基于ICA和CNN算法在教學質量評價中應用的探析

劉海燕 孫 悅 關曉輝 楊永清 王建元

（東北電力大學 教務處，吉林 吉林 132012）

0 引言

在高校的教學過程中，影響教學質量的因素是變化的，因此，在教學質量評估過程中，要動態的分析這些影響因素。目前教學質量評估多采用由學生考評的方法，但現行的質量評價系統存在著幾點弊端:1）學生在評分過程中，不同程度的帶有隨意性，不同專業的學生對于不同課程有傾向性。2）管理部門統計學生的評分時只是簡單的將各項分數相加，而沒有科學的權重配比。3）被評教的老師只知道總分而不知道自己的薄弱環節[1-3]。

本文首先應用獨立成分分析（ICA）算法對數據進行預處理，消除異常數據，然后將競爭神經網絡算法應用到評價體系中來，使得評價體系科學的確定權重，更準確的進行評價。

1 教學評價體系設計

一個科學的教學評價應致力于促進教師的全面發展，充分體現評價的教育功能。教學評價不僅僅是對教師工作狀況的鑒定，更重要的是為促進教師成長和提高教學水平服務，從而最終達到提高學生學業成績和發展學生綜合能力的目的[4]。通過教學評價，可以反饋教學信息，及時糾正教學中存在的不足，發揚和推廣先進教學經驗，使教學的各個環節相互適應，從而提高教育質量，全面實現教育管理目標。本體系主要由8個評價指標[5]:教學準備、教學態度、教學內容、考核方法、教學能力、教學輔導、教學資源、教學方法構成。

2 數據處理方法

2.1 數據的預處理

數據預處理是系統運行的重要一環。主要目的是為后續的數據分析模塊準備數據。需要根據系統的所采用算法的要求，提前對數據進行處理。數據預處理通常主要包括異常數據處理和特征提取等工作。通過數據預處理的操作，使數據集的數據更為簡潔，更適合于后續分析[5-6]。

本文采用獨立成分分析（ICA）的方法進行特征數據的提取。

ICA是最近十年發展起來的多維信號分解技術，主要處理的對象是非高斯信號，以高階統計知識和信息熵理論為基礎，以隱含變量之間相互獨立為提取原則，進行獨立成分的提取，提高系統的辨識能力[7]。

2.2 競爭神經網絡原理

以往確定各個項目的權值是用優序比較法來確定的，所謂的優序比較法是利用專家組的經驗作出判斷，對各項評價指標分別排序,并通過各級指標的兩兩比較，從而確定權值。這種固定每項指標權重的做法在某些情況下未必科學，那么如何找出每項指標的合理權重，就成為評價體系設計中的一個很重要的因素。把競爭神經網絡應用到評價體系中來，恰好能夠解決這一問題[8]。

3 結果與討論

將每一項得分滿分設為10分，首先是組織數據源:本模塊采用B/S模式，學生和專家使用IE瀏覽器的網頁提交打分情況(學生評教數據、專家評教數據)，并將數據存儲在服務器端的SQLServer 2000數據庫中，為教學評估做準備。利用Visual Basic完成大部分數據的轉換和清理工作，接著利用ICA算法進行特征提取，將提取后的數據訓練神經網絡，然后利用訓練好的神經網絡進行教學評價。

3.1 ICA處理結果

將ICA方法應用于處理采集到的學生評教數據。

經過ICA算法對數據進行處理后的數據，帶有明顯的分類信息，使得數據更為規范化，可以看出有的評估項目分類信息不明顯，如X1，X4，X6，如果采用這些評估項目會造成后續工作的繁冗，因此經過綜合考慮，在后續的神經網絡算法中中我們只采用X2，X3，X5，X7，X8這五個評估項目即:教學態度，教學內容，教學能力，教學資源，教學方法。從這我們也可以得出其他評估項目教師做的已經比較好了，或從另一個角度來講，學生對這幾項評估內容比較重視。利用ICA算法對學生評估數據進行預處理可以有效減少異常數據所帶來的干擾，從而有利于從大量數據中提取準確有效的特征，為后續的神經網絡算法分析提供了保障。

3.2 競爭神經網絡識別結果

為使數據符合訓練過程的函數運算要求,對所有原始數據進行歸一化處理,使其落在[0，1]區間。

采用競爭神經網絡對教學質量評估系統進行辨識。這里將5個評價指標作為神經網絡系統的輸入，把評價目標即教學效果作為系統的輸出，也就是神經網絡有5路輸入信號，1路輸出信號，并設學習率初始值為0.6，初始權值 ，最大允許誤差為0.001[9]。

網絡選取45個樣本進行訓練，在訓練577次達到訓練目標。抽取15個樣本的網絡輸出與專家評教值進行比較，網絡輸出與專家評教之間的差都落在了[-0.001，0.001]之間是符合我們的要求的。然后選取5個未曾訓練過的測試樣本讓網絡進行評估,以檢驗網絡的推理、測試能力。由可見，這5個樣本神經網絡雖然未曾訓練過，但輸入到訓練后的網絡輸出的結果與專家評價結果的差距也落在 [-0.001，0.001]之間，反映出網絡對原始數據進行了很好的訓練，有較強的推理能力,可以進行科學的評價。

4 結論

本文應用ICA算法可以有效的清理數據，使數據整潔有效。再應用CNN算法找到各項指標的權重，對教師的教學質量進行準確評價，建立的網絡模型的輸出值與專家評教值之間的誤差很小，從而表明，ICA算法和CNN算法用于高校教學質量分析評估是有效、合理的?？梢钥茖W、快捷、方便的對教師的教學質量進行評價。

［1］張慎霞.課程教學效果評價還是教師教學水平評價:對改革和完善高校教師教學質量評價的思考[J].現代教育技術，2011，21(3):61-63.

［2］楊德芹.教學質量評價模型及案例分析應用研究[D].武漢:華中師范大學，2008.

［3］仲蘭芬，王文忠.高校教師教學質量多級過程性評價系統模型的設計[J].陰山學刊:自然科學，2011，1:78-80.

［4］徐志偉.關聯規則方法在高校課堂教學質量評估體系中的應用研究[D].長春:東北師范大學，2009.

［5］盧晶晶.基于數據挖掘的教學評價系統[D].南京:河海大學，2007.

［6］郭曉利，郭平，馮力.基于數據挖掘技術的教學質量分析評價系統的實現[J].東北電力大學學報，2006.Vol.26(3):70-72.

［7］趙立權.ICA算法及其在陣列信號處理中的應用研究[D].哈爾濱:哈爾濱工程大學，2009.

［8］葛勇，王玲.自組織競爭人工神經網絡在顏色選擇中的應用[J].計算機系統應用，2010，1:137-139.

［9］王鐵，張國忠，周淑文.基于競爭神經網絡的ABS路面辨識[J].東北大學學報，2003(6):560-563.