人工智能背景下的教學(xué)質(zhì)量評價的研究

摘要：為了有效地提高教學(xué)質(zhì)量，促進(jìn)整體教學(xué)水平的提高。提出了將人工智能中的神經(jīng)網(wǎng)絡(luò)算法用于評價教學(xué)質(zhì)量。首先建立教學(xué)質(zhì)量評價指標(biāo)模型，通過調(diào)查問卷收集數(shù)據(jù)，確定一級指標(biāo)和二級指標(biāo)，通過雙疊加RBM-BP神經(jīng)網(wǎng)絡(luò)模型用于評價數(shù)據(jù)分析。實驗表明該評價模型能夠有效推測教學(xué)質(zhì)量的真實水平。

關(guān)鍵詞：人工智能;教學(xué)質(zhì)量;評價

引言：教學(xué)質(zhì)量水平是衡量了一個學(xué)校教學(xué)效果高低的重要標(biāo)志，高職院校需要不斷完善提升自身水平，才能更好的適應(yīng)當(dāng)前新形勢的要求，而教學(xué)質(zhì)量的評價對于提高教學(xué)質(zhì)量具有舉足輕重的作用，它能反映教師在教學(xué)過程中存在的問題，引導(dǎo)教師反思自己的教學(xué)方法和教學(xué)效果，教師提高自身的業(yè)務(wù)能力和教學(xué)水平;也有利于教學(xué)管理部門對教學(xué)質(zhì)量進(jìn)行有效的監(jiān)督，更加科學(xué)化、制度化、規(guī)范化管理教學(xué)工作，最終促使教學(xué)質(zhì)量的全而提高。在評價研究主體方面，徐曉娟等人對不同評價主體的視角、能力與經(jīng)驗等方面進(jìn)行了分析，闡述了各主體在教師課堂教學(xué)評價中各自擁有的優(yōu)勢與不足，建議高校要針對不同的評價目的合理地選擇評價主體，建立和完善運(yùn)行機(jī)制，以提高教學(xué)評價工作的實效性;孟凡指出評教制度在利益相關(guān)者利益訴求的博弈演化中，評教主體主要有教師、學(xué)生和教學(xué)行政管理者，運(yùn)用利益相關(guān)者的理論作為一種分析框架，解釋和揭示學(xué)生評教制度還存在的問題及相關(guān)原因，他認(rèn)為利益相關(guān)者參與治理模式，可以體現(xiàn)評教制度所具有的治理屬性，也可以表達(dá)制度應(yīng)該秉承的教學(xué)品性。在評價方法研究方面，楊德芹構(gòu)建出基于統(tǒng)計學(xué)的教學(xué)評價模型;葉珍利用層次分析法建立課堂教學(xué)質(zhì)量評價指標(biāo)體系的遞階層次關(guān)系，同時求出權(quán)重向量和組合權(quán)重向量，在遞階層次關(guān)系和權(quán)重向量的基礎(chǔ)上對學(xué)生評教、同行教師評教、專家評教和教師自評體系分別用模糊綜合評價法建立更加綜合的評價模型。張麗運(yùn)用因子分析法理論模型，找出較科學(xué)、合理的評價指標(biāo)體系。在評價理念方面，暴奉睿從兩種評價制度的定義與內(nèi)涵、關(guān)注方向、評價主體及評價結(jié)果反饋四個方面進(jìn)行利弊分析。楊彩霞等人提出基于學(xué)生學(xué)習(xí)、發(fā)展和學(xué)習(xí)成果的視角的“以學(xué)生為中心”的高校教學(xué)質(zhì)量保障理念，根據(jù)這一理念建構(gòu)，得出以學(xué)生為中心的教學(xué)質(zhì)量保障的三大特點，進(jìn)而提出組織策略、目標(biāo)建構(gòu)策略、服務(wù)支持策略以及評價反饋策略等教學(xué)質(zhì)量保障改進(jìn)策略。

本文在以上研究成果的基礎(chǔ)上，提出了使用人工智能的技術(shù)進(jìn)行對評價質(zhì)量模型進(jìn)行優(yōu)化，并通過問卷等方式收集質(zhì)量評價模型的數(shù)據(jù)，實驗說明了本文模型的效果。

1.基于雙疊加RBM-BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評價模型

1.1教學(xué)質(zhì)量評價指標(biāo)及評價結(jié)果

教學(xué)質(zhì)量評價涉及到諸多因素.本課題在走訪一線教師以及相關(guān)教學(xué)質(zhì)量評價管理部門意見，同時查閱文獻(xiàn)，借鑒一些院校的教學(xué)質(zhì)量評價指標(biāo)體系，建立了本課題的指標(biāo)體系.教學(xué)質(zhì)量評價指標(biāo)體系分為5個一級指標(biāo)及細(xì)分的18個二級指標(biāo)。其中一級指標(biāo)和對應(yīng)的二級指標(biāo)分別是教師素質(zhì)（教育教學(xué)目標(biāo)是否明確、教師專業(yè)知識是否扎實、教師授課和講解水平是否扎實）;教學(xué)態(tài)度（教師輔導(dǎo)過程中的答疑是否耐心積極、教師是否授課認(rèn)真，是否具有感染力、教師授課態(tài)度是否嚴(yán)謹(jǐn)精益求精）;教學(xué)內(nèi)容（教師教學(xué)概念和理論是否準(zhǔn)確、教師教學(xué)的內(nèi)容飽滿，注重能力，教學(xué)內(nèi)容是否聯(lián)系實際，注重實踐，教師的專業(yè)知識是否具有深度和廣度）;教學(xué)方法（教師的教學(xué)方法是否善于啟發(fā)和引導(dǎo)思考，教師的教學(xué)方式是否存在多樣性，運(yùn)用是否恰當(dāng)，教師是否注重學(xué)生個性發(fā)展，是否因材施教，教師是否注重激發(fā)學(xué)生的創(chuàng)新意識）;教學(xué)效果（學(xué)生的自學(xué)能力和學(xué)習(xí)興趣是否得到提高，學(xué)生掌握基木知識、理解知識能力是否提高，學(xué)生分析解決問題能力是否提高，學(xué)生的綜合素質(zhì)與創(chuàng)新能力是否提高）。將教師教學(xué)質(zhì)量評價結(jié)果作為本文的神經(jīng)網(wǎng)絡(luò)的輸出，分為優(yōu)秀（[0.9，1]）、良好（[0.8，0.89]）、中等（[0.7，0.79]）、及格（[0.6，0.69]）、不及格（[0，0.59]）五個等級各等級的輸出范圍。

1.2基于雙疊加RBM-BP神經(jīng)網(wǎng)絡(luò)

受限玻爾茲曼機(jī)-BP神經(jīng)網(wǎng)絡(luò)（簡稱RBM-BP），它結(jié)合了RBM和BP的優(yōu)點，針對復(fù)雜、高維的大量的數(shù)據(jù)。我們利用RBM強(qiáng)大的特征學(xué)習(xí)能力和對高維數(shù)據(jù)的無監(jiān)督學(xué)習(xí)，去除冗余特征，降低數(shù)據(jù)復(fù)雜度。這樣可以降低數(shù)據(jù)的訓(xùn)練復(fù)雜度，提高。然而，RBM-BP 網(wǎng)絡(luò)需要大量計算并且在訓(xùn)練樣本庫方面存在缺陷。在本課題的研究中，使用雙孿生 RBM-BP 網(wǎng)絡(luò)來實現(xiàn)使用少量層來減少訓(xùn)練次數(shù)。

雙疊加RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的參數(shù)學(xué)習(xí)率，可見層數(shù)v，隱藏層數(shù)h，和參數(shù)集共同決定了雙孿生 RBM-BP 神經(jīng)網(wǎng)絡(luò)的性能。因此，參數(shù)設(shè)計復(fù)雜度比傳統(tǒng)的單一 RBM 復(fù)雜。合理優(yōu)化這六個參數(shù)是本文模型有效性的關(guān)鍵。使用元啟發(fā)式算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)可以提高其性能。本課題使用了更強(qiáng)大的鯨魚算法對雙RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化算法。參數(shù)通過WOA算法對孿生RBM-BP中的v、h和共12組參數(shù)進(jìn)行了優(yōu)化。在WOA算法的捕食階段中， 表示鯨魚個體位置向量，需要優(yōu)化的變量包括2組參數(shù)學(xué)習(xí)率 ，可見層數(shù)量v，隱含層數(shù)量h以及參數(shù)集 對應(yīng)鯨魚個體位置向量，因此 可以表示為 在螺旋階段中， 所參與計算的優(yōu)化目標(biāo)函數(shù)表示為雙疊加RBM深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練誤差，表達(dá)為 通過目標(biāo)函數(shù)得到最優(yōu)的參數(shù)v1，opt， h1，opt， 1，opt以及 1，opt和 v2，opt， h2，opt， 2，opt以及 2，opt。

2.數(shù)據(jù)來源及歸一化處理

根據(jù)指標(biāo)模型中的5個一級指標(biāo)及細(xì)分對應(yīng)的18個二級指標(biāo)，使用調(diào)查問卷由學(xué)生和教師分別進(jìn)行打分，對每一個指標(biāo)權(quán)重值的確定由主觀權(quán)重和客觀權(quán)重綜合獲得，其中主觀權(quán)重采用層次分析法，客觀權(quán)重采用粗糙集的客觀權(quán)重相結(jié)合。對評分?jǐn)?shù)據(jù)進(jìn)行收集，將在[0，100]中的評分?jǐn)?shù)據(jù)的標(biāo)準(zhǔn)使用歸一化中的最大最小方法對應(yīng)到[0，1]之間，這樣能夠較好的保存原始數(shù)據(jù)。歸一化后的數(shù)據(jù)作為模型的輸入值。最后得到的實驗數(shù)據(jù)一共有100組，其中80組用于訓(xùn)練模型，以便能夠得到最優(yōu)的RBM-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，剩余的20組數(shù)據(jù)用于測試，檢驗神經(jīng)網(wǎng)絡(luò)處理后的學(xué)生評價的樣本結(jié)果，如表1所示。每組數(shù)據(jù)的第1-18行都為輸入數(shù)據(jù)，最后一列為數(shù)據(jù)訓(xùn)練輸出目標(biāo)。

3.模型對比

為了驗證本模型的評價效果，將本文模型與BP神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)進(jìn)行仿真。結(jié)果如表1所示。

絕對誤差對比圖如圖1所示，預(yù)測結(jié)果圖如圖2所示。從圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評價模型預(yù)測的絕對誤差分布在0-1.48之間，10%樣本預(yù)測絕對誤差較大，本文提出的模型預(yù)測的絕對誤差范圍為0-1.05之間，90%樣本評價結(jié)果預(yù)測值的絕對誤差可控制在0.1以內(nèi)。這說明了本文提出的模型預(yù)測結(jié)果較穩(wěn)定具有更好的性能效果。

4.結(jié)束語

針對現(xiàn)有的教學(xué)質(zhì)量評價的存在的不足，提出了將人工智能中的神經(jīng)網(wǎng)絡(luò)算法用于評價教學(xué)質(zhì)量。建立了包含一級和二級指標(biāo)的教學(xué)質(zhì)量評價模型，通過雙疊加RBM-BP神經(jīng)網(wǎng)絡(luò)模型用于評價數(shù)據(jù)分析。仿真實驗，表明該評價模型能夠有效發(fā)現(xiàn)教學(xué)質(zhì)量的真實水平。

參考文獻(xiàn)：

[1]徐曉娟，劉琦，華小洋.教師課堂教學(xué)評價主體及運(yùn)行機(jī)制探討[J].高等工程教育研究，2008（05）：139-141.

[2]暴奉睿.高校教師獎懲性評價與發(fā)展性評價的比較分析[J].職業(yè)技術(shù)，2011（10）：89-90.

課題來源：浙江工業(yè)職業(yè)技術(shù)學(xué)院2021年度校級教學(xué)質(zhì)量管理和監(jiān)控項目—“人工智能背景下的教學(xué)質(zhì)量評價模型研究”。

作者簡介：陳暄（1079.03-），男，副教授，碩士，研究方向為人工智能，教學(xué)評價。