新时期教育教学质量评价与人才评价机制.docx
《新时期教育教学质量评价与人才评价机制.docx》由会员分享，可在线阅读，更多相关《新时期教育教学质量评价与人才评价机制.docx（24页珍藏版）》请在冰豆网上搜索。
新时期教育教学质量评价与人才评价机制
新时期教育教学质量评价与人才评价机制
摘要
本文采用层次分析法、模糊综合评判，BP神经网络的方法分别对新时期教育教学质量评价与人才评价机制的问题进行分析处理，分别建立新时期人才质量模糊评价模型和高校教育教学质量评价的模糊BP神经网络模型。
针对问题一，本文通过对我校各院系中共选取十个具有代表性的专业分别从公共基础课、专业基础课、选修课、实践环节方面对比分析研究，并依据分析研究结果提出部分教学改革方案的建议（详见附录一），并依据提出的方案综合运用层次分析法、模糊综合评判法建立了人才质量模糊评价模型。
针对问题二，本文通过网上资源查找得新时期教学质量评价指标体系。
利用模糊综合评判和BP神经网络相结合的方法建立高校教育教学质量模糊BP神经网络模型，为高校教育教学质量评估提供依据。
针对问题三，根据对人才质量评模型和高校教育教学质量模型的研究分析，针对教学质量和人才评价的问题向学校相关部门提出部分建议，详见附录四。
本文的特色在于：
针对问题一，模型一简单易行、可操作性强、并在一定程度减少了不确定性因素的影响，避免了传统加权求和算法中人为因素的影响。
针对问题二，建立模糊BP神经网络模型，新颖独特，可行性高，较好的解决了以往传统高校教学质量评价的不足，弱化传统教学质量评估中指标权重确定的人为因素的影响，而且计算精度高、误差小。
关键词：
层次分析法；模糊综合评判；模糊BP神经网络模型
一、问题重述
1.问题背景
《国家中长期教育改革和发展规划纲要》（2010—2020）第33条明确提出：
“改革教育质量评价和人才评价制度。
改进教育教学评价。
根据培养目标和人才理念，建立科学、多样的评价标准。
开展由政府、学校、社会各方面共同参与的教育质量评价活动。
完善学生成长记录，做好综合素质评价。
探索促进学生发展的多种评价方式，激励学生乐观向上、自主自立、努力成才。
改进社会人才评价及选用制度，为人才培养创造良好环境。
树立科学人才观，建立以业绩为重点，由品德、知识、能力等要素构成的各类人才评价指标体系。
强化人才选拔使用中对实践能力的考查，克服社会用人单纯追求学历的倾向。
”
据此，结合省内外高校先进经验，对新时期我校教育教学质量与人才评价机制进行定量分析研究：
1.对我校本科教学计划各专业，在公共基础课、实践教学、考核方式等各环节进行分析对比研究，提出你的教学计划改革方案；结合你的改革方案，给出你的人才评价模型；
2.研究高校教学质量评价的要求，提出教学评价的指标体系，建立符合规划纲要精神的科学、合理、易操作的教学质量评价模型。
最后，请你向我校教学主管部门写一封教学质量与人才评价的建议书。
2.问题的提出
问题一：
对我校本科教学计划各专业对比分析研究，提出教学改革方案。
问题二：
依据提出的教学改革方案建立合理的人才评价模型。
问题三：
建立教学评价指标体系，并以此建立合理的高校教学质量评价模型。
问题四：
向我校主管部门写一封教学质量与人才评价的建议书。
二、问题分析
2.1对于问题一：
从我校各院系中抽取十个具有代表性的专业：
测绘专业、水利水电工程专业、土木交通专业、机械自动化专业、电气自动化专业、消防工程专业、会计专业、电子信息工程专业、统计学专业、英语专业，进行对比分析研究，得出以下结论：
各专业除考核方式外，在公共基础课、专业基础课、选修课、实践环节课程学分设置上有较大差别，在考核方式上大致相同（具体考核方式详见附录二）。
下面着重从公共基础课、专业基础课、选修课、实践环节方面对我校各专业对比分析研究，详细结果如下：
参考我校教学大纲中各专业课程环节安排学分设置情况，如表1
表1.各专业课程环节的学分百分比
公共基础课
专业基础课
选修课
实践环节
总学分
测绘
34.4%
17.3%
30.1%
18.2%
176
水利水电工程
33.6%
19.2%
31.1%
16.1%
180
土木交通
33.6%
19.4%
30.3%
16.7%
180
机械自动化
33.3%
17.5%
31.1%
17.8%
180
电气自动化
33.8%
19.8%
30.2%
15.6%
179
消防工程
33.6%
17.5%
32.2%
16.7%
180
会计
33.0%
21.0%
31.0%
15.0%
179
电子信息工程
33.%7
17.3%
31.2%
17.8%
179.5
统计
25.1%
27.9%
31.5%
15.6%
179.5
英语
22.8%
35.6%
30.6%
11.1%
180
由Excel作出各专业课程学分设置的直方图，如图1
图1.各专业课程环节的百分比
由图1分析：
1.在公共基础课环节上，理科类专业统计学和文科类专业英语占学分比例较少，分别为22.8%、25.1%，而工科类专业，占33%—34%，相对较多。
2.在专业基础课环节上，理科类专业统计和文科类专业英语占学分比例较多，分别为27.9%，35.6%，而工科类专业，占19%左右，相对较少。
3.在选修课环节，十个专业所占比例相对持平，在31%左右
4.在实践环节，英语专业学分比例较少，占11.1%，而理工类学科专业则相对较多，占15%—18%。
原因分析：
1.在公共基础课环节，统计和英语比例相对较少，是因为统计专业中的高等代数、数学分析和概率统计科目定义在了专业基础课，所以在专业基础课环节，统计较其他工科专业比例高。
同理，英语专业在公共基础课上，缺少大学物理，高等代数等科目，而在专业基础课环节，有更多的英语专业课。
2.在实践环节，理工科专业学分占比例较多，因为相对文科学生，理工科学生需要更多的课外实验、课程设计。
2.2针对问题二，本文利用层次分析法来确定各评判指标对目标层的权重集，运用模糊综合评判的方法来建立人才质量模糊评价模型，最终根据最大隶属度原则来判断本科生在多大程度上隶属人才。
2.3针对问题三，本文利用模糊综合评判和BP神经网络方法建立模型，将每位教师的各评价指标得分作为BP神经网络的输入值，将评语集优、良、差作为输出层，从而建立高校教学质量的模糊BP神经网络模型。
三、模型假设
1.文中数据来源真实客观。
2.
3.计算解果产生的误差在一定范围内可接受。
四、符号说明
4.1模型一符号说明
符号
意义
符号
意义
M
目标层下各指标的判断矩阵
V
人才质量评语集
Nk
准则层中某因素下各指标的判断矩阵
R
U中各指标下的模糊综合评价矩阵
W
指标层各因素对目标层的权重集
T
模糊综合评价集
U
人才评价指标集
Tm
归一化后的模糊综合评价集
五、模型建立与求解
5.1人才质量模糊评价模型
根据提出的教学改革方案，建立人才质量评价模型。
并根据文中数据，对模型求解。
模型建立具体步骤如下：
1）确定人才质量评价指标集
2）应用层次分析法确定各指标的权重集
3）根据建立的因素集、评语集确定模糊关系矩阵
4）由权重集和模糊关系矩阵求出模糊评判集
5）根据最大隶属度原则判断人才的隶属度
5.1.1确定对人才质量评价的指标集，见表2
表2.人才评价指标集
目标层A
人才质量
准则层B
学生成绩B1
素质积分B2
实践环节B3
理解能力B4
所获奖项B5
指标层C
学科认识
学习热情
课堂表现
责任意识
思想道德
平时表现
领导能力
合作能力
动手能力
认知能力
理解深度
创新能力
等级证书
省级证书
校级证书
5.1.2应用层次分析法确定各指标权重
美国匹兹堡大学著名的运筹专家T.L.Saaty创造的层次分析法（AnalyticHierarchyProcess），这是一种定性与定量相结合、系统化层次化得分析方法。
1）构造准则层B各因素对目标层A的成对比较矩阵M
注：
m—准则层B中因素个数
bij—准则层第i给个因素对第j个因素的相对重要程度
i,j=1,2……m
同理，指标层C对准则层B的成对比较矩阵Nk
注：
Nk—准则层第k个因素下指标层因素的成对比较矩阵；
Cij—准则层第k个因素下第i个指标与第j个指标的相对重要程度；
n—准则层第k个因素下指标层中因素个数；
2）给出比较尺度,见表3
表3.成对比较矩阵的相对重要度及其含义
尺度Cij
含义
1
3
5
7
9
Ci与Cj影响相同
Ci比Cj影响稍强
Ci比Cj影响强
Ci比Cj影响明显的强
Ci比Cj影响绝对的强
标度取2，4，6，8，表示Ci与Cj的影响之比在上述两个相邻的两等级之间，1,1/2,1/3……1/9,表示Cj与Ci的影响之比为上面Cij的互反数。
3）求解权向量，并作一致性检验
若上述数据已给出，可由Matlab求解权向量。
为说明一般规律，不妨假设求出成对比较矩阵M的最大特征值对应的特征向量为X1,经归一化处理后的权重向量为X即：
同理：
不妨假设求得成对比较矩阵Nk的最大特征值对应特征向量，经归一化处理后的权重向量为Yk
即：
故：
指标层C对准则层B的权重集为Y:
4）一致性检验
对任意的一n阶互反矩阵A（即：
成对比较矩阵），即满足：
i,j=1,2,……n;
若还同时满足
，i,j,k=1,2,……n；
则称A为一致阵。
但现实生活中，成对比较矩阵A通常不是一致阵，于是Satty等人认为如果A不是一致阵，但其不一致范程度在一定的容许范围内（下面说明这个范围）也可将A看作一致阵来处理。
一致性指标定义：
CI=（-n）/（n-1）
n－成对比较矩阵A的阶数；
－成对比较矩阵A的最大特征根；
若CI=0，则A为一致阵。
注：
CI越大，不一致程度就越严重。
为确定A的不一致程度范围，Satty给出了随机一致性指标RI。
如下表4：
表4随机一致性指标RI
n
1
2
3
4
5
6
7
8
9
10
11
RI
0
0
0.58
0.90
1.12
1.24
1.32
1.41
1.45
1.49
1.51
若一致性比率CR/RI<0.1，即可认为A的不一致程度在容许范围内，可用其特征向量，作为对上层的权重向量。
（若检验不通过，要重新对成对比较矩阵A进行修正）
则准则层B中第k个因素下各指标对目标层A的权重集Wk：
;K=12……m
故：
指标层C对目标层A的权重集W:
5.1.3构建人才质量的模糊评价模型
建立模型的评价因素集U
U={C11……C13,C21……C23……C53}
C11=“学科认识”
C12=“学习热情”
┇
┇
C53=“校级证书”
2）建立人才评价模型的评语集V
划分5个等级：
优秀
，良好
，中等
，合格
，不合格
。
分别对它们在（0，1）间做出对应评分。
即：
不合格
合格
中等
良好
优秀
3）建立人才质量评价指标的权重集W
4）构造模糊综合评判矩阵R
t—因素集U中因素个数。
即；模糊综合评判集T
注：
这里为矩阵的模糊乘法，而非矩阵的张量积。
5）对模糊综合评判矩阵做归一化处理
不妨假设求出的模糊综合评判集T为
对矩阵T做归一化处理得：
根据最大隶属度原则，由最终数据判断人才质量隶属等级（V1—V5）,从而确定了对人才质量模糊评价评价模型。
6）模型求解
通过多位经验丰富的专家对人才质量评价指标研究，确定各层次间的成对比较矩阵。
（注：
由于不同专家的知识，观点，经验，判断力等因素不尽相同,成对比较矩阵也因此不相一致。
）下面给出准则层B中各因素对目标层A的成
对比较矩阵M。
运用Matlable求出X的最大特征根为5.1313，相对应的权重向量，
X=（0.56850.59710.30600.32590.3462），
即：
CI=0.003225。
故：
一致性比率CR=CI/RI=0.00288<0.1，
因此，一致性检验通过，比较结果还是令人相当满意的。
不妨设指标层C各因素对则层B的权重矩阵
，
如下所示：
即：
指标层C各因素对目标层A的权重向量矩阵W。
通过矩阵模糊乘法运算得：
Tm=（0.0241,0.0251，0.1669，0.7397，0.0442）
以上给出的数据对某本科生的人才质量做综合评价，T中最大值为0.7397，由最大隶属度原则，其教学质量隶属于等级
，故说明该人才质量评价隶属于等级
的可能性最大。
即：
该本科生的人才质量评定结果为中等。
5.2高校教育质量模糊BP神经网络模型
模型二，本文利用模糊综合评判和BP神经网络方法建立模型，将每位教师的各评价指标得分作为BP神经网络的输入值，将评语集优、良、差作为输出层，共选取19位教师各项指标得分作为样本，其中选取前16组数据作为测试样本，其余3组数据作为检验样本，最终得出结论：
模糊BP神经网络模型在解决高校教育教学质量评估方面取得了较好的效果。
5.2.1高校教学质量的模糊特性
对于教学质量的评价有多种模型可以采用。
由于教学质量的模糊特性，而且各因素之间又有不同程度的关联，存在非线性联系，利用上述方法不能很好地解决问题。
采用BP神经网络法，利用其高度的非线性映照能力，并行分布处理方式，自学习和自适应能力，数据融合能力的特点，并与模糊综合评判法相结合，建立优越的数学模型，为高校教育教学质量的评估提供了依据。
5.2.2高校教学质量的评价指标
根据网上资源查找高校教学质量评价指标，
如表5表5.高校教学质量评价指标体系
目标层
高校教师教学质量A
准则层
教学内容
教学方法
教学态度
教学成果
学术水平
指标层
联系实际
深入浅出
有责任心
学生成绩提高
掌握理论前沿
重点突出
因材施教
备课充分
学习能力增强
学科认识水平
5.2.3BP神经网络思想。
典型的BP神经网络是一个由输人层、隐含层和输出层构成的三层前馈阶层网络。
BP网络的学习过程由信息的正向传播和误差的反向传播组成。
当给定网络一组输人模式时，BP网络将依次对这组输人模式按如下方式学习:
首先，把输入模式从输人层传输到隐含层单元，经隐含层单元逐层处理后，产生一个输入模式传送到输出层，这一过程称为正向传播;然后将输出结果和期待值进行比较，如果没有达到所预计的期望，则转变为误差的反向传播（errorbackpropagation）将误差沿原路径返回，通过修改各层神经元的连接权值，使误差信号变小。
这种正向传播和反向传播相互交替，看成一个户‘记忆训练，的过程。
系统不断地循环这两个过程，重复学习，一直到输出值和期待值的误差减小到规定范围内，系统停止学习。
此刻将新样本输人到已经训练好的网络，就可以得到相应的输出值。
5.2.4模型建立的具体步骤如下:
（l）输入层节点数的确定及其预处理。
根据我们确定的高校教学质量综合评价指标体系，一共有10个评价指标，将它们作为输入神经元，所以输入层神经元个数为a=10。
对选取的19位教师每个指标进行归一化处理，可以加快网络收敛的速度，保证网络对样本有足够的敏感性和良好的拟合性。
（2）输出层节点数的确定。
我们将评价结果作为网络的输出，由于本教学质量评价的等级分为3类，给出综合评价结论集b=[优秀，良好，一般]。
输出结果（100）为优，（010）为良，（001）为一般，我们把评语集量化，更容易得到清晰的评价结论。
（3）隐含层节点数的确定。
模型中将隐层设定为一层。
隐层可以降低网络误差，提高精度。
输入层和输出层采用线性转换函数，隐层采用Sigmoid转换函数，则含一个隐层的MLP网络能够以任意精度逼近任何有理函数。
在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。
一般情况下，隐含层神经元个数是根据网络收敛性能的好坏来确定的。
若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点。
因此存在一个如何确定合适的隐含层神经元个数的问题。
一般可以采用“试凑法”，通过比较网络输出误差与期望误差之间的拟合程度。
这里，我们将节点数取为c=12个比较合适。
（4）模拟样本训练
具有1个隐层（采用Sigmoid转换函数）的BP网络可实现对任意函数的任意逼近，BP网络采用误差反传算法，其实质是一个无约束的非线性最优化计算过程。
（5）样本测试
神经网络训练完毕后，若训练结果在误差允许范围内，则用未经训练的样本对已经训练好的网络系统进行测试。
当测试结果输出与期望值误差较小，则说明该模型具有较高的精度，能较好的解决高校教师教学质量的评价问题。
5.2.5模型的求解
1）采集的样本数据，如表6
表6.样本集数据
样本\指标C11C12C21C22C31C32C41C42C51C52
10.930.880.780.760.810.680.750.750.80.8;
20.850.760.770.680.690.790.680.850.760.81;
30.860.820.810.790.760.810.650.820.750.82;
40.910.820.790.880.860.790.680.760.810.75;
50.830.750.790.780.860.810.830.820.690.76;
60.790.660.50.60.640.730.650.720.760.71;
70.760.650.80.460.560.520.670.750.740.66;
80.750.730.660.690.520.740.560.680.740.55;
90.680.820.680.460.560.520.460.630.650.56;
100.760.650.430.560.50.620.420.390.730.35;
110.780.760.750.80.930.80.880.810.680.75;
120.770.680.680.760.850.810.760.690.790.85;
130.810.790.650.750.860.820.820.760.810.82;
140.790.880.680.810.910.750.820.860.790.76;
150.790.780.830.690.830.760.750.860.810.82;
160.50.60.650.760.790.710.660.640.730.72;
170.80.460.670.740.760.660.650.560.520.75;
180.660.690.560.740.750.550.730.520.740.68;
190.680.460.460.650.680.560.820.560.520.63;
2）选取1—16组样本数据用Matlab处理（详细程序见附录三），其中学习率为0.8，动量因子为0.9：
训练过程如图2所示;
图.2样本的训练过程（隐层节点为12）
样本数据的训练结果如表7
表7样本训练结果
序号实际值网络预测值
1（100）（1.0434-0.04670.003）
2（100）（0.89350.11170.0053）
3（100）（1.0199-0.01910.001）
4（100）（1.0713-0.07950.008）
5（100）（1.0269-0.02610.0008）
6（010）（0.01610.97690.0080）
7（010）（0.01881.01030.0293）
8（010）（-0.0040.97880.0241）
9（010）（0.00760.98870.0179）
10（001）（-0.00660.00651.0002）
11（100）（1.0212-0.0207-0.0004）
12（100）（0.96720.03090.0023）
13（100）（0.96920.0294-0.0017）
14（100）（0.96130.0395-0.0007）
15（100）（0.99220.0123-0.0047）
16（010）（0.01711.0060.0222）
求出仿真误差值MSE=0.0011，可见训练结果还是比较令人满意的。
对BP神经网络系统对第17、18、19组的测试结果如下：
序号实际值网络预测值评价
17（100）（0.90310.07120.0259）优秀
18（010）（0.09910.87750.0238）良好
19（010）（1.23572.23740.0001）良好
由上数据可知：
该教学质量评估模型具有一定的可行性。
从评价结果来看，神经网络评价法在最大程度上减少了人为因素的影响，避免了人为设计权重所带来的误差和不确定性，提高了模型的有效性。
七、模型评价
模型一评价：
人才质量模糊评价模型优点在于简单易行、可操作性强、并在一定程度减少了不确定性因素的影响，避免了传统加权求和算法中人为因素的影响，但对于权重集的确定问题，由于不同专家的知识，观点，经验，判断力等因素不尽相同,因此权重集的确定会在一定程度上会影响到人才质量模糊评价的准确度。
模型二评价：
高校教育教学质量模糊BP神经网络模型在最大程度上减少了人为因素的影响，避免了人为设计权重所带来的误差和不确定性，提高了模型的有效性。
但BP神经网络对样本数据的精确性、准确度要求较高，因此对数据的搜集和筛选方面难度较大，且对隐含层节点数及学习率、动量因子的选取值将直接影响到模型的评估质量的好坏。
八、参考文献
【1】华北水利水电学院本科指导性教学计划【M】教务处2010
【2】符贞.基于层次分析法的创新型外语人才的模糊评价模型【J】.科技信息，2008，（27）：
349-394
【3】姜启源，谢金星，叶俊.数学模型【M】.北京：
高等教育出版社2003:
8
【4】宋晓秋.模糊数学原理与方法【M】.徐州：
中国矿业大
升级会员 