鞏長芬,彭榮榮

(南昌工學(xué)院 教育學(xué)院,江西 南昌 330108)

英語課程是中國高校的通識教育課程,英語是學(xué)生學(xué)習(xí)、交流和科研必須掌握的技能,因此大學(xué)英語教學(xué)質(zhì)量將直接影響學(xué)生英語學(xué)習(xí)的效果和質(zhì)量。本文以大學(xué)英語課程作為研究對象,對其教學(xué)質(zhì)量進(jìn)行評價。根據(jù)已有文獻(xiàn)可知,傳統(tǒng)的教學(xué)質(zhì)量主要以主觀評價為主,無法做到客觀、科學(xué)的評價。因此,需一種科學(xué)、公正、量化的評價模型來對英語教學(xué)質(zhì)量進(jìn)行評價。

人工智能的崛起及其在教育中的應(yīng)用,為科學(xué)評價教學(xué)質(zhì)量提供了新思路。溫阿莉等[1]基于誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò),篩選出了學(xué)生英語學(xué)習(xí)中最大的影響因素。Lu等[2]運(yùn)用成分分析法篩選出影響教學(xué)質(zhì)量的評價指標(biāo),通過構(gòu)建徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)來評價英語口譯教學(xué)質(zhì)量。Fang[3]從評價指標(biāo)的預(yù)處理和構(gòu)建兩方面入手,構(gòu)建了高校在線英語教學(xué)質(zhì)量的評價決策模型,且驗證了該模型的性能。Zhang等[4]在教學(xué)質(zhì)量評價中引入層次分析法,從而構(gòu)建了新型的評價體系,實現(xiàn)了較為高效的教學(xué)質(zhì)量評估。朱慶生等[5]運(yùn)用深度神經(jīng)網(wǎng)絡(luò)(DNN)對線上英語課程教學(xué)質(zhì)量進(jìn)行全方位的評價。Han[6]提出了一種基于模糊邏輯分析的高校數(shù)字化教學(xué)質(zhì)量評價方法,且在教學(xué)中得到應(yīng)用。

通過已有文獻(xiàn)可知,DNN因為具備深層次特征提取能力強(qiáng)的特點(diǎn),使其在教學(xué)質(zhì)量評價領(lǐng)域有著得天獨(dú)厚的優(yōu)勢,但其存在的2方面缺點(diǎn)限制了自身性能的發(fā)揮。一是DNN在挖掘輸入數(shù)據(jù)中的有價值特征時,有時會將部分重要特征錯誤剔除,這將影響其網(wǎng)絡(luò)性能;二是DNN的性能依賴于隱含層的神經(jīng)元數(shù)目,該數(shù)目通常都是人為經(jīng)驗設(shè)定的,具有較大的偶然性,過多或過少的神經(jīng)元都會對模型的評估性能產(chǎn)生負(fù)面影響。

為消除以上兩種不利影響,本文提出了一種基于改進(jìn)麻雀搜索算法的深度循環(huán)神經(jīng)網(wǎng)絡(luò)(ISSA-DRNN)。該網(wǎng)絡(luò)不僅解決了DNN的諸多缺點(diǎn),還提高了模型的評價性能,將其應(yīng)用到大學(xué)英語教學(xué)質(zhì)量評價中取得了很好的效果。最后通過實驗發(fā)現(xiàn),該模型與其他基礎(chǔ)模型相比,減少了人為設(shè)定的偶然性,提高了模型的評估性能,改善了模型的泛化能力,其評價效果均優(yōu)于其他基礎(chǔ)模型,具有較好的普適性。

1 大學(xué)英語教學(xué)質(zhì)量評價指標(biāo)

在實際中,主要從兩方面對大學(xué)英語教學(xué)質(zhì)量進(jìn)行評價:學(xué)生對英語教學(xué)質(zhì)量評價和學(xué)校對英語教師教學(xué)質(zhì)量評價。在實地問卷調(diào)查的基礎(chǔ)上,通過篩選與論證,共選取12個評價指標(biāo):教學(xué)內(nèi)容的安排合理性、課堂氛圍、教學(xué)邏輯性、教學(xué)技巧、教師責(zé)任感、作業(yè)批改的認(rèn)真度、學(xué)生階段性測試結(jié)果、課后作業(yè)批改次數(shù)、課后輔導(dǎo)次數(shù)、早退學(xué)生人數(shù)、遲到學(xué)生人數(shù)、講座次數(shù)。

2 麻雀搜索算法與深度神經(jīng)網(wǎng)絡(luò)

2.1 麻雀搜索算法

麻雀搜索(SSA)算法是通過模擬麻雀種群生活習(xí)慣而提出的一種參數(shù)優(yōu)化算法[8],其優(yōu)點(diǎn)是參數(shù)搜索范圍廣,收斂速度快,尋優(yōu)能力強(qiáng)。該算法具體的步驟如下。

第一步,初始化麻雀種群,其種群位置如下:

(1)

式中:n為待優(yōu)化參數(shù);m為麻雀種群的數(shù)量。

第二步,麻雀種群中的發(fā)現(xiàn)者、追隨者和警戒者,三者的位置更新如下:

(2)

(3)

(4)

式中:t為迭代次數(shù);α、Q、ε、K均為設(shè)定的均衡參數(shù);Xbest和Xworst分別表示麻雀所處的最優(yōu)和最差位置;A為元素全為1的矩陣;fg和fi均表示適應(yīng)度值。

第三步,通過式(2)至式(4)來更新種群位置,則適應(yīng)度函數(shù)可更新如下:

(5)

2.2 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)(DNN)被廣泛應(yīng)用于故障診斷、語音識別和目標(biāo)檢測等領(lǐng)域[9]。其由輸入層、隱含層、輸出層和SoftMax函數(shù)4部分構(gòu)成,如圖1所示。

圖1 DNN的詳細(xì)結(jié)構(gòu)

DNN的訓(xùn)練主要分為兩階段。第一階段是輸入數(shù)據(jù)的前向傳播,即輸入數(shù)據(jù)從輸入層經(jīng)過多個隱含層的特征提取后,其被提取的特征經(jīng)過SoftMax函數(shù)后,被輸入到輸出層;第二階段是誤差的反向微調(diào),即輸出數(shù)據(jù)與真實數(shù)據(jù)從輸出層返回到隱含層,最后回到輸入層,依次調(diào)節(jié)輸入層到隱含層的權(quán)重和偏置,隱含層到輸出層的權(quán)重和偏置。具體的過程如下。

1)前向傳播:假設(shè)輸入數(shù)據(jù)和真實樣本標(biāo)簽分別為I={i1,i2,…,in}和Y={O1,O2,…,On}。因此,DNN的前向傳播可以表示為

(6)

Y=SoftMax(H)

(7)

式中:H表示最后的隱含層提取的特征;wij表示神經(jīng)元i和j的連接權(quán)重;b為隱含層偏置;Y表示DNN的前向傳播輸出結(jié)果。

Sigmoid激活函數(shù)的表達(dá)式如下:

(8)

2)反向微調(diào):計算前向傳播輸出結(jié)果與真實樣本標(biāo)簽的總誤差,然后使用隨機(jī)梯度下降法(SGD)對總誤差函數(shù)中的權(quán)重和偏差進(jìn)行優(yōu)化微調(diào),使總誤差函數(shù)最小,即:

(9)

式中:L為DNN的總誤差函數(shù);O表示真實樣本標(biāo)簽;Y表示DNN預(yù)測輸出結(jié)果。

3 基于改進(jìn)深度循環(huán)神經(jīng)網(wǎng)絡(luò)的英語教學(xué)質(zhì)量評價模型

3.1 基于瞬態(tài)優(yōu)化擾動的麻雀搜索算法

在SSA算法中,發(fā)現(xiàn)者、追隨者、警戒者不僅容易出現(xiàn)種群聚集,還易導(dǎo)致種群多樣性減少。因此,本文在SSA上增加了瞬態(tài)優(yōu)化擾動,改進(jìn)后的SSA算法既提高了種群位置變換的多樣性,又提高了SSA的搜索性和魯棒性。其具體步驟如下。

1)在麻雀種群位置更新后,重新生成麻雀搜尋空間,如下:

Xij=Xworst+α×(Xbest-Xworst)

(10)

2)麻雀種群位置更新后,增加瞬態(tài)擾動,以提高麻雀的搜尋空間,新的位置如下:

(11)

3)瞬態(tài)擾動后,式(11)中的參數(shù)更新為

Cl=k×z×r3+1

(12)

T=2×z×r2-z

(13)

z=2-2l/lmax

(14)

式中:r1、r2、r3、Cl和T均為設(shè)定參數(shù);l為迭代次數(shù)。

3.2 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

DNN具有良好的深層次特征提取能力,但其在經(jīng)過多層特征提取時,無法全部保留有價值的特征從而會對結(jié)果造成影響。于是,本文對其進(jìn)行改進(jìn),形成深度循環(huán)神經(jīng)網(wǎng)絡(luò)(DRNN)。DRNN不僅可以極大限度地保留數(shù)據(jù)的有效特征,防止特征被錯誤剔除,還可重復(fù)提取有效特征,從而提高模型的性能。DRNN的具體結(jié)構(gòu)如圖2所示。

圖2 DRNN的詳細(xì)結(jié)構(gòu)與訓(xùn)練過程

DRNN的訓(xùn)練也分為前向傳播與反向微調(diào)兩個階段:

1)前向傳播:假設(shè)輸入數(shù)據(jù)和真實樣本標(biāo)簽分別為I={i2,i2,…,in}和Y={O1,O2,…,On}。DRNN的前向傳播更新為

(15)

Y=SoftMax(H)

(16)

2)反向微調(diào):在該階段需對前向傳播的參數(shù)進(jìn)行初始化,即去除增加隱含層的權(quán)重和偏置,然后對初始化的參數(shù)進(jìn)行反向更新微調(diào)。參數(shù)的初始化過程如下:

(17)

式中:wft和bft分別為反向微調(diào)階段需要微調(diào)的權(quán)重和偏置。

緊接著全局應(yīng)用SGD算法,通過前向傳播計算的損失函數(shù)來更新微調(diào)DRNN的參數(shù),即:

(18)

式中:J為DRNN的損失函數(shù);O為真實樣本標(biāo)簽;Y為DRNN預(yù)測輸出結(jié)果。

最后,引進(jìn)Adam優(yōu)化器對DRNN的參數(shù)進(jìn)一步調(diào)整和更新,具體如下:

(19)

(20)

(21)

(22)

式中:β1、β2和ε為Adam優(yōu)化器的參數(shù);m1和m2為時刻估計;r(epoch+1)為epoch+1迭代后的學(xué)習(xí)率。

綜上,整個訓(xùn)練過程完成后,DRNN可以充分提取輸入數(shù)據(jù)的特征,實現(xiàn)更高的模型性能。

4 仿真實驗與結(jié)果分析

4.1 實驗數(shù)據(jù)來源與處理

為有效構(gòu)造大學(xué)英語教學(xué)質(zhì)量評價模型,本研究收集了江西省某3個城市共計6 000份調(diào)查問卷作為數(shù)據(jù)集。將其隨機(jī)均分為3個不同數(shù)據(jù)集,每個數(shù)據(jù)集的前1 500份為訓(xùn)練集,后500份為測試集。對于收集的數(shù)據(jù),由于同一樣本的評價指標(biāo)的數(shù)據(jù)量綱不同,若直接輸入到ISSA-DRNN模型易導(dǎo)致網(wǎng)絡(luò)崩潰,因此需對原始數(shù)據(jù)進(jìn)行歸一化處理,如下:

(23)

4.2 結(jié)果與分析

4.2.1 SSA和ISSA性能比較

為比較ISSA和SSA兩種算法的迭代速度和最佳性能,選取2個測試函數(shù)進(jìn)行比較。為保證公平性,算法的參數(shù)設(shè)置需一致。2個高維函數(shù)Ackley和Schwefel的表達(dá)式分別如下:

(24)

(25)

2個高維函數(shù)的圖像及其2種算法的適應(yīng)度變化曲線如圖3和圖4所示。從圖3和圖4可明顯看出,ISSA具有更快的收斂速度和更高的收斂精度,同時在處理多峰函數(shù)問題時,ISSA也得到了極大改進(jìn)。

(a)Ackley函數(shù)

(a)Ackley函數(shù)

4.2.2 DRNN和DNN性能比較

為驗證DRNN的優(yōu)越性,DRNN和DNN之間的損失值和準(zhǔn)確率的曲線,如圖5所示?？煽闯?DRNN的損失值小,精度較高,評價性能明顯優(yōu)于DNN模型。這是因為DRNN模型不僅可以極大限度地保留數(shù)據(jù)的有效特征且防止特征被錯誤剔除,還可以重復(fù)提取有效特征,從而提高了模型的性能。

(a) 損失值變化

4.2.3 驗證基于ISSA-DRNN的英語教學(xué)質(zhì)量評價模型優(yōu)越性

為驗證ISSA-DRNN對英語教學(xué)質(zhì)量評價的優(yōu)越性,將其與DNN、DRNN和SSA-DRNN這3種方法進(jìn)行比較,各自獨(dú)立運(yùn)行10次取平均值?；诓煌惴ǖ挠⒄Z教學(xué)質(zhì)量評價模型在數(shù)據(jù)集A的平均準(zhǔn)確率和標(biāo)準(zhǔn)偏差如表1所示,不同方式的迭代訓(xùn)練耗時如表2所示。英語教學(xué)質(zhì)量評價模型的平均精度如圖6所示。

表1 不同模型的平均精度和標(biāo)準(zhǔn)差 %

表2 不同模型的迭代訓(xùn)練耗時 s

圖6 不同方法在各個數(shù)據(jù)集上的平均精度

對圖6、表1和表2進(jìn)行對比分析得到如下結(jié)論:

1)由圖6可知,基于ISSA-DRNN的大學(xué)英語教學(xué)質(zhì)量評價模型在數(shù)據(jù)集A、B、C上的評價精度遠(yuǎn)高于其他3種模型。

2)通過表1可知,基于ISSA-DRNN的評價模型的平均精度遠(yuǎn)高于其他3種基礎(chǔ)模型,且標(biāo)準(zhǔn)偏差小,說明該方法的預(yù)測精度更加穩(wěn)定,預(yù)測誤差波動更小。

3)通過表2可知,基于ISSA-DRNN的評價模型的建模平均耗時略高于其他3種基礎(chǔ)模型,主要是因為該模型中添加了改進(jìn)優(yōu)化算法和DRNN。但隨著計算機(jī)硬件的提升,ISSA-DRNN的建模時間會大幅縮小,不會因此而降低效率。

最后,為有效地驗證本研究所提模型在不同大學(xué)課程教學(xué)質(zhì)量評價中的普適性,選取了高等數(shù)學(xué)、大學(xué)物理、某專業(yè)課、思政課程4門功課進(jìn)行教學(xué)質(zhì)量評價,來檢測所提模型的通用性,預(yù)測結(jié)果如表3所示?？煽吹?所提方法對不同課程均有著良好的評價精度。

表3 不同課程教學(xué)質(zhì)量評價結(jié)果 %

5 結(jié)語

本文提出一種基于優(yōu)化麻雀搜索算法的深度循環(huán)神經(jīng)網(wǎng)絡(luò)(ISSA-DRNN),高性能地實現(xiàn)了對大學(xué)英語教學(xué)質(zhì)量的評價。基于調(diào)研數(shù)據(jù),將ISSA-DRNN與DNN、DRNN和SSA-DRNN這3種基礎(chǔ)方法進(jìn)行比較,發(fā)現(xiàn)其能較大程度地提升模型自身的魯棒性與泛化能力,在對大學(xué)英語教學(xué)質(zhì)量評價方面有著很好的優(yōu)越性,并能得到精準(zhǔn)評估結(jié)果?；贗SSA-DRNN的評價模型可以很好地進(jìn)行教學(xué)的預(yù)測與評估,為教學(xué)質(zhì)量評判提供一般方法,具有重要的現(xiàn)實意義。