趙敏 詹瑋

摘? 要： 基于深度學習算法設計教學質量評價系統(tǒng)，系統(tǒng)自動生成教師教學質量評價報告，分析教學過程中存在的問題，給出優(yōu)化建議。教學質量評價系統(tǒng)包括用戶管理、網上評價、數(shù)據(jù)管理、評價結果查詢、教學質量分析5個單元，用戶進入系統(tǒng)后為教學質量打分?；诮虒W質量評價指標體系內容，卷積神經網絡學習專家教學質量評價樣本，構建卷積神經網絡教學質量評價模型。將教學質量評價測試樣本輸入模型，模型輸出結果即為教學質量評價分析結果，主要分析教學存在的問題，提出改進建議。系統(tǒng)可統(tǒng)計不同學科教學質量評價情況，統(tǒng)計不同學科教學質量占比情況，智能化程度較高，值得推廣使用。

關鍵詞： 深度學習; 用戶; 教學質量; 數(shù)據(jù)管理; 評價系統(tǒng); 智能化程度

中圖分類號： TN911.1?34; TP319? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）13?0143?04

Teaching quality evaluation system based on deep learning algorithm

ZHAO Min1， ZHAN Wei2

（1. School of Data Science and Information Engineering， Guizhou Minzu University， Guiyang 550025， China;

2. College of Clinical Medicine， Guizhou Medical University， Guiyang 550025， China）

Abstract： The teaching quality evaluation system is designed based on the deep learning algorithm. The system can automatically generate teachers′ teaching quality evaluation report， analyze the problems existing in the teaching process and give optimization suggestions. The teaching quality evaluation system includes 5 units， named user management， online evaluation， data management， evaluation result query and teaching quality analysis. The user scores the teaching quality after entering the system. On the basis of the content of teaching quality evaluation index system and the teaching quality evaluation samples of convolutional neural network learning experts， a convolutional neural network teaching quality evaluation model is constructed. Input the teaching quality evaluation test sample into the model， the output result of the model is the teaching quality evaluation and analysis results， which mainly analyzes the problems existing in the teaching. In addition， the suggestions for improvement is put forward. The system can count the evaluation of teaching quality of different subjects and the teaching quality proportion of different subjects. It is highly intelligent and worth popularizing.

Keywords： deep learning; user; teaching quality; data management; evaluation system; intelligence level

0? 引? 言

深度學習是機器學習研究領域的延伸，是實現(xiàn)人工智能的有效方式，近幾年，關于深度學習的研究成為人工智能領域的研究重點[1?2]。深度學習理論在圖像識別、語音識別、語言處理、數(shù)據(jù)挖掘等方面取得了優(yōu)異成績。深度學習算法實現(xiàn)方式較多，如卷積神經網絡、多層神經元的自編碼神經網絡、深度置信網絡等[3]。

教學質量評價系統(tǒng)是對教師階段性教學效果的評估，為掌握教師教學能力、提升教學質量提供有利分析依據(jù)[4]。評價教學質量過程中，涵蓋評價指標較廣，形成大規(guī)模復雜數(shù)據(jù)，大部分教學質量評價系統(tǒng)僅能顯示教師教學質量，不具備智能分析教師存在的問題，制定合理建議的功能，或者這些功能需要人工完成[5?6]。以往實例研究顯示，深度學習算法可精準提取數(shù)據(jù)的隱含規(guī)律，處理復雜數(shù)據(jù)的多樣性，因此，深度學習算法應用在教學質量系統(tǒng)設計中較為合理。所以，本文采用深度學習算法設計教學質量評價系統(tǒng)，智能評價教學質量的同時提出合理化建議。

1? 教學質量評價系統(tǒng)設計

1.1? 深度學習算法的教學質量評價系統(tǒng)架構

基于深度學習算法的教學質量評價系統(tǒng)基于B/S模式展開設計，如圖1所示?；贐/S模式設計教學質量評價系統(tǒng)的優(yōu)點是：方便不同類型用戶操作，短期內完成網上評價，系統(tǒng)維護便捷[7]。用戶端、應用單元、數(shù)據(jù)庫是系統(tǒng)的三個重要組成部分。用戶端包括督導、管理員、教師、審核管理員、學生五種類型用戶，不同類型用戶操作界面與瀏覽器結合，顯示頁面操作等內容[8]。系統(tǒng)應用單元涵蓋用戶管理、網上評價、數(shù)據(jù)管理、評價結果查詢、教學質量分析五個方面。教學質量評價指標數(shù)據(jù)、評價主客體數(shù)據(jù)等有價值數(shù)據(jù)均存儲在數(shù)據(jù)庫中。

1.2? 應用單元設計

1） 用戶管理單元。用戶管理單元分為系統(tǒng)登錄與安全管理兩個方面。不同類型用戶根據(jù)不同單元入口登錄教學質量評價系統(tǒng)，用戶在各自權限頁面中執(zhí)行操作[9]?？紤]用戶信息的安全性，將用戶分為教學督導、審核管理員、管理員、教師、學生五種用戶類型。

2） 網上評價單元。此單元的權限開放時間一般為期末或者特殊使用時期，由管理員開放教學質量評價權限。網上評價單元中存在用戶身份的限制，用戶登錄所屬界面后進入不同權限界面，即審核管理員可審核錄入數(shù)據(jù)，有效管理數(shù)據(jù)庫;學生僅具備評價教師授課質量、自身學習效果的權限。系統(tǒng)識別到學生用戶信息后自動給出待評價內容，學生依據(jù)實際情況輸入教學質量評價相關內容[10]。各用戶處于不同界面時，系統(tǒng)數(shù)據(jù)庫的教學質量評價指標體系向用戶智能提供待評價內容。網上評價單元組成如圖2所示，由此可知，教學質量評價的主體分別為學生、教師與專家。

3） 數(shù)據(jù)管理單元。數(shù)據(jù)管理單元的功能是維護教學質量評價的相關數(shù)據(jù)，主要功能是控制系統(tǒng)的數(shù)據(jù)。控制兩方面內容：一是操作管理數(shù)據(jù)源;二是管理教師與學生的基本信息。在此單元可修改、刪除數(shù)據(jù)。

4） 評價結果查詢單元。在查詢單元中，不同類型用戶可獲取教師教學質量評價結果，還可以查詢課程等基本信息，用戶查詢到教學質量評價結果的同時了解課程等相關信息，為管理評價過程提供有利條件[11]。學生通過查詢評價結果了解授課教師的教學質量情況，幫助學生對教師做出客觀評價;教師根據(jù)不同課程、不同教學方面得分情況分析教學中存在的優(yōu)勢與不足[12];管理員不僅可以查詢上述兩種內容，還具備查詢后臺數(shù)據(jù)的權限，向教師提供正確的優(yōu)化教學質量的依據(jù)。

5） 教學質量分析單元。系統(tǒng)的教學質量分析模塊基于深度學習算法學習教學質量分析樣本后，可對教學質量存在的問題展開分析，并給出相應的優(yōu)化建議，此功能是系統(tǒng)的優(yōu)勢所在，無需花費大量人工與時間分析教師教學質量情況。

1.3? 基于深度學習算法的教學質量評價與分析

學習樣本數(shù)據(jù)的內在規(guī)律與表示層次是深度學習的功能，設計教學質量評價系統(tǒng)時采用深度學習算法中的卷積神經網絡模型評價教學質量[13]。首先，構建教學質量評價指標體系;其次，采用卷積神經網絡模型學習訓練樣本，學習樣本為專家教學質量評價樣本，學習訓練樣本后構建教學質量評價模型;最后，輸入測試樣本，開始教學質量評價與分析，流程如圖3所示。

1） 教學質量評價指標體系構建

教學過程、教學環(huán)境、教學師資、教學質量監(jiān)控是教學質量評價指標體系的一級指標，一級指標下分20個二級指標，最終構建的教學質量評價指標體系如圖4所示。

2） 基于卷積神經網絡的深度學習算法

卷積神經網絡的構成形式為一組（多組）卷積層+聚合層的模式，不同數(shù)量卷積器存在于卷積層中，卷積器功能是尋找教學質量評價數(shù)據(jù)的局部特征[14]。聚合層減少模型復雜性的方式為縮減下一層輸入節(jié)點數(shù)量，具體方法為以固定窗長的方式聚合卷積層輸出節(jié)點[15]。大部分聚合層輸出為固定窗長內節(jié)點最大值，綜合全部聚合層的數(shù)據(jù)值得到教學質量評價結果。卷積神經網絡聚合層與卷積層結構如圖5所示。

圖5中，卷積器輸出計算方法為：

卷積器輸出結果即為局部特征觀察結果，模型卷積完成后執(zhí)行聚合操作，將卷積結果的最大值作為聚合輸出結果，即圖5中，將[D1]，[D2]中的最大值作為結果[M1]輸出。經過逐步聚合，卷積神經網絡模型輸出節(jié)點逐漸減少，綜合多個卷積節(jié)點的聚合輸出值提取教學質量評價特征的準確度更高。

卷積神經網絡學習以往專家教學質量評價樣本后，構建卷積神經網絡教學質量評價模型，輸入測試樣本后，得到教學質量評價輸出結果。

2? 系統(tǒng)性能測試

本文基于深度學習算法設計的教學質量評價系統(tǒng)包含大量數(shù)據(jù)，所以對運行的硬件與軟件環(huán)境存在一定要求。為保障系統(tǒng)高效運行，搭建如下測試環(huán)境：CPU為2.4 GHz，內存大小為4 GB，計算機硬盤為200 GB;基于Windows 7 64位系統(tǒng)具有穩(wěn)定程度高、使用便捷的優(yōu)勢，計算機采用Windows 7 64位操作系統(tǒng)。測試以某高校的2019年1月期末教學質量評價作為樣本數(shù)據(jù)，從系統(tǒng)界面設計效果與教學質量統(tǒng)計角度分析本文系統(tǒng)在教學質量評價方面的優(yōu)勢。

2.1? 系統(tǒng)界面設計

本文系統(tǒng)用戶登錄界面如圖6所示。

在此界面中，不同類型的用戶通過賬號、密碼形式進入不同權限區(qū)域，執(zhí)行相應操作。本文系統(tǒng)采用驗證碼的形式確保用戶為本人登錄，避免賬戶被盜現(xiàn)象，確保用戶使用安全性。

學生是教學質量評價的主體，學生用戶角度教學評價界面如圖7所示。

學生評價教師教學質量過程中，同時顯示教師的編號信息、姓名、所屬院系、評價等級與評價分數(shù)等信息，學生用戶提交評價結果后，具備兩次修改權限的機會。

基于深度學習算法的教學質量評價系統(tǒng)相對一般教學質量評價系統(tǒng)的優(yōu)勢在于能夠分析教學中存在的問題，提出改進教學質量的建議。

教師教學質量分析與建議如圖8所示。

本文設計的教學質量評價系統(tǒng)的分析與建議功能體現(xiàn)了系統(tǒng)的智能化程度，分擔人工評估教師教學效果的工作量，提升了教學質量評價的運行效率。

2.2? 教學質量評價內容統(tǒng)計

以該高校廣告學專業(yè)教學質量評價為例，展示本文系統(tǒng)統(tǒng)計各學科教學質量情況，如表1所示。

不同學科教學質量評價統(tǒng)計顯示，本文系統(tǒng)能夠識別不同課程教學質量評價的最高分、最低分以及平均分，為全面分析教學質量提供了不同類型數(shù)據(jù)。

在本文系統(tǒng)導出以上9門學科教學質量占比的情況下，制成餅圖如圖9所示（以各學科教學質量評價分數(shù)均值計算）。

本文系統(tǒng)可根據(jù)用戶需求導出如圖9所示的不同學科教學質量占比情況餅圖，更加直觀地體現(xiàn)不同學科教學質量的優(yōu)劣。圖中數(shù)據(jù)顯示，相對其他科目而言，平面設計教學質量相對優(yōu)秀，其他學科教學質量相當。

3? 結? 論

本文基于深度學習算法設計教學質量評價系統(tǒng)，由此設計的系統(tǒng)智能化程度較高，準確做出教學質量評價的同時，根據(jù)教學質量分數(shù)評估教師教學過程中存在的問題，根據(jù)教學薄弱環(huán)節(jié)提出合理化教學改進建議。大部分教學質量評價系統(tǒng)不具備這種智能分析的功能，一般由管理員完成，增加了教學質量評價的工作量。所以本文系統(tǒng)最大的優(yōu)勢在于提升教學質量評價運行效率、縮減人工評價工作量，是一種智能化的教學質量評價系統(tǒng)。

注：本文通訊作者為詹瑋。

參考文獻

[1] 劉勇，李青，于翠波.深度學習技術教育應用：現(xiàn)狀和前景[J].開放教育研究，2017，23（5）：113?120.

[2] 曾旭禹，楊燕，王淑營，等.一種基于深度學習的混合推薦算法[J].計算機科學，2019，46（1）：126?130.

[3] 劉方園，王水花，張煜東.深度置信網絡模型及應用研究綜述[J].計算機工程與應用，2018，54（1）：11?18.

[4] 吳沁，杜亞平.全科醫(yī)學移動教學模式的教學效果評價[J].中國全科醫(yī)學，2017，20（25）：3153?3157.

[5] 柳春.基于AHP法的成人學歷教育教學質量評價體系研究[J].成人教育，2016，36（3）：64?68.

[6] ZHOU Lintao， LI Hongxing， SUN Kaibiao. Teaching performance evaluation by means of a hierarchical multifactorial eva?luation model based on type?2 fuzzy sets [J]. Applied intelligence， 2016， 46（1）： 1?11.

[7] 陳娟，李元，李萬國.基于B/S模式的嵌入式系統(tǒng)測試方法與實現(xiàn)[J].電子技術應用，2016，42（2）：50?52.

[8] 劉靖.地方高校基于應用型人才培養(yǎng)的教學評估體系建設與應用：以廣東海洋大學為例[J].職業(yè)技術教育，2016，37（27）：56?60.

[9] 周九詩，鮑建生.美國PACT教師教學質量評估系統(tǒng)的評介與啟示[J].教育科學，2018，34（5）：80?87.

[10] 魏順平，程罡.數(shù)據(jù)驅動的教育機構在線教學過程評價指標體系構建與應用[J].開放教育研究，2017，23（3）：113?120.

[11] 劉芳，宮華，許可，等.基于熵權改進的TOPSIS法的教師教學質量評價[J].沈陽工業(yè)大學學報，2017，39（5）：540?544.

[12] 曹慧，毛亞慶.美國UTOP課堂教學質量評估系統(tǒng)的探索與反思[J].全球教育展望，2017，46（1）：79?89.

[13] 鄧俊鋒，張曉龍.基于自動編碼器組合的深度學習優(yōu)化方法[J].計算機應用，2016，36（3）：697?702.

[14] 周飛燕，金林鵬，董軍.卷積神經網絡研究綜述[J].計算機學報，2017，40（6）：1229?1251.

[15] 李旭冬，葉茂，李濤.基于卷積神經網絡的目標檢測研究綜述[J].計算機應用研究，2017，34（10）：2881?2886.