摘 ?要： 高校教學(xué)督導(dǎo)工作作為逐步建立和完善教學(xué)質(zhì)量保障體系、保證教學(xué)過程規(guī)范進(jìn)行、提高教學(xué)質(zhì)量的堅實后盾，在加強教學(xué)環(huán)節(jié)管理過程中起著重要的作用。為了改善課堂教學(xué)質(zhì)量的客觀、科學(xué)、合理性，本文針對高校教學(xué)督導(dǎo)組在教師課堂教學(xué)過程中的評價問題，提出了一種基于極限學(xué)習(xí)機（ELM）的課堂教學(xué)評價模型。該模型在訓(xùn)練過程中無需調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，只需要設(shè)置隱層神經(jīng)元個數(shù)獲得最優(yōu)解。以重慶某高校為例，通過MATLAB平臺仿真，結(jié)果表明該模型不僅克服了BP神經(jīng)網(wǎng)絡(luò)模型容易陷入局部極小的缺陷，而且抑制了教學(xué)督導(dǎo)評價的主觀因素，提高了評價準(zhǔn)確度。

關(guān)鍵詞： 教學(xué)督導(dǎo);課堂教學(xué);極限學(xué)習(xí)機;評價模型

中圖分類號： TP389.1 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.06.008

本文著錄格式：唐立力. 基于ELM的高校課堂教學(xué)評價模型研究[J]. 軟件，2020，41（06）：3538

【Abstract】： Teaching supervision plays an important role in the process of strengthening the management of teaching links as a solid backing to gradually establish and improve the teaching quality assurance system， ensure the standardized teaching process and improve the teaching quality. In order to improve the objective， scientific and reasonable quality of classroom teaching， this paper puts forward an evaluation model of classroom teaching based on ELM， aiming at the evaluation of teaching supervision group in the process of classroom teaching. In the process of training， it is not necessary to adjust the weight and threshold of neural network， but only to set the number of hidden neurons to get the optimal solution. Taking a university in Chongqing as an example， the result of MATLAB platform simulation shows that the model not only overcomes the defect of BP neural network model easily falling into local minimum， but also restrains the subjective factors of teaching supervision evaluation and improves the evaluation accuracy.

【Key words】： Teaching supervision; Classroom teaching; Extreme learning machine; Evaluation model

0 ?引言

國務(wù)院于2012年10月1日實施了《教育督導(dǎo)暫行規(guī)定》，明確將教育教學(xué)水平、教育教學(xué)管理等教育教學(xué)工作情況納入教育督導(dǎo)工作范圍，為高校建立和完善教學(xué)質(zhì)量保障與監(jiān)控體系提供了重要依據(jù)。教學(xué)督導(dǎo)在當(dāng)今倡導(dǎo)的“以學(xué)生為中心、以輸出為導(dǎo)向、持續(xù)改進(jìn)”的教育理念中扮演著重要角色，教師課堂教學(xué)質(zhì)量的評價是學(xué)校教學(xué)管理的一項重要內(nèi)容，是高校教學(xué)質(zhì)量保障體系的重要組成部分，所以提高課堂教學(xué)質(zhì)量顯得非常重要。目前，高校教師課堂教學(xué)的評價主要由教學(xué)督導(dǎo)工作組[1]完成，督導(dǎo)評教結(jié)果也成為了衡量和提升教學(xué)質(zhì)量的核心內(nèi)容。由于教學(xué)督導(dǎo)工作組在評價教師課堂教學(xué)情況時難免會產(chǎn)生主觀性，許多學(xué)者研究了一些量化評價模型來克服這個問題。比如統(tǒng)計評價模型：層次分析模型[2]、KANO模型[3]、主成分分析模型[4]、灰色模型[5]，統(tǒng)計評價模型能過模擬線性關(guān)系，對象為非線性關(guān)系時評價準(zhǔn)確度不高。神經(jīng)網(wǎng)絡(luò)因其強大的非線性逼近能力，在課堂教學(xué)評價中應(yīng)用廣泛。比如，鄭永等[6]利用BP神經(jīng)網(wǎng)絡(luò)模型來評價教師教學(xué)質(zhì)量，但是BP模型的初始權(quán)值和閾值無法準(zhǔn)確獲得，導(dǎo)致網(wǎng)絡(luò)陷入局部極小問題，診斷精度降低。于是出現(xiàn)了一些BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化評價模型，比如，劉忠寶等[7]利用粒子群算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)完成教學(xué)質(zhì)量的評價，李燕燕等[8]利用蜻蜓算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)完成教學(xué)質(zhì)量評價。

本文為高校教學(xué)督導(dǎo)工作組設(shè)計了一種課堂教學(xué)的ELM評價模型，以重慶某高校實際情況為例，通過實測數(shù)據(jù)驗證了該模型的有效性。和傳統(tǒng)BP網(wǎng)絡(luò)評價模型相比，ELM評價模型訓(xùn)練前只需要設(shè)置神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)，克服了神經(jīng)網(wǎng)絡(luò)的

評價效果受初始權(quán)值和閾值影響、網(wǎng)絡(luò)容易陷入局部極小點問題，抑制了教學(xué)督導(dǎo)工作組評價中可能出現(xiàn)的主觀因素，提高了評價準(zhǔn)確度。為高校教學(xué)督導(dǎo)工作組提供了一種評價參考方法。

1 ?教師課堂教學(xué)評價指標(biāo)體系

以重慶某高校為例，學(xué)校教學(xué)督導(dǎo)工作組從評教和評學(xué)兩個維度構(gòu)建了課堂教學(xué)綜合評價指標(biāo)體系，分解為教師授課和學(xué)生學(xué)習(xí)兩個一級評價指標(biāo)。教師授課方面分解為10個二級評價指標(biāo)、學(xué)生學(xué)習(xí)方面分解為5個二級評價指標(biāo)。各指標(biāo)相互聯(lián)系、相互影響，全面反映了教師教學(xué)過程和學(xué)生學(xué)習(xí)過程的效果。具體評價指標(biāo)及分值見表1。

2.2 ?ELM評價模型建立

2.2.1 ?獲取樣本數(shù)據(jù)

以重慶某高校實評數(shù)據(jù)為例，學(xué)校教學(xué)督導(dǎo)工作組根據(jù)表1的評價指標(biāo)于2019-2020學(xué)年第一學(xué)期組織了10名教學(xué)督導(dǎo)專家，通過現(xiàn)場聽課方式對《線性代數(shù)》課程進(jìn)行了現(xiàn)場打分評價，評價過程分為二級指標(biāo)的專家獨立評價和專家聯(lián)合評價兩個步驟，其中專家聯(lián)合評價的結(jié)果就是該項指標(biāo)的總評結(jié)果，分為：優(yōu)秀、良好、中等、合格四個等級。獨立評價結(jié)果和聯(lián)合評價結(jié)果之間具有較強的非線性關(guān)系，為了便于ELM訓(xùn)練和測試，對二級指標(biāo)評價結(jié)果原始數(shù)據(jù)進(jìn)行歸一化處理，對總評結(jié)果編碼：優(yōu)秀-1、良好-2、中等-3、合格-4，得到樣本數(shù)據(jù)如表2所示。

督導(dǎo)專家對講授《線性代數(shù)》課程的第一位教師的15個二級指標(biāo)進(jìn)行了評價，即表2中的I1-I15，將評價結(jié)果作為訓(xùn)練樣本。隨后，督導(dǎo)專家對講授該課程的第二位教師隨機選取了4個二級指標(biāo)進(jìn)行評價，即表2中的I*7、I*9、I*12、I*15，將評價結(jié)果作為測試樣本。

2.2.2 ?創(chuàng)建ELM評價模型

ELM模型為單隱層前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)表2樣本數(shù)據(jù)，將網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)設(shè)置為10，對應(yīng)10名專家獨立評價結(jié)果，將其作為網(wǎng)絡(luò)判別因素。隱層神經(jīng)元個數(shù)設(shè)置為訓(xùn)練樣本個數(shù)，這樣可以提高訓(xùn)練精度[9]，故隱層神經(jīng)元個數(shù)設(shè)置為15。網(wǎng)絡(luò)輸出對應(yīng)總評結(jié)果，因為總評結(jié)果為單值，故輸出層神經(jīng)元個數(shù)設(shè)置為1。創(chuàng)建的ELM模型結(jié)構(gòu)就為10-15-1型網(wǎng)絡(luò)。課堂教學(xué)的ELM評價流程如圖1所示。

3 ?仿真與分析

本文以表2的樣本數(shù)據(jù)為例，隱層神經(jīng)元的傳遞函數(shù)選為S型函數(shù)Sigmoid，利用函數(shù)elmtrain（）來訓(xùn)練ELM，elmpredict（）函數(shù)進(jìn)行ELM的仿真測試，性能函數(shù)選為mse（均方誤差），ELM的應(yīng)用類型設(shè)置為0，表示回歸、擬合問題。通過MATLAB R2016a軟件平臺進(jìn)行仿真，得到ELM課堂教學(xué)評價結(jié)果如表3所示，其中，測試樣本評價結(jié)果對比如圖2所示。

從評價結(jié)果可以看出，ELM對測試樣本的評價正確率為100%，表明其擬合性能較好。為了對比ELM的性能，同時采用BP神經(jīng)網(wǎng)絡(luò)對表2的樣本數(shù)據(jù)進(jìn)行仿真，得到ELM和BP網(wǎng)絡(luò)的均方誤差對比如表4所示。

從表4可以看出，ELM網(wǎng)絡(luò)的訓(xùn)練和測試誤差均小于BP網(wǎng)絡(luò)，評價精度有所提高。

4 ?結(jié)束語

本文提出了一種基于極限學(xué)習(xí)機的高校課堂教學(xué)評價模型，將該模型應(yīng)用于教學(xué)督導(dǎo)工作組的實際評價中，獲得了很好的評價效果，并和常規(guī)的BP神經(jīng)網(wǎng)絡(luò)評價模型相比較，ELM評價模型訓(xùn)練時需要設(shè)置的網(wǎng)絡(luò)參數(shù)較少，克服了常規(guī)BP網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值問題，抑制了教學(xué)督導(dǎo)工作組容易出現(xiàn)的評價主觀性，提高了評價準(zhǔn)確度。為高校教學(xué)督導(dǎo)工作組在課堂教學(xué)以外的督導(dǎo)項目提供了一種參考方法。

參考文獻(xiàn)

[1] 王莉芬， ?楊勇， 朱惠延. ?地方高校教學(xué)督導(dǎo)助推青年教師教學(xué)能力提升的對策思考[J]. 高教論壇， 2019（11）： ?33-36.

[2] 刁光成. 基于層次分析法構(gòu)建高校教學(xué)質(zhì)量評價模型[J]. 開封教育學(xué)院學(xué)報， 2017， 37（12）： 140-141.

[3] 任麗平， 侯建成， 鄭中華. 卡諾模型在高校課堂教學(xué)質(zhì)量評價中的應(yīng)用研究[J]. 衛(wèi)生職業(yè)教育， 2018， 36（16）： 68-70.

[4] 汪學(xué)榮， 周玲， 章杰. 基于主成分分析法的教學(xué)質(zhì)量評價模型的構(gòu)建[J]. 中國輕工教育， 2017（1）： 44-46.

[5] 趙桂蘭， 孫凍. 基于灰色聚類分析的教師課堂教學(xué)質(zhì)量評價[J]. 蘭州石化職業(yè)技術(shù)學(xué)院學(xué)報， 2019， 19（3）： 58-61.

[6] 鄭永， 陳艷. 基于BP神經(jīng)網(wǎng)絡(luò)的高校教師教學(xué)質(zhì)量評價模型[J]. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2015， 29（1）： 85-90.

[7] 劉忠寶， 馬巧梅， 楊秋翔. 基于PSO神經(jīng)網(wǎng)絡(luò)的高校教學(xué)質(zhì)量評價方法[J]. 計算機與網(wǎng)絡(luò)， 2015（5）： 52-54.

[8] 王小川， 史峰， 郁磊， 等. MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M]. 北京： 北京航空航天大學(xué)出版社. 2013： 245-246.

[9] 史峰， 王輝， 郁磊， 等. MATLAB智能算法30個案例分析[M]. 北京： 北京航空航天大學(xué)出版社. 2011： 290-301.

[10] 李曉玲. 高校督導(dǎo)制度提升青年教師教學(xué)能力研究[J]. 大學(xué)教育， 2019（11）： 207-209.

[11] 黃彥. 高校教學(xué)督導(dǎo)工作創(chuàng)新與發(fā)展趨勢研究[J]. 中國多媒體與網(wǎng)絡(luò)教學(xué)學(xué)報， 2019（10）： 124-125.

[12] 林家棟. 新常態(tài)下高校課堂教學(xué)督導(dǎo)工作探析[J]. 北京教育（高教）， 2019（2）： 72-73.

[13] 常強，趙偉，趙仰杰. 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類預(yù)測與實現(xiàn)[J]. 軟件， 2018， 39（12）： 210-214.

[14] 王海豐，李金霞，張鯤. 基于SVN版本控制的程序設(shè)計類課程教學(xué)研究[J]. 軟件， 2018， 39（4）： 218-221.

[15] 謝晉. 模糊算法在高校教師評價系統(tǒng)中的應(yīng)用研究[J]. 軟件， 2015， 36（8）： 22-24.

[16] 何洪亮， 趙珂， 王子群， 等. 基于層次分析法與多元曲線擬合法的眾包任務(wù)定價模型研究[J]. 軟件， 2018， 39（10）： 139-144.

[17] 劉迷迷， 蔡永銘. 基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測研究[J]. 軟件， 2018， 39（10）： 30-35.