BP神經(jīng)網(wǎng)絡在研究生課堂教學評價中的應用

摘 要：為解決現(xiàn)階段研究生課堂教學監(jiān)測和實施策略上的不足，該文提出一種利用BP神經(jīng)網(wǎng)絡機器學習動態(tài)評價研究生課堂教學質(zhì)量的方法。該方法能夠通過機器學習減少對專家的依賴，從而節(jié)省教學評估所需的人力和物力資源，確保課堂教學評價的準確性和穩(wěn)定性。該文詳細闡述BP神經(jīng)網(wǎng)絡在研究生課堂教學質(zhì)量評價中的實踐措施，包括評價指標體系構(gòu)建、數(shù)據(jù)采集與處理、BP神經(jīng)網(wǎng)絡模型設計與優(yōu)化、實際應用與評估和持續(xù)改進與推廣。該文實現(xiàn)教學監(jiān)測與神經(jīng)網(wǎng)絡領(lǐng)域的跨學科融合，為研究生教育質(zhì)量監(jiān)測改革帶來新的思路和方法。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡；教學監(jiān)測；課堂教學；研究生教育；教學方法

中圖分類號：G642 文獻標志碼：A 文章編號：2096-000X（2024）35-0086-04

Abstract： To address the current shortcomings in monitoring and implementing strategies for graduate classroom teaching， this paper proposes a method using BP neural network machine learning to dynamically evaluate the quality of graduate classroom teaching. The BP neural network method can reduce dependence on experts through learning， thereby saving human and material resources required for teaching evaluation， while ensuring the accuracy and stability of classroom teaching evaluation. This paper elaborates the practical measures of using the BP neural network in evaluating the quality of postgraduate classroom teaching， including the construction of an evaluation index system， data collection and processing， BP neural network model design and optimization， pratl8FnfzwXd712EMD/TlRiJ6ojw7mVavVyTaxfUhUAOQ=ctical application and assessment， and continuous improvement and promotion. This study achieves interdisciplinary integration between teaching monitoring and the field of neural networks， bringing new ideas and methods for the reform of graduate education quality monitoring.

Keywords： BP neural network; teaching monitoring; classroom teaching; graduate education; teaching method

盡管研究生階段學生的學習自主性有所提升，但課堂教學在教育活動中的中心地位仍未改變。在現(xiàn)代高等教育背景下，課堂教學評價被視為提升研究生教學水準的關(guān)鍵環(huán)節(jié)和制度化的重要組成部分，它不僅僅是一種評價工具，更體現(xiàn)了某種價值判斷。然而，當前我s3OJBra7Je+UiMjFA6I07RE3AuWWfp910VrDeEQxQAY=國高校在研究生課堂教學的監(jiān)測與實施策略上存在諸多不足，這些問題在多項研究文獻中均有所涉及。其中包括評價方法的單調(diào)性、評價主體設計的不合理性、評價指標的權(quán)重分配不夠科學以及評價反饋的滯后性等問題。在現(xiàn)實中，由于人員變動、退休等原因，專家?guī)煜到y(tǒng)的變動會導致各評價指標的權(quán)重因?qū)＜覀€人喜好而有所變動，從而影響評價的客觀性和一致性。為了避免這種情況，需要對教學評價人員進行系統(tǒng)的專業(yè)培訓和資格認證，但這一過程既繁瑣又成本高昂。隨著研究生課堂教學相關(guān)大數(shù)據(jù)的獲取成本逐漸降低，如何利用基于動態(tài)反饋的課堂教學數(shù)據(jù)開發(fā)具有結(jié)構(gòu)化學習能力的課堂教學監(jiān)測模型已成為理論和實踐領(lǐng)域都亟需解決的問題。

本文提出一種結(jié)合專家評分和神經(jīng)網(wǎng)絡機器學習的方法，以動態(tài)評價課堂教學質(zhì)量。利用神經(jīng)網(wǎng)絡模型進行課堂教學評價，克服了傳統(tǒng)課堂教學評價中評價方法單一、評價主體設置不合理、評價結(jié)果的反饋時滯長等問題，推動課堂教學監(jiān)測向科學化方向發(fā)展。此外，采用神經(jīng)網(wǎng)絡模型對課堂教學進行監(jiān)測，能夠充分汲取專家的經(jīng)驗與智慧。在模型推廣使用后，它將不再依賴專家的現(xiàn)場打分，進而消除了因?qū)＜覀€人偏好差異引發(fā)的群體決策不一致和不連續(xù)的問題，顯著提升教學質(zhì)量評價的客觀公平。

一 相關(guān)研究進展

開展教學質(zhì)量評價的關(guān)鍵是確立評價體系[1]。美國TEAM核心教學評價包括教學設計與計劃、教學環(huán)境與教學過程一級指標，這些指標既有定量的也有定性的。哈佛大學的通識課教學質(zhì)量評價指標涉及課程內(nèi)容、學生發(fā)展、互動、組織、效果和閱讀等方面。上述有代表性的研究概括出了美國當前對教學質(zhì)量評價的維度。國內(nèi)較有代表性的研究不多。邱文教提出教、學、督導評的三位一體課堂教學評價體系。朱德全等[2]提出課堂教學評價體系包括矢量、定位、理念、條件、運行和輸出子系統(tǒng)。任超等[3]提出研究生教育質(zhì)量指數(shù)構(gòu)建方法，采用核心要素、指標體系、數(shù)據(jù)采集處理、指標權(quán)重、計算檢驗和分析應用的基本方法。除了上述傳統(tǒng)的教學評價模式，學者開始討論新的技術(shù)融入教學質(zhì)量評價中來。劉長紅等[4]提出一種人工智能賦能研究生課堂教學評價的新模式，新模式下的測評包括三個維度；在教師維度，設置語言清晰度、語言特征、表情、行動軌跡和教學動作等評價內(nèi)容；在學生維度，設置學生到課率、抬頭率、表情分布、專注度、動作分布和發(fā)言頻率等評價內(nèi)容；在場景維度，設置語音嘈雜度、師生話語量、互動頻率和學生座位等評價內(nèi)容。何敬民[5]和隋欣[6]基于雨課堂混合式教學模式的數(shù)據(jù)，構(gòu)建教學質(zhì)量評價體系。李馨[7]提出了翻轉(zhuǎn)課堂教學評價基本原則，從課前學習材料、教學活動、學習支撐確定指標內(nèi)容。黃文登等[8]在深度學習視角下設計了智慧課堂教學評價指標體系。

在教學質(zhì)量評價方面，一部分學者專注于改進教學質(zhì)量評價方法。劉文彬等[9]提出一種基于學生學習行為數(shù)據(jù)的在線可成教學質(zhì)量評價方法。胡帥等[10-11]提出了基于主成分分析和學習矢量量化神經(jīng)網(wǎng)絡相結(jié)合的教學質(zhì)量評價模型，以及利用SOFM神經(jīng)網(wǎng)絡進行口語課堂教學質(zhì)量評價的方法，這兩種方法都取得了不錯的課堂教學質(zhì)量監(jiān)測效果。張敏[12]通過齊次Markov鏈分析方法，發(fā)現(xiàn)了學生在探究式教學模式后的學業(yè)成績有了明顯的提高。喻朝陽[13]提出了一種結(jié)合層次分析法、主成分分析和支持向量機的高數(shù)教學質(zhì)量評價模型AHP-PCA-SVM，該方法對教學質(zhì)量的評估精度和效率有顯著的提升作用。

由文獻可知，教學質(zhì)量評價指標體系因為不同學科、專業(yè)有所差異，不能用一套固有指標體系開展不同專業(yè)類型課程的教學質(zhì)量測評。為此，需要構(gòu)建具有本學科特色的教學質(zhì)量測評指標體系。此外，學者也關(guān)注評價方法的科學性和合理性，涌現(xiàn)了交叉學科的評價方法。眾多種類的評價方法各有千秋，但評價方法的核心是確定各指標的權(quán)重。神經(jīng)網(wǎng)絡評價法的優(yōu)勢是降低專家偏好導致群體決策結(jié)果難以達成的風險，能夠很好避免專家傾向不同導致群決策缺乏一致性和連續(xù)性的缺點，而這些問題在管理學教學質(zhì)量評價中常被忽視。

二 BP神經(jīng)網(wǎng)絡在研究生課堂教學質(zhì)量監(jiān)測中的應用

（一） BP神經(jīng)網(wǎng)絡及其原理

人工神經(jīng)網(wǎng)絡是一種模擬生物神經(jīng)系統(tǒng)功能的計算模型。它由大量相互連接的人工神經(jīng)元（也稱為節(jié)點或單元）組成，這些節(jié)點通過連接權(quán)重進行信息傳遞和處理。人工神經(jīng)網(wǎng)絡可以有各種不同的結(jié)構(gòu)和類型，例如前饋神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等。BP（Back Propagation）神經(jīng)網(wǎng)絡，即反向傳播神經(jīng)網(wǎng)絡，是一種具體的前饋神經(jīng)網(wǎng)絡。該算法通過反向傳播誤差來更新網(wǎng)絡的權(quán)重和偏置，從而提升網(wǎng)絡的性能和準確度。BP神經(jīng)網(wǎng)絡主要特征包括以下幾點：第一，它由輸入層、隱藏層和輸出層組成，其中隱藏層可以有多層。各層中的神經(jīng)元通過加權(quán)連接接收輸入并傳遞輸出。第二，BP神經(jīng)網(wǎng)絡使用反向傳播算法進行學習，通過計算預測輸出與實際輸出之間的誤差，并將該誤差反向傳播以調(diào)整權(quán)重，從而最小化誤差。第三，激活函數(shù)被用于引入非線性，使網(wǎng)絡能夠?qū)W習復雜的模式。BP神經(jīng)網(wǎng)絡以其良好的學習能力和泛化能力，廣泛應用于模式識別、分類、回歸等領(lǐng)域。

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，其基本原理如下：它由輸入層、隱藏層和輸出層組成。網(wǎng)絡運行分為前向傳播和反向傳播兩個階段。在前向傳播階段，輸入層的每個神經(jīng)元接收輸入數(shù)據(jù)并將其傳遞給第一個隱藏層。每個隱藏層神經(jīng)元接收的是前一層所有神經(jīng)元輸出的加權(quán)和，再加上一個偏置項，經(jīng)過激活函數(shù)的非線性變換后，得到該神經(jīng)元的輸出。這一過程層層遞進，直至輸出層生成最終結(jié)果。反向傳播階段則是為了優(yōu)化網(wǎng)絡參數(shù)，使其輸出更接近目標值。首先，根據(jù)網(wǎng)絡輸出和實際目標值計算誤差。然后，誤差通過反向傳播算法從輸出層逐層向前傳播，調(diào)整各層之間的權(quán)重和偏置項，以最小化誤差。具體來說，通過鏈式法則，計算出誤差對每個權(quán)重的偏導數(shù)（梯度），并更新權(quán)重值，使得誤差在每次迭代中逐步減少。梯度下降法的變種，如隨機梯度下降、動量法、Adam優(yōu)化算法等，常用于提高訓練效率和穩(wěn)定性。

綜上，BP神經(jīng)網(wǎng)絡通過前向傳播計算輸出，通過反向傳播調(diào)整權(quán)重，從而不斷學習和優(yōu)化模型，使其對輸入數(shù)據(jù)進行準確的分類或預測。在應用中，可以采用BP神經(jīng)網(wǎng)絡算法程序更新傳統(tǒng)的AHP教學質(zhì)量評價指標權(quán)重的方法，利用驗證集法將評價樣本分為訓練集和測試集，計算神經(jīng)網(wǎng)絡統(tǒng)計數(shù)據(jù)的預測誤差，經(jīng)過模型調(diào)試權(quán)重直到得到穩(wěn)定的神經(jīng)網(wǎng)絡。

（二） 應用BP神經(jīng)網(wǎng)絡監(jiān)測課堂教學質(zhì)量的思路

引入BP神經(jīng)網(wǎng)絡技術(shù)對研究生課堂教學過程進行監(jiān)測和分析，根據(jù)測評結(jié)果反饋，改進教學方法和內(nèi)容以提高教學質(zhì)量。首先，按照課程性質(zhì)來制定科學、合理的教學質(zhì)量評估指標。形成針對研究生課程性質(zhì)的個性化指標評估體系。這需要根據(jù)專業(yè)培養(yǎng)方案的要求，借鑒文獻中的評價指標，從教學管理部門、教師和研究生維度開發(fā)兼顧課程特點的課堂教學監(jiān)測指標體系。其次，利用數(shù)據(jù)采集系統(tǒng)收集研究生課堂教學相關(guān)數(shù)據(jù)。數(shù)字化教室具有實時錄像和錄音功能，借助系統(tǒng)進行課堂數(shù)據(jù)采集，這些數(shù)據(jù)涉及學生及教師參與度、神態(tài)、課堂互動、教學動作程度和話語量等?；谛略u價指標體系采集數(shù)據(jù)以便后續(xù)進行處理和分析。最后，將原先指標同等權(quán)重或依靠專家打分法確定指標權(quán)重的監(jiān)測的方法，調(diào)整為依靠BP神經(jīng)網(wǎng)絡法的監(jiān)測方法。根據(jù)課堂教學神經(jīng)網(wǎng)絡評價實測，檢驗訓練后的神經(jīng)網(wǎng)絡評價模型的效果。在形成成熟神經(jīng)網(wǎng)絡評價模型后，利用BP神經(jīng)網(wǎng)絡檢測法及時對試點課堂教學質(zhì)量進行反饋，并根據(jù)反饋結(jié)果改進教學方法和內(nèi)容。

（三） BP神經(jīng)網(wǎng)絡在課堂教學質(zhì)量監(jiān)測中的實踐措施

實施方案設計需要充分考慮評價指標體系構(gòu)建、數(shù)據(jù)采集與預處理、BP神經(jīng)網(wǎng)絡模型設計與調(diào)優(yōu)、實際應用與評估和持續(xù)改進與推廣。BP神經(jīng)網(wǎng)絡在課堂教學質(zhì)量監(jiān)測中的實踐措施如圖1所示。

1 評價指標體系構(gòu)建

深入剖析當前研究生課堂教學中存在的普遍問題和瓶頸，其重點在于識別當前課堂教學中存在的具體問題。接著，制定科學、合理的教學質(zhì)量評估指標，涵蓋多種維度，如教學計劃、教學手段、教學態(tài)度、教學內(nèi)容、教學過程、教學效果、學生反饋和教學藝術(shù)等。評價指標體系的構(gòu)建應結(jié)合教學管理部門、專業(yè)教師和研究生三方面的需求與反饋和確保其全面性與適用性。對于不同課程性質(zhì)，還應根據(jù)專業(yè)培養(yǎng)方案的要求，借鑒現(xiàn)有文獻中的評價指標，細化并完善相應類別研究生課程的評價指標體系，以確保其針對性和有效性。

2 數(shù)據(jù)采集與處理

數(shù)據(jù)采集與處理是評估教學質(zhì)量的核心環(huán)節(jié)。在確定需要監(jiān)測的教學質(zhì)量指標后，設計有效的數(shù)據(jù)采集手段成為關(guān)鍵。新技術(shù)手段的應用使得數(shù)據(jù)采集過程更加全面和精準。例如，通過視頻錄制軟件，可以詳細記錄課堂教學的每一個環(huán)節(jié)，這不僅提供了教師授課的直觀資料，也為后續(xù)的分析奠定了基礎(chǔ)。此外，課堂觀察方法依然是不可或缺的，它能從人類觀察者的角度捕捉到機器難以察覺的細節(jié)。而如iMotions軟件的面部識別技術(shù)和情感AI則為情緒和反應的分析提供了強大的支持，這些技術(shù)能夠?qū)崟r分析學生的面部表情，判斷他們的情緒狀態(tài)，從而為教學反饋提供即時數(shù)據(jù)。Classroom平臺通過視頻分析，能精確監(jiān)測學生的參與度、專注度等行為指標，確保采集數(shù)據(jù)的全面性和準確性。完成數(shù)據(jù)采集后，需要進行數(shù)據(jù)預處理。這包括清洗數(shù)據(jù)以去除噪聲和無效信息，確保數(shù)據(jù)準確可靠，以及從原始數(shù)據(jù)中提取對模型訓練有用的關(guān)鍵特征。這些特征可以是學生的面部表情變化、課堂互動次數(shù)、回答問題的頻率等。通過這些處理步驟，最終獲得的數(shù)據(jù)將更加適用于教學質(zhì)量評估模型的訓練和優(yōu)化，確保評估結(jié)果的科學性和實用性。數(shù)據(jù)預處理不僅提高了數(shù)據(jù)質(zhì)量，也為后續(xù)的分析和模型構(gòu)建提供了堅實的基礎(chǔ)，最終提升整體教學質(zhì)量監(jiān)測的有效性。

3 BP神經(jīng)網(wǎng)絡模型設計與優(yōu)化

在數(shù)據(jù)采集與處理的基礎(chǔ)上，進入到BP神經(jīng)網(wǎng)絡模型的設計與優(yōu)化階段。構(gòu)建BP神經(jīng)網(wǎng)絡教學質(zhì)量評價模型需要經(jīng)過仿真預測和反復調(diào)試，使得神經(jīng)網(wǎng)絡達到穩(wěn)定狀態(tài)。首先，根據(jù)教學質(zhì)量監(jiān)測的具體需求，確定BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)設計，包括輸入層、隱藏層和輸出層的節(jié)點數(shù)量，激活函數(shù)的選擇等。輸入層的節(jié)點數(shù)量應與采集到的教學質(zhì)量指標特征數(shù)據(jù)相對應，隱藏層的節(jié)點數(shù)量和層數(shù)則需通過實驗進行調(diào)整，以平衡模型的復雜度和訓練效率。輸出層的節(jié)點數(shù)量則取決于具體的教學質(zhì)量評價結(jié)果維度。為了提高模型的準確性和穩(wěn)定性，需要設計合適的損失函數(shù)和優(yōu)化算法。接下來，利用歷史課堂教學質(zhì)量評價數(shù)據(jù)對BP神經(jīng)網(wǎng)絡模型進行訓練，通過不斷調(diào)整模型參數(shù)進行調(diào)優(yōu)，以提高模型的泛化能力和適應性。

4 實際應用與評估

在完成BP神經(jīng)網(wǎng)絡模型的設計與優(yōu)化后，開始在實際研究生課堂中應用該模型。具體來說，將優(yōu)化后的BP神經(jīng)網(wǎng)絡模型嵌入到課堂教學質(zhì)量監(jiān)測系統(tǒng)中，實時監(jiān)測教學過程中的各項質(zhì)量指標。例如，通過實時視頻分析監(jiān)測學生的參與度、理解度等指標，并在課后生成詳細的教學質(zhì)量報告，為教師和教學管理人員提供即時的反饋。這種實時監(jiān)測和反饋機制，不僅能夠幫助教師及時調(diào)整教學策略，提高教學效果，還能夠為教學管理部門提供科學的決策依據(jù)。為了評估BP神經(jīng)網(wǎng)絡模型的實際應用效果，可以通過對比模型預測結(jié)果與實際教學效果，分析模型的準確性和實用性。例如，采用實際課堂教學效果評估數(shù)據(jù)對模型預測結(jié)果進行驗證，計算模型的準確率指標。通過這些評估手段，為后續(xù)的模型改進和推廣提供依據(jù)。

5 持續(xù)改進與推廣

根據(jù)評估結(jié)果和多方評價者的反饋，分析模型在實際應用中存在的問題和不足，進行針對性的改進。例如，調(diào)整模型參數(shù)、優(yōu)化數(shù)據(jù)處理流程、完善評價指標體系等，以提高模型的準確性和適應性。同時，根據(jù)不斷變化的教學環(huán)境和需求，及時更新和升級監(jiān)測系統(tǒng)，以保持其先進性和實用性。在此過程中，還可以開展多樣化的培訓和交流活動，幫助教師和教學管理人員掌握和應用該系統(tǒng)，充分發(fā)揮其在教學質(zhì)量監(jiān)測中的作用。最后，將項目經(jīng)驗推廣到更廣泛的研究生課堂教學領(lǐng)域，通過學術(shù)交流、經(jīng)驗分享等方式，促進教學質(zhì)量監(jiān)測改革的全面推進，為提高研究生教育質(zhì)量作出積極貢獻。通過這些持續(xù)的改進和推廣措施，確保BP神經(jīng)網(wǎng)絡在課堂教學質(zhì)量監(jiān)測中的應用取得長遠的成效。

上述是BP神經(jīng)網(wǎng)絡在課堂教學質(zhì)量監(jiān)測中的實踐措施，在具體實施過程中仍需要根據(jù)實際情況進行進一步細化和調(diào)整。

三 結(jié)束語

BP神經(jīng)網(wǎng)絡模型不僅有助于提高教學質(zhì)量評價的準確性和穩(wěn)定性，還能減少對專家的依賴，節(jié)省資源。論文從評價指標體系構(gòu)建、數(shù)據(jù)采集與處理、模型設計與優(yōu)化、實際應用與評估及持續(xù)改進與推廣五個方面詳細探討了BP神經(jīng)網(wǎng)絡在課堂教學質(zhì)量監(jiān)測中的應用方法和步驟?；贐P神經(jīng)網(wǎng)絡的實時的監(jiān)測和反饋機制可為高校教師提供及時的教學改進建議，以促進研究生課堂教學質(zhì)量的不斷提升。論文為研究生教育質(zhì)量監(jiān)測提供了新的思路和方法，期望能夠推動研究生課堂教學評價的科學化和現(xiàn)代化發(fā)展。

參考文獻：

[1] 周寅，汪霞.診斷與改進：哈佛大學通識課程教學質(zhì)量的監(jiān)控和評價研究[J].全球教育展望，2017，46（9）：118-128.

[2] 朱德全，李鵬.課堂教學有效性論綱[J].教育研究，2015，36（10）：90-97.

[3] 任超，黃海軍，王宇，等.研究生教育質(zhì)量指數(shù)構(gòu)建模式與方法研究[J].高等教育研究，2019，40（10）：59-64.

[4] 劉長紅，揭安全，胡珍新，等.人工智能賦能研究生課堂教學質(zhì)量評價新模式[J].軟件導刊，2024，23（8）：204-208.

[5] 何敬民.基于雨課堂混合式教學模式的工程數(shù)學教學質(zhì)量評價研究[J].高教學刊，2024，10（11）：72-75.

[6] 隋欣.基于雨課堂的高職院校信息化教學評價體系探究[J].黑龍江科學，2020，11（5）：52-53.

[7] 李馨.翻轉(zhuǎn)課堂的教學質(zhì)量評價體系研究——借鑒CDIO教學模式評價標準[J].電化教育研究，2015，36（3）：96-100.

[8] 黃文登，張小云，王咪咪，等.深度學習視角下大學物理智慧課堂教學質(zhì)量評價體系設計研究[J].高教學刊，2023，9（29）：25-28，33.

[9] 劉文彬，楊波，屈喜龍.基于學習行為數(shù)據(jù)的在線課程教學質(zhì)量精準評價方法[J].湖南工程學院學報（自然科學版），2022，32（3）：49-55.

[10] 胡帥，顧艷，曲巍巍.基于PCA-LVQ神經(jīng)網(wǎng)絡的教學質(zhì)量評價模型研究[J].河南科學，2015，33（7）：1247-1252.

[11] 胡帥，顧艷，曲巍巍.基于SOFM神經(jīng)網(wǎng)絡的口語教學質(zhì)量評價模型研究[J].信息技術(shù)，2016（1）：100-103.

[12] 張敏.齊次Markov鏈在高等數(shù)學教學質(zhì)量的評價中的應用[J].數(shù)理醫(yī)藥學雜志，2013，26（4）：495-497.

[13] 喻朝陽.AHP-PCA-SVM的高等數(shù)學教學質(zhì)量評價[J].科技通報，2013，29（10）：229-231.