基于BP神經網絡的線上教學質量評價方法研究

朱慶生　曹情情　白秀云

摘 要：本文研究神經網絡在線上教學質量評價中的應用，利用深度神經網絡，從在線點擊率、視頻學習進度、上課視頻狀態、作業完成率、學習頻率等行為數據，測量、評價教學狀態，構建基于BP神經網絡的線上教學質量評價模型，結合我校MOOC課程、直播課程等在線課程的教學實際數據來訓練模型，給出了線上教學質量評價的一般方法。

關鍵詞：線上教學評價；BP神經網絡；教學大數據；數據挖掘

中圖分類號：G642? 文獻標識碼：A? 文章編號：1673-260X（2023）04-0064-06

1 高校開展在線教學的意義

在互聯網技術時代，信息技術廣泛應用于教育行業，數字化、網絡化、智慧化的學習方式越來越流行[1]。在線教學，是指通過互聯網技術或其他數字手段進行的教育和培訓，它已經成為傳統面對面教育外另一種很受歡迎的選擇。我省各高校均開設了大量的在線課程，疫情期間我校所有課程全面建立了線上資源，保障了教學工作的正常有序實施。

（1）在線教學內容的可重復性促進學生對專業知識的學習和理解。線上教學內容的可重復性意味著在線教學平臺上的課程內容可以被學生多次觀看、操作、實踐，這種特性對于學生學習知識具有巨大的幫助。學生可以通過多次聽課，加強知識學習，進一步掌握理解知識的方式。同時，可重復性也可以使學生更容易回顧所獲得的知識，以加深記憶力，防止知識點被遺忘。

（2）在線學習的自主性可以提供學生個性化學習的機會。網絡教學的自主性是指鼓勵學生根據自己的課程學習和需求，選擇課程內容，學生可以根據個人興趣愛好與需求選擇知識和教學方法。這種教學方式大大降低了學生的時間成本和精力，而且能夠提升學生的學習成績，滿足學生的個性化要求。因此，在線學習的自主性是一種有效且個性化的學習方法，可以讓學生擁有更輕松的學習氛圍、獨立性和快樂感，有助于增加他們學習和成長的內在動力。

（3）在線教學互動性和協作性有助于提高師生交流和合作意識。在線教學支持交互性和協作性，通過在線平臺提供的討論板、聊天室等工具，使學生和教師可以互相溝通和合作，提升了師生之間的溝通能力和協作能力。這樣可以讓學生們更好地理解課程內容，有利于更好地進行課堂教學。通過老師和學生之間的支持與合作，不僅開闊他們的視野，拓寬他們知識的體系，而且有利于提升學生團隊合作能力。

2 高校線上教學質量評價存在的困難

2.1 高校線上教學的形式

線上課程的教學方式多樣，包括翻轉課堂、大學開放課程、MOOC課程等。許多高等院校開設的網絡課程都是采用線上和線下結合的教學方式。高校網絡公開課改革已成為網絡教育研究的熱點，互聯網教學改革涉及互聯網課堂教學在課題設計、教學策略和課程評價等方面效率和效果，及其如何鼓勵學習者積極開展課程內容活動和批判性思考學習。

近些年，在我國高等院校網上教學和互聯網開放學科的建設與教學改革取得了一定的成果，但也存在諸多問題。網上課程資源的問題多在于課程規劃缺乏科學性，課程理念不夠先進，課程設計不夠合理[1]，課程資源不夠優質，課程評價不夠有效等。在線課程學習的問題在于學生的平均流失率較高或學習完成率偏低，學習者的知識水平側重于認知層次，很少能夠達到應用和復雜應用的水平。學習者對在線課程感興趣程度差異是造成該問題的關鍵性原因，知識比較碎片化，實際解決問題能力上有差異，學習的批判性水平也有待提高。

2.2 目前高校在線課程教學質量評價存在的困難

高校在評估網絡課程教學質量時面臨著幾個困難，其一標準化問題：開發一個可以在不同機構和學科之間普遍應用的標準評估系統是一項挑戰。其二數據收集問題：由于教師與學生之間缺乏實時互動，很難收集到在線教學的準確數據，難以準確捕捉教學效果。其三主觀性問題：在線教學評估可能會有偏差，因為學生可能會根據教學質量以外的因素來評價他們的教師，比如課程難度或個人關系。其四缺乏反饋：在線學生可能得不到與傳統課堂環境下相同水平的反饋，因此很難評估教師教學方法的影響。其他還有互動有限性問題：在線課程缺乏傳統課程提供的面對面互動和協作機會，這使得評估教學效果和學生參與度具有挑戰性。

在線教育教學也包含著非常復雜的內部規律，使用一般意義上的分析模型很難使評估更接近實際情況的結論。正是由于這個原因，目前，對高校教學質量的評估主要通過教學監督評估和客觀指標（如考試成績、出勤率、家庭作業完成情況等）相結合來評估。

3 神經網絡算法在教育領域應用場景

3.1 線上課程大數據特征

在線教育大數據不同于傳統教育數據，有以下特征：第一，規模大。在線教育大數據涵蓋了與教育相關的所有記錄，數據量龐大。第二，類型多樣。在線教育大數據包括學生的學習行為數據，課程數據，學校數據等，類型繁多。第三，連續性強。在線教育大數據是在線學習過程中不斷積累的，每一條數據都反映了學習者的行為及進步。第四，價值密度低。在線教育大數據中，很多數據不能直接等同于教育信息[4]，需要進行進一步的分析處理。第五，具有多媒體數據。在線教育大數據包括圖像，語音，文本三種不同類型的數據。

為了更好地挖掘教育大數據，需要使用圖像信息識別、文本數據分析、語音數據分析等技術。深度學習在處理這三種數據方面表現出色，因此各大高校開始將深度學習算法引入在線教育大數據挖掘領域，以更加準確和有效地探索教育問題。

3.2 神經網絡算法

深度學習是一項新的機器學習技術，由Hinton教授提出，因其提高了神經網絡的效率，受到了學術界的注意。深度學習神經網絡是一個多層網絡，包括輸入、隱藏和輸出層[5]。其多層結構可以接近復雜的函數。深度學習可以擬合任意復雜函數，不同的神經網絡模型可以從數據中提取特征[4]，增強識別能力。也能保存長期狀態，維護數據之間的連接。相比其他方法，深度學習算法更靈活和準確，在語音識別、圖像識別、情感分析等領域有重要作用[10]。神經網絡算法是解決復雜問題的流行方法，因能從數據中學習和歸納，即使是在有噪聲或不完整信息的情況下。

神經網絡算法在教育領域應用于各種場景，如學習資源推薦、學習行為分析、在線教學質量評價、學生學習效果預測等。神經網絡算法可以處理大量的數據，并通過模型訓練和學習來提取特征，進而對教育進行更加準確的預測和評價。這不僅可以提高課程教學質量與效率，而且有利于改善學生的學習成效。

神經網絡算法在教育領域的應用方式非常多樣化。主要有以下的應用方式：（1）學習評價。神經網絡算法可以評價學生的學習表現情況，進而對學生的學習成效做出有效的評價。（2）教學內容推薦。神經網絡算法能夠通過對比學生們的學習狀況、學習能力及學習設計風格，從而為學生推薦合適的教學內容。（3）教學課件生成。神經網絡算法可以通過分析教師的教學風格，教學內容，教學方法等信息，從而生成適合教師教學風格的課件。（4）在線教學評價。神經網絡算法可以通過分析在線教學內容，課件，教師教學風格等信息，從而評價在線教學的質量。（5）學習路徑生成。神經網絡算法可以通過分析學生的學習風格，學習能力等信息，從而為學生生成適合學生學習風格的學習路徑。

3.3 基于神經網絡技術的在線教育大數據挖掘流程

基于神經網絡技術的在線教育大數據挖掘流程主要包括以下幾個步驟：

（1）數據預處理。由于在線教育大數據獨有的特征表現，從在線教育系統中收集大量的數據中可能存在缺失值、異常值、噪聲等，因此需要對數據進行清理、格式化等預處理工作，使得數據更適合挖掘分析。

（2）特征工程。根據數據的具體情況，選取有價值的特征，并對特征進行轉換、縮放等工程處理，使得數據更適合神經網絡分析。

（3）神經網絡模型設計。根據數據特征以及問題要解決的任務，選擇合適的神經網絡模型，并進行設計、訓練。

（4）神經網絡模型驗證。對神經網絡模型進行驗證，判斷模型的準確率和效果，并對模型進行調整和改進。

（5）神經網絡模型應用。根據神經網絡模型的結果，對在線教育數據進行挖掘分析，得出有意義的結論。

這五個步驟通過神經網絡算法，在線教育課程教學質量評價可以實現對課程教學效果的多維度、精確評價，有助于提高教育教學質量，提升學習效果?；谏窠浘W絡技術的在線教育大數據挖掘流程圖如圖1所示。

4 基于BP神經網絡線上教學質量評價模型的構建

BP神經網絡作為機器學習的一種重要算法，可以有效地評價線上教育的質量。這里介紹基于BP神經網絡的線上教學質量評價方法的過程。

4.1 線上教學質量評價指標體系設計

課程評價指標體系是高校教師教學和學生學習情況的反饋。有助于推動課程改革、促進課程建設、提高教學質量。其中，線上教學質量評價指標體系是評估線上教學質量的一系列指標。常見的線上教學評價指標：學生參與度（包括學生對課程內容的反饋、評論以及參與討論）、學生學習成果（包括學生的測試成績和課程作業）、教師教學表現（包括教師的教學方法、使用的教學資源以及課堂環境的管理）、課程內容（包括課程的內容、資源和教學計劃的實施情況）、技術支持（包括設備和技術的可靠性以及在線教學系統的易用性）。此外，通過對這些指標的評估，線上教學質量評價指標體系可以幫助高校評估線上教學質量，有助于及時改進在線教學風格。針對學生學習追蹤的結果不僅僅是提供給學生和教師一個學習結果評價，更需要通過評價結果來幫助學生意識并調整個人的線上學習狀態，以達到更好的學習效率。

線上教學過程追蹤的數據包括：用戶信息（包括學生的個人信息，如姓名、年齡、性別、學校信息等）、學習行為數據（包括學生的學習時間、學習內容、學習頻率、學習進度等）、學習成績數據（包括學生在課程中的考試成績、作業分數、項目成績）、課程內容數據（包括課程結構、課件、題目、知識點等）、教師數據（包括教師的課程得分、教學方式、教學評價）如表1所示。這些數據可以通過線上教學平臺的日志、數據庫、教師手工輸入等方式獲取。利用這些數據可以對學生的學習情況、課程質量、教師教學質量等進行評價，為高校提供重要的決策依據。

4.2 BP神經網絡線上教學質量評價模型

根據現有的在線教育環境和在線學習的常見方式[3]，提出基于BP神經網絡的學生學習行為評價可采用的評價模型，如圖2所示[3]。

BP神經網絡線上教學質量評價模型的構建步驟一般如下：

（1）數據收集。首先需要準備用于訓練和評估神經網絡的數據。這些數據可以是用戶的評價，每個評價的分數以及可能的其他關鍵因素，如課程名稱、課程內容、教師能力等。與此同時，結合我校在校生課程學習情況，從學生信息系統中收集初始樣本數據，確定輸入層、隱含層、輸出層節點個數以及期望值。

（2）數據預處理。對原始數據進行預處理，提取有用的特征，并對數據進行標準化處理。

（3）構建模型。根據評價指標體系構建BP神經網絡模型。

本文采用3層BP神經網絡結構，如圖3所示。BP神經網絡線上教學質量評價模型的輸入層是該模型的第一層，是模型處理數據的第一個關鍵點。輸入層需要以一種明確的方式來表達線上教學數據，以便模型對數據進行分析和評估。

（4）模型訓練。對構建好的模型進行訓練，得到最優參數。

參數設置，輸入層與輸出的節點個數均根據具體問題確定，并無嚴格要求隱藏層的數量，層數可以為一層或多層?？聽柲窳_夫的理論已經證明，任何給定的連續函數φ：X一Y，X∈Rn，Y∈[0，1]m，φ可以通過一個三層的神經網絡精確地實現[2]。

除此之外，在隱藏層中使用太少的神經元可能導致欠擬合狀況[7]。反過來，使用過多的神經元可能致使過度擬合[7]，進而難以實現預期的效果。因此，在隱藏層挑選適度數量的神經元一樣重要?？衫媒涷灩剑?）確定隱含層神經元數量Lh，表示為：

表達式（1）中，Lt為訓練集的樣本數據，Li為輸入層神經元個數，L0為輸出層神經元個數，？茁為任意變量，通常取[2，10]區間的常數。激活函數擬采用的是Logistic函數。再用softmax函數對系統輸出值進行反歸一化處理[8]。學習率、訓練集和測試集均通過實驗反復調整來確定。

BP算法實現，應用SPSS軟件進行仿真實驗，步驟如下：

步驟1：利用公式（2）對輸入層數據歸一化處理

其中X為輸入數據分量，Xmin和Xmax分別表示在訓練數據集中該分量的最小值和最大值[6]。經過輸入層標準化后，得到的數值在區間[0，1]中。

步驟2：搭建前向神經網絡，并進行訓練。

步驟3：輸出預測結果，驗證模型的有效性，如通過交叉驗證法等。

步驟4：將訓練好的模型應用到線上教學的評價中，得到線上教學質量評價結果。計算評價模型的精度和可靠性，并對模型進行優化。

5 實驗及結果分析

5.1 實驗過程

5.1.1 數據收集

本項目擬收集數據集的規模為2個學年20門專業課約1000名同學在線課程互動信息（學習狀態信息）。以BP神經網絡模型中的結果作為線上教學質量評價預測值。將學生評教、學院綜合考核融合得分作為BP神經網絡模型中的真實值，結合表1先線上教學行為數據結構展示學生學習行為狀態數據，如表2所示。

5.1.2 數據預處理

通常情況下，預處理線上教學數據可以是學生的學習行為數據、教師的教學數據等。這些數據需要被轉化為模型可以識別的數字，以便模型進行處理。因此，在表達線上教學數據時，需要對每一種類型的數據進行分別處理，以便在輸入層中表示。例如，對于學生的學習行為數據，可以利用0/1等數字表示。

5.1.3 模型訓練

（1）參數設置。將表1中指標X1、X2、X3、X4…X9、X11作為10個輸入層數據，X12是由前10個指標基于BP神經網絡模型對課程名稱（X10）作為輸出層的預測值，表2中評課得分Y作為輸出層的真實值。輸入層與輸出層節點數分別為10、1。根據公式（1），隱藏層層數為5、每層神經元個數相等均為10，訓練結果最佳。經過反復測驗比較分析，發現迭代次數為1000時訓練效果最佳。同時，將學習率設定為0.05，訓練集占比為0.7。

（2）BP算法實現。學生評學指標體系使用SPSS軟件進行仿真實驗，根據式（2）對各指標數據進行歸一化處理，得到測試數的預測結果，如表3所示。

5.2 結果分析

基于MSE、RMSE、MAE、MAPE、R2指標對模型進行分析比較，輸出結果如表4所示。其中將預測值跟只使用均值的情況下相比表示R2的值，結果越靠近1模型準確度越高。教學評估中的BP神經網絡R2的值為0.976，表明模型具有確定的參考價值。

表3展示了訓練集和測試集的線上行為數據指標，通過量化指標來衡量BP神經網絡回歸的預測效果。其中，通過交叉驗證集的評價指標可以不斷調整超參數，以得到可靠穩定的模型?；贐P神經網絡模型所構建的評學體系預測該門課程的教學質量如圖4所示。

圖4中菱形標記的折線表示學生針對相應課程評教的課程得分，作為基于BP神經網絡的線上教學質量評價模型的真實值；圓點標記的折線表示由文中構建的BP神經網絡模型就線上行為數據即X1、X2…X9、X11等10個指標，對20門課程教學質量的預測值。

通過表3的對比及圖4的分析可得，在可接受的預測精度范圍內[9]，表明基于BP神經網絡的線上教學質量評價模型是有效、合理的。從應用來看，該課程的教學質量預測值X12可以近似為傳統課程主觀評教得分Y。

本研究創建的三層BP神經網絡線上教學質量評價方法，在對BP神經網絡基本原理、模型構建方法、指數值估計方法等進行詳細解釋和分析的基礎上，檢查了基于BP神經網絡的線上教學質量評估方法的有效性和穩定性。從研究結果可知，基于BP神經網絡的線上教學質量評估方法是一種比較合理的線上教學質量評估方法。

——————————

參考文獻：

〔1〕宋倩倩，曹玉娟，劉振海.深度學習視角下高校在線開放課程教學改革初探[J].鹽城工學院學報（社會科學版），2018，31（04）：83-85.

〔2〕梅強，范茜.基于BP神經網絡的高新技術企業自主創新能力評價研究[EB/OL].（2011/6/8）[2023/2/12].http：//219.231.8.39/s/com/baidu/w enku/G.https/view/48f0d317c281e53a5802ffa9？_ wkts_=1676270264593.

〔3〕劉明春.基于BP神經網絡的在線學習行為評價模型[EB/OL].（2015/7/25）[2023/2/12].https：//www.doc88.com/p-9032358207792.htmt.

〔4〕陳德鑫，占袁圓，楊兵.深度學習技術在教育大數據挖掘領域的應用分析[J].電化教育研究，2019， 40（02）：68-74.

〔5〕謝麗強.基于BP神經網絡下的煤炭上市公司融資風險預警研究[D].太原：山西財經大學，2018.

〔6〕張鋼，等.深度學習技術在高校教學質量評價中的應用研究[J].電腦與電信，2017，23（10）：6-8.

〔7〕馮雨萌.基于深度神經網絡的上市公司價值評估應用研究[J].佳木斯職業學院學報，2022，38（08）：50-52.

〔8〕池永為.滾動軸承故障的振動特性分析與智能診斷方法研究[D].無錫：浙江大學，2018.

〔9〕鄭永，陳艷.基于BP神經網絡的高校教師教學質量評價模型[J].重慶理工大學學報（自然科學版），2015，29（01）：86-90.

〔10〕郭昌健.基于訂單流不平衡的股指期貨套利研究[D].濟南：山東大學，2021.

〔11〕S. H. Hong， “Application of BP Neural Networks in Teaching Quality Evaluation，” Machine Building & Automation， vol.34， Dec. 2005， pp. 160-162.

〔12〕W. D. Qiao， “Teaching Quality Evaluation of Modern Distance Education based on BP Neural Networks，” Distance Education in China， no.25， Jul. 2006， pp. 69-71.

收稿日期：2023-02-17

通訊作者：白秀云（1964-），女，內蒙古赤峰市人，副教授。研究方向：生物學科教學及編輯規范。

基金項目：安徽省質量工程重點教學研究項目（2020jyxm0359）；安徽省質量工程重大教學研究項目（2018jyxm1147）；安徽省質量工程重大教學研究項目（2020jyxm0329）；省級示范實驗實訓中心（2019sxzx14）