CN107862970B - 一种用于翻转课堂的教学质量评价模型 - Google Patents
一种用于翻转课堂的教学质量评价模型 Download PDFInfo
- Publication number
- CN107862970B CN107862970B CN201711235347.4A CN201711235347A CN107862970B CN 107862970 B CN107862970 B CN 107862970B CN 201711235347 A CN201711235347 A CN 201711235347A CN 107862970 B CN107862970 B CN 107862970B
- Authority
- CN
- China
- Prior art keywords
- particle
- neural network
- algorithm
- value
- particle swarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B25/00—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种翻转课堂教学质量评价方法,针对目前翻转课堂教学评价过程中存在问题,建立一种基于层次分析法和BP神经网络的翻转课堂教学质量评价模型。应用层次分析法建立翻转课堂教学质量评价指标体系并确定分配其指标权重,采取改进粒子群算法优化网络初始权值和阈值,利用改进BP算法训练BP神经网络模型。实验分析表明,该评价模型用于翻转课堂的教学质量评价,可以提高评价的客观性、快速性和精准度。
Description
技术领域
本发明涉及课堂教育评价技术领域,具体涉及应用层次分析与改进粒子群算法优化BP神经网络的翻转课堂教学质量评价模型。
背景技术
翻转课堂与传统课堂教学有所不同,它是将传统课堂中的课堂知识传授与课外的知识内化完全颠倒过来,即课前安排学生按照自己的学习进度在家中听课,进行自主学习,而在课堂上同老师和学生协同解决课前学习中遇到的问题。翻转课堂教学模式充分体现“以学为主、寓教于学”的现代教学理念,注重学生的学习过程管理与考核,强化学生的知识内化,满足学生的个性自主学习需求,极大调动了学生的学习主观能动性和学习参与热情,有利于建立良好、和谐、新型的师生和生生关系。目前我国普通高校、职业院校等都在大力开展翻转课堂教学改革活动,很多教师及相关学者也在进行翻转课堂教学模式的应用实践与研究,也取得了不少研究成果,但目前国内针对翻转课堂教学质量评价的研究不多,而且才刚刚起步,搜索的主要文献有:
[1]蒋立兵,陈佑清.翻转课堂教学质量评价体系的构建[J].现代教育技术,2016,26(11):60-66.
[2]邰春玲,史淑杰,逄冬,等.翻转课堂教学评价指标体系的初步构建[J].中华护理教育,2017,14(1):18-22.
[3]郭敏敏.翻转课堂教学评价研究[J].中国医学教育技术,2016,30(4):397-401.
[4]李成严.高峻,唐远新,等.翻转课堂教学评价体系研究[J].计算机教育,2015,(11):100-103.
[5]李馨.翻转课堂的教学质量评价体系研究[J].电化教育研究,2015,(3):96-100.
以上研究文献中,蒋立兵、陈佑清提出将发展性评价、过程性评价、表现性评价贯穿翻转课堂教学质量评价体系;邰春玲等建立包括课前准备、课堂活动、课后回顾等三方面的翻转课堂评价指标体系;郭敏敏提出跟踪评价翻转课堂的课前、课堂、课后各阶段教学,设计出翻转课堂教学模式质量评价系统;李成严等通过分析现有翻转课堂教学评价中注重期末和理论、轻视平时和实践的问题,提出基于课前、课中、课后的全程考核评价体系,并提出采用模糊层次分析方法进行评价;李馨在对有国际影响的CDIO教育模式评价体系设计过程分析基础上,提出翻转课堂教学质量评价体系构建的理论基础、原则及其路径,等等。以上对翻转课堂教学质量评价的研究,一般只停留在翻转课堂教学质量评价指标体系的构建上,对于各指标因素之间的权重分配也很少涉及,而且也没有提出具体的评价方法,更没有给出具体案例进行实证研究。如果对翻转课堂教学质量进行评价仍采取传统的单项因子评价法、层次分析法、多元统计分析等传统分析方法,虽然这些方法能获得一定效果,但不够科学和完善,主要原因在于:对于翻转课堂教学质量评价,主要依靠专家经验进行评估,评价带有很大的主观随意性,评价结果与实际值往往存在较大偏差,并且翻转课堂教学质量评价系统是一项系统工程,具有高度非线性、较强的时滞性和不确定性,如果仍单一采取传统评价方法,难以对翻转课堂教学质量作出公正、客观、精准评价。
发明内容
本发明的目的是为了解决以上已有的对翻转课堂教学质量评价存在的问题与弊端,克服和避免在翻转课堂教学质量评价过程中容易产生的主观及人为因素,从而让翻转课堂教学质量评价结果更公正、客观、真实、科学。本发明以翻转课堂为研究对象,在分析影响翻转课堂教学成效的关键要素前提下,应用层次分析法(AHP)构建翻转课堂教学质量评价指标体系,并确定指标体系中各指标权重,建立BP神经网络的翻转课堂教学质量评价模型,并且采取改进粒子群算法和改进BP算法优化、训练BP神经网络评价模型,以便更科学、更有效、更客观地评价翻转课堂教学质量,为翻转课堂的教学改革和教学质量提升提供必要的实践指南和参考依据。
本发明所采取的技术方案是:
一种用于翻转课堂的教学质量评价模型,首先在分析影响翻转课堂教学质量因素的基础上,采用层次分析法构建翻转课堂教学质量评价指标体系,确定分配各项指标因素的综合权重;建立BP神经网络模型,利用改进粒子群算法优化BP网络结构参数并输出最优的网络初始权值与阈值,选取相关指标数据作为训练样本,由改进BP算法对BP神经网络进行训练,最后再利用样本对已训练好的BP神经网络进行测试。其中,应用层次分析法计算的综合得分作为BP神经网络的期望输出,它与BP神经网络实际输出之间的误差必须在规定的误差精度范围。
所述翻转课堂教学质量评价评价指标体系的层次结构由目标层(M)、一级指标层(H)、二级指标层(W)、三级指标层(X)组成。目标层为翻转课堂教学质量综合评价,一级指标层含有课前准备与学习(H1)、课堂学习与活动组织(H2)、课后学习及反思(H3)等指标;二级指标层含有教学微视频开发(W1)、学习任务书设计(W2)、课前自主学习效果(W3)、课前学习效果展示(W4)、课中问题交流讨论(W5)、课堂实践活动操练(W6)、课堂学习成效(W7)、课后学习(W8)、总结反思(W9)等9项指标内容,三级指标层为选取的翻转课堂教学质量评价的具体指标,包括课程说明(X11)、学习目标(X12)、学习内容(X13)、视频技术规范(X14)、观看视频效果(X15)、自主学习指南(X21)、课前练习测验(X22)、网络教学平台资源(X23)、自学内容掌握情况(X31)、获取学习资源能力(X32)、练习测试结果情况(X33)、提出疑难问题情况(X34)、自主学习能力(X35)、自主学习时间管理(X36)、语言表达水平(X41)、学习内容展示(X42)、学习小组间的信息整合(X43)、讨论组织形式(X51)、讨论内容安排(X52)、讨论流程管理(X53)、活动情景创设(X61)、活动课堂氛围(X62)、活动评价反馈(X63)、个性化活动指导(X64)、解决问题能力(X71)、组织决策能力(X72)、评判思维能力(X73)、交流协作能力(X74)、独立探究能力(X75)、课堂主动参与度(X76)、自我效能感(X77)、完成课后作业质量(X81)、课后拓展内容学习(X82)、学生总结反思(X91)、教师总结反思(X92)、疑难问题反馈(X93)等共36项指标。
所述翻转课堂教学质量评价指标权重,采用1-9比率标度法建立各指标层的权重判断矩阵M-H、H1-W、H2-W、H3-W、W1-X、W2-X、W3-X、W4-X、W5-X、W6-X、W7-X、W8-X、W9-X,在计算各判断矩阵特征向量并且归一化处理后,获得翻转课堂教学质量评价指标的合成权重。
所述的翻转课堂教学质量BP神经网络评价模型,神经网络的初始连按权值、阈值等结构参数直接影响神经网络模型的训练及其评价结果。将一种改进的粒子群算法优化输出BP神经网络中最优初始连接权值和阈值,并通过改进BP算法对BP神经网络加以学习训练,直至BP神经网络输出误差满足要求为止。为避免标准BP算法在学习训练过程中陷入局部极小并可能出现振荡现象,采取基于动量和自适应学习的改进BP算法。通过加入动量项避免网络学习训练中产生振荡;通过引入自适应学习因子来调整学习率,可以避免因过大或过小的学习率以及过慢的收敛速度而导致系统产生振荡乃至发散现象,即
ωij(t+1)=ωij(t)+η(t+1)σ(t)Xi(t)+β|ωij(t)-ωij(t-1)|
其中,β为动量因子,|ωij(t)-ωij(t-1)|表示加入的动量项;c、d均表示常数并且0<c<d;η表示需要调整的学习率(学习步长);σ表示网络神经元层之间误差;Xi表示BP神经网络层输入信号。
标准粒子群(PSO)算法按下式进行迭代计算,直至粒子搜索出最优位置。
Vij(t+1)=ωVij(t)+γ1*rand1*(P1(t)-Sij(t))+γ2*rand2*(Gj(t)-Sij(t))
Sij(t+1)=Sij(t)+Vij(t+1)
其中,t为寻优迭代次数;Sij(t)为粒子在t代时当前位置;Vij(t)为粒子在t代时速度;ω为粒子运动惯性权重,γ1、γ2为加速因子,分别修正朝着全局最优粒子和向个体最优粒子位置方向移动的最大步长,选取γ1=γ2=2;rand1、rand2为0~1随机数。
为防止粒子群算法产生“早熟”现象,本发明对惯性权重ω进行更新,让其跟随粒子群算法的迭代次数进行线性调节,即:
上式中,ωmax为惯性权重最大值,ωmin为惯性权重最小值;t为当前更新迭代次数,tmax为最大更新迭代次数。
为了扩展粒子群算法的搜索寻优空间,减少甚至消除粒子群在没有完全搜索前陷入局部极值概率,当粒子每次迭代更新后对粒子按一定的变异概率g作重新初始化处理,即参照遗传算法中种群变异思想,引入遗传变异因子,从而实现粒子群算法全局最优。操作规则如下:
其中,h为0~1之间随机值,由它决定粒子向着最大或最小位置方向变异。
变异概率g的求取公式为:
其中g1、g2分别表示变异概率的初始取值和最终取值,选取g1<g2,以保证变异概率g根据余弦变化规律由小逐渐增大。
进一步地,改进粒子群和BP算法优化、训练BP神经网络的步骤如下:
步骤1:初始化算法参数,随机初始化粒子群初始位置和初始速度,设定初始惯性权重ω、加速因子γ1、γ2,最大迭代次数tmax,确定BP算法的动量因子β,学习率η等。选定BP神经网络输入层、中间层以及输出层神经元个数各自为S1、S2、S3,即BP神经网络的拓扑结构为S1-S2-S3,种群中的每个个体粒子对应于BP网络各层所有神经元之间的连接权值和阈值,粒子维度表示为S1×S2+S2×S3+S2+S3,其中连接权值个数为(S1×S2+S2×S3),阈值个数为(S2+S3)。
步骤2:选取翻转课堂教学质量评价的样本(含训练、测试)数据,对样本数据进行归一化处理后,计算粒子群中每个粒子的适应度函数值。采用BP网络输出误差E作为粒子群算法的适应度函数,公式为:
其中,Bjk为第j个训练样本在第k个输出节点处网络期望输出,Ajk为第j个训练样本在第k个网络输出神经元节点处的实际输出,m为网络输出层神经元节点数(即m=S3),n是训练样本数。
步骤3:对于每个粒子的适应度值,如果其值好于全局最佳位置的粒子适应度函数值,则当前粒子位置便是当前全局最佳位置。
步骤4:采取改进粒子群算法中的公式分别更新粒子速度、位置。
步骤5:每次迭代更新粒子位置后,按一定概率对粒子进行变异操作,完成重新初始化处理。
步骤6:重复执行步骤2~步骤5,当粒子适应度函数值达到规定精度和最大迭代次数,改进粒子群算法搜索结束,输出全局粒子最佳位置且映射为BP神经网络的最优初始连接权值和阈值。
步骤7:采用改进的BP算法对BP神经网络加以训练,不断调整BP网络的连接权值和阈值,直至满足设定的最大训练次数或网络输出达到最小误差精度要求。
步骤8:将测试样本输入已训练好的BP神经网络,用来对翻转课堂教学质量进行评价。
本发明的有益效果是:
在分析影响翻转课堂教学质量主要因素基础上,根据层次分析法构建翻转课堂教学质量评价指标体系,并且确定分配各指标因素的综合权重。采取改进粒子群算法即在标准粒子群算法中更新惯性权重并引入遗传变异因子,来优化输出BP神经网络的最佳初始权值和初始阈值;利用一定的样本数据和改进BP算法即在标准BP算法中加入动量项和自适应学习因子,对BP神经网络加以训练和测试。该BP神经网络模型应用于翻转课堂教学质量评价,具有评价速度快、准确度高、智能化程度高的显著优势,为翻转课堂教学质量的综合评价提供一种崭新的思路和方法,对于学校课堂教学改革、提升课堂教学质量具有较大的引领与指导价值。
附图说明
图1为翻转课堂教学质量评价原理示意图
图2为基于BP神经网络的翻转课堂评价模型
图3为BP神经网络优化训练流程示意图
图4为BP神经网络训练误差曲线
具体实施方式
以下结合附图和实施例对本发明技术方案做进一步详细说明。翻转课堂教学质量评价原理图如图1所示,具体实施方法如下:
1.翻转课堂教学质量评价指标体系构建
(1)建立递阶层次结构
翻转课堂教学在实施过程中涉及的因素比较多且各因素之间又有关联,所以翻转课堂教学应该属于比较特殊又复杂的系统,它融合了传统课堂教学要素以及课堂翻转变化的新要求和新特点,为此,利用层次分析法建立翻转课堂教学质量评价指标结构体系时,要用系统工程的思维考虑问题,以客观性、目的性、科学性以及可比性、效益性为基本原则,注重评价指标的共性与个性、定性与定量的有机结合与有效转化。翻转课堂的教学质量评价指标不仅需要具备普遍性,而且还需要呈现特殊性,评价时既要全面考虑翻转课堂的各个环节,又要重点考核翻转课堂的重点和关键环节,同时还要分析影响翻转课堂教学质量的各因素之间存在的关联度,从而保证评价结果更加客观、合理、精准。影响翻转课堂教学质量的各种外在和内在因素错综复杂,结合翻转课堂教学模式的独特特点以及对教师、学生的要求,对翻转课堂教学进行质量评价,一方面要考虑课前教师准备与学生自主学习情况,如教学微视频开发、学习任务书设计等;另一方面要重点考查课堂学习与活动组织情况,如课中问题交流讨论、课堂实践活动操练、课堂学习成效等;第三方面还要注重学生的课后学习及师生的总结反思,如学生课后作业完成质量、学生课后拓展内容学习情况等。基于以上分析,本发明在参考相关文献、咨询教育专家及征求师生代表意见基础之上,建立用于翻转课堂教学质量评价的四层结构模型,如表1所示,该结构模型由目标层(M)、一级指标层(H)、二级指标层(W)、三级指标层(X)组成,其中三级指标层共包含36个指标因素。
表1 翻转课堂教学质量评价层次结构表
(2)确定指标权重
采用1-9九级标度法确定翻转课堂教学质量评价的权重判断矩阵M-H、H1-W、H2-W、H3-W、W1-X、W2-X、W3-X、W4-X、W5-X、W6-X、W7-X、W8-X、W9-X,比如权重矩阵M-H中,“5”表示一级指标H2(课堂学习与活动组织)比一级指标H1(课前准备与学习)重要,“7”表示一级指标H2(课堂学习与活动组织)比H3(课后学习与反思)重要得多,而“1/5”则表示H1没有H2重要,“1/7”表示H3没有H2非常重要,因此一级指标层中,课堂学习与活动组织、课前准备与学习、课后学习与反思在翻转课堂教学质量评价中所占的权重分别设定为0.48、0.35和0.17。其它权重判断矩阵类推。通过推算判断矩阵特征向量且进行归一化处理后,求取各项指标权重及其合成权重,如表2~表5所示。表6为翻转课堂教学质量评价的三级指标层各指标因素相对于目标层的综合权重。
表2 权重判断矩阵M-H
表3 权重判断矩阵H1-W
表4 权重判断矩阵H2-W
表5 权重判断矩阵H3-W
表6 权重判断矩阵W1-X
表7 权重判断矩阵W2-X
表8 权重判断矩阵W3-X
表9 权重判断矩阵W4-X
表10 权重判断矩阵W5-X
表11 权重判断矩阵W6-X
表12 权重判断矩阵W7-X
表13 权重判断矩阵W8-X
表14 权重判断矩阵W9-X
表15 翻转课堂教学质量评价指标合成权重
2.基于BP神经网络的翻转课堂教学质量评价
用于翻转课堂教学质量评价的BP神经网络结构模型如图2所示。
BP神经网络需要经过不断的学习来优化网络结构参数,即输入层与中间层之间的连接权值ωij、中间层与输出层之间的连接权值Gki、以及中间层神经元节点阈值θi和输出层神经元节点阈值θk,从而最终实现BP神经网络实际输出A与理想输出B之间的偏差降至规定要求的误差精度范围。鉴于BP神经网络初始连接权值和阈值等结构参数的选择对网络输出结果影响极大,针对传统BP算法收敛速度慢、对ωij、Gki、θi、θk等参数初始值较为敏感、容易陷入局部极值等,本发明提出一种改进的粒子群算法优化输出BP神经网络中ωij、Gki、θi、θk等最优初始连接权值和阈值,并通过改进BP算法对BP神经网络加以学习训练,直至BP神经网络输出误差满足要求为止。
为避免标准BP算法在学习训练过程中陷入局部极小并可能出现振荡现象,采取式(1)、(2)所示的基于动量和自适应学习的改进BP算法。通过加入动量项可以避免网络学习训练中产生振荡;通过引入自适应学习因子来调整学习率,可以避免因过大或过小的学习率以及过慢的收敛速度而导致系统产生振荡乃至发散现象。
ωij(t+1)=ωij(t)+η(t+1)σ(t)Xi(t)+β|ωij(t)-ωij(t-1)| (1)
其中,β为动量因子,|ωij(t)-ωij(t-1)|表示加入的动量项;c、d均表示常数并且0<c<d;η表示需要调整的学习率(学习步长);σ表示网络神经元层之间误差;Xi表示BP神经网络层输入信号。
标准粒子群(PSO)算法按公式(3)、(4)式进行迭代计算,直至粒子搜索出最优位置。
Vij(t+1)=ωVij(t)+γ1*rand1*(Pj(t)-Sij(t))+γ2*rand2*(Gj(t)-Sij(t)) (3)
Sij(t+1)=Sij(t)+Vij(t+1) (4)
其中,t为寻优迭代次数;Sij(t)为粒子在t代时当前位置;Vij(t)为粒子在t代时速度;ω为粒子运动惯性权重,γ1、γ2为加速因子,分别修正朝着全局最优粒子和向个体最优粒子位置方向移动的最大步长,选取γ1=γ2=2;rand1、rand2为0~1随机数。
为防止粒子群算法产生“早熟”现象,将惯性权重ω进行更新,让其跟随粒子群算法的迭代次数进行线性调节,即:
上式中,ωmax为惯性权重最大值,ωmin为惯性权重最小值;t为当前更新迭代次数,tmax为最大更新迭代次数。
为了扩展粒子群算法的搜索寻优空间,减少甚至消除粒子群在没有完全搜索前陷入局部极值概率,当粒子每次迭代更新后对粒子按一定的变异概率g作重新初始化处理,即参照遗传算法中种群变异思想,引入遗传变异因子,从而实现粒子群算法的全局最优[8]。操作方法如式(6)所示。
其中,h为0~1之间随机值,由它决定粒子向着最大或最小位置方向变异。
变异概率g由(7)式求取,即:
其中g1、g2分别表示变异概率的初始取值和最终取值,选取g1<g2,以保证变异概率g根据余弦变化规律由小逐渐增大。
改进粒子群和BP算法优化训练BP神经网络流程如图3所示,其关键步骤如下:
setp1:初始化算法参数,随机初始化粒子群初始位置和初始速度,设定初始惯性权重ω、加速因子γ1、γ2,最大迭代次数tmax,确定BP算法的动量因子β,学习率η等。选定BP神经网络输入层、中间层以及输出层神经元个数各自为S1、S2、S3,即BP神经网络的拓扑结构为S1-S2-S3,种群中的每个个体粒子对应于BP网络各层所有神经元之间的连接权值和阈值,粒子维度表示为S1×S2+S2×S3+S2+S3,其中连接权值个数为(S1×S2+S2×S3),阈值个数为(S2+S3)。
Setp2:选取翻转课堂教学质量评价的样本(含训练、测试)数据,对样本数据进行归一化处理后,
计算粒子群中每个粒子的适应度函数值。这里采用BP网络输出误差E作为粒子群算法的适应度函数,公式为:
其中,Bjk为第j个训练样本在第k个输出节点处网络期望输出,Ajk为第j个训练样本在第k个网络输出神经元节点处的实际输出,m为网络输出层神经元节点数(即m=S3),n是训练样本数。
Setp3:对于每个粒子的适应度值,如果其值好于全局最佳位置的粒子适应度函数值,则当前粒子位置便是当前全局最佳位置。
Setp4:采取粒子群算法中的式(3)、(4)、(5)分别更新粒子速度、位置。
Setp5:每次迭代更新粒子位置后,根据公式(6)(7)对粒子以一定概率进行变异操作,完成重新初始化处理。
Setp6:重复执行步骤2~5,当粒子适应度函数值达到规定精度和最大迭代次数,改进粒子群算法搜索结束,输出全局粒子最佳位置且映射为BP神经网络的最优初始连接权值和阈值。
Setp7:采用改进的BP算法即按(1)、(2)式对BP神经网络加以训练,不断调整BP网络的连接权值和阈值,直至满足设定的最大训练次数或网络输出达到最小误差精度要求。
Setp8:将测试样本输入已训练好的BP神经网络,用来对翻转课堂教学质量进行评价。
3、翻转课堂教学质量评价应用
(1)指标数据预处理
翻转课堂教学质量评价指标共有36个,其中包含定性指标,也有定量指标,但由于各指标量纲和单位有所不同,为便于对数据的统一处理,对定量指标数据进行归一化的数学处理,如公式(9)所示。
其中,x*(k)为指标数据归一化处理值,xk max、xk min分别为第k个指标数据的最大值和最小值。
翻转课堂教学质量评价指标中绝大部分指标为定性指标,这些定性指标首先必须转换为定量指标数据,即由教育领域的专家、评委老师按[0,100]百分制打分考核,然后根据(9)式对定量指标数据进行归一化处理,再将相关数据变换为0~1区间范围内的评价值。
(2)BP神经网络结构
输入层节点数。BP神经网络输入层节点的个数取决于翻转课堂教学质量评价指标的指标个数,用于翻转课堂教学质量评价的36个指标分别对应BP网络的36个输入神经元,BP神经网络输入量为经过归一化数学处理后的翻转课堂教学质量评价指标数据值。
中间层节点数。中间层的神经元节点个数通过经验公式(10)计算得出,即:
其中,q取值为1~10之间的常数。通过多次试验,确定中间层节点数为12。
输出层节点数。以用于翻转课堂教学质量评价的36项指标数据值作为BP神经网络输入信号,将翻转课堂教学质量评价结果A作为BP神经网络输出。评价结果A根据评价分值高低顺序共设定5个等次,分别为优秀[1~0.9]、良好(0.9~0.8]、中等(0.8~0.7]、合格(0.7~0.6]、不合格(0.6~0]。所以输出层神经元节点有5个。
由此,BP神经网络拓扑结构设计为36-12-1,粒子维度(数)d=36×12+12×1+12+1=457,其中包含网络各层之间的连接权值个数为444,阈值个数为13。
(3)训练与测试样本
表16为从江苏省无锡市、常州市等地普通高校、职业院校选取的部分机电、计算机、电子商务、英语等专业课程实施的部分翻转课堂教学质量评价指标数据样本,样本分训练样本和测试样本,第1~20组数据用于BP神经网络的学习训练(由于版面限制,部分数据在此略),第21~25组数据用于BP神经网络的测试检验;X11、X12、X13、......X93是教学质量评价指标,表格中末行的得分(B)表示翻转课堂教学质量评价的综合得分,它是应用层次分析法计算得到的,此得分便是BP神经网络的期望输出值B。
表16 用于BP神经网络的训练和测试样本
(4)BP神经网络评价模型实验及其结果
改进粒子群算法及BP算法参数的初始化大大影响着BP神经网络性能,相关参数设置为:粒子群算法的最大迭代次数tmax=500,种群规模为40,惯性权重ωmax=0.8,惯性权重ωmin=0.3,变异概率g1=0.07,g2=0.45;BP算法的初始学习率(学习步长)η=0.15,动量因子β=0.75。BP神经网络的目标误差精度为1×10-4,BP算法最大迭代次数设定为800。借助MATLAB7.0仿真工具软件,将表16中的第1~20组样本输入至BP神经网络对网络进行学习训练,直至达到规定的误差精度或最大迭代次数。图4为学习训练误差变化曲线示意图,当训练步数达到69步时,训练误差便满足目标误差精度要求,训练时间较短,训练精度较高。表17列出第21~25组测试样本输入已训练完毕的BP神经网络的测试结果情况,从表中看出,测试数据用于翻转课堂教学质量评价的BP神经网络实际输出值与期望输出的相对误差最高不超过1.7%,BP神经网络输出的翻转课堂教学质量评价等级与期望输出完全一致。笔者提出的基于AHP和BP神经网络的评价模型具有很强的泛化能力,非常拟合教育行业领域专家的评价思维,能比较科学客观、高效精准地评价翻转课堂教学质量。
表17 测试样本评价结果
以上所述,仅为本发明的较佳实施例,凡是依据本发明申请专利的技术实质范围内对以上实施例所做的任何修改、均等变化及修饰,都归属于本发明技术方案的涵盖范围。
Claims (1)
1.一种用于翻转课堂的教学质量评价模型的构建方法,其特征在于,所述的评价模型构建方法是利用改进的粒子群算法和改进BP算法优化、训练BP神经网络,通过改进的粒子群算法优化输出BP神经网络中最优初始连接权值和阈值,并通过改进BP算法对BP神经网络加以学习训练,直至BP神经网络输出误差满足要求为止,采取基于动量和自适应学习的改进BP算法,即:
ωij(t+1)=ωij(t)+η(t+1)σ(t)Xi(t)+β|ωij(t)-ωij(t-1)|
其中,β为动量因子,|ωij(t)-ωij(t-1)|表示加入的动量项;c、d均表示常数并且0<c<d;η表示需要调整的学习率(学习步长);σ表示网络神经元层之间误差;ωij(t)表示BP神经网络输入层与中间层之间的连接权值;Xi表示BP神经网络层输入信号,对应于翻转课堂教学质量评价指标值;
标准粒子群(PSO)算法按下式进行迭代计算,直至粒子搜索出最优位置;
Vij(t+1)=ωVij(t)+γ1*rand1*(Pj(t)-Sij(t))+γ2*rand2*(Gj(t)-Sij(t))
Sij(t+1)=Sij(t)+Vij(t+1)
其中,t为寻优迭代次数;Sij(t)为粒子在t代时当前位置;Vij(t)为粒子在t代时速度;ω为粒子运动惯性权重,γ1、γ2为加速因子,分别修正朝着全局最优粒子和向个体最优粒子位置方向移动的最大步长,选取γ1=γ2=2;rand1、rand2为0~1随机数,Pj、Gj表示粒子的个体最优和全局最优位置,其中j=1,2…,M(M为粒子群算法的求解空间维数);
为防止粒子群算法产生“早熟”现象,对惯性权重ω进行更新,让其跟随粒子群算法的迭代次数进行线性调节,即:
上式中,ωmax为惯性权重最大值,ωmin为惯性权重最小值;t为当前更新迭代次数,tmax为最大更新迭代次数;
为了扩展粒子群算法的搜索寻优空间,减少甚至消除粒子群在没有完全搜索前陷入局部极值概率,当粒子每次迭代更新后对粒子按一定的变异概率g作重新初始化处理,即参照遗传算法中种群变异思想,引入遗传变异因子,从而实现粒子群算法全局最优;操作规则如下:
其中,h为0~1之间随机值,由它决定粒子向着最大或最小位置方向变异;
变异概率g的求取公式为:
其中g1、g2分别表示变异概率的初始取值和最终取值,选取g1<g2,以保证变异概率g根据余弦变化规律由小逐渐增大;
进一步地,改进粒子群和BP算法优化、训练BP神经网络的步骤如下:
步骤1:初始化算法参数,随机初始化粒子群初始位置和初始速度,设定初始惯性权重ω、加速因子γ1、γ2,最大迭代次数tmax,确定BP算法的动量因子β,学习率η等;选定BP神经网络输入层、中间层以及输出层神经元个数各自为S1、S2、S3,即BP神经网络的拓扑结构为S1-S2-S3,种群中的每个个体粒子对应于BP网络各层所有神经元之间的连接权值和阈值,粒子维度表示为S1×S2+S2×S3+S2+S3,其中连接权值个数为(S1×S2+S2×S3),阈值个数为(S2+S3);
步骤2:选取翻转课堂教学质量评价的样本(含训练、测试)数据,对样本数据进行归一化处理后,计算粒子群中每个粒子的适应度函数值;采用BP网络输出误差E作为粒子群算法的适应度函数,公式为:
其中,Bjk为第j个训练样本在第k个输出节点处网络期望输出,Ajk为第j个训练样本在第k个网络输出神经元节点处的实际输出,m为网络输出层神经元节点数(即m=S3),n是训练样本数;
步骤3:对于每个粒子的适应度值,如果其值好于全局最佳位置的粒子适应度函数值,则当前粒子位置便是当前全局最佳位置;
步骤4:采取改进粒子群算法中的公式分别更新粒子速度、位置;
步骤5:每次迭代更新粒子位置后,按一定概率对粒子进行变异操作,完成重新初始化处理;
步骤6:重复执行步骤2~步骤5,当粒子适应度函数值达到规定精度和最大迭代次数,改进粒子群算法搜索结束,输出全局粒子最佳位置且映射为BP神经网络的最优初始连接权值和阈值;
步骤7:采用改进的BP算法对BP神经网络加以训练,不断调整BP网络的连接权值和阈值,直至满足设定的最大训练次数或网络输出达到最小误差精度要求;
步骤8:将测试样本输入已训练好的BP神经网络,用来对翻转课堂教学质量进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711235347.4A CN107862970B (zh) | 2017-11-20 | 2017-11-20 | 一种用于翻转课堂的教学质量评价模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711235347.4A CN107862970B (zh) | 2017-11-20 | 2017-11-20 | 一种用于翻转课堂的教学质量评价模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862970A CN107862970A (zh) | 2018-03-30 |
CN107862970B true CN107862970B (zh) | 2020-09-08 |
Family
ID=61704108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711235347.4A Active CN107862970B (zh) | 2017-11-20 | 2017-11-20 | 一种用于翻转课堂的教学质量评价模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862970B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109307854A (zh) * | 2018-10-29 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种电能计量装置综合评估方法及系统 |
CN109948934A (zh) * | 2019-03-21 | 2019-06-28 | 南京林业大学 | 课程综合评价系统及其方法 |
CN110620958B (zh) * | 2019-09-25 | 2021-05-25 | 东北师范大学 | 一种视频课程质量评估方法 |
CN111950737A (zh) * | 2020-07-28 | 2020-11-17 | 湖北绿神网络科技有限公司 | 一种基于机器学习算法的学习模式认知方法及装置 |
CN112036743B (zh) * | 2020-08-31 | 2021-07-16 | 上海松鼠课堂人工智能科技有限公司 | 一种构建用于教学系统的神经网络的方法 |
CN111968431A (zh) * | 2020-09-15 | 2020-11-20 | 石家庄小雨淞教育科技有限公司 | 一种远程教育教学系统 |
CN112231977A (zh) * | 2020-10-15 | 2021-01-15 | 中国烟草总公司郑州烟草研究院 | 一种复烤机配方参数库的构建方法 |
CN113034058A (zh) * | 2021-05-10 | 2021-06-25 | 南京百伦斯智能科技有限公司 | 一种基于教育数据挖掘与分析的教学测评方法及系统 |
CN113408957B (zh) * | 2021-07-20 | 2023-07-18 | 北京师范大学 | 一种基于组合赋权法的课堂教学评测方法 |
CN113313982B (zh) * | 2021-07-29 | 2021-11-09 | 深圳市轻生活科技有限公司 | 一种基于5g网络的教育系统 |
CN115689820B (zh) * | 2022-09-27 | 2023-08-15 | 东南大学附属中大医院 | 基于双向的学习质量评估方法及继续医学教育闭环管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968701A (zh) * | 2012-12-17 | 2013-03-13 | 天津职业技术师范大学 | 基于神经网络技术的教师实践技能评价方法 |
CN104732352A (zh) * | 2015-04-02 | 2015-06-24 | 张可 | 一种用于试题库质量评估的方法 |
CN105976098A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于bp神经网络的院校教学质量评价方法 |
CN106971354A (zh) * | 2017-02-20 | 2017-07-21 | 管斌彬 | 一种基于大数据的教学分析系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663494A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种基于变异粒子群算法的膜优化算法 |
JP6596516B2 (ja) * | 2015-05-22 | 2019-10-23 | 華為技術有限公司 | 人工ニューラルネットワークの測位性能を改善するための方法および装置 |
CN106849814A (zh) * | 2017-03-27 | 2017-06-13 | 无锡开放大学 | 基于果蝇蛙跳模糊神经网络pid直线同步电机控制方法 |
-
2017
- 2017-11-20 CN CN201711235347.4A patent/CN107862970B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968701A (zh) * | 2012-12-17 | 2013-03-13 | 天津职业技术师范大学 | 基于神经网络技术的教师实践技能评价方法 |
CN104732352A (zh) * | 2015-04-02 | 2015-06-24 | 张可 | 一种用于试题库质量评估的方法 |
CN105976098A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于bp神经网络的院校教学质量评价方法 |
CN106971354A (zh) * | 2017-02-20 | 2017-07-21 | 管斌彬 | 一种基于大数据的教学分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107862970A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862970B (zh) | 一种用于翻转课堂的教学质量评价模型 | |
Ai et al. | Concept-aware deep knowledge tracing and exercise recommendation in an online learning system. | |
CN109858797A (zh) | 基于知识网络精准在线教育系统的多维度信息学情分析方法 | |
CN108172047A (zh) | 一种网络在线学习资源个性化实时推荐方法 | |
CN109840595A (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN111476495B (zh) | 一种提升学习效率的评价及优化方法及其系统 | |
Luo et al. | Exploring the fuzzy integrated assessment of college students’ education for innovative entrepreneurship under the background of internet+ | |
Hou et al. | Teaching evaluation on a WebGIS course based on dynamic self-adaptive teaching-learning-based optimization | |
Li | A teaching quality evaluation model based on a wavelet neural network improved by particle swarm optimization | |
Ding et al. | College English online teaching model based on deep learning | |
Gao | Evaluation of college English teaching quality based on particle swarm optimization algorithm | |
Liu | Evaluation of Japanese teaching quality based on deep neural network | |
Afanasyev et al. | Methods and tools for the development, implementation and use of the intelligent distance learning environment | |
Shi | Deep Learning for College English Education Evaluation | |
CN114742292A (zh) | 面向知识追踪过程的双态协同演化预测学生未来表现方法 | |
Wang et al. | College English Reading Teaching Integrating Production Oriented Approach from the Perspective of Artificial Intelligence | |
Zhu | Prediction Model of Piano Collective Class Teaching and Learning Effect Based on Deep Learning | |
Wang et al. | Design of Learning Environment for Undergraduate Comprehensive Literacy Education under Blended Learning Environment | |
Lv et al. | New Teaching Model of Professional Big Data Courses in Universities Based on an Outcome-Oriented Educational Concept | |
Chu | Construction of artificial intelligence music teaching application model using deep learning | |
Yan | Optimized Design of English Learning Environment Based on Deep Neural Network | |
Fang | Intelligent Evaluation Model for Role Transformation Ability of Vocational Teachers Based on Neural Networks | |
Liang | Combination Prediction Model of English Teaching Population Based on GA Optimized RBF Neural Network | |
Liu | Optimization Model of Mathematics Instructional Mode Based on Deep Learning Algorithm | |
Yang | Optimization of Physical Education Model Based on Cluster Analysis in the Context of Big Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |