文摘

本文建立了一个混合教育高校实践教学质量评价体系和构造混合教学质量评价模型基于深度信念网络。卡尔·皮尔逊相关系数和均方根误差(RMSE)指标是用来衡量之间的亲密和波动的有效在线教学质量评估结果评估这种方法和实际教学质量的结果。结果表明:(1)随着迭代次数的增加,DBN模型的拟合误差明显降低。当迭代次数达到20,DBN模型的拟合误差稳定并减少到0.01以下。实验结果表明,该模型用于该方法有很好的学习和培训的性能,和拟合误差低。(2)评估相关系数都大于0.85,和均方根误差的评价小于0.45,表明该方法的评价结果与实际的评估水平和有小错误,可以有效地应用于高校网络教学质量评价。

1。介绍

在信息化的过程中教学与信息技术的深度集成和教室,教学方法更倾向于在线与离线集成。目前,我们处在一个无所不在的学习环境支持的移动互联网;如何有效地整合资源,结合深度学习提升设计技术,是一个值得探索和思考的问题。网络公开课与microclasses(大规模网络公开课),SPOC(小型私人在线课程),和翻转课堂的发展,混合教学已逐渐成为高校教学改革的重要方向之一。混合教学补充了传统课堂教学和网络学习的优势来达到优化学习的效果(1),这是与深度学习的目的。通过混合教学,充分利用优质资源和工具,并重建教学过程,可以提供一个有效的教学计划深度学习的实现。

目前的研究主要集中在高等教育领域。研究的内容包括影响因素、技术支持、应用模型、策略、混合教学和在线学习效果和质量,评估,和其他问题(2]。基于相关文献的分析在线学习和混合教学、Shivetts建议学生学习动机的主要因素是在线学习和混合学习的成功。在混合学习环境中,学生的学习成绩和课程设置和可访问性是密切相关的(3]。格拉夫和Ayden从课堂社区意识的角度进行了研究4,5),Aspden进行研究从学生参与和互动的角度6),奥利弗和Trigwell通过基于问题式学习框架,探讨混合教学的评价等(7]。基础上,探索社区理论、驻军等人进一步构造了一个具体的混合教学评估框架(8,9]。

发展混合教学的主要任务在学院和大学是如何提高网络教学的质量和信息化教学10]。因此,它是非常重要的学习有效的方法在线高校教学质量评估。在线教学质量评价方法研究高校可以加强网上教学质量管理和提高网上教学质量(11]。深处的信念网络是一个重要的学习模型深入学习,结合形成的低级特征和更抽象的高级特性或属性类别。它已经收到了来自各行各业的广泛关注,已经引发了一波又一波的深入学习研究。近年来,深的信念网络已经广泛应用于课程领域与人们的生活密切相关,可以实现机器翻译,人脸识别(12)、语音识别、信号恢复,业务推荐、金融分析、医疗援助和智能交通。深入学习网络具有良好的鲁棒性和精度高。在此基础上,本文研究的方法评估高校混合教学的质量,提高高校混合教学的质量。

2。相关工作

2.1。深度信念神经网络

深度信念网(DBN)模型是一系列限制玻耳兹曼机(元)模型堆从下到上,用贪婪的分层技术的方法pretrain多个遏制,这意味着每一层的遏制需要训练。重量值使隐层获取连接的高级数据所表达的可见层(13]。

2.1.1。基本原则

深度信念神经网络的训练过程可以概括为两个部分:一是pretraining,它使用无监督逐层学习初始化参数的神经网络结构,另一个是微调(磨练)。最终模型,反向传播算法来调整全球网络参数。即使整个网络积累了多层,仍然可以合理的参数优化。这种学习方法解决问题的梯度消失,使深层神经网络的学习效率。

2.1.2。限制了玻耳兹曼机

限制玻耳兹曼机遏制来自波尔兹曼机(BM)。BM不仅拥有强大的无监督学习的能力,也可以学习复杂的规则在数据(14),但这种培训是相对复杂,训练时间较长。为了克服这个问题,Reikard引入了限制玻耳兹曼机(15),其结构如图1。

疟疾是由可见层(可见的)和一个隐藏层(隐藏),和没有连接层。h₁来h_n是n实数,V₁来V_米是米实数。这些实数都是数字0和1之间,和他们每个人一个形式h向量和一个向量。有一个重量每个明确的层和隐层之间,有一个总重量的n·mc和b隐藏的偏见向量和明确的层,分别。

疟疾是一种能源模型。然后,对于一个给定的国家( ,h),能量公式定义如下:

其中,θ是参数 ,c,b。所代表的能量方程的右边有三个部分。一个是生成的重量连接节点和h两边,所有三个人必须1被认为是能量输出;其他两个抵消的乘法在节点的节点和向量维度值输入,和相同的三个必须1被认为是能源输出。每个能量对应一个状态;能量越小,越稳定模型。参数确定时,显式的联合概率分布层和隐层神经元可以获得能量的公式如下:

因此,在确定的状态输入层、隐层节点的激活状态是相互独立的。因此,第i个隐层节点的激活概率如下:

是激活函数(乙状结肠)。

鉴于限制玻尔兹曼机的结构是对称的,在确定隐层节点的状态,每个输入层节点的激活状态也有条件独立,所以同理,j可见单元的激活概率可以表示如下:

2.1.3。玻耳兹曼机算法执行过程的限制

2002年,Brosch提出了一个快速学习算法RBM-Contrastive散度(CD) [16]。在CD算法,可见层节点的状态可以用作数据特性值,和所有隐层节点的激活状态计算公式(4)。州后,确定所有隐层节点,计算概率,第四第i个输入层节点的值是根据公式(15),然后,可见层的重建。这样,当使用对数似函数的值随机梯度提升方法的训练数据,每个参数的更新标准如下:

其中,e是学习速率,<h_我>数据的数学期望定义的训练数据集,和<h_我>侦察代表的期望模型定义后的重建迈出的一步。

2.1.4。基本结构

的深层信念网络是由多个限制玻耳兹曼机和一层监督分类器,如图2。DBN可以总结成两个阶段在整个学习的过程。第一阶段是无监督学习,第二阶段是监督微调17,18]。(1)第一阶段是进行贪婪训练多层元,也就是说,一层一层地训练,训练模型一层一层地从底部到顶部。以前的疟疾的输出值作为输入值的一元意识到网络的初始化参数。(2)第二阶段是调整模型。为了优化整个模型的目标函数结构,BP神经网络算法和支持向量机可以用来调整参数,实现全局优化。调整网络参数作为整个网络的初始参数。与传统的神经网络相比,DBN准确率更高,同时解决了容易陷入局部最优的问题。

2.2。混合教育评价体系

混合教学是一种新型的教育教学模式,结合了传统的面对面教学和网络教学的优势,和整合信息技术与传统教育教学的一种有效形式。这种综合优势的实现是基于不同的应用程序方法的深度集成,不同的教学理念,不同的技术手段。混合教育教学有五个基本特征:(1)一体化的教学理论;(2)教学资源的整合;(3)教学环境的集成;(4)教学方法的集成;(5)教学策略的集成;和(6)的集成评价方法19]。

通过阅读相关文献,教学评价阵营包括教师教学的整个过程,主要包括教学目标、教学设计、教学过程和教学效果。“评估教学通过学习”的概念,构造混合教学模式的特点,本文建立一个三级评价指标。为了保持各级指标之间的一致性描述,本文描述了混合教学评价的一级指标的“学习设计,”“学习环境”,“学习过程,”和“学习效应”。

上述一级指标体系用于扩大混合教育和教学评价系统,混合教育和教学评价指标扩大,和一种混合教育和教学评价体系。具体评价方法如表所示1。

3所示。高等教育质量评价模型的混合教学实践基础上深度学习路线

3.1。模型结构

DBN是基于无监督学习的生成模型,和它所面对的对象大部分是未知数据,如非线性系统。深度学习的主要目的是使用算法来描述数据的变化(18]。然而,大多数DBNs构建模型与密度表示,这种表示有很大的问题;也就是说,任何波动或噪声输入将极大地改变隐层,提取的特征向量表示这将导致网络的鲁棒性。杆很差(21]。

介绍一个输出层的顶层深层信念网络模型和实现分数级别映射的特点,所有的学院和大学的网络教学质量评价指标通过将Softmax多级分类器基于逻辑回归扩张并完成高校的网络教学质量评价[23]。高校在线教学质量分数的映射是一个多类分类问题,因此扩展逻辑回归Softmax回归。让{(x₁,y₁),…,(x_n,y_n)}的设置状态x隐层中的每个神经元和相应的类标签y每个神经元;为米i特性的类别,对应的类标签y_我∈{1,2,…,米},米维类别概率分布矩阵如下:

在上面的公式中,模型的参数矩阵米×N是σ;输入特征维度N。Softmax回归的成本函数的表达公式如下:

大学混合教学质量评价体系作为输入值的深层信念网络在线高校的教学质量评价模型。确保深层信念网络模型符合输入的特点,大学网络教学质量评价体系,第一层的遏制使用Gauss-Bernoulli。元用于地图功能进入高校的在线教学质量评价系统进入一个二进制状态。遏制使用Bernoulli-Bernoulli元,其余层和Bernoulli-Bernoulli遏制抽象特性之间的基本关系。混合高等教育教学质量评价模型基于DBN模型图所示3。

3.2。培训步骤

由于p (h₁;W₁)的深层信念网络模型是一致的p(|h₁;W₁)的遏制,贪婪的逐层pretraining一步s-layer深藏的信念网络模型在模型中。步骤1。火车遏制获得重量参数W1遏制底部。步骤2:开始训练遏制的第二层,第二层重量参数进行初始化W2 = W1T确保深层信念网络模型有两个隐藏层比未初始化元,然后通过固定W1训练第二层优化W2的遏制。步骤3:继续训练遏制的第三层,第三层元重量参数进行初始化W3 = W2T,火车第三层元修复W2 W3达到最优值,同样,完成最后一层的遏制重量达到最优值,完成整个的无监督pretraining深层信念网络模型。

在最佳的情况下学习参数的测试,对功能进行测试,之后学习的深层信念网络模型训练模型参数,这个特性的概率属于在线教学质量分数不同的学院和大学计算和质量得分最高的概率被选中作为输出结果。

4所示。仿真实验

4.1。实验数据

以大学为评价对象,混合教学大学从2020年3月至8月的数据作为数据集随机选择。总共包括5000个数据样本的数据。网络为高校教学质量评价方法的基础上,深入学习网络研究是用来实现在线教学质量评估。所选评价指标如表所示2。评价指标的评分法是选择10专家以外的学校和5资深教授在学校熟悉网上教学情况。平均评分值被认为是每个二级评价指标的最终评价得分。这个值的区间是(0 - 1)。每个分数对应于网络教学质量评价水平的学院和大学;也就是说,评估标准如表所示3。

4.2。学习和培训的性能

为了测试的学习性能和训练性能DBN模型本文使用3000年的5000个数据样本数据样本作为训练集模型。剩下的2000个数据样本作为测试集的模型,和训练集的样本数据作为模型的输入,模型训练扩展,模型拟合误差计算在不同迭代次培训过程。结果如图4。从图中的数据可以看出1随着迭代次数的增加,DBN模型的拟合误差,本文中使用的方法显著减少。当迭代次数达到20,DBN模型的拟合误差稳定并减少到0.01以下。实验结果表明,该模型用于该方法有很好的学习和培训的性能,和拟合误差低。

2000个测试样本的测试集分为10组和模型输入到模型测试,和模型的输出结果与预期的输出结果。结果如表所示4。从表中的数据4,它可以看到,测试输出结果之间的相对误差和模型训练后的预期输出结果小于3%,和评价水平的方法是完全相同的实际水平。实验结果表明,该训练模式评价精度,可以有效地用于在线高校教学质量评价。

4.3。评估性能

为了验证本文方法的性能评价,卡尔·皮尔逊相关系数和RMSE是用来测量之间的亲密度和波动的评价结果有效的在线教学质量评估的方法和实际的教学质量的结果。相关系数R和RMSE均方根误差计算方法的评价过程,结果如表所示5。分析表中的数据5我们可以看到,本文评估方法的相关系数都大于0.85,和均方根误差的评价小于0.45。结果表明,本文方法的评价结果非常类似于实际的评价水平,误差小,可以有效地应用于高校网络教学质量评价。

通过以上实验,可以看出,本文方法具有良好的性能在评估高校网络教学的质量。出于这个原因,本文的方法是用来评估在线高校的教学质量。评价结果如表所示6。在分析表中的数据6可以看出,本文的方法可以实现混合的质量评价大学的教育评估的各种指标衡量的质量混合教育的大学。学院的混合教育质量通常是本文的评价方法。学院和大学可以采取有针对性的措施基于指标得分较低。

本文的评价结果是提高网络教学的质量。

5。结论

本文建立了一个混合教育高校实践教学质量评价体系,并构造了一个混合教学质量评价模型基于深度信念网络。卡尔·皮尔逊相关系数和均方根误差(RMSE)指标是用来衡量之间的亲密和波动的有效在线教学质量评估结果评估的方法和实际的教学质量结果的程度。实验结果表明:(1)随着迭代次数的增加,DBN模型的拟合误差明显减小。当迭代次数达到20,DBN模型的拟合误差稳定并减少到0.01以下。实验结果表明,该模型用于该方法有很好的学习和培训的性能,和拟合误差低。(2)评估相关系数都大于0.85,和均方根误差的评价小于0.45,表明该方法的评价结果与实际的评估水平和有小错误,可以有效地应用于高校网络教学质量评价。

数据可用性

数据集可以在访问请求。

的利益冲突

作者宣称没有利益冲突。