基于BP 神经网络多维实践教学评价系统的构建与检验

杨智

（湖南大众传媒职业技术学院管理学院，湖南 长沙 410100）

落实高职院校的实践性特色，关键在于保障实践课程的教学质量，要保障实践教学质量关键手段是对实践教学进行评估。相对于理论课程，部分高校对实践课程管理教学评估手段落后，评价体系不科学。目前大部分学校实践教学评价体系通常是对理论课程评价体系简单移植，或者由教务人员或专家根据理论课特点，凭借个人经验制定，缺乏客观性，且评价方法缺乏严格的逻辑推导，科学性较差。我们急需建立一套符合职业教育特点的实践教育评价系统，实现对课程、教师、学生多视角的综合评价。

一、研究意义

目前，大部分学校实践教学评价体系通常是对理论课程评价体系简单移植修改，或者干脆套用理论课程评价指标。这些评价指标多由教务人员或专家根据理论课特点，凭借个人经验制定，缺乏客观性，评价方法缺乏严格的逻辑推导，科学性较差。另外，大部分学校对实践教学的评价多侧重教师教学考核，对实验环境、实验的关键环节没有评价指标，也缺少对学生的动手能力的反馈。同时，教学评价结果一般由教育行政人员统计分析，通常只公布一个评价结果，而具体评价指标明细项并不公开，缺乏与教师和学生沟通平台。这样教学评价无法发挥其应有的诊断和改进作用。我们有必要建立、健全科学、有效的实践教学评价系统。

二、研究设计

（一）设计的思路

传统课程教学评价局限于对教师的评估，而忽视了对学生和实践环境、实践关键环节的评估。本文采用“专家、同行、教师、学生”四个主体参与评分，建立对课程、教师、学生三位一体的实践课程教学质量评价体系（如下图）。并对实践课程教学评价系统进行实际应用检验。

（二）研究的方法

课题组运用BP神经网络原理，利用输入指标进行训练，从而构建实践教学评价网络系统，BP神经网络的基本原理是：设输入模式为x=(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为y=(y1,y2,...yh)T，输出层有m个单元，他们的输出为，目标输出为t=(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g。于是：：隐含层第j 个神经元的输出；其中w0j= -θ,x0=1

三、研究过程与发现

（一）参数的设定

本次研究利用了R 语言软件，其中的第三方包NNET 是非常成熟的BP 神经网络软件包。在参数设置中，设定初始随机权重0.1，全值衰减参数5e-4,最大迭代次数设置为1000 次。在BP 神经网络中，隐含层神经元个数的多少对神经网络性能的影响很大，如果隐含层神经元个数太少，那么会导致网络的学习能力不足，网络容易陷入局部极小值点；反之，如果隐含层神经元个数过多，那么网络会出现过拟合的现象，这样会造成训练时间延迟，且误差也不一定最小。因此，设定恰当的神经元个数是极为重要的工作。根据以往的研究和经验，我们利用隐含层神经元设置公式:

h=sqrt(n*m)

h:隐含层神经元个数；

n:输入指标个数；

m:输出指标个数。

最终，我们设定隐含层神经元个数为8，较为合适。

（二）样本的选取

针对三维实践教学评价系统，课题组按照“优、良、中、差”四个档次，对每一个子系统选用了40 个样本进行训练，共计120 个训练样本；检验样本各10 个，共计40 个。其中，实践课程评价子系统输入指标为19 个，教师评价子系统输入指标17 个，学生评价子系统为16 个，隐含层统一设置神经元个数8，输出层指标4 个，如下表所示：

表一 BP 神经网络三维实践教学评价系统训练、检验参数

（三）代码的编辑与调试

我们使用了以R 语言4.0.5 版本为基础的R-Studio 主流数据统计软件，通过反复调试，对于“实践课程、授课教师、实践学生”三个神经网络，分别编辑的BP 神经网络训练和检验程序代码如下(以实践课程评价系统代码为例)：

〉library(nnet)

〉course_train〈-read.csv(‘C:\Users\Administrator\Desktop\course_train.csv’)

〉course_train$df〈-factor(course_train$df,levels=c(‘excellent’,’go od’,’pass’,’fail’))

〉course_final=nnet(df～.,data=course_train,size=8,rang=0.1,decay=5e-4,maxit=1000)

〉summary(course_final)

〉course_test〈-read.csv(‘C:\Users\Administrator\Desktop\course_test.csv’)

〉course_test$df〈-factor(course_test$df,levels=c(‘excellent’,’good’,’pass’,’fail’))

〉course_predict=predict(course_final,course_test,type=“class”)

〉course_predict_table=table(course_test$df,course_predict)

〉course_predict_table

（四）研究发现

通过研究发现，三维实践课程评价系统各系统通过训练样本集的训练，都实现了收敛。

其中，实践课程评价系统权重196 个，迭代次数700 次，收敛值0.162664，验证正确率为100%；授课教师价系统权重180 个，迭代次数730 次，收敛值0.183244，验证正确率为100%；

实践学生评价系统权重172 个，迭代次数730 次，收敛值0.124005，验证正确率为90%。BP 神经网络训练效果好，检验正确率高。如下表所示：

表二 BP 神经网络三维实践教学评价系统训练、检验效果

四、结论

通过研究，本文建立了基于BP 神经网络的三维实践教学系统评价系统。该系统分为：实践课程评价子系统、授课教师评价子系统和实践学生评价子系统。其中，实践课程评价子系统输入有效指标为19 个，隐含层神经元8 个，权重值个数196 个；授课教师评价子系统有效输入指标17 个，隐含层神经元8 个，权重值个数180 个；实践学生评价子系统有效输入指标16 个，隐含层神经元8 个，权重值个数172 个。经过多次迭代，三个神经网络系统都有效实现收敛，通过测试样本检验，系统评价有效率达到90%-100%，达到很好的测试效果，系统模型构建有效。