文摘
在教学质量评估中最重要的材料是老师的教学评价;然而,随着教育信息化加速,当前教学管理面临的挑战是如何利用网络技术对传统教学中教师的教学质量进行评估。如何评估网络教学环境的问题是网络教学发展的一个至关重要的问题。教育评价的关键在于教学质量。因此,巨大的原始数据的有效处理和分析教学过程中收集的学院和大学可以为教学质量的评估提供决策支持和相关改进措施的制定。鉴于原来教学的多样性和大量数据,提出了一种基于深度学习教学质量评价模型,各种原始数据通过构造深层神经网络有机地结合起来,可以实现更准确的教学质量评价,具有实用价值。教育评估是一个复杂的系统工程,它需要消耗大量的人力,材料,和金融资源。通过使用系统来获得大量的统计数据,它将提供一个深入分析和决策的依据。
1。介绍
高等教育评价的最终目的是为了提高教育教学的质量,而且它是一个关键的工具来管理高校教学质量,以及macrosupervision和管理部门。虽然教学评价是学校教学管理,如何科学、公正,全面、客观地评价职业道德和教师专业素质水平是一个非常重要的理论和实践工作的一部分(1]。传统的教学评价方法相对严格,每学期教学评价只有一次,这要消耗大量时间的学生,因此,传统的教学评价模式不符合现代高等学校的学生。大部分的评估开始在学期的开始还是结束的学期在预定时间和结果宣布下学期的开始或者结束。这个评估教学没有指导课程这学期的绩效指标,第二学期的课程变化,在教室里,学生们已经改变了他们的传统信仰在不同的教师评估由于缺乏评价教学的兴趣。此外,对于传统的机械教学评价,学生通常选择A, B, C和D,相应的评价分数根据客观指标,最后公布分数大大受人为因素的影响。教师和行政人员很难识别准确的教学重要性的增长在考虑教师的优缺点及其教学成就。在传统的教学评价问卷或乱涂卡的一般方法2),每个类都是使用机器读者问卷调查或涂鸦。随着越来越多的学生完成的信息,以及缺乏有效的监督机制,和学生复杂的工作,没有填料,学生,或其他学校评估的一部分。写作和填写问卷的现象经常发生,和教学数据的可靠性评估严重失去信任。此外,很难保证问卷的恢复,所以它也会影响学校对教师的有效性的判断(3]。目前,随着信息技术的迅速发展,高速,我们应该充分利用其直观形象,操作简单建立教师评价体系,根据快速的优势信息,及时使学校能够进行实时监测评价老师教学,学校能掌握问题首次在教学过程中。与传统的教学实践相比,使用教学评价体系的优点是显而易见的。例如,教学评价的结果可以从不同的维度进行分析,大大增强了教学评价的力量。问卷设计不同的指标,它提供了更科学、准确的数据。如果打开端口信息网络中心,它将原始论文评价突破区域限制,允许大多数用户对整个校园网络资源,甚至互联网用户参与评估和访问系统,无论地理限制。这也适用于远距离教学,突出其优势,从而大大提高教学评价的灵活性和公平。的应用系统突破了传统的耗时,labor-consuming情况,教学评价是教学评价更加方便,大大减少了消费教育管理员和评价者(4]。
论文的其余部分被组织为一节2代表相关工作、方法给出了部分3实验和讨论,给出了部分4,讨论和结论部分5。
2。相关工作
在中国自2000年以来,一些关键的大学,如清华大学和北京大学,复旦大学,南开大学,最早和最重要的成就。上海交通大学,西安交通大学已经开始建立老师和其他教学评估系统(5),尽管其他大学已经促进了长期的应用结果。云南师范大学在2002年开始发展的教学评价体系逐步建设总体规划和实施方案,指导和规范整个评估体系。建立一个在线评价体系,促进教师和学生信息反馈系统是基于一个公共数据平台的多种管理信息汇总系统,施工监测,实现网络数据建立一个公共数据库平台,并建立一个在线评价体系,促进教师和学生信息反馈系统6]。我们国家取得了校园网络教学评价系统的大量的学院和大学。目前,多层次的研究一直在进行国内外大学教育质量的评价。评价指标体系主要用于教学活动,学生的学习效果,反馈,分数代表了大学教育的质量可以推导出权重指标体系或使用一个数学模型(7]。研究人员设计指标体系,使其适用于不同的教学过程:设计指标用于描述的标准化的实现教学过程和教学资源的利用效率。设计评价问卷了解学生评价教师的教学活动,教师教学活动的质量得分。教学监督是建立随机监督课堂教学,教学计划,校正作业,考试,等等,并评估实施的帮助下上面的链接质量监督的经验(8]。目前,有两个主要困难高校教学质量的评价。一个是原始的教学数据的多样性和数量是巨大的,很难获得一个有效的评估,使用传统的评价方法是基于明确的指数计算公式。第二,教学过程是一个高度主观的过程,包含了非常复杂的内部法律,很难得到一个评价接近实际情况通过使用分析模型在一般意义上9,10]。正是因为这一原因,高校教学质量评价主要是评价通过结合教学监督的得分与客观指标(如考试成绩、出勤率、作业提交)(11- - - - - -13]。为了应付上面的困难和挑战,教学质量评价模型提出了基于深度学习模型。深度学习是机器学习的一个非常活跃的分支近年来研究。模型的参数范围内增强模型的能力来表达复杂的功能是提高扩大模型的深度和广度,也就是说,增加操作的数量从输入端到输出端和渠道的数量模型。因为辛顿教授发表了一篇文章在深层神经网络训练方法科学2006年(14),深度学习已迅速成为一个研究热点,并被广泛应用于图像分类、人脸识别、语音识别、人工智能、和其他方面(15]。适当使用深度学习在教学质量评估。大量成功应用的案例表明,深度学习模型是特别好的隐藏在处理不同的数据和提取复杂的法律,以及有效地建模专家的专业知识和经验。
3所示。方法
在本节中,我们将讨论神经网络模块设计、基于深度学习的教育质量评价模型。
3.1。神经网络模块的设计
神经网络方法,是应用最广泛的神经网络模型之一,必须经过两个过程:训练和执行。对于每一个神经网络,什么“记住”是BP神经网络的树突的信息。基本思想是生成一个非线性数据模型和得到的权重通过训练神经网络。模型参数属于非线性模型,大量的投入产出模式映射存储在非线性模型。它解释了如何创建映射和如何学习数学方程模型参数的数学模型。然后训练模式是用于实现过程。那么如何实现这个数学模型?整个过程包括BP神经网络的训练过程,可以分为两个培训过程:教师培训过程和无监督(导师)的过程。
BP神经网络的训练过程是一个过程与反馈信息,称为导师的学习过程。在这个培训过程中,您将学习如何使用BP算法,以及信息反馈方法。培训的最终目标是形成一个稳定的网络,以便最终输出值与目标值;否则,反馈是回收。导师的学习过程是一个形象的比喻,这就意味着在整个学习过程的函数,有适当的函数进行干预目标,使预期的目标作为输出的指导,并使输出符合目标价值。主要的BP神经网络的训练过程包括数学公式: 在哪里代表第i个神经元的输入组件预处理之前,代表每个输入组件的最小值的第i个神经元,和代表相应的预处理后神经元的输入组件。代表每个输入组件的最大价值的第i个神经元: 在哪里代表了k样本,代表隐藏层,代表的重量第i个输入层的神经元之间的连接的神经元隐藏层,代表的神经元的阈值隐藏层。 在哪里代表隐藏层的输入,代表了隐层输出。
3.2。基于深度学习的教育质量评价模型
深神经网络使用一个标准化的输入层、连接层,屏蔽层中使用这个模型。一组实际价值输入神经元的输入层。结果输出到邻近的完整的连接层输入后归一化: 在哪里是输入数据的组件,和这个组件的最大和最小值在训练数据集,分别。输入层标准化后,获得的值在区间[0,1]。
完全连接层中的每个神经元与神经元在相邻层的边缘,和每个边都有重量,其值的范围是[0,1]。在应用所有输入的加权和,一个非线性激活函数。摘要乙状结肠函数获得一个实值输出,见公式(7): 在那里,是第i个神经元的输出完全连接层,米是在前一层神经元的数目,是j在前一层神经元的输入,然后呢边连接的重量是j在前一层神经元和当前神经元。
屏蔽层使得上层的神经元的输出成为0根据预设的百分比,和层的神经元的输出不为零是完全与下一层的神经元。根据文献的结论16),预设的比例随机屏蔽本文的工作是30%。整个深层神经网络需要两个完整的连接层,后跟一个屏蔽层,这取决于问题的复杂性。图1显示了深层神经网络的基本结构。
最后,教学质量评价得分模型得到softmax输出层,并将softmax函数执行连续输入组件的最高评价。让 ,softmax函数计算标准的价值最大的组件以连续的方式,即
网络训练采用误差反向传播梯度下降的方法。基于多变量函数的方向导数,计算每个神经元的误差回到前面,然后相应地调整神经元之间的连接权值。具体计算方法见公式(8)和(9): 在哪里是一个方向向量与模1最优方向向量,是一个神经元的误差值,2-norm。通过调整训练强度、网络的收敛速度可以改变在训练。
4所示。实验和讨论
在本节中,我们将讨论神经网络模块的实现的方向向量,并详细实验分析和结果。
4.1。神经网络模块的实现
MATLAB的神经网络工具箱分析用于训练和教学评价数据不同的人员,和建立教学评价和预测模型。动态数据交换技术是用于训练网络模型发送回服务器,和模型来预测系统调用和显示教学质量。
三层:采用RBF神经网络的输入数据是每一个指标的评估价值。输入层的神经元数,总共是12,被认为是最低的指标在教育质量评价方法。创建一个输出层神经元之间的一个值[0,1]。隐层神经元的数目与网络的准确性和效率。根据经验公式,米输入层的神经元数和N是输出层神经元的数目。在这篇文章中,隐层神经元的数目设置为9。
基于RBF的教学质量评价,教学质量评价相关数据收集1000名教师和学生在我们学校。第一个500组数据表中作为RBF神经网络的训练样本,和过去的500组作为测试样本。使用MATLAB编程,学习精度E= 0.00001。训练误差曲线如图1。
网络训练后的结果评价和专家评估,以及五个测试集的仿真评估结果和专家评估结果,表明不仅是所有训练样本几乎相同的专家评价结果还500个测试集的仿真评估结果是完全符合专家评估等级。
4.2。的方向向量
原来的教学在本科教学过程中收集的数据在大学可以分为两类:专家和学生教学评价指标,客观的指标。表1和2显示两类指标的细节。
学生的教学评价指标表1是一份调查问卷,其中包含15个选择题。在这项研究中,每一个选择的答案的问题转化为一个布尔向量和输入到模型中。整个数据集的规模是65241块教学评价信息100年五年的学术专业课程。每一块教学评价信息包含26个字段,其中一些如表所示1。直接连续字段中,输入模型,它们的值是由标准化规范化的输入层。对于离散字段,1-of-K编码是用于转换成布尔向量,然后输入模型的训练。每个教学信息的维度转换后增加到64。每一块教学评估数据还包括一个六维目标向量,用于表示数据反映出的教学质量。
4.3。实验分析及结果
采用深层神经网络评价模型,在此应用程序的情况下,神经网络深度如表所示3使用。
标准化的输入层、连接层,屏蔽层和输出层由ABCD类型的列,分别。输入和输出每一层的尺寸由输入和输出列。函数列显示了每一层的激活函数,以及随机掩蔽的百分比掩蔽层类型。
整个模型是实现matconv-Net在著名的深度学习和训练项目。项目是基于MATLAB深学习算法实现,包括网络配置、训练算法,和各种主流训练网络模型。
为了验证模型的有效性,数据集被分成两个部分:一个训练集和测试集,比例为1:9到9:1。通过训练,神经网络的深度是建立第一,然后测试集的数据已经训练好的神经网络的输入是一组输出,输出,和实际产出的比较测试集。考虑到输出是一个六维实际价值向量代表教学质量,我们采用均方误差测量输出值和真实值之间的差异,如公式所示: 在哪里是第i个输出组件模型的j测试样本。为每个数据集的比例随机分为10次,测试结果如图2。
均方误差图1被列为均方误差,计算公式(10)。从图可以看出1当训练集与测试集的比例是6:4,模型具有最低的测试误差。同时,还应该指出的是,更多的训练数据模型,效果会越好,因为太多的训练数据的情况下,模型将过度适应现有的数据和模型的泛化能力会下降。
我们也报告不同的深层神经网络配置的影响模型预测结果。改变层的数量组合类型的BBC网络中从2到10,训练和预测网络为每个配置,一旦报告MSE,如图3。图中可以看出,当组合的数量是8,网络的预测性能是最好的。
通过实验,可以发现,大学教育基于深度学习在本文提出的评价方法是可行的,这大大增强了灵活性和公平的大学教育和教学评估。应用系统突破传统的耗时情况和labor-consuming教学评估,评估教学更方便,可以大大减少的消费教育管理员和评价者。
5。结论和未来的工作
本研究调查使用深层神经网络评估教学质量,提供了一个示例。深层神经网络有很强的表达能力,可以有效地提取深规则影响教学质量,并可以作为高校教学质量评价的辅助手段,帮助减少主观因素对评价结果的影响的评估过程。在未来的研究工作中,我们将进一步理清教学质量的原始数据,并引入一个新的深度学习模型较强的表达能力和更有效的评价体系,建立一个更聪明的评价模型。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。