论文部分内容阅读
【摘要】 教学质量评价是一个涉及面较广的系统工程，受到诸多因素与条件的制约及影响，如何准确有效地进行教师教学质量评估，评估体系与方法的确定至关重要。本文建立了具有20个评价指标评价体系和三层神经网络的教学质量评价模型, 并进行了实证检验，结果表明，神经网络评价模型在教师教学效果评价中是可行的。
【关键词】 教学质量；神经网络；评价
【中图分类号】：G644【文献标识码】：A【文章编号】：1009-9646(2008)08-0000-00
教学质量评估是一个涉及面较广的系统工程，受到诸多因素与条件的制约及影响，如何准确有效地进行教师教学质量评估，评估体系与方法的确定至关重要。教师职业特性从有形与无形、内在与外在等方面对教师能力与素质的要求具有综合特性，同时教师工作对象的复杂性、多变性、教育过程的多因素、多变化造成可比因素的难于确定性，因此,对教师教学效果的评价，是对教师全部工作进行多指标、全方位綜合判断与分析的过程，绝非简单、轻率地打个分便可了结的事，将定性方法与定量方法有机结合起来，建立科学的教学质量评估体系，对提高教师的教学水平的提高有着重要的意义。
1 评价指标体系的设计
评估指标的选取与设置，不只是为评价结果服务，从根本意义上具有导向功能和激励作用。教学质量评价是根据教学目的和教学原则，利用可行的评价技术对教学过程及其预期的效果给予价值上的判断，以提供信息和对被评对象作出某种评定。评价对象是教师的劳动，教师的劳动是一种复杂的智力活动，是一个多因素、多变量的复杂的动态过程，不仅涉及教师的主观努力，也涉及到所授课程内容、教学对象、教学条件和教学安排等各环节。关于教师教学质量的评价标准很多，指标体系也不尽相同。由于评价的根本目的是促进教师的工作提高教师的教学水平，因此，本文在构建评价指标体系的过程中，在前人的基础上主要体现出如下思想特色：
1.1 公正性。从教学评估的参与人员看，为了不失公正性，避免片面性，可考虑安排多方参与：包括学生，主要从学习主体的角度来反映教学效果和教师是否因材施教等；领导和教学管理人员，主要从课堂教学的规范要求方面以及平时获取的一些有关信息来评价；同行老师相互评价，主要从学科专业角度评价授课方式、方法的科学性等。
1.2 区别性。将职称作为评价的指标之一，目的是将不同层次水平的教师区别开来，以消除不同年龄、职称水平的教师由于从事教学工作的积淀而形成的在评价中的优势地位，为体现评价的公平性，在评价过程中对评价指标进行修正，有利于激发年轻教师的积极性。
1.3 发展性原则。教师评价,从目的上可分为两种类型:1) 奖惩性教师评价;2) 发展性教师评价。奖惩性教师评价以奖励和惩处为最终目的,通过对教师工作表现的评价,做出解聘、晋升、调动、降级、加薪、减薪等决定。发展性教师评价以促进教师的专业发展为最终目的,不再是为了奖惩教师,而是为了促进教师和学校未来的发展。据英国学者希尔兰兹(Shields) 主持的一项调查表明,发展性教师评价在教师中间产生了相当大的热情,绝大多数教师都认为参与发展性教师评价是一种有价值的活动,甚至是一种享受。发展性教师评价是促进教师发展需要与学校发展需要统一和融合的有效策略。
根据以上原则建立如下评价指标体系：
该评价体系具有以下一些特点：① 允许在有效数据基础上产生个人主观价值评估；② 能有效地利用评分人员的时间；③ 不附加任何色彩；④ 较好地反映持教师教学效果评价的合理性；⑤ 能突出教师教学效果不良的因素。我们将每个指标分成五个级别：比如用最强、强、一般、弱、最弱。五个级别对应的分数为:9、7、5、3、1。其中教师的职称的初级、中级、高级分别为9、5、1。
2BP神经网络评价模型
2.1 神经网络算法
网络的学习算法称为误差反向传播算法或 学习算法，是一种迭代算法，一次学习过程由输入数据的正向传播和误差的反向传播两个子过程组成。设有 个学习实例样本，=1，2，3，…，，对实例 ，在正向传播过程中，实例的输入向量 从输入层的 个节点输入，经隐含层逐层处理，由输出层的个节点输出端得到实例的网络计算输出向量 ，比较和实例 的期望输出向量，若个学习实例的计算输出都达到期望的结果，则学习过程结束；否则，将进入误差的反向传播过程，把 和 的误差由网络输出层向输入层反向传播，在反向传播过程中，修改各层神经元的连接权值。
算法具有理论依据充分、推导过程严谨、物理概念清晰、通用性好等优点，是神经网络学习的一种主要算法。但算法的收敛速度慢，对于提供的 个学习实例需要反复学习，迭代次数 通常为几百次至几千次，所有输出节点的误差才能小于指定的允许误差。为提高 学习算法的收敛速度，已提出各种改进的方法，主要有变学习率法和附加冲量法。对学习率及惯性冲量系数进行动态调整，可以大幅度加快网络的学习速度。
2.2 教师教学效果评价的神经网络模型
教师教学效果是上述各种因素的综合体现，这些因素之间存在非线性性、不确定性、离散性、随机性。神经网络适用于解决具有这些特征的问题。因此，根据教师教学效果的实际情况，建立了由一个输入层、一个隐层、一个输出层构成的三层 网络模型（见图2）。
图2三层神经网络模型图
网络参数的确定：
①确定网络层数。在闭区间的任何一个连续函数都可以用一个隐层的BP网络逼近，一个 3层的BP网络可以完成任意的 维到维的映射。本模型采用3层网络。
②确定网络输入层节点数 。输入层的节点多少与评价指标个数相对应。选择上述23个参数作为输入层的评价指标。
③确定隐含层（中间层）节点数 。考虑到单隐含层网络的非线性映射能力较弱，为了达到预定的映射关系，隐含层节点宜适量增加，以增加网络的可调参数。最终确定隐含层节点为25个。
④确定输出层节点数。在教师教学效果的评价中，一般用具有综合性的很好、较好、一般、差、较差来表示，因此在本研究中同样将教师教学效果的实际结果作为网络的输出，即输出层节点为1个。
⑤确定转换函数。第一层的传输函数选用 函数，第二层的则选用 函数。
3 样本集的选择与网络训练
3.1样本集选择
本研究对部分院校的教师的教学效果进行了实地调研工作，共收取了20名不同学科的高校教师，分别请所教授课程学院的学生、教师与领导进行评价，对学生、教师与领导对每位教师的评价结果进行加权平均，权值为学生0.6，教师0.2，领导0.2，其中体现了充分体现教育对象的具体感受的教师教书育人的精神。（具体数据表从略）
3.2 训练集和测试集的选取
网络在一个较好的学习训练集上训练,系统误差将随迭代次数的增加而减少,最终收敛于一组稳定的权值。进一步的学习,权值将仅仅出现一个极小的波动,这是期盼的结果。关键在于选取一个合适的训练集。BP网络仿真人脑，具有人脑思维的一般规律。在有规律的训练集上训练,学习更有效。因此,从训练集中选取一些示例作测试集,网络在减少后的训练集上训练,在保留的示例上测试。
20个样本数据中，取1～4、6～13、15～19作为训练样本；5、14、20作验证样本，检验网络模型。
4基于的神经网络模型训练
是一种高性能的编程软件且把科学计算、编程和结果的可视化集中在一个环境中。本论文采用6.5神经网络工具。
4.1 确定主要参数的基本原则
① 确定学习率。随着学习率增大，迭代次数减少。小规模的网络，学习率可以较大。规模稍大的网络，学习率稍大时，网络发散；学习率很小时，大幅度延长训练时间。学习率的取值在0～1之间。本文取0.01。
② 确定动量常数。动量常数是与上一步系数调整量相联系的参数，其值越大，调整的惯性越大，权系数调整量与前一次调整的方向有更密切的关系。动量常数一般取值在0.7～0.9之间，本文取0.9。
③ 确定最大步数。在达到设定的最大步数时，若网络收敛但没达到目标精度，增大最大步数设置；若在训练步后就达到目标精度但远没有达到最大步数，则调小最大步数，但其值仍要略大于。本文的最大步数设定为25。
④ 目标精度的确定。通常，目标精度越高，网络训练越准确，训练输出值与目标值越接近，但训练时间也越长。本文设定的目标精度为10-10。
4.2 网络的训练
确定上述参数后，输入训练样本数据，进行网络训练，具体程序命令如下：
训练13907步后，系统显示“Minimum gradient reached, performance goal was met”，网络训练误差下降示意图如图2所示。网络训练停止，训练误差为1.43494e-10，已满足实用要求。
4.3 网络的检验
网络训练完成后，利用样本5、14、20作检验样本，验证网络的精度及适用性。
图2 网络训练误差下降曲线图
a=sim(network1,p2)；
网络输出结果为:
a=[9.9556 8.3332 7.4586]
样本实际结果为:
t2=[108.57.5 ]
网络输出结果与实际数值基本一致。
因此，此评价模型适用于教师教学效果的评价，且评价误差能够满足实用要求。
5 结论
根据教师职称、教学内容、教学态度、教学设计、教学方法、教学能力、教学效果、教学特色等因素建立的神经网络教师教学效果评价模型，评价精度能满足实用要求，证明神经网络模型在教师教学效果评价中的应用的可行性。在教学管理实践中，若能尽可能多的增加训练样本，让网络学到更多知识，这会使评价系统的容错性和鲁棒性更强，增强评价系统的针对性、具体单位的适用性，达到通过评价促进教学、提高水平的根本目的。
参考文献
[1] 韩敬愈.教师评价工作应注意的几个问题[J].教育科学研究，2002,(2).
[2] 吴刚.现代教育评估基础[M].北京：学林出版社.1996.
[3] 飞思科技产品开发中心. MATLAB 6.5 辅助神经网络分析与设计[M].第1版.北京: 电子工业出版社.2003.
[4] 何斌蒙清.AHP 中判断矩阵一致性调整的新方法[J].红河: 红河学院学报.2003, (9): 62-65.
[5] 唐晓静.张圣梅.徐小君.教师综合素质评价模型的研究[J].长春: 长春理工大学学报.2004, (3): 113-115.
[6] 陈刚.张建伟.李海霞.高校网络课程实施质量的评价标准[J].清华大学教育研究. 2003.(5): 98-102.
[7] 彭国甫.李树丞.盛明科.应用层次分析法确定政府绩效评估指标权重研究[J].中国软件科学. 2004.(6): 136-13.
[8] 陈航宇.应用AHP合理构建高校教师课堂教学评价体系[J].漳州师范学院学报(自然科学版).2005.（2）：113-117.
[9] 梁程妙.高校教师绩效考核体系存在的问题及对策[J].大众科技.2005.（3）：85-86.
[10] 苏秀娟.孙玉苹.高校教师教学质量定量评价的方法研究[J].天津工业大学学报.2003.（6）：62-66.
[11] 普映娟.杨朝凤.教育实习成绩模糊评价系统研究[J].云南民族学院学报.2002.(11)：89-95.
[12] 王继承.人事测评技术[M]. 广州.广东经济出版社.2001.
注：“本文中所涉及到的圖表、注解、公式等内容请以PDF格式阅读原文。”
【关键词】 教学质量；神经网络；评价
【中图分类号】：G644【文献标识码】：A【文章编号】：1009-9646(2008)08-0000-00
教学质量评估是一个涉及面较广的系统工程，受到诸多因素与条件的制约及影响，如何准确有效地进行教师教学质量评估，评估体系与方法的确定至关重要。教师职业特性从有形与无形、内在与外在等方面对教师能力与素质的要求具有综合特性，同时教师工作对象的复杂性、多变性、教育过程的多因素、多变化造成可比因素的难于确定性，因此,对教师教学效果的评价，是对教师全部工作进行多指标、全方位綜合判断与分析的过程，绝非简单、轻率地打个分便可了结的事，将定性方法与定量方法有机结合起来，建立科学的教学质量评估体系，对提高教师的教学水平的提高有着重要的意义。
1 评价指标体系的设计
评估指标的选取与设置，不只是为评价结果服务，从根本意义上具有导向功能和激励作用。教学质量评价是根据教学目的和教学原则，利用可行的评价技术对教学过程及其预期的效果给予价值上的判断，以提供信息和对被评对象作出某种评定。评价对象是教师的劳动，教师的劳动是一种复杂的智力活动，是一个多因素、多变量的复杂的动态过程，不仅涉及教师的主观努力，也涉及到所授课程内容、教学对象、教学条件和教学安排等各环节。关于教师教学质量的评价标准很多，指标体系也不尽相同。由于评价的根本目的是促进教师的工作提高教师的教学水平，因此，本文在构建评价指标体系的过程中，在前人的基础上主要体现出如下思想特色：
1.1 公正性。从教学评估的参与人员看，为了不失公正性，避免片面性，可考虑安排多方参与：包括学生，主要从学习主体的角度来反映教学效果和教师是否因材施教等；领导和教学管理人员，主要从课堂教学的规范要求方面以及平时获取的一些有关信息来评价；同行老师相互评价，主要从学科专业角度评价授课方式、方法的科学性等。
1.2 区别性。将职称作为评价的指标之一，目的是将不同层次水平的教师区别开来，以消除不同年龄、职称水平的教师由于从事教学工作的积淀而形成的在评价中的优势地位，为体现评价的公平性，在评价过程中对评价指标进行修正，有利于激发年轻教师的积极性。
1.3 发展性原则。教师评价,从目的上可分为两种类型:1) 奖惩性教师评价;2) 发展性教师评价。奖惩性教师评价以奖励和惩处为最终目的,通过对教师工作表现的评价,做出解聘、晋升、调动、降级、加薪、减薪等决定。发展性教师评价以促进教师的专业发展为最终目的,不再是为了奖惩教师,而是为了促进教师和学校未来的发展。据英国学者希尔兰兹(Shields) 主持的一项调查表明,发展性教师评价在教师中间产生了相当大的热情,绝大多数教师都认为参与发展性教师评价是一种有价值的活动,甚至是一种享受。发展性教师评价是促进教师发展需要与学校发展需要统一和融合的有效策略。
根据以上原则建立如下评价指标体系：
该评价体系具有以下一些特点：① 允许在有效数据基础上产生个人主观价值评估；② 能有效地利用评分人员的时间；③ 不附加任何色彩；④ 较好地反映持教师教学效果评价的合理性；⑤ 能突出教师教学效果不良的因素。我们将每个指标分成五个级别：比如用最强、强、一般、弱、最弱。五个级别对应的分数为:9、7、5、3、1。其中教师的职称的初级、中级、高级分别为9、5、1。
2BP神经网络评价模型
2.1 神经网络算法
网络的学习算法称为误差反向传播算法或 学习算法，是一种迭代算法，一次学习过程由输入数据的正向传播和误差的反向传播两个子过程组成。设有 个学习实例样本，=1，2，3，…，，对实例 ，在正向传播过程中，实例的输入向量 从输入层的 个节点输入，经隐含层逐层处理，由输出层的个节点输出端得到实例的网络计算输出向量 ，比较和实例 的期望输出向量，若个学习实例的计算输出都达到期望的结果，则学习过程结束；否则，将进入误差的反向传播过程，把 和 的误差由网络输出层向输入层反向传播，在反向传播过程中，修改各层神经元的连接权值。
算法具有理论依据充分、推导过程严谨、物理概念清晰、通用性好等优点，是神经网络学习的一种主要算法。但算法的收敛速度慢，对于提供的 个学习实例需要反复学习，迭代次数 通常为几百次至几千次，所有输出节点的误差才能小于指定的允许误差。为提高 学习算法的收敛速度，已提出各种改进的方法，主要有变学习率法和附加冲量法。对学习率及惯性冲量系数进行动态调整，可以大幅度加快网络的学习速度。
2.2 教师教学效果评价的神经网络模型
教师教学效果是上述各种因素的综合体现，这些因素之间存在非线性性、不确定性、离散性、随机性。神经网络适用于解决具有这些特征的问题。因此，根据教师教学效果的实际情况，建立了由一个输入层、一个隐层、一个输出层构成的三层 网络模型（见图2）。
图2三层神经网络模型图
网络参数的确定：
①确定网络层数。在闭区间的任何一个连续函数都可以用一个隐层的BP网络逼近，一个 3层的BP网络可以完成任意的 维到维的映射。本模型采用3层网络。
②确定网络输入层节点数 。输入层的节点多少与评价指标个数相对应。选择上述23个参数作为输入层的评价指标。
③确定隐含层（中间层）节点数 。考虑到单隐含层网络的非线性映射能力较弱，为了达到预定的映射关系，隐含层节点宜适量增加，以增加网络的可调参数。最终确定隐含层节点为25个。
④确定输出层节点数。在教师教学效果的评价中，一般用具有综合性的很好、较好、一般、差、较差来表示，因此在本研究中同样将教师教学效果的实际结果作为网络的输出，即输出层节点为1个。
⑤确定转换函数。第一层的传输函数选用 函数，第二层的则选用 函数。
3 样本集的选择与网络训练
3.1样本集选择
本研究对部分院校的教师的教学效果进行了实地调研工作，共收取了20名不同学科的高校教师，分别请所教授课程学院的学生、教师与领导进行评价，对学生、教师与领导对每位教师的评价结果进行加权平均，权值为学生0.6，教师0.2，领导0.2，其中体现了充分体现教育对象的具体感受的教师教书育人的精神。（具体数据表从略）
3.2 训练集和测试集的选取
网络在一个较好的学习训练集上训练,系统误差将随迭代次数的增加而减少,最终收敛于一组稳定的权值。进一步的学习,权值将仅仅出现一个极小的波动,这是期盼的结果。关键在于选取一个合适的训练集。BP网络仿真人脑，具有人脑思维的一般规律。在有规律的训练集上训练,学习更有效。因此,从训练集中选取一些示例作测试集,网络在减少后的训练集上训练,在保留的示例上测试。
20个样本数据中，取1～4、6～13、15～19作为训练样本；5、14、20作验证样本，检验网络模型。
4基于的神经网络模型训练
是一种高性能的编程软件且把科学计算、编程和结果的可视化集中在一个环境中。本论文采用6.5神经网络工具。
4.1 确定主要参数的基本原则
① 确定学习率。随着学习率增大，迭代次数减少。小规模的网络，学习率可以较大。规模稍大的网络，学习率稍大时，网络发散；学习率很小时，大幅度延长训练时间。学习率的取值在0～1之间。本文取0.01。
② 确定动量常数。动量常数是与上一步系数调整量相联系的参数，其值越大，调整的惯性越大，权系数调整量与前一次调整的方向有更密切的关系。动量常数一般取值在0.7～0.9之间，本文取0.9。
③ 确定最大步数。在达到设定的最大步数时，若网络收敛但没达到目标精度，增大最大步数设置；若在训练步后就达到目标精度但远没有达到最大步数，则调小最大步数，但其值仍要略大于。本文的最大步数设定为25。
④ 目标精度的确定。通常，目标精度越高，网络训练越准确，训练输出值与目标值越接近，但训练时间也越长。本文设定的目标精度为10-10。
4.2 网络的训练
确定上述参数后，输入训练样本数据，进行网络训练，具体程序命令如下：
训练13907步后，系统显示“Minimum gradient reached, performance goal was met”，网络训练误差下降示意图如图2所示。网络训练停止，训练误差为1.43494e-10，已满足实用要求。
4.3 网络的检验
网络训练完成后，利用样本5、14、20作检验样本，验证网络的精度及适用性。
图2 网络训练误差下降曲线图
a=sim(network1,p2)；
网络输出结果为:
a=[9.9556 8.3332 7.4586]
样本实际结果为:
t2=[108.57.5 ]
网络输出结果与实际数值基本一致。
因此，此评价模型适用于教师教学效果的评价，且评价误差能够满足实用要求。
5 结论
根据教师职称、教学内容、教学态度、教学设计、教学方法、教学能力、教学效果、教学特色等因素建立的神经网络教师教学效果评价模型，评价精度能满足实用要求，证明神经网络模型在教师教学效果评价中的应用的可行性。在教学管理实践中，若能尽可能多的增加训练样本，让网络学到更多知识，这会使评价系统的容错性和鲁棒性更强，增强评价系统的针对性、具体单位的适用性，达到通过评价促进教学、提高水平的根本目的。
参考文献
[1] 韩敬愈.教师评价工作应注意的几个问题[J].教育科学研究，2002,(2).
[2] 吴刚.现代教育评估基础[M].北京：学林出版社.1996.
[3] 飞思科技产品开发中心. MATLAB 6.5 辅助神经网络分析与设计[M].第1版.北京: 电子工业出版社.2003.
[4] 何斌蒙清.AHP 中判断矩阵一致性调整的新方法[J].红河: 红河学院学报.2003, (9): 62-65.
[5] 唐晓静.张圣梅.徐小君.教师综合素质评价模型的研究[J].长春: 长春理工大学学报.2004, (3): 113-115.
[6] 陈刚.张建伟.李海霞.高校网络课程实施质量的评价标准[J].清华大学教育研究. 2003.(5): 98-102.
[7] 彭国甫.李树丞.盛明科.应用层次分析法确定政府绩效评估指标权重研究[J].中国软件科学. 2004.(6): 136-13.
[8] 陈航宇.应用AHP合理构建高校教师课堂教学评价体系[J].漳州师范学院学报(自然科学版).2005.（2）：113-117.
[9] 梁程妙.高校教师绩效考核体系存在的问题及对策[J].大众科技.2005.（3）：85-86.
[10] 苏秀娟.孙玉苹.高校教师教学质量定量评价的方法研究[J].天津工业大学学报.2003.（6）：62-66.
[11] 普映娟.杨朝凤.教育实习成绩模糊评价系统研究[J].云南民族学院学报.2002.(11)：89-95.
[12] 王继承.人事测评技术[M]. 广州.广东经济出版社.2001.
注：“本文中所涉及到的圖表、注解、公式等内容请以PDF格式阅读原文。”