基于BP神經(jīng)網(wǎng)絡的線上線下混合式教學質量評價模型

薛 紅 勤

(河南工業(yè)職業(yè)技術學院 文化旅游與國際教育學院,河南 南陽 473000)

在數(shù)字時代,傳統(tǒng)的教學模式發(fā)生了很大變化,“教”與“學”的內涵發(fā)生了質的變化[1]。后疫情時代線上線下混合式教學模式獲得了飛速的發(fā)展,眾多學者對該教學模式進行了研究,并在教學模式的應用等方面取得了較多的成果[2-4]。但由于該模式在教學時間、內容分配、考核方式等方面存在很多問題,無法達到線下教學的效果,主要原因在于目前還沒有系統(tǒng)、全面的針對該模式的客觀的評估指標和方法。本文依據(jù)多指標的三維指標評價體系,利用BP神經(jīng)網(wǎng)絡的智能化分析特點,構建了一個智能化的教學質量評價模型,并對所建立的模型進行了驗證,以期對未來線上線下混合式教學的發(fā)展提供幫助。

1 評價指標體系的制定

無論是線下還是線上教學,以學生為中心的理念矢志不渝,并以此構建學習理論。充分利用5G技術的發(fā)展和移動應用的普及,與移動互聯(lián)網(wǎng)應用等新的教育形態(tài)混合并拓展,本文從課程評價、過程評價、評價主體、評價方式、評價結果五個方面提出了構建混合式教學質量評價指標體系應遵循的原則。(1)線上線下混合式教學質量評價體系應立足于教學全過程,提高教學覆蓋面教學質量考核指標分。(2)線上線下混合式教學模式中的在線教學的過程評價有一定的難度,因此,更注重互動作為過程評價的重要維度?；拥姆绞讲粌H包括在線教學過程中的提問等方式互動,也包括了作業(yè)方式的互動,試卷考試測試方式的互動等。(3)線上線下混合教學模式的評價主體是教師、學生、專家和教學平臺。(4)在評價方式上除線下教學中的課堂表現(xiàn)等,也應充分利用在線工具和應用平臺的在線數(shù)據(jù)進行評價。(5)評價結果以學生的在線學習情況、作業(yè)質量、期末考試成績等為依據(jù),同時應注意學生課后的教學反饋及學期末的教師教學質量評價。

2 評價指標體系

教學質量評價的核心在于評價的標準,標準不同得到的結論有可能完全不同;評價標準是教師教學成績的肯定與否。本文通過借鑒已有的研究成果[5-8],并征詢相關專家意見,結合教學實踐,提出線上線下混合式教學的評價指標體系。本指標體系包含了課程、教學、效果、反饋4個一級指標,20個二級指標,具體指標體系見表1。

表1 線上線下混合式教學課程建設的評價指標

3 評價方法

3.1 模型開發(fā)

線上線下混合式教學質量評價一直采用傳統(tǒng)的評價方法,如單因素評價法、總體評價法、模糊數(shù)學、運籌學、多元統(tǒng)計分析、多維標量分析等,這些方法不同程度地存在以下一些問題:次要指標權重很難確定,評價具有主觀性和隨意性;計算復雜,求解費力;算法缺失智能算力。

生物神經(jīng)網(wǎng)絡的結構和功能被很好地模擬成人工神經(jīng)網(wǎng)絡,該方法被廣泛應用于評價數(shù)學或計算模型[9]。神經(jīng)網(wǎng)絡通過連接大量的神經(jīng)元構成復雜的網(wǎng)絡結構,這種結構能具有適應性性,能依據(jù)外部信息自適應改變內部運算。因此,神經(jīng)網(wǎng)絡也是數(shù)理統(tǒng)計方法的實際應用,它使我們能夠獲得可以表達的大空間的局部結構。另一方面,神經(jīng)網(wǎng)絡可以利用數(shù)理統(tǒng)計的方法來解決應用中的決策問題(即統(tǒng)計方法讓人工神經(jīng)網(wǎng)絡能夠做出簡單的決策)。

誤差反向傳播神經(jīng)網(wǎng)絡簡稱BP網(wǎng)絡[10],該網(wǎng)絡結構為三層網(wǎng)絡前饋分層,由輸入層、隱含層和輸出層組成。依據(jù)誤差的傳播方式又可分為前向和后向傳播網(wǎng)絡。BP網(wǎng)絡的工作模式:首先,信息從輸入層發(fā)送到隱藏層的單元。隱藏單元中計算,將生成的數(shù)據(jù)發(fā)送到輸出層。這種方式稱為前饋方式。然后打印與期望值相比,如果不滿足期望值,則轉換為誤差反向傳播,沿著原路徑傳回誤差,并通過修改每層神經(jīng)元的連接權重來減小誤差信號。通過不斷的前向、后向交替的“記憶訓練”,直到期望誤差達到預期要求,從而得到一個穩(wěn)定的網(wǎng)絡模型。具體包括如下幾個關鍵步驟。

(1)神經(jīng)元數(shù)量的測定。模型的輸入神經(jīng)元數(shù)量的確定,通常是以指標體系的指標數(shù)作為神經(jīng)元的數(shù)量。比如如果體系有25個子指標,那么輸入層的神經(jīng)元數(shù)量就定為25。

(2)輸出層中神經(jīng)元數(shù)量的確定。模型的輸出層是混合模型最終的評估結果,可以依據(jù)評估結果來設定模型的輸出層神經(jīng)元數(shù)量。

(3)網(wǎng)絡隱含層數(shù)量的確定。隱含層數(shù)量可以沒有,也可以是一個或多個層。表示的含義分別是:沒有隱藏層表示線性可分離函數(shù)或決策;1個隱含層表示從一個有限空間連續(xù)映射到另一個有限空間;2個隱含層可以使用有理激活函數(shù)將任意決策邊界表示為任意精度,并且可以將任何平滑映射近似到任何精度;2個以上隱藏層可以學習復雜特征。

通常隱含層數(shù)量取決于輸入層,輸出層和輸入樣本的數(shù)量,本文確定隱含層數(shù)量依據(jù)下面的公式。

(1)

其中,n為輸入層大小,m為輸出層,s為樣本量,c為常數(shù)。

(4)隱藏層中神經(jīng)元數(shù)量的測定。

通過網(wǎng)絡的收斂性來判定隱藏層中的神經(jīng)元數(shù)量。隱藏層的神經(jīng)元多少都會帶來性能問題,太少會使得訓練不充分,造成網(wǎng)絡不夠“魯棒”,容錯率降低;相反,神經(jīng)元太多訓練時間長,性能降低,誤差也提高不了多少。因此,神經(jīng)元參數(shù)確定大多采用遺傳算法,或者粒子算法來尋找最優(yōu)的參數(shù),最終得到一個經(jīng)驗公式來確定。以下方程是幾個廣泛使用的經(jīng)驗公式。

s=(0.43mn+0.12m2+2.54n+0.77m+0.35)1/2+0.51

(2)

s=(m+n)1/2+a,a∈[1,10]

(3)

(4)

其中,n為輸入層大小,m為輸出層,s為樣本量,c和a為常數(shù)。

(5)神經(jīng)元轉換函數(shù)。BP神經(jīng)網(wǎng)絡神經(jīng)元轉換函數(shù)種類有很多,比如:Sigmoid函數(shù)、HardSigmoid函數(shù)、Swish函數(shù)、ReLU函數(shù)等。其中Sigmoid函數(shù)表達式如公式(5)所示。

(5)

其中系數(shù)λ表示函數(shù)的壓縮程度。

(6)模型結構及訓練流程。由上述參數(shù)確定后的基于BP神經(jīng)網(wǎng)絡線上線下混合式教學質量評價模型的結構如圖1所示。構建的神經(jīng)網(wǎng)絡訓練流程如圖2所示。

3.2 模型訓練及測試

針對所構建的線上線下混合式教學質量評價模型,需要進行訓練及測試,模型數(shù)據(jù)來源于學校一門課的期末考試及調查問卷,調查對象包括本專業(yè)所有參考學生,調查指標涵蓋模型所有指標,要求學生對所有指標進行評分,總共78份,最終有效數(shù)據(jù)為60份。訓練數(shù)據(jù)和測試數(shù)據(jù)按照2∶1分配,40份作為訓練數(shù)據(jù),20份為測試數(shù)據(jù)。神經(jīng)元數(shù)量參數(shù)設置為 輸入層∶隱含層∶輸出層=38∶12∶1,學習率η=0.90,目標誤差為ε=0.001。

網(wǎng)絡訓練完成后,利用測試數(shù)據(jù)進行測試。將測試模型輸出值與真實值進行比較,比較數(shù)據(jù)如表2所示,真實值和模型輸出值的誤差對比圖如圖3所示。通過誤差分析可以看出,構建的線上線下混合式教學質量評價模型的輸出值與真實值比較接近,誤差在可接受范圍。由此,該模型的評價指標能較為準確地反映教學效果,具有一定的參考價值。

圖1 BP模型評價結構

圖2 訓練流程圖

表2 真實值與模型測試結果

圖3 真實值和模型輸出值圖

該模型在迭代過程中從開始到結束的收斂速度都很快,具有良好的并行效果。在測試組數(shù)據(jù)時,準確率高達82.36%。在BP模型訓練中,相對傳統(tǒng)模型同比增長6.30%,精度明顯更高。由此對比傳統(tǒng)模型,本文的BP神經(jīng)網(wǎng)絡模型提高了線上線下混合式教學質量評價訓練效果,更快的計算時間,更快的收斂速度,提高了準確率,且誤差非常小,完全在可接受的范圍內。

4 結論

經(jīng)過實證研究,該模型的輸出值與真實值之間的誤差在可接受范圍,性能基本可以滿足實際的評價需求。另外,模型的精度取決于訓練樣本的數(shù)量,隨著模型的應用,訓練樣本的增加,精度會逐步提高。總之,基于神經(jīng)網(wǎng)絡構建的線上線下混合教學質量評價模型為教學質量評價和改進方案提供有益的參考。未來,評價模型可以通過引入大數(shù)據(jù)和深度學習來進一步改進。此外,應利用更多的案例來進一步驗證所制定的指標體系和評價模型。