基于SOM神经网络的工程经济学教学质量评价模型研究.pdf

现代电子技术Modern Electronics TechniqueSep.2023Vol.46 No.182023年9月15日第46卷第18期DOI：10.16652/j.issn.1004373x.2023.18.028引用格式：李可心，张斌，蒙彦宇，等.基于SOM神经网络的工程经济学教学质量评价模型研究J.现代电子技术，2023，46（18）：162166.基于SOM神经网络的工程经济学教学质量评价模型研究李可心，张 斌，蒙彦宇，王 淋（北华大学 土木与交通学院，吉林 吉林 132000）摘 要：针对传统教学数据处理及分析受多种复杂因素干扰，存在主观性强、数据处理效率低、评估结果不准确等问题，提出一种基于自组织特征映射（SOM）神经网络构建工程经济学教学质量评价模型的方法。首先，基于课程属性及特点设计可用于工程经济学教学质量评价的评价指标及其评价内容；然后，重点介绍基于SOM神经网络构建工程经济学教学质量评价模型全过程，包括量化评价指标并将其作为标准样本输入网络模型，调整模型各项参数使其性能达到最优，基于获胜神经元及其他神经元拓扑结构进行质量评价分析。最后，基于建设工程经济学课堂采集的教学评价数据，利用提取的12个教学质量评价指标，从理论及实践双维度分析教学数据，验证所提模型的有效性。结果表明，基于 SOM神经网络构建的工程经济学教学评价模型可有效地对教学质量做出客观准确的评价结果。该方法可为实现工程经济学高效、准确的教学评估和推动智能化教学评价体系的构建提供参考。关键词：工程经济学课程；教学质量评价；自组织特征映射神经网络；教学数据参量；评价指标；聚类分析中图分类号：TN71134；TP183 文献标识码：A 文章编号：1004373X（2023）18016205Research on teaching quality evaluation model of engineering economics based on SOM neural networkLI Kexin,ZHANG Bin,MENG Yanyu,WANG Lin(School of Civil Engineering and Transportation,Beihua University,Jilin 132000,China)Abstract：As the traditional teaching data processing and analysis are interfered by many complicated factors,resulting in some problems such as strong subjectivity,low data processing efficiency,and inaccurate evaluation results,a method for constructing an engineering economics teaching quality evaluation model based on self organizing feature mapping(SOM)neural network is proposed.Based on the course attributes and characteristics,the evaluation index and its evaluation content are designed,which can be for the teaching quality evaluation of engineering economics.The entire process of constructing an engineering economics teaching quality evaluation model based on SOM neural network is emphasized,including quantifying evaluation indicators and inputting them as standard samples into the network model,adjusting various parameters of the model to achieve optimal performance,and conducting quality evaluation analysis based on the winning neuron and other neuron topology structures.Based on the teaching evaluation data collected in the classroom of construction engineering economics,the extracted 12 teaching quality evaluation indicators are used to analyze the teaching data from both theoretical and practical dimensions,so as to verify the effectiveness of the proposed model.The results show that the engineering economics teaching evaluation model constructed based on SOM neural network can effectively give objective and accurate evaluation results for teaching quality.This method can provide reference for achieving efficient and accurate teaching evaluation in engineering economics and promoting the construction of an intelligent teaching evaluation system.Keywords：engineering economics course;teaching quality evaluation;SOM neural network;teaching data parameters;evaluation indicators;cluster analysis收稿日期：20230329 修回日期：20230506基金项目：2021年度北华大学教育教学改革项目：融合人工智能的土木工程人才培养模式探索（XJQN2021033）；2023年度吉林省教育厅高等教育教学改革研究项目：“人工智能+X”背景下的高校工程管理专业复合型人才培养体系研究（JLJY202352071018）；2020年度北华大学教育教学改革项目：人工智能与高等教育工程管理专业建设交叉融合探索与实践（J2020003）；北华大学研究生教育教学改革研究与实践项目：基于线上线下混合式的 弹性力学及有限元 课程立体化教学改革创新性研究与实践（JG2021005）162162第18期0 引 言建设工程经济学课程工程是管理专业经济建设领域中一门重要的基础必修课1。基于课程教学及课程设计的学习，学生能够初步建立起工程技术与经济管理间的有效联系。再深入课程内容后，学生可以较好地掌握开展工程方案评价与决策的方法，最终学会确定最佳经济方案全过程。建设工程经济学课程学习，不仅仅要求学生能够全面掌握工程经济基本原理及基本要素，还通过课程设计的内容，锻炼、提升学生进行工程经济分析、方案比选及可行性研究与评估的专业技术能力。不同于其他课程，建设工程经济学作为一门较早与学生接触的经济类课程，包含很多学生还未接触过的经济学知识，学生很难迅速地建立工程与经济之间的连接23。工程经济学课程承担着培养学生经济管理素质以及哲学思维的任务，同时还要培养学生快速地掌握相应技术的分析能力。该课程不仅涉及大量的理论知识、丰富的现实案例，还需开展相应课程设计。上述问题导致建设工程经济学课程的学习给学生带来极大的困难，同时也使工程经济学课程的教学评估面临严重挑战46。随着人工智能、深度学习以及数据挖掘等技术的不断发展，国内外学者纷纷提出基于各种智能模型开展教学数据处理与分析技术，以期实现客观、高效的教学评估研究79。如 Desire2 Learn 公司较早地开发出教学成绩管理智能操作系统，该系统能够有效实现教学数据的智慧管理，被广泛应用于教学评价体系的相关研究1011。然而，由于教学课程性质、内容及形式的不同，教学评估系统对教学数据的需求与处理方式均不同12。在传统的教学数据分析方式中，仅仅开展较为简单的教学数据处理（如基于 Excel表格对各项教学质量评估指标进行简单的加权求和），而未考虑各项指标的权重，更没有剔除由主观因素带来的不确定性。其教学质量评价结果通常具有较强的主观性，而且基于传统的数据评估方法往往效率低、评价结果不准确。针对上述问题，本文提出一种基于自组织特征映射（Self Organizing Feature Mapping,SOM）神经网络对建设工程经济学教学数据进行处理与分析的方法。首先，将结合建设工程经济学课程构建评价参数，并对其进行量化处理；再将标准样本输入网络模型，并调整各项网络参数；最后，使用训练好的模型分析、预测建设工程经济学的教学质量。1 教学数据特征参量目前，建设工程经济学课程主要包括了理论知识以及课程设计两部分内容。理论教学根据课程标准要求掌握的重难点引入实际工程案例，并合理安排学生学时数进行授课，以期实现最佳的教学效果。本文充分分析了理论课数据，将其作为建设工程经济学的教学评估的重要数据。工程经济学理论课主要包括工程经济分析的基本原理及其评价方法、方案比选、项目不确定性及风险分析、可行性研究；而课程设计包括：通过深入解读学生工程项目经济型评价实际案例，使学生掌握工程项目评估的基本内容和基本方法，能够独立开展工程项目评价及可行性分析。经过反复试验，选取以下教学数据特征参量作为特征样本，评价指标及其评价内容如表 1所示。表1 建设工程经济学教学质量评价特征样本评级指标平时成绩结业成绩设计成绩报告成绩兴趣感分析力解决力关联性感受性处理力掌握性推广性评价内容掌握知识点的情况掌握课程总体内容的情况课程设计的整体表现对项目可行性研究的综合理解对课程的学习兴趣工程项目经济分析能力解决工程经济问题能力建立工程与经济间联系的能力每节课的学习目标是否能够融入到学生的内心使用经济评价指标解决问题的能力教师教授各项分析经济型问题的具体方法授课方式是否可推广应用于其他课程在理论课程中通过考试和随堂测试来评估学生的学习效果，在课程设计模块中通过对学生完成的可行性研究报告进行评分，从而评估学生对这些课程的掌握情况。因此，设计学生平时成绩得分、学生结业考试成绩得分、学生课程设计学习过程表现得分以及学生形成的可行性研究报告得分等 4项指标考察学生掌握课程的情况。4 个指标的评价结果由授课教师结合学生的实际成绩给出，包括优秀、良好、中、及格和不及格。同时，在建设工程经济学教学数据分析中，不仅需要考核学生对教学课程的掌握情况，还需督促教师保证授课质量。因此，主要采集学生对建设工程经济学课程的 12项评价数据。评价数据主要是由调查问卷的形式获取，具体包括学生通过课程学习提升的兴趣感、锻炼的分析力、李可心，等：基于SOM神经网络的工程经济学教学质量评价模型研究163现代电子技术2023年第46卷解决力、培养的关联性、感受性、学生处理力、掌握性、推广性等 8项指标。学生对不同项目内容进行选择并给出评价结果，评价结果包括：优秀、良好、中、及格及不及格。研究通过量化、分析以及再处理以上评价数据，将其输入教学评价模型，进行建设工程经济学的教学智能评估。2 自组织特征映射神经网络SOM 神经网络，其神经元之间基于先竞争再合作的原则，不断地更新识别模式集，是典型的无监督前馈式网络模型。基于 SOM神经网络模型构建的工程经济学教学质量评价模型结构如图1所示。图1 SOM网络结构模型SOM 网络模型由输入层、输出层构成。如图 1 所示，输入层由 n个神经元组成，对应输入 xi（i1，n）；输出层即竞争层，神经元数量为 m，与权值向量Wi一一连接，相互对应。SOM 网络模型通过不断调节低维至高维网络节点的连接权值，以识别给定数据集的模式类别，其算法包括网络初始化、输入向量设置等。1）初始化。赋予权值向量0，1任意值，用Wi表示；学习速率用表示，0，1。2）设置输入向量，公式如下：X(n)=x1(n),x2(n),xN(n)T（1）3）获取欧氏距离值。欧氏距离di计算公式为：di=X-Wj=i=1n xi(t)-Wij(t)2（2）式中Wij为连接输入层到映射层神经元间的权值。4）标记出获胜神经元。输入向量 X，获胜神经元 c计算公式为：X-Wc=miniX-Wc,i=1,2,M（3）5）优化权值。调整输入神经元及其邻域神经元之间的连接权值：Wij=Wij(t+1)-Wij(t)=(t)xi(t)-Wij(t)（4）式中：(t)为 t时刻的学习速率，(t)0，1。(t)随时间增加逐渐减小，与t成反比，其表达式为：(t)=1t或(t)=0.2()1-t1 000（5）6）计算输出值Ok。Ok=f(minX-Wj)（6）判断模型输出结果是否与其类别一致，如结果满足分类要求，输出；如未满足则继续学习，直至与判定结果相符，结束学习并输出结果。3 教学数据分析及模型构建3.1 建立建设工程经济学标准教学评价样本库利用第 1 节分析的建设工程经济学教学评价参数，提取的教学评价特性指标包括平时成绩（P1）、结业成绩（P2）、设计成绩（P3）、报告成绩（P4）、兴趣感（P5）、分析力（P6）、解决力（P7）、关联性（P8）、感受性（P9）、处理力（P10）、掌握性（P11）以及推广性（P12）。对 P1P12评价分数进行量化处理，使其变化范围在 0100 内。采集 1 000位同学工程经济课程的评价参数，经 100次实验得到优秀、良好、中、及格及不及格结果。5 种评价结果状态下的 12个教学评价特性典型值构成的标准样本如表2所示。评价结果优秀良好中及格不及格P190.2585.5570.3567.5560.00P295.6381.3370.1268.32P395.4381.0275.8864.97P490.3886.0877.9860.58P593.7587.9973.8861.77P694.7983.7175.8564.52P795.0586.1178.6366.31P891.5684.8074.1467.55P992.1187.7772.8966.23P1096.4884.6977.0268.17P1194.3686.6575.7865.22P1295.0381.7875.9363.37表2 标准样本如表 2 所示，将 12 个评价指标依次量化为标准样本，基于各标准样本参数范围可将其评价结果划分为5个等级。评价结果优秀的标准样本集，其标准样本参数的范 围 在 90.2596.48；标 准 样 本 参 数 的 范 围 在 81.02164第18期87.99的参数，对应评价结果良好等级；评价结果为中级的标准样本集，其评价样本范围在70.1278.63波动；标准样本参数的范围在 61.7768.32 的参数，对应评价结果及格等级；标准样本参数值均小于 60分以下的样本集，对应不及格等级。3.2 SOM网络训练将表2中5种评价结果的P1P12特征参数作为SOM网络的输入向量，具体表示为（x1，x2，x12)；设置竞争层（输出层）为 66=36 个神经元；训练步数为 10、50、100、200、500、1 000、1 500 以及 2 000。基于以上参数构建工程经济学 SOM 神经网络模型，其在不同训练步下获得的聚类结果如表3所示。表3 不同训练部署分类效果训练步数10501002005001 0001 5002 000注：表中数字1、4、7、31、36代表分类号。聚类结果优秀44444444良好44444111中431313131313131及格77777777不及格777736363636由表3可知，当训练步数为10时，评价结果优秀、良好、中的分类号均为 4，其被归为一类，而及格与不及格分类号均为 7，它们被分为一类，由此可见，初步形成教学评估分类模型；当训练步数上升至50、100、200时，随训练步数逐步增加，评价精度略有提升，将优秀、良好归为一类、中为一类，而及格与不及格为一类；当训练步数达到 500时，评价结果进一步得到提升，仅优秀和良好暂未被区分，其余均得到了很好的分类；当训练步数达到1 000时，优秀、良好、中、及格及不及格5种评价结果被完全区分开。此时，继续增加训练步数至 1 500、2 000甚至更多，仅增加训练时长，而不改变训练结果，故1 000步即为最佳训练步数。结合表 3 中训练1 000步时优秀、良好、中、及格及不及格对应的神经元编号，5种评估结果的获胜神经元分别为 1、4、7、31、36。如图 2所示，获胜神经元由灰蓝色六边形表示，分布在相应的拓扑位置上。图2 竞争胜利神经元为了获取教学评价模型中每一个神经元所对应的具体评价等级，进行网络模型聚类结果分析。获取工程经济学 SOM 教学评价网络模型的拓扑结构距离图，如图3所示。图中灰蓝色小方块代表神经元，连接两个灰蓝色神经间的六边形，其颜色的深浅程度表征了神经元之间的距离。颜色越深，相似性越大；颜色越浅，差异性越小。图3 神经元距离结合图 2、图 3可以获取全部神经元所对应的评估结果，具体对应关系如表4所示。表4 评价结果与样本分类号对应关系评价结果优秀良好中及格不及格样本分类号1、2、11、12、13、14、243、4、10、15、16、19、21、225、6、7、8、9、17、1823、25、26、27、28、33、34、35、3619、20、29、30、31、323.3 SOM网络教学评价模型验证为验证 SOM 神经网络用于教学质量评价的效果，分别在 20212022 秋季学期及 20212022 春季学期，北华大学土木与交通学院开展的建设工程经济学课程，提取200位学生的评价指标，并在其中随机抽取50组预李可心，等：基于SOM神经网络的工程经济学教学质量评价模型研究165现代电子技术2023年第46卷测样本。预测样本的评价结果及其对应样本的编号如表5所示。表5 预测样本评价结果优秀良好中及格不及格样本编号01、02、03、04、05、06、07、08、09、1011、12、13、14、15、16、17、18、19、2021、22、23、24、25、26、27、28、29、3031、32、33、34、35、36、37、38、39、4041、42、43、44、45、46、47、48、49、50将 50组预测样本依次输入至训练好的教学质量评价 SOM 网络模型，其训练步数设置为 1 000，得到的评估结果如图4所示。图4 预测结果结合图 4和表 4可知，50组预测样本中仅有 2个预测结果与实际不符，其对教学质量评估结果的准确率可达96.00%。4 结 论本文结合工程经济学课程属性及教学特点，基于SOM神经网络提出构建工程经济学教学质量评价模型的方法，得到如下结论：1）设计的 12 个教学质量评价指标从理论及实践双维度分析教学数据，从多方面、多维度有效地评价工程经济学教学质量；2）搭建的工程经济学教学质量评价 SOM 神经网络模型，可为工程经济学教学质量给出客观准确的评价结果。本文方法为推动智能化教学评价体系提供一条可行的途径。注：本文通讯作者为王淋。参考文献 1 朱文珺.建筑施工企业的融资工作开展：评 建设工程经济学J.工业建筑，2021，51（4）：226.2 成欣宇.工程经济与项目管理中的基本理论与实践J.工业建筑，2022，52（2）：214.3 孙璐.建筑工程经济管理实践研究J.工业建筑，2022，52（2）：225.4 RANE V,MACKENZIE C A.Evaluating students with online testing modules in engineering economics:a comparision of student performance with online testing and with traditional assessments J.The engineering economist,2020(65):213235.5 BURNS J,WHITE B,KONSTANT A.Engineering economy as a vibrant and relevant course in the engineering programs of today and tomorrow J.The engineering economist,2020(4):123.6 VUNNAVA V,SINGH S.Integrated mechanistic engineering models and macroeconomic input output approach to model physical economy for evaluating the impact of transition to a circular economy J.Energy&environmental science,2021,14(9):50175034.7 JIANG L,WANG X.Optimization of online teaching quality evaluation model based on hierarchical PSOBP neural network J.Complexity,2020(7):112.8 CUADRA G,CHIRINOS K,DEL ROSARIO H,et al.Performance evaluation of psychology teachers of a private university in lima peru:an experience in emergency remote teaching J.International conference on applied technologies,2023(2):213.9 WANG Y.The automatic evaluation model of physical education teaching based on two screening algorithms J.Journal of intelligent and fuzzy systems,2019,37(5):5945 5953.10 CHAWDHRY A,PAULLET K,BENJAMIN D.Comparatively assessing the use of blackboard versus Desire2learn:faculty perceptions of the online tools J.Information systems education journal,2012(8):2743.11 SOI Studies.Desire2Learn(D2L)overview J.University of Wisconsin Milwaukee School of Information Studies,2011(123):519.12 HAN Q.Using neural network for the evaluation of physical education teaching in colleges and universities J.Soft computing,2022,26(20):1069910705.13 刘文彬，杨波，屈喜龙.基于学习行为数据的在线课程教学质量精准评价方法J.湖南工程学院学报（自然科学版），2022，32（3）：4955.作者简介：李可心（1992），女，吉林抚松人，博士，讲师，研究方向为结构健康监测、无损检测及模式识别。王 淋（1982），女，吉林白山人，博士，副教授，研究方向为土木工程管理。166