摘 ?要: 高校教學(xué)督導(dǎo)工作作為逐步建立和完善教學(xué)質(zhì)量保障體系、保證教學(xué)過(guò)程規(guī)范進(jìn)行、提高教學(xué)質(zhì)量的堅(jiān)實(shí)后盾,在加強(qiáng)教學(xué)環(huán)節(jié)管理過(guò)程中起著重要的作用。為了改善課堂教學(xué)質(zhì)量的客觀、科學(xué)、合理性,本文針對(duì)高校教學(xué)督導(dǎo)組在教師課堂教學(xué)過(guò)程中的評(píng)價(jià)問(wèn)題,提出了一種基于極限學(xué)習(xí)機(jī)(ELM)的課堂教學(xué)評(píng)價(jià)模型。該模型在訓(xùn)練過(guò)程中無(wú)需調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,只需要設(shè)置隱層神經(jīng)元個(gè)數(shù)獲得最優(yōu)解。以重慶某高校為例,通過(guò)MATLAB平臺(tái)仿真,結(jié)果表明該模型不僅克服了BP神經(jīng)網(wǎng)絡(luò)模型容易陷入局部極小的缺陷,而且抑制了教學(xué)督導(dǎo)評(píng)價(jià)的主觀因素,提高了評(píng)價(jià)準(zhǔn)確度。
關(guān)鍵詞: 教學(xué)督導(dǎo);課堂教學(xué);極限學(xué)習(xí)機(jī);評(píng)價(jià)模型
中圖分類號(hào): TP389.1 ? ?文獻(xiàn)標(biāo)識(shí)碼: A ? ?DOI:10.3969/j.issn.1003-6970.2020.06.008
本文著錄格式:唐立力. 基于ELM的高校課堂教學(xué)評(píng)價(jià)模型研究[J]. 軟件,2020,41(06):3538
【Abstract】: Teaching supervision plays an important role in the process of strengthening the management of teaching links as a solid backing to gradually establish and improve the teaching quality assurance system, ensure the standardized teaching process and improve the teaching quality. In order to improve the objective, scientific and reasonable quality of classroom teaching, this paper puts forward an evaluation model of classroom teaching based on ELM, aiming at the evaluation of teaching supervision group in the process of classroom teaching. In the process of training, it is not necessary to adjust the weight and threshold of neural network, but only to set the number of hidden neurons to get the optimal solution. Taking a university in Chongqing as an example, the result of MATLAB platform simulation shows that the model not only overcomes the defect of BP neural network model easily falling into local minimum, but also restrains the subjective factors of teaching supervision evaluation and improves the evaluation accuracy.
【Key words】: Teaching supervision; Classroom teaching; Extreme learning machine; Evaluation model
0 ?引言
國(guó)務(wù)院于2012年10月1日實(shí)施了《教育督導(dǎo)暫行規(guī)定》,明確將教育教學(xué)水平、教育教學(xué)管理等教育教學(xué)工作情況納入教育督導(dǎo)工作范圍,為高校建立和完善教學(xué)質(zhì)量保障與監(jiān)控體系提供了重要依據(jù)。教學(xué)督導(dǎo)在當(dāng)今倡導(dǎo)的“以學(xué)生為中心、以輸出為導(dǎo)向、持續(xù)改進(jìn)”的教育理念中扮演著重要角色,教師課堂教學(xué)質(zhì)量的評(píng)價(jià)是學(xué)校教學(xué)管理的一項(xiàng)重要內(nèi)容,是高校教學(xué)質(zhì)量保障體系的重要組成部分,所以提高課堂教學(xué)質(zhì)量顯得非常重要。目前,高校教師課堂教學(xué)的評(píng)價(jià)主要由教學(xué)督導(dǎo)工作組[1]完成,督導(dǎo)評(píng)教結(jié)果也成為了衡量和提升教學(xué)質(zhì)量的核心內(nèi)容。由于教學(xué)督導(dǎo)工作組在評(píng)價(jià)教師課堂教學(xué)情況時(shí)難免會(huì)產(chǎn)生主觀性,許多學(xué)者研究了一些量化評(píng)價(jià)模型來(lái)克服這個(gè)問(wèn)題。比如統(tǒng)計(jì)評(píng)價(jià)模型:層次分析模型[2]、KANO模型[3]、主成分分析模型[4]、灰色模型[5],統(tǒng)計(jì)評(píng)價(jià)模型能過(guò)模擬線性關(guān)系,對(duì)象為非線性關(guān)系時(shí)評(píng)價(jià)準(zhǔn)確度不高。神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性逼近能力,在課堂教學(xué)評(píng)價(jià)中應(yīng)用廣泛。比如,鄭永等[6]利用BP神經(jīng)網(wǎng)絡(luò)模型來(lái)評(píng)價(jià)教師教學(xué)質(zhì)量,但是BP模型的初始權(quán)值和閾值無(wú)法準(zhǔn)確獲得,導(dǎo)致網(wǎng)絡(luò)陷入局部極小問(wèn)題,診斷精度降低。于是出現(xiàn)了一些BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化評(píng)價(jià)模型,比如,劉忠寶等[7]利用粒子群算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)完成教學(xué)質(zhì)量的評(píng)價(jià),李燕燕等[8]利用蜻蜓算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)完成教學(xué)質(zhì)量評(píng)價(jià)。
本文為高校教學(xué)督導(dǎo)工作組設(shè)計(jì)了一種課堂教學(xué)的ELM評(píng)價(jià)模型,以重慶某高校實(shí)際情況為例,通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該模型的有效性。和傳統(tǒng)BP網(wǎng)絡(luò)評(píng)價(jià)模型相比,ELM評(píng)價(jià)模型訓(xùn)練前只需要設(shè)置神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù),克服了神經(jīng)網(wǎng)絡(luò)的
評(píng)價(jià)效果受初始權(quán)值和閾值影響、網(wǎng)絡(luò)容易陷入局部極小點(diǎn)問(wèn)題,抑制了教學(xué)督導(dǎo)工作組評(píng)價(jià)中可能出現(xiàn)的主觀因素,提高了評(píng)價(jià)準(zhǔn)確度。為高校教學(xué)督導(dǎo)工作組提供了一種評(píng)價(jià)參考方法。
1 ?教師課堂教學(xué)評(píng)價(jià)指標(biāo)體系
以重慶某高校為例,學(xué)校教學(xué)督導(dǎo)工作組從評(píng)教和評(píng)學(xué)兩個(gè)維度構(gòu)建了課堂教學(xué)綜合評(píng)價(jià)指標(biāo)體系,分解為教師授課和學(xué)生學(xué)習(xí)兩個(gè)一級(jí)評(píng)價(jià)指標(biāo)。教師授課方面分解為10個(gè)二級(jí)評(píng)價(jià)指標(biāo)、學(xué)生學(xué)習(xí)方面分解為5個(gè)二級(jí)評(píng)價(jià)指標(biāo)。各指標(biāo)相互聯(lián)系、相互影響,全面反映了教師教學(xué)過(guò)程和學(xué)生學(xué)習(xí)過(guò)程的效果。具體評(píng)價(jià)指標(biāo)及分值見(jiàn)表1。
2.2 ?ELM評(píng)價(jià)模型建立
2.2.1 ?獲取樣本數(shù)據(jù)
以重慶某高校實(shí)評(píng)數(shù)據(jù)為例,學(xué)校教學(xué)督導(dǎo)工作組根據(jù)表1的評(píng)價(jià)指標(biāo)于2019-2020學(xué)年第一學(xué)期組織了10名教學(xué)督導(dǎo)專家,通過(guò)現(xiàn)場(chǎng)聽(tīng)課方式對(duì)《線性代數(shù)》課程進(jìn)行了現(xiàn)場(chǎng)打分評(píng)價(jià),評(píng)價(jià)過(guò)程分為二級(jí)指標(biāo)的專家獨(dú)立評(píng)價(jià)和專家聯(lián)合評(píng)價(jià)兩個(gè)步驟,其中專家聯(lián)合評(píng)價(jià)的結(jié)果就是該項(xiàng)指標(biāo)的總評(píng)結(jié)果,分為:優(yōu)秀、良好、中等、合格四個(gè)等級(jí)。獨(dú)立評(píng)價(jià)結(jié)果和聯(lián)合評(píng)價(jià)結(jié)果之間具有較強(qiáng)的非線性關(guān)系,為了便于ELM訓(xùn)練和測(cè)試,對(duì)二級(jí)指標(biāo)評(píng)價(jià)結(jié)果原始數(shù)據(jù)進(jìn)行歸一化處理,對(duì)總評(píng)結(jié)果編碼:優(yōu)秀-1、良好-2、中等-3、合格-4,得到樣本數(shù)據(jù)如表2所示。
督導(dǎo)專家對(duì)講授《線性代數(shù)》課程的第一位教師的15個(gè)二級(jí)指標(biāo)進(jìn)行了評(píng)價(jià),即表2中的I1-I15,將評(píng)價(jià)結(jié)果作為訓(xùn)練樣本。隨后,督導(dǎo)專家對(duì)講授該課程的第二位教師隨機(jī)選取了4個(gè)二級(jí)指標(biāo)進(jìn)行評(píng)價(jià),即表2中的I*7、I*9、I*12、I*15,將評(píng)價(jià)結(jié)果作為測(cè)試樣本。
2.2.2 ?創(chuàng)建ELM評(píng)價(jià)模型
ELM模型為單隱層前饋神經(jīng)網(wǎng)絡(luò),根據(jù)表2樣本數(shù)據(jù),將網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)設(shè)置為10,對(duì)應(yīng)10名專家獨(dú)立評(píng)價(jià)結(jié)果,將其作為網(wǎng)絡(luò)判別因素。隱層神經(jīng)元個(gè)數(shù)設(shè)置為訓(xùn)練樣本個(gè)數(shù),這樣可以提高訓(xùn)練精度[9],故隱層神經(jīng)元個(gè)數(shù)設(shè)置為15。網(wǎng)絡(luò)輸出對(duì)應(yīng)總評(píng)結(jié)果,因?yàn)榭傇u(píng)結(jié)果為單值,故輸出層神經(jīng)元個(gè)數(shù)設(shè)置為1。創(chuàng)建的ELM模型結(jié)構(gòu)就為10-15-1型網(wǎng)絡(luò)。課堂教學(xué)的ELM評(píng)價(jià)流程如圖1所示。
3 ?仿真與分析
本文以表2的樣本數(shù)據(jù)為例,隱層神經(jīng)元的傳遞函數(shù)選為S型函數(shù)Sigmoid,利用函數(shù)elmtrain()來(lái)訓(xùn)練ELM,elmpredict()函數(shù)進(jìn)行ELM的仿真測(cè)試,性能函數(shù)選為mse(均方誤差),ELM的應(yīng)用類型設(shè)置為0,表示回歸、擬合問(wèn)題。通過(guò)MATLAB R2016a軟件平臺(tái)進(jìn)行仿真,得到ELM課堂教學(xué)評(píng)價(jià)結(jié)果如表3所示,其中,測(cè)試樣本評(píng)價(jià)結(jié)果對(duì)比如圖2所示。
從評(píng)價(jià)結(jié)果可以看出,ELM對(duì)測(cè)試樣本的評(píng)價(jià)正確率為100%,表明其擬合性能較好。為了對(duì)比ELM的性能,同時(shí)采用BP神經(jīng)網(wǎng)絡(luò)對(duì)表2的樣本數(shù)據(jù)進(jìn)行仿真,得到ELM和BP網(wǎng)絡(luò)的均方誤差對(duì)比如表4所示。
從表4可以看出,ELM網(wǎng)絡(luò)的訓(xùn)練和測(cè)試誤差均小于BP網(wǎng)絡(luò),評(píng)價(jià)精度有所提高。
4 ?結(jié)束語(yǔ)
本文提出了一種基于極限學(xué)習(xí)機(jī)的高校課堂教學(xué)評(píng)價(jià)模型,將該模型應(yīng)用于教學(xué)督導(dǎo)工作組的實(shí)際評(píng)價(jià)中,獲得了很好的評(píng)價(jià)效果,并和常規(guī)的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型相比較,ELM評(píng)價(jià)模型訓(xùn)練時(shí)需要設(shè)置的網(wǎng)絡(luò)參數(shù)較少,克服了常規(guī)BP網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值問(wèn)題,抑制了教學(xué)督導(dǎo)工作組容易出現(xiàn)的評(píng)價(jià)主觀性,提高了評(píng)價(jià)準(zhǔn)確度。為高校教學(xué)督導(dǎo)工作組在課堂教學(xué)以外的督導(dǎo)項(xiàng)目提供了一種參考方法。
參考文獻(xiàn)
[1] 王莉芬, ?楊勇, 朱惠延. ?地方高校教學(xué)督導(dǎo)助推青年教師教學(xué)能力提升的對(duì)策思考[J]. 高教論壇, 2019(11): ?33-36.
[2] 刁光成. 基于層次分析法構(gòu)建高校教學(xué)質(zhì)量評(píng)價(jià)模型[J]. 開(kāi)封教育學(xué)院學(xué)報(bào), 2017, 37(12): 140-141.
[3] 任麗平, 侯建成, 鄭中華. 卡諾模型在高校課堂教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用研究[J]. 衛(wèi)生職業(yè)教育, 2018, 36(16): 68-70.
[4] 汪學(xué)榮, 周玲, 章杰. 基于主成分分析法的教學(xué)質(zhì)量評(píng)價(jià)模型的構(gòu)建[J]. 中國(guó)輕工教育, 2017(1): 44-46.
[5] 趙桂蘭, 孫凍. 基于灰色聚類分析的教師課堂教學(xué)質(zhì)量評(píng)價(jià)[J]. 蘭州石化職業(yè)技術(shù)學(xué)院學(xué)報(bào), 2019, 19(3): 58-61.
[6] 鄭永, 陳艷. 基于BP神經(jīng)網(wǎng)絡(luò)的高校教師教學(xué)質(zhì)量評(píng)價(jià)模型[J]. 重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)), 2015, 29(1): 85-90.
[7] 劉忠寶, 馬巧梅, 楊秋翔. 基于PSO神經(jīng)網(wǎng)絡(luò)的高校教學(xué)質(zhì)量評(píng)價(jià)方法[J]. 計(jì)算機(jī)與網(wǎng)絡(luò), 2015(5): 52-54.
[8] 王小川, 史峰, 郁磊, 等. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京: 北京航空航天大學(xué)出版社. 2013: 245-246.
[9] 史峰, 王輝, 郁磊, 等. MATLAB智能算法30個(gè)案例分析[M]. 北京: 北京航空航天大學(xué)出版社. 2011: 290-301.
[10] 李曉玲. 高校督導(dǎo)制度提升青年教師教學(xué)能力研究[J]. 大學(xué)教育, 2019(11): 207-209.
[11] 黃彥. 高校教學(xué)督導(dǎo)工作創(chuàng)新與發(fā)展趨勢(shì)研究[J]. 中國(guó)多媒體與網(wǎng)絡(luò)教學(xué)學(xué)報(bào), 2019(10): 124-125.
[12] 林家棟. 新常態(tài)下高校課堂教學(xué)督導(dǎo)工作探析[J]. 北京教育(高教), 2019(2): 72-73.
[13] 常強(qiáng),趙偉,趙仰杰. 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類預(yù)測(cè)與實(shí)現(xiàn)[J]. 軟件, 2018, 39(12): 210-214.
[14] 王海豐,李金霞,張?chǎng)H. 基于SVN版本控制的程序設(shè)計(jì)類課程教學(xué)研究[J]. 軟件, 2018, 39(4): 218-221.
[15] 謝晉. 模糊算法在高校教師評(píng)價(jià)系統(tǒng)中的應(yīng)用研究[J]. 軟件, 2015, 36(8): 22-24.
[16] 何洪亮, 趙珂, 王子群, 等. 基于層次分析法與多元曲線擬合法的眾包任務(wù)定價(jià)模型研究[J]. 軟件, 2018, 39(10): 139-144.
[17] 劉迷迷, 蔡永銘. 基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測(cè)研究[J]. 軟件, 2018, 39(10): 30-35.