基于RBF 網(wǎng)絡(luò)的高職教學(xué)質(zhì)量評價(jià)模型研究

王建翔

（四川城市職業(yè)學(xué)院，四川 成都 610101）

0 引言

通常情況下,教學(xué)質(zhì)量與教師主觀的教學(xué)態(tài)度、教學(xué)方法、教學(xué)體系等因素息息相關(guān),但直接與教學(xué)質(zhì)量掛鉤的因素卻都不能直接地被直觀衡量評定。 因此高校需要借助一種教學(xué)質(zhì)量評價(jià)模型,將教學(xué)質(zhì)量評價(jià)以數(shù)值化、具體化的形式呈現(xiàn)。 教學(xué)質(zhì)量評價(jià)體系最重要的就是消除人為主觀因素對權(quán)重設(shè)置的影響,以便于高職院校動態(tài)了解當(dāng)前的教學(xué)效果,改進(jìn)優(yōu)化教學(xué)方案。

1 RBF 神經(jīng)網(wǎng)絡(luò)的概念

RBF 網(wǎng)絡(luò)又叫作徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),是通過前饋式反向傳播,來實(shí)現(xiàn)非線性變化的一種從輸入值插入開始,以隱層展開的局部逼近網(wǎng)格。 在該網(wǎng)格結(jié)構(gòu)中,任何一點(diǎn)均滿足Φ(x)＝Φ(丨丨x丨丨)的形式,即原點(diǎn)距離的實(shí)值函數(shù)僅僅對該點(diǎn)產(chǎn)生輸出。 在神經(jīng)網(wǎng)格結(jié)構(gòu)中,它作為各個(gè)層次的主要連接函數(shù)。 其中以高斯函數(shù)作為徑向基函數(shù)的網(wǎng)格最為常用,其表達(dá)式為Φ(r)＝e-(εr2)。 其中e作為第r個(gè)基函數(shù)的中心位置,r是整個(gè)感知單元的個(gè)體數(shù)量,而ε則是代表影響Φ(r)這組數(shù)據(jù)的感知變量［1］。 RBF 神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖1 所示,在整個(gè)神經(jīng)網(wǎng)絡(luò)中,由于輸出點(diǎn)只會受到靠近中心點(diǎn)的輸入值影響,因此具有局部反映現(xiàn)象。 基于RBF 神經(jīng)感知網(wǎng)絡(luò)的教學(xué)質(zhì)量評價(jià)模型,以大量、簡單的處理感知單元,通過廣泛地連接建立聯(lián)系組成復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。 模型由網(wǎng)絡(luò)拓?fù)?、階段與插入規(guī)則來表示,RBF 神經(jīng)網(wǎng)絡(luò)由于可以分布式儲存處理信息,并且能夠在多層并行分析行為,因此它廣泛適用于處理大量的非精準(zhǔn)信息與模糊信息。 而在教學(xué)質(zhì)量評價(jià)工作上,正是由于存在大量無具體數(shù)值描述的信息導(dǎo)致難以客觀評價(jià)的問題,因此可以考慮借助RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性與學(xué)習(xí)性來解決它非線性描述的問題。

2 RBF 高職教學(xué)質(zhì)量評價(jià)模型構(gòu)建

2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)采用三層誤差反向傳播RBF 網(wǎng)絡(luò)結(jié)構(gòu),它分為輸入層、隱層與輸出層。 其中將輸入層設(shè)置為參與教學(xué)質(zhì)量評價(jià)的各項(xiàng)指標(biāo)參考；隱層特征應(yīng)當(dāng)為某一輸入層對應(yīng)的層次具體特征,輸入層的單一插入值將對結(jié)果產(chǎn)生怎樣的影響,全部由該層的隱層特征來決定,那么可以將整個(gè)神經(jīng)網(wǎng)絡(luò)當(dāng)作一個(gè)信息特征的提取與組合器,在該質(zhì)量評價(jià)模型中,可以簡單地將隱層特征表現(xiàn)為權(quán)重關(guān)系；在它的輸出值端一共有4種結(jié)果,即優(yōu)秀、良好、及格、不及格。 但由于同一組評價(jià)參數(shù)只能同時(shí)響應(yīng)一種評價(jià)結(jié)果,因此在輸出層僅設(shè)置單節(jié)點(diǎn)輸出路徑［2］。 在該教學(xué)質(zhì)量評價(jià)模型中,得到一組參數(shù)的具體評價(jià)結(jié)果需要經(jīng)過“插入?yún)⒖贾怠[層分析處理——交匯分析——評價(jià)結(jié)果輸出”的一系列流程。

2.2 教學(xué)質(zhì)量的輸出模式

在高職院校設(shè)置教學(xué)質(zhì)量評價(jià)體系的目的是通過有效的質(zhì)量評價(jià)體系來幫助學(xué)校了解師資隊(duì)伍的建設(shè)質(zhì)量,進(jìn)一步制定和完善教學(xué)計(jì)劃。 而教學(xué)質(zhì)量評價(jià)結(jié)果往往決定了教師在高職院校的發(fā)展情況,如津貼工薪的發(fā)放、教師職稱的評定、季度考核、教務(wù)職務(wù)升遷等。 近年來高職院校隨著教育觀念的不斷完善,越來越重視學(xué)生在教育中的主體地位,盡管有以學(xué)生測評結(jié)果為參考的教學(xué)質(zhì)量評價(jià)體系,但考慮到學(xué)科興趣度、師生感情因素以及學(xué)生對待測評工作的態(tài)度等人為主觀因素的存在,會間接地影響測評結(jié)果的質(zhì)量,使學(xué)校難以對擔(dān)負(fù)不同學(xué)科教學(xué)任務(wù)的教師做出合理且客觀的綜合評價(jià)。 尤其是一些學(xué)習(xí)難度較大的學(xué)科的任教教師以及新到校的教師的教學(xué)質(zhì)量測評結(jié)果都要比實(shí)際偏低一些,也就導(dǎo)致了教師會對人為測評結(jié)果存在較大質(zhì)疑。 因此,RBF 神經(jīng)網(wǎng)絡(luò)模型利用數(shù)學(xué)的函數(shù)方法來克服人為設(shè)置評價(jià)權(quán)重的問題,通過幾組評價(jià)數(shù)據(jù)的訓(xùn)練與完善,根據(jù)學(xué)生的測評結(jié)果,對應(yīng)具體的指標(biāo)分值來提高教學(xué)質(zhì)量評價(jià)結(jié)果的合理性。

在《教育大辭典》中,教學(xué)質(zhì)量是指對教育水平優(yōu)劣與否與教學(xué)效果是否實(shí)現(xiàn)的客觀綜合評價(jià)。 結(jié)合高校的培養(yǎng)方向與辦學(xué)理念來分析,教學(xué)質(zhì)量的主要衡量標(biāo)準(zhǔn)應(yīng)當(dāng)是高職院校自己的培養(yǎng)目標(biāo),它最終要通過受教育的主體現(xiàn)象來客觀體現(xiàn)。 即教師教學(xué)水平不等于教學(xué)質(zhì)量；教學(xué)質(zhì)量最終以學(xué)生的學(xué)業(yè)完成情況的優(yōu)劣為根本衡量；學(xué)生的學(xué)業(yè)完成情況即為高職院校培養(yǎng)人才是否合格的質(zhì)量標(biāo)準(zhǔn)。 但從教學(xué)實(shí)際來看,往往對教學(xué)質(zhì)量容易產(chǎn)生深遠(yuǎn)影響的又正是教師職業(yè)水平素質(zhì)等因素。 在教學(xué)質(zhì)量評價(jià)模型上,高校應(yīng)當(dāng)充分理解“教育投入不等于教育回報(bào)”的觀念,因此,除了教師自有的能力素質(zhì)考評之外,還要加入培養(yǎng)教育對象的質(zhì)量規(guī)格以及體系內(nèi)的自控自評因素,這樣才能確保模型輸出的教學(xué)質(zhì)量完全消除主觀判斷因素,多角度客觀公正地展開綜合測評。

2.3 參考輸入值的設(shè)置

在RBF 高職教學(xué)質(zhì)量評價(jià)模型中,輸入值需要設(shè)置為可以具體描述提取的評價(jià)信息,這種信息不一定是數(shù)據(jù)上的,但必須與教學(xué)質(zhì)量結(jié)果有一定的因果關(guān)系。 從以往高職院校的質(zhì)量評價(jià)工作經(jīng)驗(yàn)以及教學(xué)實(shí)踐分析得出的數(shù)據(jù)來看,可供用作參考教學(xué)質(zhì)量評價(jià)的一共有3 類信息。

其中,一類信息是最能直接體現(xiàn)教師教學(xué)能力水平的信息:(1)教學(xué)進(jìn)度規(guī)劃；(2)教學(xué)目的；(3)教學(xué)理念；(4)教學(xué)方法；(5)教學(xué)態(tài)度；(6)教學(xué)成果。 這一類信息完全可以通過教師自評或者教學(xué)考察活動來直接收集。

二類信息是在學(xué)生評價(jià)與教學(xué)反饋基礎(chǔ)上得到的客觀信息:(1)學(xué)生課堂積極性；(2)班組學(xué)業(yè)成果；(3)學(xué)生好感；(4)課堂氛圍；(5)教學(xué)活動合理性。 從以上指標(biāo)可以看出,二類信息雖然不受教師“教學(xué)行為能力”的直接影響,但間接地會輻射反饋到教學(xué)質(zhì)量上,且二類信息與一類直觀信息相比,似乎更容易與教學(xué)質(zhì)量的輸出值建立聯(lián)系［3］。

三類信息則更傾向于教師職業(yè)心態(tài)的動態(tài)考評,主要從3 個(gè)方面開始展開考察:(1)教職人員自評；(2)教職人員互評；(3)教務(wù)處領(lǐng)導(dǎo)評價(jià)。 考察內(nèi)容主要有:(1)教學(xué)任務(wù)的完成情況；(2)教師的履職情況；(3)職業(yè)道德素質(zhì)。 從中不難看出,三類信息在整個(gè)教學(xué)質(zhì)量評價(jià)體系中既不容易直觀看出,也不會對教學(xué)質(zhì)量產(chǎn)生根本性的影響,但可以為衡量教學(xué)質(zhì)量提供參考輔助性建議。

其中一類插入信息為6 項(xiàng)指標(biāo),二類插入信息為5項(xiàng)指標(biāo),三類插入信息為2×3 ＝6 項(xiàng)指標(biāo),共計(jì)17 項(xiàng)指標(biāo)。

2.4 隱層特征分析

適用于教學(xué)質(zhì)量評價(jià)模型的三層誤差反向傳播RBF 網(wǎng)絡(luò)中,隱形特征表現(xiàn)為具體的指標(biāo)權(quán)重因素,首先應(yīng)當(dāng)確認(rèn)輸入節(jié)點(diǎn)的個(gè)數(shù),即17 項(xiàng)指標(biāo)。 有了輸入值節(jié)點(diǎn)個(gè)數(shù)后,利用隱層節(jié)點(diǎn)公式(M＝N)2+C(M為輸入節(jié)點(diǎn)個(gè)數(shù),N為輸出節(jié)點(diǎn)個(gè)數(shù),C為網(wǎng)絡(luò)誤差常數(shù),通常取值為+10 到-10)來確定隱層節(jié)點(diǎn)的連接個(gè)數(shù)。 其中常數(shù)項(xiàng)C是在模型投入使用后用來消減誤差的調(diào)整范圍,即在不同的指標(biāo)與輸出值搭配中,存在著多種考核結(jié)果,而多種考評結(jié)果最終轉(zhuǎn)化為4 種“優(yōu)秀、良好、及格、不及格”輸出值。 那么為了實(shí)現(xiàn)不同重要級的指標(biāo)產(chǎn)生非現(xiàn)性變化,就需要在隱層對不同類別的輸出值進(jìn)行權(quán)重分配。 其中一類參考指標(biāo)的權(quán)重為A1 ～A6,二類參考指標(biāo)為S1 ～S5,三類指標(biāo)權(quán)重為W1 ～W6。 以相對于中間點(diǎn)的離散距離作為區(qū)分,其中二類參考指標(biāo)相對中心點(diǎn)最近；一類參考指標(biāo)其次；最后是三類參考指標(biāo)。

3 RBF 神經(jīng)網(wǎng)絡(luò)的算法

有了初步的模型構(gòu)造,需要具體賦予該神經(jīng)網(wǎng)絡(luò)一種基礎(chǔ)算法,首先將3 類不同指標(biāo)的輸入層節(jié)點(diǎn)設(shè)置為斜率為1 的線性函數(shù),而輸出值設(shè)置為一條相關(guān)的反向線性函數(shù),在其中可以調(diào)節(jié)的除了隱層節(jié)點(diǎn)數(shù)之外,還有權(quán)重值S/B/W。 其中,隱層節(jié)點(diǎn)函數(shù)采用高斯函數(shù)計(jì)算,它的輸出函數(shù)式為:

這個(gè)函數(shù)式中,cn為第n個(gè)輸入層中心點(diǎn)的正值距離。 而a為隱層標(biāo)準(zhǔn)偏差,n視為隱層節(jié)點(diǎn)的常數(shù)。

調(diào)整網(wǎng)絡(luò)的算法參數(shù)時(shí),可以考慮利用帶動量因子的梯度下降法進(jìn)行設(shè)置,當(dāng)整層網(wǎng)絡(luò)隨著t時(shí)刻的變化而產(chǎn)生非線性變化時(shí),還要具體結(jié)合t時(shí)刻對應(yīng)的網(wǎng)絡(luò)隱層關(guān)系對(M＝N)2+C中的C進(jìn)行合理配置。

4 RBF 神經(jīng)網(wǎng)絡(luò)的模型優(yōu)化

RBF 神經(jīng)網(wǎng)絡(luò)模型需要利用數(shù)據(jù)的監(jiān)督學(xué)習(xí)算法,完成對RBF 神經(jīng)網(wǎng)絡(luò)模型的修正學(xué)習(xí)階段。 在求解機(jī)器學(xué)習(xí)算法模型的參數(shù)時(shí),迭代法可以用于求解非線性的最小二乘問題,而像教學(xué)評價(jià)結(jié)果的指標(biāo)這種非線性關(guān)聯(lián)數(shù)據(jù),考慮到它的本質(zhì)是來求解損失函數(shù)的最小值,即無約束優(yōu)化問題,因此采用梯度下降法,首先定義一個(gè)樣本的誤差信號函數(shù)E＝1/2e2,其中e為每組不同訓(xùn)練數(shù)據(jù)的誤差信號。 為了使損失函數(shù)最小值,再將各個(gè)誤差參數(shù)的修正量與函數(shù)的負(fù)梯度設(shè)置為正比關(guān)系,參數(shù)修正值的表達(dá)式為:δw＝eta［eG(丨丨x-c1丨丨)］。 考慮到hermit 多項(xiàng)式的逼近問題,分別抽取20 組訓(xùn)練樣本數(shù)據(jù),將其代入F(x)＝1.1(1-x+2x2)exp(-x2/2)中,隱藏節(jié)點(diǎn)數(shù)為10,重疊系數(shù)為1,用聚類法求出RBF 神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)中心與拓展常數(shù),將設(shè)置的隱藏節(jié)點(diǎn)權(quán)重與閾值用逆?zhèn)畏▉砬蠼?。而后再設(shè)eta＝0.01,初始權(quán)值設(shè)置為［-0.1,0.1］區(qū)間內(nèi)的任意隨機(jī)值,將拓展常數(shù)的初始區(qū)間設(shè)為［0.1,0.5］,最大訓(xùn)練數(shù)設(shè)置為5 000 次。 以此來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心算法,使模型評價(jià)結(jié)果不再受限于輸入的數(shù)據(jù)點(diǎn),而是根據(jù)訓(xùn)練算法來確定。

為了使整組RBF 教學(xué)質(zhì)量評價(jià)模型網(wǎng)絡(luò)的輸出結(jié)果更加貼合真實(shí)評價(jià),考慮將所有輸入?yún)⒖贾笜?biāo)值方案,挑選幾組錯(cuò)落的極值輸入,以對照輸出結(jié)果來驗(yàn)證網(wǎng)格的合理性,如挑選10 組樣本,滿足一類權(quán)重A 指標(biāo)均為優(yōu)、良；二類權(quán)重S 指標(biāo)均為良、及格；三類權(quán)重W 指標(biāo)均為及格、不及格條件時(shí),輸出等級結(jié)果大部分在“良”,少數(shù)輸出評價(jià)落在“及格”范圍,樣本結(jié)果與考評事實(shí)存在一定的偏差。 此時(shí)應(yīng)當(dāng)向上調(diào)整一二類指標(biāo)的隱層權(quán)重,使三類指標(biāo)作為區(qū)分“優(yōu)與良”等級的重要參考。 重新調(diào)整權(quán)重后,若一、二類輸入指標(biāo)有80%以上在良以上,則輸出值始終為良,但若三類指標(biāo)中出現(xiàn)26%以上為及格或以下評價(jià),則輸出值始終不為優(yōu)。 而另一方面,在神經(jīng)網(wǎng)絡(luò)中還分析出了三類指標(biāo)參考的自矛盾現(xiàn)象,由于三類指標(biāo)是基于自評與他評結(jié)合的,在實(shí)際對神經(jīng)網(wǎng)絡(luò)辨識結(jié)果進(jìn)行驗(yàn)證時(shí)發(fā)現(xiàn),若他評與自評數(shù)值存在較大差異,可能會導(dǎo)致輸出值在優(yōu)與良的閥值處離散分布。 因此應(yīng)當(dāng)在隱層特征中,加入提取描述的函數(shù),當(dāng)出現(xiàn)某一項(xiàng)指標(biāo)的自評與他評輸入值相差兩個(gè)擋位時(shí),應(yīng)當(dāng)將該隱層節(jié)點(diǎn)停止對中心值進(jìn)行響應(yīng),而作為響應(yīng)補(bǔ)償,當(dāng)出現(xiàn)此類情況時(shí)應(yīng)當(dāng)在網(wǎng)格中建立邏輯關(guān)聯(lián)使三類其他有效節(jié)點(diǎn)的權(quán)重特征比例下降。

經(jīng)優(yōu)化后,測試結(jié)果與專家評價(jià)結(jié)果比較如表1 所示。 在某高職院校應(yīng)用RBF 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)中心進(jìn)行教學(xué)質(zhì)量評價(jià)發(fā)現(xiàn),該RBF 神經(jīng)網(wǎng)絡(luò)模型輸出辨識值與以往由教學(xué)督導(dǎo)小組開展的歷史評價(jià)結(jié)果相似度較高。

表1 測試結(jié)果與專家評價(jià)結(jié)果比較 (單位：分)

5 結(jié)語

綜上所述,在傳統(tǒng)教學(xué)質(zhì)量測評指標(biāo)的基礎(chǔ)上,利用RBF 神經(jīng)網(wǎng)絡(luò)模型的輸出值來描述關(guān)于教師教學(xué)質(zhì)量的具體評價(jià),可以消除由主觀判斷因素影響評價(jià)結(jié)果公正性的問題。 便于高職院校了解自身的教學(xué)現(xiàn)狀,合理部署下一步的教育計(jì)劃安排。 高效率地完成高職院校教學(xué)質(zhì)量內(nèi)控工作的同時(shí),還提高了高職院校信息化管理水平,但考慮到與教學(xué)督導(dǎo)小組評價(jià)產(chǎn)生偏差的樣本現(xiàn)象,RBF 神經(jīng)網(wǎng)格模型在正式投入使用時(shí)還需要不斷地積累數(shù)據(jù)樣本來進(jìn)行調(diào)整優(yōu)化。