人工神经网络方法在教学评估中的应用

人工神经网络具有非常强大的自组织、自学习和容错能力，当人工神经网络模型训练出来以后，只要待评估的对象处于网络模型范围之内，就可以用它来进行综合评价，使许多复杂的难以直接用数学公式描述的综合评价问题得到迎刃而解。

2012年初，教育部下发《普通高等学校本科教学工作合格评估实施办法》《普通高等学校本科教学工作合格评估指标体系》，新一轮评估方案基本确定。关于本科教学工作水平评估指标体系分七项一级指标，包括：办学思路与领导作用、教师队伍、教学条件与利用、专业与课程建设、质量管理、学风建设与学生指导、教学质量。二十项二级指标，包括：学校定位、领导作用、人才培养模式、数量与结构、教育教学水平、培养培训、教学基本设施、经费投入、专业建设、课程与教学、实践教学、教学管理队伍、质量监控、学风建设、指导与服务、德育、专业知识和能力、体育美育、校内外评价、就业。

通过对这些指标的分析可以看出：教学工作水平的评估可以看作一类基于一系列独立变量基础上的分类问题；教学工作水平的好坏与评估输入指标是非线性的；评估指标可能是高度相关的；许多指标并不是呈正态分布的。

在构建BP网络时，将指标量化后作为模型的输入节点，网络隐含层的层数及隐含层的单元数的选取没有理论上的指导，而是根据经验确定。隐层单元数的选择在神经网络的应用中一直是一个复杂的问题。事实上，人工神经网络的应用往往转化为如何确定网络的结构参数和求取各个连接权值。隐层单元数过少可能训练不出网络或者网络不够强壮，不能识别以前未见过的样本，容错性差；但隐层单元数过多，又会使学习时间过长，误差也不一定最佳，因此存在一个如何确定合适的隐层单元数的问题。在具体设计时，比较实际的做法是通过对不同神经元数进行训练对比，然后适当加上一点余量。最后确定中间层节点数。

输出节点的选择对应于评估结果，期望输出为：A级[1000]表示优秀；B级[0100]表示良好；C级[0010]表示合格；D级[0001]表示不合格。输出节点数为4。

根据以上分析得出，神经网络模型三层节点配置为：18×9×4。在实际应用中，标准BP算法由于采用了定步长的梯度下降法以及极小化网络误差函数，如果指标太多，它有很多局限性。如，学习收敛速度太慢，不能保证收敛到全局最小点等。鉴于MATLAB6中增加了一些快速算法，如变学习率BP算法、弹性BP算法、尺度变梯度算法、类Newton算法以及OSS算法等，经过分析采用弹性BP算法。由于样本选择比较少，实验结果有一定的误差，不过如果训练次数足够多，还是能保证输出所期望的精度。