學模式的應用實踐與研究，但針對翻轉(zhuǎn)課堂教學質(zhì)量評價的研究成果并不多見。如構(gòu)建翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系和評價系統(tǒng)[1-3]，采用模糊層次分析法評價翻轉(zhuǎn)課堂教學質(zhì)量[4-5]等。現(xiàn)有翻轉(zhuǎn)課堂教學質(zhì)量評價研究成果，一般僅停留于翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系的構(gòu)建上，較少涉及指標體系中各指標權(quán)重分配，缺乏實證研究成果。翻轉(zhuǎn)課堂教學質(zhì)量評價系統(tǒng)是一項系統(tǒng)工程，具有高度非線性、較強的時滯性和不確定性，如果仍單一采取傳統(tǒng)評價方法，難以對翻轉(zhuǎn)課堂教學質(zhì)量作出公正、客觀、精準的評價。本文以翻轉(zhuǎn)課堂為研究對象，在分析影響翻轉(zhuǎn)課堂教學成效的關(guān)鍵要素前提下，運用層次分析法（AHP）構(gòu)建翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系，確定各指標權(quán)重，建立BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型，采取改進粒子群算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值和閾值，利用改進BP算法、訓練BP神經(jīng)網(wǎng)絡(luò)評價模型，以期用更科學、更有效、更客觀地評價翻轉(zhuǎn)課堂教學質(zhì)量，為翻轉(zhuǎn)課堂的教學改革和教學質(zhì)量提升提供參考依據(jù)。

1 翻轉(zhuǎn)課堂教學質(zhì)量評價模型

基于AHP和BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型如圖1所示。首先在分析影響翻轉(zhuǎn)課堂教學質(zhì)量因素的基礎(chǔ)上，運用AHP構(gòu)建翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系，確定指標權(quán)重；然后建立BP神經(jīng)網(wǎng)絡(luò)評價模型，利用改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，并輸出最優(yōu)的網(wǎng)絡(luò)初始權(quán)值與閾值，選取相關(guān)指標數(shù)據(jù)作為訓練樣本，由改進BP算法對BP神經(jīng)網(wǎng)絡(luò)進行訓練；最后再利用樣本對已訓練好的BP神經(jīng)網(wǎng)絡(luò)進行測試。其中運用AHP計算的綜合得分作為BP神經(jīng)網(wǎng)絡(luò)的期望輸出，它與BP神經(jīng)網(wǎng)絡(luò)實際輸出之間的誤差必須在規(guī)定的誤差精度范圍內(nèi)。通過AHP與BP神經(jīng)網(wǎng)絡(luò)的有機融合，可克服和避免在翻轉(zhuǎn)課堂教學質(zhì)量評價過程中產(chǎn)生的主觀及人為因素，從而使翻轉(zhuǎn)課堂教學質(zhì)量評價結(jié)果更公正、客觀、真實、科學。

圖1 基于AHP和BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型

2 翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系的構(gòu)建

2.1 建立遞階層次結(jié)構(gòu)

翻轉(zhuǎn)課堂教學融合了傳統(tǒng)課堂教學要素及課堂翻轉(zhuǎn)變化的新要求和新特點，在實施過程中涉及的因素較多，且各因素之間又有關(guān)聯(lián)，因而運用AHP構(gòu)建翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系時，要用系統(tǒng)工程的思維考慮問題，以客觀性、目的性、科學性及可比性、效益性為基本原則，注重評價指標的共性與個性、定性與定量的有機結(jié)合與有效轉(zhuǎn)化。翻轉(zhuǎn)課堂教學質(zhì)量評價指標不僅需要具備普遍性，而且還需要呈現(xiàn)特殊性，評價時既要全面考慮翻轉(zhuǎn)課堂的各個環(huán)節(jié)，又要重點考核翻轉(zhuǎn)課堂的重點和關(guān)鍵環(huán)節(jié)，同時還要分析影響翻轉(zhuǎn)課堂教學質(zhì)量的各因素之間存在的關(guān)聯(lián)度，從而保證評價結(jié)果更加客觀、合理、精準。影響翻轉(zhuǎn)課堂教學質(zhì)量的各種外在和內(nèi)在因素錯綜復雜，結(jié)合翻轉(zhuǎn)課堂教學模式的獨特性及對教師、學生的要求，對翻轉(zhuǎn)課堂教學進行質(zhì)量評價。一是考慮課前教師準備與學生自主學習情況，如教學微視頻開發(fā)、學習任務(wù)書設(shè)計等；二是重點考查課堂學習與活動組織情況，如課中問題交流討論、課堂實踐活動操練、課堂學習成效等；三是注重學生的課后學習及師生的總結(jié)反思，如學生課后作業(yè)完成質(zhì)量、學生課后拓展內(nèi)容學習情況等?；谝陨戏治?，在參考相關(guān)文獻、咨詢教育專家及征求師生代表意見基礎(chǔ)之上，構(gòu)建了翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系（見表1）。該指標體系由目標層（M）、一級指標層（H）、二級指標層（W）、三級指標層（X）組成，其中，一級指標層有指標3項，二級指標層有指標9項，三級指標層有指標36項。

2.2 確定指標權(quán)重

采用1—9比率標度法建立翻轉(zhuǎn)課堂教學質(zhì)量評價的權(quán)重判斷矩陣為：M—H，H1—W，H2—W，H3—W，W1—X，W2—X，W3—X，W4—X，W5—X，W6—X，W7—X，W8—X，W9—X（見表2～表14）。在權(quán)重判斷矩陣M—H中，“5”表示一級指標H2（課堂學習與活動組織）比一級指標H1（課前準備與學習）重要，“7”表示一級指標H2（課堂學習與活動組織）比H3（課后學習與反思）重要得多，而“1/5”則表示H1沒有H2重要，“1/7”表示H3沒有H2重要，因而將一級指標層中的課堂學習與活動組織、課前準備與學習、課后學習與反思所占的權(quán)重分別設(shè)定為0.48、0.35和0.17（見表2）。其它權(quán)重判斷矩陣以此類推。在計算以上各權(quán)重判斷矩陣特征向量且進行歸一化處理后，得到翻轉(zhuǎn)課堂教學質(zhì)量評價指標合成權(quán)重（見表15），即三級指標層各指標相對目標層的綜合權(quán)重。

表1 翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系

表2 權(quán)重判斷矩陣M—H

表3 權(quán)重判斷矩陣H1—W

表4 權(quán)重判斷矩陣H2—W

表5 權(quán)重判斷矩陣H3—W

表6 權(quán)重判斷矩陣W1—X

表7 權(quán)重判斷矩陣W2—X

表8 權(quán)重判斷矩陣W3—X

表9 權(quán)重判斷矩陣W4—X

表10 權(quán)重判斷矩陣W5—X

表11 權(quán)重判斷矩陣W6—X

表12 權(quán)重判斷矩陣W7—X

表13 權(quán)重判斷矩陣W8—X

表14 權(quán)重判斷矩陣W9—X

3 基于BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價

基于BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型[6-7]如圖2所示。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型

BP神經(jīng)網(wǎng)絡(luò)需要經(jīng)過不斷學習優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，即輸入層與中間層之間的連接權(quán)值ωij，中間層與輸出層之間的連接權(quán)值Gki，以及中間層神經(jīng)元節(jié)點閾值θi和輸出層神經(jīng)元節(jié)點閾值θk，從而最終實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)實際輸出A與理想輸出B之間的偏差降至規(guī)定要求的誤差精度范圍內(nèi)。鑒于BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值等結(jié)構(gòu)參數(shù)的選擇對網(wǎng)絡(luò)輸出結(jié)果影響極大，針對傳統(tǒng)BP算法收斂速度慢，ωij,Gki,θi,θk等參數(shù)初始值較為敏感，易陷入局部極值等狀況，提出一種改進粒子群算法優(yōu)化輸出BP神經(jīng)網(wǎng)絡(luò)中ωij,Gki,θi,θk等最優(yōu)初始連接權(quán)值和閾值，并通過改進BP算法對BP神經(jīng)網(wǎng)絡(luò)加以學習訓練，直至BP神經(jīng)網(wǎng)絡(luò)輸出誤差滿足要求為止。

表15 翻轉(zhuǎn)課堂教學質(zhì)量評價指標合成權(quán)重

為避免標準BP算法在學習訓練過程中陷入局部極小并可能出現(xiàn)振蕩現(xiàn)象，采?。?）、 （2）式所示的基于動量和自適應學習的改進BP算法。通過加入動量項可避免網(wǎng)絡(luò)學習訓練中產(chǎn)生振蕩；通過引入自適應學習因子調(diào)整學習率，可避免因過大或過小的學習率及過慢的收斂速度而導致系統(tǒng)產(chǎn)生振蕩乃至發(fā)散現(xiàn)象。

其中，β為動量因子?為加入的動量項；c,d為常數(shù)，且0＜c＜d；η為需要調(diào)整的學習率（學習步長）；σ為網(wǎng)絡(luò)神經(jīng)元層之間的誤差；Xi為BP神經(jīng)網(wǎng)絡(luò)層輸入信號。

標準粒子群（PSO）算法按（3）、 （4）式進行迭代計算，直至粒子搜索出最優(yōu)位置。

其中，t為尋優(yōu)迭代次數(shù)；Sij（t）為粒子在t代時當前位置；Vij（t）為粒子在t代時速度；ω為粒子運動慣性權(quán)重，γ1,γ2為加速因子，分別修正朝著全局最優(yōu)粒子和向個體最優(yōu)粒子位置方向移動的最大步長，選取γ1=γ2=2；rand1,rand2為0～1隨機數(shù)。

為防止粒子群算法產(chǎn)生“早熟”現(xiàn)象，對慣性權(quán)重ω進行更新，讓其跟隨粒子群算法的迭代次數(shù)進行線性調(diào)節(jié)，即：

其中，ωmax為慣性權(quán)重最大值，ωmin為慣性權(quán)重最小值，t為當前更新迭代次數(shù)，tmax為最大更新迭代次數(shù)。

為擴展粒子群算法的搜索尋優(yōu)空間，減少甚至消除粒子群在沒有完全搜索前陷入局部極值概率，當粒子每次迭代更新后對粒子按一定的變異概率g做重新初始化處理，即參照遺傳算法中種群變異思想，引入遺傳變異因子，從而實現(xiàn)粒子群算法的全局最優(yōu)[8]。其操作方法為：

其中h為0～1之間的隨機值，由它決定粒子向著最大或最小位置方向變異。

由（7）式求得變異概率g：

其中，g1,g2分別為變異概率的初始取值和最終取值，選取g1＜g2，以保證變異概率g根據(jù)余弦變化規(guī)律由小逐漸增大。

改進粒子群算法和BP算法優(yōu)化訓練BP神經(jīng)網(wǎng)絡(luò)流程[9]如圖3所示，其關(guān)鍵步驟如下：

（1）初始化算法參數(shù)，隨機初始化粒子群初始位置和初始速度，設(shè)定初始慣性權(quán)重ω和加速因子γ1,γ2，最大迭代次數(shù)tmax，確定BP算法的動量因子β，學習率η等。選定BP神經(jīng)網(wǎng)絡(luò)輸入層、中間層及輸出層神經(jīng)元個數(shù)各自為S1, S2, S3，即BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為S1—S2—S3，種群中的每個個體粒子對應于BP神經(jīng)網(wǎng)絡(luò)各層所有神經(jīng)元之間的連接權(quán)值和閾值，粒子維度表示為S1×S2+S2×S3+S2+S3，其中，連接權(quán)值個數(shù)為（S1×S2+S2×S3），閾值個數(shù)為（S2+S3）。

（2）選取翻轉(zhuǎn)課堂教學質(zhì)量評價的樣本（含訓練、測試）數(shù)據(jù)，對樣本數(shù)據(jù)進行歸一化處理后，計算粒子群中每個粒子的適應度函數(shù)值。這里采用BP神經(jīng)網(wǎng)絡(luò)輸出誤差E作為粒子群算法的適應度函數(shù)，則：

其中，Bjk為第j個訓練樣本在第k個輸出節(jié)點處的網(wǎng)絡(luò)期望輸出，Ajk為第j個訓練樣本在第k個網(wǎng)絡(luò)輸出神經(jīng)元節(jié)點處的實際輸出，m為網(wǎng)絡(luò)輸出層神經(jīng)元節(jié)點數(shù)（即m=S3），n為訓練樣本數(shù)。

（3）對于每個粒子的適應度值，如果其值好于全局最佳位置的粒子適應度函數(shù)值，則粒子位置為當前全局最佳位置。

（4）采用粒子群算法中（3）、 （4）、 （5）式分別更新粒子速度、位置。

圖3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化訓練流程

（5）每次迭代更新粒子位置后，根據(jù)（6）、 （7）式對粒子以一定概率進行變異操作，完成重新初始化處理。

（6）重復執(zhí)行步驟（2）～（5），當粒子適應度函數(shù)值達到規(guī)定精度和最大迭代次數(shù)時，改進粒子群算法搜索結(jié)束，輸出全局粒子最佳位置且映射為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始連接權(quán)值和閾值。

（7）采用改進BP算法，即按（1）、 （2）式對BP神經(jīng)網(wǎng)絡(luò)加以訓練，不斷調(diào)整BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，直至滿足設(shè)定的最大訓練次數(shù)或網(wǎng)絡(luò)輸出達到最小誤差精度要求。

（8）將測試樣本輸入已訓練好的BP神經(jīng)網(wǎng)絡(luò)，對翻轉(zhuǎn)課堂教學質(zhì)量進行評價。

4 仿真實驗

4.1 指標數(shù)據(jù)預處理

翻轉(zhuǎn)課堂教學質(zhì)量評價指標有36項，既有定性指標也有定量指標，但由于各指標量綱和單位有所不同，為便于對數(shù)據(jù)統(tǒng)一處理，應對定量指標數(shù)據(jù)進行歸一化處理，即：

其中，X *（k）為指標數(shù)據(jù)歸一化處理值，xkmax,xkmin分別為第k個指標數(shù)據(jù)的最大值和最小值。

翻轉(zhuǎn)課堂教學質(zhì)量評價指標中絕大部分指標為定性指標，這些定性指標首先必須轉(zhuǎn)換為定量指標數(shù)據(jù)，即由教育領(lǐng)域的專家、評委按[0, 100]百分制打分考核，然后根據(jù)（9）式對定量指標數(shù)據(jù)進行歸一化處理，再將相關(guān)數(shù)據(jù)轉(zhuǎn)換為0～1區(qū)間范圍內(nèi)的評價值。

4.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（1）輸入層節(jié)點數(shù)。BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)取決于翻轉(zhuǎn)課堂教學質(zhì)量評價指標的個數(shù)，翻轉(zhuǎn)課堂教學質(zhì)量評價指標36項分別對應BP神經(jīng)網(wǎng)絡(luò)的36個輸入神經(jīng)元，BP神經(jīng)網(wǎng)絡(luò)輸入量為經(jīng)過歸一化處理后的翻轉(zhuǎn)課堂教學質(zhì)量評價指標數(shù)據(jù)值。

（2）中間層節(jié)點數(shù)。中間層神經(jīng)元節(jié)點數(shù)由（10）式計算得出，即：

其中q取值為1～10之間的常數(shù)。通過多次實驗，確定中間層節(jié)點數(shù)為12。

（3）輸出層節(jié)點數(shù)。以翻轉(zhuǎn)課堂教學質(zhì)量評價指標36項數(shù)據(jù)值作為BP神經(jīng)網(wǎng)絡(luò)輸入信號，將翻轉(zhuǎn)課堂教學質(zhì)量評價結(jié)果A作為BP神經(jīng)網(wǎng)絡(luò)輸出。評價結(jié)果A根據(jù)評價分值高低順序共設(shè)定5個等次，分別為優(yōu)秀[1～0.9]、良好（0.9～0.8]、中等（0.8～0.7]、合格（0.7～0.6]、不合格（0.6～0]，因而輸出層節(jié)點數(shù)有5個。

據(jù)此BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)設(shè)計為36—12—1，粒子維度（數(shù)）d=36×12+12×1+12+1=457，其中，包含網(wǎng)絡(luò)各層之間的連接權(quán)值數(shù)444個，閾值數(shù)13個。

4.3 訓練與測試樣本

從無錫、常州等地普通高校、職業(yè)院校選取機電、計算機、電子商務(wù)、英語等專業(yè)課程實施翻轉(zhuǎn)課堂教學質(zhì)量評價指標部分數(shù)據(jù)樣本（見表16），第1～20組數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)的學習訓練，第21～25組數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)的測試檢驗；X11, X12, X13, …,X93為教學質(zhì)量評價指標；得分（B）為翻轉(zhuǎn)課堂教學質(zhì)量評價的綜合得分，由運用AHP計算得到，此得分即為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值B。

4.4 BP神經(jīng)網(wǎng)絡(luò)評價模型實驗及結(jié)果

改進粒子群算法及BP算法參數(shù)的初始化大大影響著BP神經(jīng)網(wǎng)絡(luò)性能，相關(guān)參數(shù)設(shè)置為：粒子群算法的最大迭代次數(shù)tmax=500，種群規(guī)模為40，慣性權(quán)重ωmax=0.8，慣性權(quán)重ωmin=0.3，變異概率g1=0.07,g2=0.45；BP算法的初始學習率（學習步長）η=0.15，動量因子β=0.75。BP神經(jīng)網(wǎng)絡(luò)的目標誤差精度為1×10-4，BP算法最大迭代次數(shù)設(shè)定為800。借助MATLAB7.0仿真工具軟件，將表16第1～20組樣本輸入至BP神經(jīng)網(wǎng)絡(luò)，并進行學習訓練，直至達到規(guī)定的誤差精度或最大迭代次數(shù)。BP神經(jīng)網(wǎng)絡(luò)學習訓練誤差變化曲線如圖4所示。當訓練步數(shù)達69步時，訓練誤差便滿足目標誤差精度要求，訓練時間較短，訓練精度較高。表16第21～25組BP神經(jīng)網(wǎng)絡(luò)測試樣本評價結(jié)果見表17。由表17可看出，測試數(shù)據(jù)用于翻轉(zhuǎn)課堂教學質(zhì)量評價的BP神經(jīng)網(wǎng)絡(luò)實際輸出值與期望輸出值的相對誤差最高不超過1.7%，BP神經(jīng)網(wǎng)絡(luò)輸出的翻轉(zhuǎn)課堂教學質(zhì)量評價等級與期望輸出完全一致?；贏HP和BP神經(jīng)網(wǎng)絡(luò)的翻轉(zhuǎn)課堂教學質(zhì)量評價模型具有很強的泛化能力，非常契合教育行業(yè)領(lǐng)域?qū)＜业脑u價思維，可比較科學、客觀、高效、精準地評價翻轉(zhuǎn)課堂教學質(zhì)量。

5 結(jié) 語

表16 BP神經(jīng)網(wǎng)絡(luò)訓練樣本及測試樣本

本文在分析影響翻轉(zhuǎn)課堂教學質(zhì)量主要因素的基礎(chǔ)上，運用AHP構(gòu)建翻轉(zhuǎn)課堂教學質(zhì)量評價指標體系，并確定各指標綜合權(quán)重，同時構(gòu)建用于翻轉(zhuǎn)課堂教學質(zhì)量評價的BP神經(jīng)網(wǎng)絡(luò)模型。針對粒子群算法及標準BP算法存在的缺陷，提出改進粒子群算法和改進BP算法，即在標準粒子群算法中更新慣性權(quán)重并引入遺傳變異因子，在標準BP算法中加入動量項和自適應學習因子。采取改進粒子群算法優(yōu)化輸出BP神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值和閾值，利用一定的樣本數(shù)據(jù)和改進BP算法對BP神經(jīng)網(wǎng)絡(luò)加以訓練和測試。仿真實驗結(jié)果表明，該評價模型應用于翻轉(zhuǎn)課堂教學質(zhì)量評價，具有評價速度快、準確度高、智能化程度高的顯著優(yōu)勢，為翻轉(zhuǎn)課堂教學質(zhì)量的綜合評價提供一種新的思路和方法，對職業(yè)院校的課堂教學改革、提升課堂教學質(zhì)量有一定的指導作用。

圖4 BP神經(jīng)網(wǎng)絡(luò)學習訓練誤差變化曲線

表17 BP神經(jīng)網(wǎng)絡(luò)測試樣本評價結(jié)果