[摘要]当前高校教育改革逐渐深入，如何提高教学质量已经成为当前高校教学的工作重点。目前神经网络被广泛应用于高校教学评价，但是神经网络具有计算量大及容易陷入局部最优解的缺陷。针对这些问题，使用局部保持投影(Locality preserv?ing projections, LPP)对教学评价样本进行信息融合，除了可以实现对特征参数维数的减少外，还可以将处于空间局部信号的流行特征，完整地保留下来。因此，使用LPP对教学评价样本进行预处理，能同时提高神经网络的教学评价精度和计算效率。结果表明，LPP方法能有效提高运算效率和预测精度。
近年来，高校的扩招极大地推动了高等教育的发展。随着高校在校学生数量不断增加，以及国民对教学质量的要求不断提高，加强高校教育质量，已经成为当今教育事业改革的主要任务。同时，作为推动高等教学改革和提高高等教学质量的主要群体，高校教师团队的教学能力和工作素养，是整个教学事业改革的保障[1-3]。基于这种背景下，如何提高高校教学团队的工作素养和教学能力，成为我国大部分高校亟须解决的难题。经过多年的摸索，我国各大高校在提高教师能力和素养方面，先后提出过许多有效措施，但是整体上都必须创建一套完整的教学评价体系，实现对教师能力和素养的全面评价。通过设定各个评估指标，要求高校教师将自己的教学能力和工作素养，与教学评价体系中的各大标准指标进行对比，从而找出自身的不足，再进行优化和改进，从而帮助教师全面提高自身素养，为高校打造一支品行兼优的高等教师团队[4-5]。
现阶段，在教学评价方法中，通常采用如下三种方法进行评价，即层次分析法、加权平均法，以及模糊综合评价法等。其中，传统意义上的指标加权平均法，其计算步骤十分简便，但是却十分清晰明了地将所有评价指标之间的线性关系描述出来，并结合评价者自身的经验，得出评价因素权重，从而达到评价目的。但是，这种评价方法缺乏客观性，难以证明各大评价因素之间是否存在合理关系[6-9]。层次分析法与加权平均法存在一定的相似度，首先需要证明各大评价指标中，存在明确的线性关系，从而获得各大评价因素权重，再通过邀请专家评估，得出判断矩阵。这种评价方法虽然可以得出评估模型，但是却不能够得出最佳的评估结果。在应用模糊综合评价法时，首先需要构建适宜的评判矩阵，从而准确的找出评价对象之间的关系。但是，这种评价方法极易受到专家的影响，从而造成最终评价结果出现差异。
近年来，在复杂、非线性及综合性较强的问题决策中，已经广泛地应用了人工神经网络理论。因此，在教学评价中，也可以结合人工神经网络理论，构建出相对完善的评价体系。通过将代表评价对象特征的信息，以及表示综合评价的量值，分别设定为神经网络输入向量和输出量值，再输入充足的样本，不断缩小输出量值与预期量值之间的差异。当输出量值已经远远大于预定误差阀值时，需按照相关的调节方法，将系统误差缩减到理想误差范围内。此刻，当阀值、权值为固定参数时，神经网络组所获得的权系数值和阈值，则是最佳的综合评价系统，可以准确地对其他对象系统进行评价。现阶段，神经网络理论已经被广泛应用于教学质量评价[10]。但是，该方法还存在一些缺陷，比如评价需求的样本数量较大、收敛速度慢、计算量大、容易陷入局部最优解等。因此，需要寻找更合适、准确度更高、运算速度更快的方法来解决教学评价问题。
为进一步挑选出紧密联系高校教师水平的特征值参数，本文综合运用LPP方法，实现对特征值向量的降维处理[11]。其中，LPP方法除了可以实现对特征参数维数的减少外，还可以将处于空间局部信号的流行特征完整地保留下来。应用LPP方法，可大幅提高同类内识别效果，从而增加预测精确度。在文献[11]中，严格指出LPP可适用数据的降维和信息融合。
论文分为四个部分，首先讨论高校教师全方位教学质量评价体系的构建;然后以高校教师的教学质量作为评价对象，使用LPP方法结合BP神经网络对其进行仿真分析，并与BP神经网络的仿真结果进行对比;最后对论文方法在高校教师教学质量评价中的应用效果进行总结。
一、全方位高校教师教学质量评价指标体系
为全面、科学、准确地对高校教师教学质量进行评价，论文使用文献[12]中所提出的全方位教学质量评价体系，对本文的方法进行验证核查。其中，该文献中所指出的全方位评价体系，表示从同事、领导、学生、教师等角度出发，对教师的工作绩效展开360度全方位的评价。利用这种多角度、全方位的绩效评价，可以让教师客观地认识到自身所存在的不足，并且采取有效改进措施，提高自我工作能力。大量案例证实，采用全方位评价体系，可大幅提高评价结果的真实性和有效性[12]。在构建全方位高校教学质量综合评价体系时，为了提高评价结果的客观性，需将下述评价主体纳入评价体系中：学生、督导、同事、教师自身等。其中，该评价体系主要分为学习评价和授课评价两大体系，具体结构详细见图1。评价指标又可分为自评、同事互评、学生评价等。学习评价指标则分为自评、同学互评、教师评学等。上述所有指标之间，都存在关联性，彼此之间相互影响，从而搭建出全方位的评价体系。具体评价指标如表1和表2所示。
二、基于LPP的全方位高校教师教学质量评价方法
(一)LPP方法
在对教学质量评价样本数据进行信息融合时，局部保留投影法的主思路，主要通过对数据进行降维处理，从而完整地将数据内在的局部特征和非线性结构保留下来。其中，运用LPP算法，找出最为适宜的线形变换矩阵形，实现对数据的降维处理。在计算时，将有样本数据集设定为F，将教学质量评价参数设定为J，将样本总数设定为Ni。应用LPP时，其最终目的，是为找出最为适宜的A，实现对高维特征值F的映射，从而获得低维特征值F′，J´ 则表示完成降维后，特征值向量的维度参数值。LPP的目标函数为
FLFT、FDFT属于对称及半正定矩阵。最小特征值相应的特征向量则是式(6)中的最优解。
(二)基于LPP和BP神经网络的全方位高校教师教学质量评价方法
基于LPP和BP神经网络的全方位高校教师教学质量评价方法步骤如下所示，方法具体流程如图2所示：1.将表1和表2中的学生评教、教师自评和同学互评各18个三级指标作为输入特征值，设共有g个样本，则可构建维数为g × 18的特征值矩阵F。输出则是高校教师教学质量督导评教结果，该结果总共范围5个不同等级，其等级和输出范围分别为优[0.8,1]、良[0.6,0.8]、中[0.4,0.6]、及格[0.2,0.4]和不及格[0,0.2]。
2.将获取的特征值矩阵输入LPP，对特征值矩阵进行信息融合和特征提取，所得到的显著特征记为F’。
3.在BP神经网络中导入训练数据后，再挑选适宜的网络参数输入其中，最后建模。设定判别函数，运用测试数据测试方法结果，对教学评价结果做出分类和预测，这就是基于LPP的全方位高校教师教学质量评价方法。
三、评价方法仿真分析
在高校课堂教学质量评价系统中，采用问卷调查的方式，采集表1和表2中的学生评教、督导评教、教师自评和同学互评各18个三级指标，共采集120个样本，其中学生评教、教师自评和同学互评样本(输入样本)共100个，每个评价等级20个样本，督导评教样本(输出样本)20个，每个评价等级4个样本。其评价期间，所有针对督导、学生、教师的评价，均以独立状态展开。在仿真分析时，随机选取输入样本80个作为训练样本，剩下的样本作为测试样本;样本对应的督导评教样本取均值作为输出。将选取的样本分别输入到基于LPP和BP神经网络的教学质量评价方法，并展开训练和测试。为更准确地反映论文方法的评价效果，重复三次试验，两种方法的测试绝对误差如图3-5所示。两种方法的对比结果如表3所示。表3中平均误差是每次实验所有测试样本误差的平均值。
从图3-5可以看出，相对单独使用BP神经网络进行评价的结果，LPP信息融合后的评价预测结果绝对误差曲线波动更弱，误差更小，评价结果更接近真实值。表3从评价结果平均误差、评价等级正确识别次数、评价等级错误识别次数和评价等级识别精度四个参数对两种方法的教学质量评价结果进行了对比。结果表明，不管是教学质量等级还是教学评价结果，论文所提出方法都获得了更好的预测精度。因此，使用LPP能提高评价的准确性，LPP方法应用在高校教师教学质量评价中是可行的。
四、结论
论文提出了基于局部保持投影(LPP)方法的全方位高校教师教学质量评价方法，该方法根据教师互评、教师自评、督导评教和学生评教多个指标对教师教学质量进行评价，采用LPP方法在特征参数维数的同时有效提取特征信息。使用采集的样本数据进行训练和测试，仿真分析结果表明，LPP方法能有效实现教学质量评价指标样本数据的信息融合和降维，有助于更好地拟合训练数据，预测精度有了明显的提升。通过基于LPP的教学质量评价方法对高校教师教学质量进行合理评价，创建出一套更加准确、更加科学的评价方法，为促进高校教学质量的提高，提供更有效的评价工具。
本文由校风云培训学校管理系统责任编辑，如有转载，请注明来源，感谢您的支持！