基于BP神经网络的线上线下混合式教学质量评价模型.pdf

第 22 卷第 6 期南阳师范学院学报Vol.22 No.62023年11月Journal of Nanyang Normal UniversityNov.2023收稿日期:2023-09-08基金项目:2022 年河南省高等学校重点科研项目(22A880006);2021 年度职业院校外语教育改革研究课题(WYJZW-2021-2035);河南省教师教育课程改革研究项目(2021-JSJYYB-062);河南工业职业技术学院 2023 年度校级职业教育研究课题(2023ZJYJ19)作者简介:薛红勤(1981),女,河南南阳人,硕士,讲师,主要从事英语及第二外语教学方面的研究。基于 BP 神经网络的线上线下混合式教学质量评价模型薛 红 勤(河南工业职业技术学院 文化旅游与国际教育学院,河南 南阳 473000)摘要:疫情后线上线下结合的混合式教学模式成为主流教学方式,目前这种教学方式的教学质量评估缺乏客观的标准依据。本文依据多指标的三维指标评价体系,利用神经网络的智能化分析特点,构建了一个智能化的教学质量评价模型,并对该模型进行了验证。实验证明,模型预测的输出值和真实值之间的误差在允许范围之内,开发的模型基本能够准确反映评价要求。关键词:神经网络;线上线下;教学;评价中图分类号:G 423.04文献标志码:A文章编号:1671-6132(2023)06-0068-05在数字时代,传统的教学模式发生了很大变化,“教”与“学”的内涵发生了质的变化1。后疫情时代线上线下混合式教学模式获得了飞速的发展,众多学者对该教学模式进行了研究,并在教学模式的应用等方面取得了较多的成果2-4。但由于该模式在教学时间、内容分配、考核方式等方面存在很多问题,无法达到线下教学的效果,主要原因在于目前还没有系统、全面的针对该模式的客观的评估指标和方法。本文依据多指标的三维指标评价体系,利用 BP 神经网络的智能化分析特点,构建了一个智能化的教学质量评价模型,并对所建立的模型进行了验证,以期对未来线上线下混合式教学的发展提供帮助。1评价指标体系的制定无论是线下还是线上教学,以学生为中心的理念矢志不渝,并以此构建学习理论。充分利用 5G 技术的发展和移动应用的普及,与移动互联网应用等新的教育形态混合并拓展,本文从课程评价、过程评价、评价主体、评价方式、评价结果五个方面提出了构建混合式教学质量评价指标体系应遵循的原则。(1)线上线下混合式教学质量评价体系应立足于教学全过程,提高教学覆盖面教学质量考核指标分。(2)线上线下混合式教学模式中的在线教学的过程评价有一定的难度,因此,更注重互动作为过程评价的重要维度。互动的方式不仅包括在线教学过程中的提问等方式互动,也包括了作业方式的互动,试卷考试测试方式的互动等。(3)线上线下混合教学模式的评价主体是教师、学生、专家和教学平台。(4)在评价方式上除线下教学中的课堂表现等,也应充分利用在线工具和应用平台的在线数据进行评价。(5)评价结果以学生的在线学习情况、作业质量、期末考试成绩等为依据,同时应注意学生课后的教学反馈及学期末的教师教学质量评价。2评价指标体系 教学质量评价的核心在于评价的标准,标准不同得到的结论有可能完全不同;评价标准是教师教学成绩的肯定与否。本文通过借鉴已有的研究成果5-8,并征询相关专家意见,结合教学实践,提出线上线下混合式教学的评价指标体系。本指标体系包含了课程、教学、效果、反馈 4 个一级指标,20 个二级指标,具体指标体系见表 1。第 6 期薛红勤:基于 BP 神经网络的线上线下混合式教学质量评价模型表 1线上线下混合式教学课程建设的评价指标一级指标二级指标主要观测点课程评价 X1课程建设规划 X111.课程建设目标;2.建设内容;3.建设步骤等教学大纲 X121.课程性质;2.课程目的与任务;3.教学重难点突出;4.学时分配合理等教学内容 X131.符合课程大纲要求;2.引入最新研究成果;3.教学内容组织合理;4.达成教学目标等教学设计 X141.授课环节合理;2.课堂内容重难点突出;3.线上线下教学活动紧密衔接等教学队伍 X151.课程负责人;2.教学团队;3.教学能力等教材选用与建设 X161.教材选用;2.教材建设等课程资源 X171.题库;2.教辅资源;3.网络资源等教学平台 X181.平台稳定性;2.功能齐全;3.简单易操作;4.网络运行环境良好等教学评价 X2教师在线教学 X211.课前预习任务;2.课后作业修改情况;3.教师指导、监督和指导学生学习的次数;4.教师组织的教学活动数量等 学生线上学习 X221.在线学习时间;2.在线学习次数;3.课前预期完成情况;4.课后作业完成情况等教师线下教学 X231.教师课堂活动的组织;2.课前预习情况;3.课前预习任务讲解;4.课程重难点内容讲解;5.使用数字教学工具进行教学等学生线下学习 X241.学生对预习任务疑问提问;2.学生参加课堂活动次数;3.学生课堂的表现;4.学生分组讨论情况;5.小组任务完成度等效果评价 X3课程目标 X311.课程知识目标;2.专业技能目标;3.应用技能目标;4.综合能力目标;5.能力目标等课程内容 X321.知识结构和学生认知结构吻合度;2.课程内容是否合理;3.课程设计是否合理等过程质量评价 X331.教学过程教师授课质量;2.师生线上线下互动情况;3.学生作业完成时效;4.教师批改作业时效等学习效果评价 X341.试卷质量;2.考试结果等学习质量评价 X351.在线预习作业完成情况;2.课后作业完成情况;3.期末考试成绩;4.专业技能掌握情况等反馈 X4学生评教 X411.课后反馈情况;2.期末评教情况等同行评教 X421.教研室内其他专业教师听课情况反馈等专家评教 X431.督导听课反馈;2.二级学院领导听课反馈等3评价方法3.1模型开发线上线下混合式教学质量评价一直采用传统的评价方法,如单因素评价法、总体评价法、模糊数学、运筹学、多元统计分析、多维标量分析等,这些方法不同程度地存在以下一些问题:次要指标权重很难确定,评价具有主观性和随意性;计算复杂,求解费力;算法缺失智能算力。生物神经网络的结构和功能被很好地模拟成人工神经网络,该方法被广泛应用于评价数学或计算模型9。神经网络通过连接大量的神经元构成复杂的网络结构,这种结构能具有适应性性,能依据外部信息自适应改变内部运算。因此,神经网络也是数理统计方法的实际应用,它使我们能够获得可以表达的大空间的局部结构。另一方面,神经网络可以利用数理统计的方法来解决应用中的决策问题(即统计方法让人工神经网络能够做出简单的决策)。误差反向传播神经网络简称 BP 网络10,该网络结构为三层网络前馈分层,由输入层、隐含层和输出96南阳师范学院学报第 22 卷层组成。依据误差的传播方式又可分为前向和后向传播网络。BP 网络的工作模式:首先,信息从输入层发送到隐藏层的单元。隐藏单元中计算,将生成的数据发送到输出层。这种方式称为前馈方式。然后打印与期望值相比,如果不满足期望值,则转换为误差反向传播,沿着原路径传回误差,并通过修改每层神经元的连接权重来减小误差信号。通过不断的前向、后向交替的“记忆训练”,直到期望误差达到预期要求,从而得到一个稳定的网络模型。具体包括如下几个关键步骤。(1)神经元数量的测定。模型的输入神经元数量的确定,通常是以指标体系的指标数作为神经元的数量。比如如果体系有 25 个子指标,那么输入层的神经元数量就定为 25。(2)输出层中神经元数量的确定。模型的输出层是混合模型最终的评估结果,可以依据评估结果来设定模型的输出层神经元数量。(3)网络隐含层数量的确定。隐含层数量可以没有,也可以是一个或多个层。表示的含义分别是:没有隐藏层表示线性可分离函数或决策;1 个隐含层表示从一个有限空间连续映射到另一个有限空间;2 个隐含层可以使用有理激活函数将任意决策边界表示为任意精度,并且可以将任何平滑映射近似到任何精度;2 个以上隐藏层可以学习复杂特征。通常隐含层数量取决于输入层,输出层和输入样本的数量,本文确定隐含层数量依据下面的公式。h=sc(m+n),c2,10(1)其中,n 为输入层大小,m 为输出层,s 为样本量,c 为常数。(4)隐藏层中神经元数量的测定。通过网络的收敛性来判定隐藏层中的神经元数量。隐藏层的神经元多少都会带来性能问题,太少会使得训练不充分,造成网络不够“鲁棒”,容错率降低;相反,神经元太多训练时间长,性能降低,误差也提高不了多少。因此,神经元参数确定大多采用遗传算法,或者粒子算法来寻找最优的参数,最终得到一个经验公式来确定。以下方程是几个广泛使用的经验公式。s=(0.43mn+0.12m2+2.54n+0.77m+0.35)1/2+0.51(2)s=(m+n)1/2+a,a1,10(3)h=sc(m+n),c2,10(4)其中,n 为输入层大小,m 为输出层,s 为样本量,c 和 a 为常数。(5)神经元转换函数。BP 神经网络神经元转换函数种类有很多,比如:Sigmoid 函数、HardSigmoid 函数、Swish 函数、ReLU 函数等。其中 Sigmoid 函数表达式如公式(5)所示。f(x)=11+e-x(5)其中系数 表示函数的压缩程度。(6)模型结构及训练流程。由上述参数确定后的基于 BP 神经网络线上线下混合式教学质量评价模型的结构如图 1 所示。构建的神经网络训练流程如图 2 所示。3.2模型训练及测试针对所构建的线上线下混合式教学质量评价模型,需要进行训练及测试,模型数据来源于学校一门课的期末考试及调查问卷,调查对象包括本专业所有参考学生,调查指标涵盖模型所有指标,要求学生对所有指标进行评分,总共 78 份,最终有效数据为 60 份。训练数据和测试数据按照 21 分配,40 份作为训练数据,20 份为测试数据。神经元数量参数设置为 输入层隐含层输出层=38121,学习率=0.90,目标误差为=0.001。网络训练完成后,利用测试数据进行测试。将测试模型输出值与真实值进行比较,比较数据如表 2 所示,真实值和模型输出值的误差对比图如图 3 所示。通过误差分析可以看出,构建的线上线下混合式教学质量评价模型的输出值与真实值比较接近,误差在可接受范围。由此,该模型的评价指标能较为准确地反映教学效果,具有一定的参考价值。07第 6 期薛红勤:基于 BP 神经网络的线上线下混合式教学质量评价模型图 1BP 模型评价结构图 2训练流程图表 2真实值与模型测试结果序号真实值模型输出值误差序号真实值模型输出值误差16.897.011.74118.488.550.8326.467.018.51127.987.990.1335.755.790.7138.027.950.8746.246.666.73148.238.012.6758.489.036.49156.736.523.1269.128.941.97165.775.612.7778.258.220.36176.976.832.0187.777.27.34189.039.110.8996.486.997.87199.249.998.12106.996.990207.357.745.31图 3真实值和模型输出值图该模型在迭代过程中从开始到结束的收敛速度都很快,具有良好的并行效果。在测试组数据时,准确率高达 82.36%。在 BP 模型训练中,相对传统模型同比增长 6.30%,精度明显更高。由此对比传统模型,本文的 BP 神经网络模型提高了线上线下混合式教学质量评价训练效果,更快的计算时间,更快的收敛速17南阳师范学院学报第 22 卷度,提高了准确率,且误差非常小,完全在可接受的范围内。4结论经过实证研究,该模型的输出值与真实值之间的误差在可接受范围,性能基本可以满足实际的评价需求。另外,模型的精度取决于训练样本的数量,随着模型的应用,训练样本的增加,精度会逐步提高。总之,基于神经网络构建的线上线下混合教学质量评价模型为教学质量评价和改进方案提供有益的参考。未来,评价模型可以通过引入大数据和深度学习来进一步改进。此外,应利用更多的案例来进一步验证所制定的指标体系和评价模型。参考文献1徐凤婷.混合学习空间下的中小学教师数据素养评价与提升策略研究D.广州:广州大学,2022.2赵菲菲,薛红勤,张朋,等.网络教学平台在“旅游地理学”教学中的应用与研究:以超星学习通为例J.南阳师范学院学报,2022,21(1):72-76.3王怡丹,庄天宝.“互联网+”背景下大学计算机基础 MOOC+SPOC 的混合教学模式研究J.信息与电脑(理论版),2023,35(10):241-243.4张倩,马秀鹏.后疫情时期高校混合式教学模式的构建与建议J.江苏高教,2021(2):93-97.5王玲玲,梁勇,雷军委.线上线下混合式教学效果评估指标体系研究J.高教学刊,2022,8(27):62-66.6黄文祥,李亚东,张喜生.我国本科高校线上教学的质量状况、评价及建议J.中国高等教育,2020(8):21-24.7楚岩枫,张惠杰,朱天聪.线上线下混合式教学模式的教学效果评价研究J.教育观察,2023,12(5):43-47.8李海东,吴昊.基于全过程的混合式教学质量评价体系研究:以国家级线上线下混合式一流课程为例J.中国大学教学,2021(5):65-71.9DIKSHIT A,PRADHAN B,SANTOSH M.Artificial neural networks in drought prediction in the 21st century:A sciento-metric analysisJ.Applied Soft Computing,2022,114:108080.10 杨秋格,吴鹏,袁静,等.基于 BP 神经网络的学生学习状态预警研究J.科学技术创新,2023(20):133-137.A quality evaluation model for online and offline blended teaching based on BP neural networksXUE Hongqin(School of Culture Tourism and International Education,Henan Polytechnic Institute,Nanyang 473000,China)Abstract:Experiencing offline classroom education before the epidemic and online platform education during the epidemic,the combination of online and offline blended teaching mode has become the mainstream teaching method after the epidemic.However,there is a lack of objective standard basis for evaluating the teaching quality of this new teaching method.Therefore,this article constructs an intelligent teaching quality evaluation model based on a three-dimensional index evaluation system with multiple indicators,utilizing the intelligent analysis characteristics of neural networks,and verifies the established model.The experiment proves that the error between the predicted output value and the actual value of the model is within the allowable range,and the developed model can basically accurately reflect the evaluation requirements.Key words:neural network;online and offline;teaching;evaluation27