基于主元分析的神经网络教学质量评估.docVIP

基于主元分析的神经网络教学质量评估 　　摘要：现有的课堂教学评价指标体系间存在高度的非线性，数据冗余等特征。针对此课堂教学评估方法无法消除数据之间的冗余和捕捉非线性规律导致预测精度较低的问题，提出一种基于主元分析的神经网络教学质量评估方法。首先构建影响课堂教学质量评估的因素体系，利用主元分析法消除数据的冗余信息，选择贡献率大的主成分因子作为网络输入，然后构造神经网络模型对教学质量进行评估。通过收集陕西科技大学30 名教师的评价数据进行实例验证，结果显示基于主元分析的评估模型在简化 BP 神经网络结构的同时，也提高了课堂教学质量评估的预测效果。 　　关键词；教学质量评估；主成分分析 BP神经网络；特征提取 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）34-0157-03 　　Abstract： Currently， the classroom teaching evaluation system exist characteristics which integrates highly nonlinear， data redundancy and other features together. Considering the problem that traditional classroom teaching and assessment methods can not eliminate the redundancy between the data and capture nonlinear law， a method of classroom teaching evaluation based on Principal Component Analysis （PCA） and neural network is presented in this paper. Firstly， the principal component analysis （PCA） is used to eliminate redundant information of assessment data， and the principal component factor which contribution rate is large are selected as the input of the network. Secondly， the BP neural network was introduced to evaluate the teaching quality. Finally， thirty teachers’ evaluation data are collected to verify proposed method. The result demonstrates that the model can simplify BP network model effectively and improve teaching quality assessment prediction accuracy. So this paper proposed a simple and effective approach to evaluate the classroom teaching quality. 　　Key words： teaching quality evaluation； Principal Component Analysis （PCA）； neural network； feature extraction. 　　教学质量是教育的生命线，开展教师课堂教学质量评价对于引导教师不断进行教学内容、教学方法的改革，提高课堂教学质量和水平具有积极意义和重要作用[1]。但教学质量的评估是一个复杂的多因素系统，其评估体系中有定量指标，也有定性指标，并且指标体系间存在高度的非线性，数据冗余等特征，从而增加了评估的难度。如何根据复杂的评估体系建立科学合理的课堂教学质量评估模型是高等院校关心的热点问题。 　　长期以来，不少学者对课堂教学质量评估进行了深入研究，取得一定成果：文献[2-3]等运用模糊数学的基本原理，对教师课堂教学质量进行了模糊综合评判；文献[4]利用层次分析法建立了学生评价教师教学质量的定量评价模型；文献[5]利用齐次马尔可夫链分析法，结合学生的考试成绩，对教师的教学效果进行了综合评价。文献[6-7]等利用神经网络技术建立三层神经网络模型，对高校教师课堂教学效果进行预测。取得一定效果。 　　但神经网络没有考虑有考虑输入变量的选取。输入变量过多时，网络结构复杂，加