基于层次分析法和KH-KELM的英语教学质量评价

朱玥

摘 要：为了实现英语教学质量评价，客观地反映英语教学质量水平，运用层次分析法构建了一套基于教师素质、教学态度、教学内容、教学方法和教学效果的英语教学质量评价指标体系。将英语教学质量水平划分为欠规范、规范和精品3个等级并将其作为KH-KELM的输出，通过专家打分法获得18个英语教学质量评价二级指标数据并将其作为KH-KELM的输入，建立KH-KELM的英语教学质量评价模型。与KELM和SVM相比较，KH-KELM可以有效提高英语教学质量评价的精度，为英语教学质量评价提供新的方法和途径。

关键词：英语教学质量;层次分析法;专家打分法;磷虾群算法;评价指标体系;核极限学习机

中图分类号：TP 391;G 523

文献标志码：A

文章编号：1007-757X（2020）11-0059-04

Abstract：In order to realize the English teaching quality evaluation and objectively reflect the English teaching quality level， an English teaching quality evaluation index system based on teachers quality， teaching attitude， teaching content， teaching method and teaching effect was constructed by using analytic hierarchy process. The English teaching quality level was divided into three grades：under-standard， standard and excellent， which were taken as the output of KH-KELM. The expert scoring method was used to obtain 18 English teaching quality evaluation second-level index data， which were taken as the input of KH-KELM， and the English teaching quality evaluation model of KH-KELM was established. Compared with KELM and SVM， KH-KELM can effectively improve the accuracy of English teaching quality evaluation and provide a new method and approach for English teaching quality evaluation.

Key words：English teaching quality;analytic hierarchy process;expert scoring method;Krill algorithm;evaluation index system;kernel extreme learning machine

0 引言

教學质量是教育竞争力的核心内容，高校教师教学质量评价对提升教师教学能力和教学管理水平具有重要意义[1]。通过教学质量评价，学生可以反馈教师教学情况，与此同时，教师可以反思教学效果，学校可以改进教学管理，有针对性地提出解决措施和办法，从而提高教师的教学水平和教学质量。目前高校教学质量评价的方法主要有模糊综合评价法[2]、层次分析法[3]、灰色关联分析法[4]和神经网络法[5]等，这些方法取得了一定效果，然而存在随机性和主观性的缺点，导致无法准确评价教学质量。为提高高校英语教学质量评价的准确度，提出一种基于层次分析法（Analytic Hierarchy Process，AHP）和磷虾群算法（Krill Herd，KH）改进核极限学习机（Kernel Extreme Learning Machine，KELM）的英语教学质量评价方法。为了实现英语教学质量评价，运用AHP构建出包含5个一级评价指标的英语教学质量评价指标体系。将英语教学质量水平划分为欠规范、规范和精品3个等级并将其作为KH-KELM的输出，通过专家打分法获得18个英语教学质量评价二级指标数据并将其作为KH-KELM的输入，建立KH-KELM的英语教学质量评价模型。与KELM和支持向量机（Support Vector Machine，SVM）相比较，KH-KELM可以有效提高英语教学质量评价的精度，为英语教学质量评价提供新的方法和途径。

1 英语教学质量评价指标体系

1.1 层次分析法

AHP[6]主要用来处理较为复杂和模糊的问题，其主要步骤如下。

（1） 建立AHP层次结构模型;AHP层次模型主要包括目标层、准则层和要素层。

（2） 构建判断矩阵;运用两两比较法对各评价指标的相对优劣程度进行排序，建立判断矩阵。对于n个评价指标，其判断矩阵如式（1）。

1.2 评价指标体系

科学合理的评价指标是提高教学质量和教学水平的重要保证。在参考文献[7]的基础上，构建出一套基于教师素质、教学态度、教学内容、教学方法和教学效果的英语教学质量评价指标体系，评价指标体系，如图1所示。

2 核极限学习机

为改善ELM模型的泛化能力和稳定性，将正则化系数C引入标准ELM模型，如式（8）。

3 基于AHP和KH-ELM的英语教学质量评价

3.1 磷虾群算法

（1） 诱导运动

诱导运动分为目标指引、局部影响以及引导惯性，如式（13）。

3.2 目标函数

针对KELM模型性能受其正则化系数C和核函数参数g的影响，运用KH算法优化KELM模型的正则化系数C和核函数参数g，为使得英语教学质量评价最小，选择适应度函数[12]如式（18）。

3.3 算法流程

基于AHP和KH-KELM的英语教学质量评价算法流程如下。

Step1：建立英语教学质量评价层次分析模型;

Step2：构建判断矩阵B：运用1-9标度法两两比

较英语教学质量评价评价指标，构建英语教学质量评价的判断矩阵B;如果英语教学质量评价模型的评价指标集A=a1，a2，…，ai，…，an，其中n为评价指标数量，ai为第i个需要比较的评价指标如式（19）。

Step4：一致性检验：根据公式（2）进行一致性检验，若CR<0.1，则通过一致性检验;反之，调整判断矩阵;

Step5：将评分矩阵划分为训练集和测试集，训练集用于建立KH-KELM英语教学质量评价模型，而测试集用于验证KH-KELM英语教学质量评价模型的正确性;

Step6：设置IKH算法参数：磷虾种群大小N、最大随机扩散速度Tmax、最大诱导速度Rmax、最大迭代次数Maxgen以及最大觅食速度Vs，并随机初始化种群;

Step7：对于训练集，根据公式（18）计算种群适应度，并进行排序，计算各运动分量;

Step8：更新磷虾种群位置;

Step9：判断算法终止条件，若达到最大迭代次数Max gen，则输出最优解，也就是获得最佳正则化系数C*和核函数参数g*。反之，返回步骤Step7;

Step10：将最佳正则化系数C*和核函数参数g*代入KELM模型进行英语教学质量评价。

4 实验与结果分析

4.1 数据来源

根据AHP英语教学质量评价层次模型，运用专家打分法获取西安培华学院英语教学质量评价2008—2017年数据，运用最大最小值法歸一化处理数据，归一化结果，如表1所示。

评分专家由陕西省教育厅2019年度科研计划项目英语教学专家库成员随机抽取，共10名专家，专家职称具有副高及以上水平，具有很强的学术水平，对本专业内容非常熟悉。10名专家对18个二级指标进行打分，为避免个人主观因素带来的影响，最终将10名专家打分结果的平均值作为最终打分结果，如表2所示。

4.2 评价指标

为衡量英语教学质量评价效果，评价指标选择均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute error，MAE）[13]如式（22）、式（23）。

4.3 结果分析

根据英语教学质量要求，在相关研究文献的基础上，将英语教学质量水平划分为课程建设欠规范、规范和精品3个等级，划分标准如表3所示。

通过专家打分获得2008-2017年一共10组数据，将前6组数据作为训练集，后4组数据作为测试集。为验证KH-KELM进行英语教学质量评价的有效性和可靠性，将KH-KELM与KELM和支持向量机（Support Vector Machine，SVM）进行对比，对比结果如图2、表4所示。

由图2和表4英语教学质量评价结果可知，与KELM和SVM相比较，KH-KELM进行英语教学质量评价结果的RMSE和MAE最小，分别为0.315 2和0.183 5，从而说明KH-KELM可以有效提高英语教学质量评价的精度，为英语教学质量评价提供新的方法和途径。

5 总结

为了实现英语教学质量评价，运用AHP构建出包含5个一级评价指标的英语教学质量评价指标体系。将英语教学质量水平划分为欠规范、规范和精品3个等级并将其作为KH-KELM的输出，通过专家打分法获得18个英语教学质量评价二级指标数据并将其作为KH-KELM的输入，建立KH-KELM的英语教学质量评价模型。与KELM和SVM相比较，KH-KELM可以有效提高英语教学质量评价的精度，为英语教学质量评价提供新的方法和途径。

参考文献

[1] 刘元刚，熊刚，胡启迪.基于F-AHP的高职计算机课程教学质量评价的研究[J].信息技术，2016，（5）：147-149.

[2] 张居设. 基于GA 优化RBF 神经网络的英语教学质量评价[J]. 计算机系统应用，2020，29（3）：167-172.

[3] 张明亚.基于主成分分析和支持向量机的英语教学质量评价[J].现代电子技术，2018，41（7）：178-182.

[4] 邓蕾蕾，张献.教学质量促进学习成绩评估建模仿真[J].计算机仿真，2017，34（7）：158-161.

[5] 曹强，虞文美.基于模糊综合评价方法的财经类专业实验课教学效果研究[J].实验室研究与探索，2018，37（6）：232-235.

[6] 刘尧飞，蔡华健，张相学.基于层次分析法的课堂教学质量评价指标体系研究[J].江苏师范大学学报（教育科学版）， 2014，5（1）：45-47.

[7] 班丽丽，纪二娟.支持向量机的远程教学质量评估模型[J].现代电子技术，2017，40（13）：126-129.

[8] 岳琪，温新.基于GA和BP神经网络的教学质量评价模型研究[J].内蒙古大学学报（自然科学版），2018，49（2）：204- 211.

[9] 张瑞， 袁斐. 基于AHP的高校辅导员职业能力评价指标体系研究[J]. 丝路视野， 2017， 11（6）：42-44.

[10] 曹昱鹏， 王智杰， 胡勇文. 改进的层次分析法在高校学生综合素质评定中的应用[J]. 轻工科技， 2018（3）：53-55.

[11] 黄璇， 郭立红， 李姜，等. 磷虾群算法优化支持向量机的威胁估计[J]. 光学精密工程， 2016， 24（6）：1448-1455.

[12] 杨锡运， 关文渊， 刘玉奇，等. 基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 中国电机工程学报， 2015， 35（1）：146-153.

[13] 任天助， 辛万青， 严晞隽，等. 基于极限学习机的体系作战效能评估建模方法[J]. 导弹与航天运载技术， 2019，3（6）：21-25.

（收稿日期：2020.03.30）