基于ICA和CNN算法在教學質量評價中應用的探析

劉海燕 孫 悅 關曉輝 楊永清 王建元

（東北電力大學 教務處，吉林 吉林 132012）

0 引言

在高校的教學過程中，影響教學質量的因素是變化的，因此，在教學質量評估過程中，要動態(tài)的分析這些影響因素。目前教學質量評估多采用由學生考評的方法，但現(xiàn)行的質量評價系統(tǒng)存在著幾點弊端:1）學生在評分過程中，不同程度的帶有隨意性，不同專業(yè)的學生對于不同課程有傾向性。2）管理部門統(tǒng)計學生的評分時只是簡單的將各項分數(shù)相加，而沒有科學的權重配比。3）被評教的老師只知道總分而不知道自己的薄弱環(huán)節(jié)[1-3]。

本文首先應用獨立成分分析（ICA）算法對數(shù)據進行預處理，消除異常數(shù)據，然后將競爭神經網絡算法應用到評價體系中來，使得評價體系科學的確定權重，更準確的進行評價。

1 教學評價體系設計

一個科學的教學評價應致力于促進教師的全面發(fā)展，充分體現(xiàn)評價的教育功能。教學評價不僅僅是對教師工作狀況的鑒定，更重要的是為促進教師成長和提高教學水平服務，從而最終達到提高學生學業(yè)成績和發(fā)展學生綜合能力的目的[4]。通過教學評價，可以反饋教學信息，及時糾正教學中存在的不足，發(fā)揚和推廣先進教學經驗，使教學的各個環(huán)節(jié)相互適應，從而提高教育質量，全面實現(xiàn)教育管理目標。本體系主要由8個評價指標[5]:教學準備、教學態(tài)度、教學內容、考核方法、教學能力、教學輔導、教學資源、教學方法構成。

2 數(shù)據處理方法

2.1 數(shù)據的預處理

數(shù)據預處理是系統(tǒng)運行的重要一環(huán)。主要目的是為后續(xù)的數(shù)據分析模塊準備數(shù)據。需要根據系統(tǒng)的所采用算法的要求，提前對數(shù)據進行處理。數(shù)據預處理通常主要包括異常數(shù)據處理和特征提取等工作。通過數(shù)據預處理的操作，使數(shù)據集的數(shù)據更為簡潔，更適合于后續(xù)分析[5-6]。

本文采用獨立成分分析（ICA）的方法進行特征數(shù)據的提取。

ICA是最近十年發(fā)展起來的多維信號分解技術，主要處理的對象是非高斯信號，以高階統(tǒng)計知識和信息熵理論為基礎，以隱含變量之間相互獨立為提取原則，進行獨立成分的提取，提高系統(tǒng)的辨識能力[7]。

2.2 競爭神經網絡原理

以往確定各個項目的權值是用優(yōu)序比較法來確定的，所謂的優(yōu)序比較法是利用專家組的經驗作出判斷，對各項評價指標分別排序,并通過各級指標的兩兩比較，從而確定權值。這種固定每項指標權重的做法在某些情況下未必科學，那么如何找出每項指標的合理權重，就成為評價體系設計中的一個很重要的因素。把競爭神經網絡應用到評價體系中來，恰好能夠解決這一問題[8]。

3 結果與討論

將每一項得分滿分設為10分，首先是組織數(shù)據源:本模塊采用B/S模式，學生和專家使用IE瀏覽器的網頁提交打分情況(學生評教數(shù)據、專家評教數(shù)據)，并將數(shù)據存儲在服務器端的SQLServer 2000數(shù)據庫中，為教學評估做準備。利用Visual Basic完成大部分數(shù)據的轉換和清理工作，接著利用ICA算法進行特征提取，將提取后的數(shù)據訓練神經網絡，然后利用訓練好的神經網絡進行教學評價。

3.1 ICA處理結果

將ICA方法應用于處理采集到的學生評教數(shù)據。

經過ICA算法對數(shù)據進行處理后的數(shù)據，帶有明顯的分類信息，使得數(shù)據更為規(guī)范化，可以看出有的評估項目分類信息不明顯，如X1，X4，X6，如果采用這些評估項目會造成后續(xù)工作的繁冗，因此經過綜合考慮，在后續(xù)的神經網絡算法中中我們只采用X2，X3，X5，X7，X8這五個評估項目即:教學態(tài)度，教學內容，教學能力，教學資源，教學方法。從這我們也可以得出其他評估項目教師做的已經比較好了，或從另一個角度來講，學生對這幾項評估內容比較重視。利用ICA算法對學生評估數(shù)據進行預處理可以有效減少異常數(shù)據所帶來的干擾，從而有利于從大量數(shù)據中提取準確有效的特征，為后續(xù)的神經網絡算法分析提供了保障。

3.2 競爭神經網絡識別結果

為使數(shù)據符合訓練過程的函數(shù)運算要求,對所有原始數(shù)據進行歸一化處理,使其落在[0，1]區(qū)間。

采用競爭神經網絡對教學質量評估系統(tǒng)進行辨識。這里將5個評價指標作為神經網絡系統(tǒng)的輸入，把評價目標即教學效果作為系統(tǒng)的輸出，也就是神經網絡有5路輸入信號，1路輸出信號，并設學習率初始值為0.6，初始權值 ，最大允許誤差為0.001[9]。

網絡選取45個樣本進行訓練，在訓練577次達到訓練目標。抽取15個樣本的網絡輸出與專家評教值進行比較，網絡輸出與專家評教之間的差都落在了[-0.001，0.001]之間是符合我們的要求的。然后選取5個未曾訓練過的測試樣本讓網絡進行評估,以檢驗網絡的推理、測試能力。由可見，這5個樣本神經網絡雖然未曾訓練過，但輸入到訓練后的網絡輸出的結果與專家評價結果的差距也落在 [-0.001，0.001]之間，反映出網絡對原始數(shù)據進行了很好的訓練，有較強的推理能力,可以進行科學的評價。

4 結論

本文應用ICA算法可以有效的清理數(shù)據，使數(shù)據整潔有效。再應用CNN算法找到各項指標的權重，對教師的教學質量進行準確評價，建立的網絡模型的輸出值與專家評教值之間的誤差很小，從而表明，ICA算法和CNN算法用于高校教學質量分析評估是有效、合理的?？梢钥茖W、快捷、方便的對教師的教學質量進行評價。

［1］張慎霞.課程教學效果評價還是教師教學水平評價:對改革和完善高校教師教學質量評價的思考[J].現(xiàn)代教育技術，2011，21(3):61-63.

［2］楊德芹.教學質量評價模型及案例分析應用研究[D].武漢:華中師范大學，2008.

［3］仲蘭芬，王文忠.高校教師教學質量多級過程性評價系統(tǒng)模型的設計[J].陰山學刊:自然科學，2011，1:78-80.

［4］徐志偉.關聯(lián)規(guī)則方法在高校課堂教學質量評估體系中的應用研究[D].長春:東北師范大學，2009.

［5］盧晶晶.基于數(shù)據挖掘的教學評價系統(tǒng)[D].南京:河海大學，2007.

［6］郭曉利，郭平，馮力.基于數(shù)據挖掘技術的教學質量分析評價系統(tǒng)的實現(xiàn)[J].東北電力大學學報，2006.Vol.26(3):70-72.

［7］趙立權.ICA算法及其在陣列信號處理中的應用研究[D].哈爾濱:哈爾濱工程大學，2009.

［8］葛勇，王玲.自組織競爭人工神經網絡在顏色選擇中的應用[J].計算機系統(tǒng)應用，2010，1:137-139.

［9］王鐵，張國忠，周淑文.基于競爭神經網絡的ABS路面辨識[J].東北大學學報，2003(6):560-563.