基于人工神經(jīng)網(wǎng)絡(luò)的高職院校實(shí)踐教學(xué)工作質(zhì)量評(píng)價(jià)

賈文雅

（山西藥科職業(yè)學(xué)院，太原030031）

基于人工神經(jīng)網(wǎng)絡(luò)的高職院校實(shí)踐教學(xué)工作質(zhì)量評(píng)價(jià)

賈文雅

（山西藥科職業(yè)學(xué)院，太原030031）

針對(duì)高職院校教學(xué)工作中存在的質(zhì)量評(píng)價(jià)問(wèn)題，建立一個(gè)基于神經(jīng)網(wǎng)絡(luò)的仿真模型，將方案準(zhǔn)備、操作訓(xùn)練、總結(jié)報(bào)告、考核鑒定作為輸入層，實(shí)踐教學(xué)質(zhì)量作為輸出層，建立人工神經(jīng)網(wǎng)絡(luò)模型，利用實(shí)際數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和測(cè)試。測(cè)試結(jié)果表明，該模型可以得出數(shù)字化的評(píng)估結(jié)果，可以準(zhǔn)確、直觀地反映高職實(shí)踐教學(xué)工作的優(yōu)劣，具有良好的識(shí)別精度。同時(shí)對(duì)人工神經(jīng)網(wǎng)絡(luò)在高校高職實(shí)踐教學(xué)工作質(zhì)量評(píng)價(jià)的前景進(jìn)行展望。

教學(xué)質(zhì)量評(píng)價(jià)；人工神經(jīng)網(wǎng)絡(luò)；實(shí)踐教學(xué)

0 引言

高職教育存在只注重實(shí)踐知識(shí)的學(xué)習(xí)而忽略實(shí)踐能力訓(xùn)練的問(wèn)題。實(shí)踐教學(xué)工作通常包含非定量因素,模棱兩可，很難量化，評(píng)價(jià)系統(tǒng)的輸入和輸出的關(guān)系是復(fù)雜的非線性關(guān)系，對(duì)評(píng)價(jià)造成很大的困難。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)是不需要了解數(shù)據(jù)就可以建立模型。人工神經(jīng)網(wǎng)絡(luò)是構(gòu)建非線性映射的過(guò)程，通過(guò)試驗(yàn)樣本數(shù)據(jù)構(gòu)建分類器，通過(guò)測(cè)試樣本數(shù)據(jù)進(jìn)行參數(shù)修改，對(duì)分類器進(jìn)行優(yōu)化，獲得解決實(shí)際問(wèn)題的能力。神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用在工業(yè)控制、分類、預(yù)測(cè)、數(shù)據(jù)挖掘領(lǐng)域。

本文研究應(yīng)用于高職院校教學(xué)評(píng)估的人工神經(jīng)網(wǎng)絡(luò)模型，克服了傳統(tǒng)評(píng)價(jià)方法的缺點(diǎn)，可以快速、準(zhǔn)確地得到評(píng)價(jià)結(jié)果。

1 評(píng)價(jià)指標(biāo)體系

實(shí)踐教學(xué)工作的評(píng)價(jià)是建立在綜合評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上,評(píng)價(jià)指標(biāo)的選擇將直接影響綜合評(píng)價(jià)的結(jié)果。所以建立科學(xué)的評(píng)價(jià)指標(biāo)體系是獲得合理評(píng)價(jià)結(jié)果的保證。

通過(guò)對(duì)數(shù)據(jù)的分析比對(duì)，確立了四個(gè)影響高職院校實(shí)踐教學(xué)工作的一級(jí)指標(biāo)，每個(gè)一級(jí)指標(biāo)下又包含若干個(gè)二級(jí)指標(biāo)，如表1所示。

表1 大學(xué)高職實(shí)踐教學(xué)質(zhì)量評(píng)價(jià)體系指標(biāo)

2 模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層三部分。原理如圖1所示。

其中，x1～xn是從其他神經(jīng)元傳來(lái)的輸入信號(hào)，wij表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值，θ表示一個(gè)閾值（threshold），或稱為偏置（bias）。函數(shù)f稱為激活函數(shù)，激活函數(shù)選為activation函數(shù)，表示如下。

圖1 神經(jīng)網(wǎng)絡(luò)圖

還有其他激活函數(shù)，如：

2.1 輸入層層數(shù)的確定

輸入層的層數(shù)根據(jù)建立指標(biāo)體系的高職實(shí)踐教學(xué)工作確定，共選取了14個(gè)二級(jí)指標(biāo)，因此確定輸入層層數(shù)為14。

2.2 隱含層層數(shù)的確定

如果單位數(shù)量的輸入層、隱藏層和輸出層是n,q,m，三層網(wǎng)絡(luò)可以實(shí)現(xiàn)n維輸入向量Un=(u1,…,un)T非線性映射到m維的輸出層Yn=(Y1,…,Ym)T。我們將測(cè)量和影響高職實(shí)踐教學(xué)工作的14個(gè)關(guān)鍵指標(biāo)作為輸入,即節(jié)點(diǎn)n=14時(shí),評(píng)估結(jié)果作為網(wǎng)絡(luò)輸出m=1。根據(jù)類型q=log2n決定，在實(shí)踐中沒(méi)有統(tǒng)一的方法來(lái)確定q。隱含層節(jié)點(diǎn)數(shù)的層數(shù)被選為4。

2.3 輸出層的單元數(shù)量決定

選擇輸出節(jié)點(diǎn)對(duì)應(yīng)的評(píng)估結(jié)果。在這個(gè)模型中,最終的結(jié)果是大學(xué)高職實(shí)踐教學(xué)質(zhì)量的評(píng)價(jià)工作,輸出層分為A，B，C，D四類,其中A為優(yōu)秀，B為良好，C為一般，D為差。

人工神經(jīng)網(wǎng)絡(luò)模型建立時(shí),我們可以使用它們作為相應(yīng)的網(wǎng)絡(luò)輸出,對(duì)應(yīng)的標(biāo)準(zhǔn)輸出模式（1，0，0，0），（0，1，0，0）、（0，0，1，0）、（0，0，0，1）,顯然建立神經(jīng)網(wǎng)絡(luò)輸出層的節(jié)點(diǎn)數(shù)是4。根據(jù)教學(xué)質(zhì)量評(píng)價(jià)指標(biāo)選擇輸入部分,輸入的節(jié)點(diǎn)數(shù)量是14。

2.4 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是由正向傳播和反向傳播兩部分,算法描述如下。

訓(xùn)練樣本信息。假設(shè)P是普通訓(xùn)練樣本，輸入第r（r=1，…，p）個(gè)訓(xùn)練樣本信息到首要向前傳播的隱藏層,獲得隱藏層輸出信息通過(guò)激活函數(shù)f（x）的作用。

隱藏層輸出信息傳輸?shù)捷敵鰧?可能是最終的輸出結(jié)果。

在網(wǎng)絡(luò)學(xué)習(xí)信息的正向傳播,另一個(gè)進(jìn)程的誤差反向傳播的過(guò)程。如果錯(cuò)誤之間存在網(wǎng)絡(luò)輸出和期望輸出值,然后將誤差反向傳播,使用所有調(diào)整網(wǎng)絡(luò)權(quán)值和閾值。

在上式中，Δw(t)是第t個(gè)訓(xùn)練權(quán)值和閾值的修正值，η,α是比例系數(shù)和動(dòng)量系數(shù)。

重復(fù)使用上述兩個(gè)過(guò)程,直到網(wǎng)絡(luò)輸出之間的誤差達(dá)到一定的要求和所需的輸出。

3 案例研究

3.1 樣本選擇和數(shù)據(jù)預(yù)處理

樣本的選擇是建立模型需要解決的第一個(gè)問(wèn)題。本文選取了山西省的23所高職院校和其他省份95所高職院校評(píng)估的數(shù)據(jù)作為樣本數(shù)據(jù)。通過(guò)篩選，確定了84個(gè)有效樣本，其中，隨機(jī)選擇70個(gè)樣本作為訓(xùn)練樣本,余下的14個(gè)樣品作為測(cè)試樣本。每個(gè)樣本數(shù)據(jù)記錄了高職實(shí)踐教學(xué)的評(píng)價(jià)信息,包括基本信息、評(píng)價(jià)信息的特定元素和普通高職教學(xué)評(píng)估信息的狀態(tài)。每個(gè)高職實(shí)踐教學(xué)的評(píng)價(jià)因素包括19個(gè)分?jǐn)?shù),分?jǐn)?shù)范圍為（0，50）。

3.2 網(wǎng)絡(luò)訓(xùn)練和結(jié)果分析

訓(xùn)練樣本輸入到建立的人工神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練八次后結(jié)束，測(cè)試樣本輸入神經(jīng)網(wǎng)絡(luò)模型,獲得的預(yù)測(cè)結(jié)果表2。

從表2可以看出,綜合評(píng)價(jià)的測(cè)試結(jié)果和14個(gè)測(cè)試樣品結(jié)論完全一致,只有個(gè)別數(shù)據(jù)的測(cè)試結(jié)果干擾性較強(qiáng),如11、13個(gè)數(shù)據(jù)，但不影響網(wǎng)絡(luò)的定性評(píng)估，這可能與測(cè)試樣品數(shù)量不足有關(guān)。

表2 預(yù)測(cè)結(jié)果表

4 結(jié)語(yǔ)

高職實(shí)踐教學(xué)質(zhì)量的評(píng)價(jià)工作,依照領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn),建立了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本,使用數(shù)據(jù),充分利用給定的樣本數(shù)據(jù),建立數(shù)據(jù)之間的復(fù)雜的非線性輸入和輸出之間的相關(guān)性。

其突出的優(yōu)勢(shì)是通過(guò)網(wǎng)絡(luò)自主學(xué)習(xí)而實(shí)現(xiàn)大量的參數(shù)設(shè)定，避免了人為主觀因素的影響,評(píng)估結(jié)果客觀有效。

使用神經(jīng)網(wǎng)絡(luò)方法評(píng)價(jià)高職實(shí)踐教學(xué)工作的質(zhì)量精度高,收斂快,計(jì)算過(guò)程簡(jiǎn)單,它可以反映評(píng)估影響因素的影響程度,從而有效地提高工作效率和經(jīng)濟(jì)效益,同時(shí)減少手工計(jì)算引起的誤差。所以人工智能仿真系統(tǒng)將越來(lái)越廣泛的應(yīng)用在高職實(shí)踐教學(xué)質(zhì)量的評(píng)價(jià)工作。

一些新的人工神經(jīng)網(wǎng)絡(luò)模型已得到改進(jìn),應(yīng)用高職實(shí)踐教學(xué)質(zhì)量的評(píng)價(jià)工作,可能會(huì)獲得更好的結(jié)果。如人工神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法和模糊實(shí)踐共同使用,可以克服一些缺點(diǎn),評(píng)估結(jié)果可能會(huì)更好,這些都是值得進(jìn)一步研究。

[1]徐進(jìn)華.基于灰色系統(tǒng)理論的數(shù)據(jù)挖掘及其模型研究[D].北京交通大學(xué)，2009.

[2]俞馳.基于網(wǎng)絡(luò)數(shù)據(jù)挖掘的客戶獲取系統(tǒng)研究[D].西安電子科技大學(xué)，2009.

[3]馮軍.數(shù)據(jù)挖掘在自動(dòng)外呼系統(tǒng)中的應(yīng)用[D].北京郵電大學(xué)，2009.

[4]于寶華.基于數(shù)據(jù)挖掘的高考數(shù)據(jù)分析[D].天津大學(xué)，2009.

[5]王曼，施念，花琳琳，楊永利.成組刪除法和多重填補(bǔ)法對(duì)隨機(jī)缺失的二分類變量資料處理效果的比較[J].鄭州大學(xué)學(xué)報(bào)（醫(yī)學(xué)版），2012（05）.

[6]黃杰晟,曹永鋒.挖掘類改進(jìn)決策樹(shù)[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2010（01）.

[7]李凈,張范,張智江.數(shù)據(jù)挖掘技術(shù)與電信客戶分析[J].信息通信技術(shù)，2009（05）.

[8]胡海峰.基于三層B/S結(jié)構(gòu)的網(wǎng)上考試系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2010.

Abstract:

Aiming at the quality evaluation in the teaching work of higher vocational colleges,establishes a simulation model based on neural network.The model makes the program preparation,operation training,summary report,assessment and identification as the input layer,and prac?tice teaching quality as output layer.The establishment of artificial neural network model makes use of the actual data for network training and testing.The test results show,the model can be obtained from the digital evaluation results,can accurately and intuitively reflect the merits of vocational teaching work,and has good recognition accuracy.At the same time,discusses the prospect of artificial neural network in the quality evaluation of practical teaching in higher vocational colleges.

Keywords:

Teaching Quality Evaluation;Artificial Neural Network;Practical Teaching

Evaluation of Practical Teaching Quality in Higher Vocational Colleges Based on Artificial Neural Network

JIA Wen-ya
（Shanxi Pharmaceutical Career Academy，Taiyuan 030031）

2017-04-17

2017-06-10

1007-1423（2017）18-0009-04

10.3969/j.issn.1007-1423.2017.18.002

全國(guó)教育科學(xué)“十三五”規(guī)劃課題（No.ECA160412）

賈文雅（1982-）,女，山西臨汾人，碩士，講師，研究方向?yàn)閿?shù)據(jù)挖掘與數(shù)據(jù)分析