基金項目：校級教改項目；項目名稱：云平臺支持下計算機類專業(yè)學生創(chuàng)新能力培養(yǎng)研究；項目編號：2024JGZD12。

作者簡介：趙莉蘋（1984— ），女，副教授，碩士；研究方向：圖像處理。

摘要：為提高計算機專業(yè)教學質量評估準確度，文章提出基于改進BP神經網絡的計算機專業(yè)教學質量評價方法。首先選取計算機專業(yè)教學質量評價影響因素，然后以此為基礎，利用改進后的BP神經網絡對各影響因素進行分析計算，確定最終的教學質量評價結果。測試結果表明，該評價方法對教學質量評價結果與專家組評價結果之間的誤差始終穩(wěn)定在0.15以內，最小誤差僅為0.05，應用效果較好。

關鍵詞：改進BP神經網絡；計算機專業(yè)；教學質量評價；教學計劃；教學手段；教學過程；教學態(tài)度；教學內容；教學效果

中圖分類號：TP183" 文獻標志碼：A

0" 引言

可靠的教學質量評價方法對于實際教學工作的開展具有重要的現實價值［1］。一方面，通過對教師的工作進行公正、客觀評價，可促使教師進一步深入研究教學內容，改進教學方法，從而提高整體教育質量。另一方面，評價結果可給教師提供大量的反饋內容［2］，幫助教師了解自己的教學效果，找出優(yōu)勢和不足，為教師的個人成長和專業(yè)發(fā)展提供指導［3］。不僅如此，學校管理層還可以根據教學質量評價結果來評估教學資源的配置情況，對教學效果不佳的資源進行替換或調整，對教學效果好的資源則加大投入力度［4］。然而，在實際的教學質量評價過程中，影響教學質量評價可靠性的因素有很多，現有評價方法應用效果不佳。在該背景下，本文提出基于改進BP神經網絡的計算機專業(yè)教學質量評價方法，并通過對比測試的方式，分析驗證了該評價方法的性能。

1" 計算機專業(yè)教學質量評價方法研究

1.1" 計算機專業(yè)教學質量影響因素分析

為了能夠更加全面、綜合地對計算機專業(yè)教學質量作出客觀評價，本文對影響教學質量的因素進行分析。教學計劃是否清晰、具體，是否能為教學工作提供明確的指導；是否適應學生的學習需求和課程要求，并根據實際情況進行調整；是否涵蓋了所有必要的內容和環(huán)節(jié)。教師是否采用多種教學手段并能夠達到預期的教學效果；是否能夠利用現代技術手段進行教學。教學過程中，教師是否注重師生互動，鼓勵學生提問、討論；是否能夠有效地組織課堂教學，管理課堂紀律；是否能夠根據學生的學習情況和反饋及時調整教學策略；是否注重教學內容的實用性和準確性。教學效果是否達成預期目標，是否對學生產生積極的影響等。

1.2" 基于改進BP神經網絡的計算機專業(yè)教學質量評價

結合不同評價指標在計算機專業(yè)教學質量影響因素構成的分析結果，本文認識到不同因素在教學質量評價中具有不同的比重。因此，在具體的計算過程中，本文引入了BP神經網絡，并根據計算機專業(yè)教學質量評價的客觀屬性，對其進行了適應性的改進。

首先，令計算機專業(yè)教學質量評價指標為X，那么X可以表示為：

X={X1，X2，X3，X4，X5，X6}（1）

其中，X1～X6分別表示計算機專業(yè)教學的教學計劃、教學手段、教學過程、教學態(tài)度、教學內容和教學效果。對于任意Xn，其具體的量化結果可以表示為：

Xn=∑winxin（2）

其中，win表示Xn計算機專業(yè)教學質量評價指標中xin影響因素對應的權重參數。

在此基礎上，利用改進的BP神經網絡對計算機專業(yè)教學質量進行評價時，將具體的影響因素作為輸入，而隱含層的計算公式表示為：

f（Xn）=∑（winxin-λin）→f（netin）（3）

其中，f（Xn）表示計算機專業(yè)教學質量評價指標Xn的狀態(tài)，λin表示網絡權值殘差，netin表示BP神經網絡的最小梯度誤差。式（3）的主要作用是對win進行尋優(yōu)，確定不同影響因素在對應計算機專業(yè)教學質量評價指標中的影響程度。

按照這樣的方式，將輸出的f（Xn）作為改進的BP神經網絡的輸入，同樣，可以利用隱含層計算得出計算機專業(yè)教學質量評價結果。具體的計算公式表示為：

f（X）=∑（WnXin-λn）→f（netn）（4）

第13期2024年7月無線互聯科技·網絡互聯" No.13July，2024

第13期2024年7月無線互聯科技·網絡互聯" No.13July，2024

其中，f（X）表示計算機專業(yè)教學質量評價結果，Wn表示計算機專業(yè)教學質量評價指標Xn的權重，該參數由式（3）的輸出結果計算得到。按照上述所示的方式，實現對計算機專業(yè)教學質量的有效評價，在最大限度上保障評價結果的可靠性。

2" 測試與分析

2.1" 測試準備

在對本文設計評價方法的性能進行分析時，將王廣健等［5］提出的以OBE模式為基礎的教學質量綜合評價方法以及易嬌［6］提出的以CIPP模式為基礎的教學評價方法作為測試的對照組。本文以某院校的計算機專業(yè)為基礎，在3個學年中分別隨機選擇1個班級作為測試對象，其中，對應的學生人數分別為36人、38人以及37人。由于具體的學習階段不同，對應的課程內容設置也存在一定的差異。其中，一年級的計算機專業(yè)課程以基礎知識學習為主，主要課程包括“數學”“英語”；二年級的計算機專業(yè)課程以計算機基礎知識學習為基礎，主要課程包括“計算機原理”“數據結構與算法”“數據庫”以及“計算機網絡”；三年級的計算機專業(yè)課程以專業(yè)課程學習為主，主要課程包括“軟件開發(fā)”“人工智能”“計算機網絡與安全”“云計算”以及“大數據處理與分析”。在上述基礎上，分別組建包含20名專業(yè)教評人員的評價小組，對具體的教學情況進行評價，并將得到的評價結果作為基準，分析3種不同評價效果的可靠性和準確性。

2.2" 測試結果與分析

本文對3種不同教學質量評價方法的性能進行分析，得到的測試結果如圖1所示。

結合圖1所示的測試結果對3種不同評價方法的效果進行分析，其中，在王廣健等［5］提出的以OBE模式為基礎的教學質量綜合評價方法下，教學質量評價結果與專家組評價結果之間的誤差呈現隨著對應評價對象課程內容的增加逐漸降低的趨勢，對一年級計算機專業(yè)教學質量評價結果的誤差達到了0.46，對三年級計算機專業(yè)教學質量評價結果的誤差僅為0.18。在易嬌［6］提出的以CIPP模式為基礎的教學評價方法下，教學質量評價結果與專家組評價結果之間的誤差相對穩(wěn)定，但是整體水平存在進一步控制的空間，整體誤差處于0.20～0.30范圍內。相比之下，在本文設計評價方法的測試結果中，教學質量評價結果與專家組評價結果之間的誤差始終穩(wěn)定在0.15以內，最小誤差僅為0.05。綜合上述測試結果可以得出結論，本文設計的改進BP神經網絡的計算機專業(yè)教學質量評價方法可以實現對教學質量的準確評價，具有良好的實際應用價值。

3" 結語

可靠的教學質量評價方法對于實際教學工作開展具有重要的現實價值，但要確保其可靠性需要克服多種因素的影響，并采取相應的措施來提高評價的準確性和一致性。本文提出的基于改進BP神經網絡的計算機專業(yè)教學質量評價方法，切實提高了評價結果的可靠性。借助本文對教學質量評價問題的研究，可以通過教學質量評價結果，及時向教師提供教學反饋，并指導教師進行針對性改進，同時為管理層對教學策略或資源的調整提供執(zhí)行依據。

參考文獻

［1］李建龍，李立國.基于評教文本挖掘的高校教學質量評價指標構建與應用［J］.重慶高教研究，2024（11）：1-16.

［2］潘迪，杜立婷.高校課程教學質量評價指標體系的構建及數據分析：以房地產開發(fā)項目管理課程為例［J］.黑龍江科學，2023（21）：113-115，118.

［3］孫萌苑，王尉，劉明連，等.基于德爾菲法和層次分析法的中職學校教師教學質量評價指標體系研究［J］.衛(wèi)生職業(yè)教育，2023（23）：44-49.

［4］馬中秋.高職院校人工智能專業(yè)群教學質量評價體系的研究：以黃岡職業(yè)技術學院人工智能專業(yè)群建設為例［J］.黃岡職業(yè)技術學院學報，2023（6）：22-24.

［5］王廣健，劉超，李龍鳳，等.基于OBE模式的無機化學教學改革實踐與教學質量模糊綜合評價分析［J］.淮北師范大學學報（自然科學版），2023（4）：84-88.

［6］易嬌.基于CIPP模式的高職汽車專業(yè)虛擬仿真實訓教學評價研究［J］.時代汽車，2023（24）：43-45.

（編輯" 王雪芬）

Evaluation method of computer major teaching quality based on improved BP neural network

ZHAO" Liping， XUE" Lixiang

（School of Information Engineering， Zhengzhou University of Science and Technology， Zhengzhou 450064， China）

Abstract：" To improve the accuracy of teaching quality evaluation in computer science， this paper proposes a computer science teaching quality evaluation method based on an improved BP neural network. Firstly， select the factors that affect the evaluation of teaching quality in the computer major. Then， based on this， use the improved BP neural network to analyze and calculate each influencing factor， and determine the final evaluation result of teaching quality. Design evaluation methods in the test results， and ensure that the error between the teaching quality evaluation results and the expert group evaluation results remains stable within 0.15， with a minimum error of only 0.05. The application effect is good.

Key words： improved BP neural network; computer major; teaching quality evaluation; teaching plan; teaching means; teaching process; teaching attitude; teaching content; teaching effect