中图分类号：TP391 文献标志码：A 文章编号：1674-9324（2017）30-0005-02
教师课堂教学效果的好坏是影响高校所培养人才质量的主要因素，因此开展好对教师课堂教学质量评价，帮助高校教学管理部门及时掌握教师情况，改进教学、实施教学质量监控，是提高高校教学质量具体而有效的措施之一。我国高校教育评估中存在很多问题，比如基础性工作量过大、信息资源难以共享利用、数据资料的客观真实性难以保证、评估资料和信息不完整、评估方案烦琐、评估欠缺统筹规划、基础性建设不足等。目前高校教学评价方法不尽相同，大致可以分为两大类：一是单一的定性评价，二是定性与定量相结合的评价，而后者已成为一种研究的重点。
高校现行课堂教学质量定量评价方法主要有：层次分析法[1]、单因素方差分析法[2]、模糊综合评价模型[3]、Markov链法[4]、人工神经网络方法[5]、数据挖掘方法[6]等。目前，现代数量统计方法已在高校教学质量评价中使用并在不同程度上取得了一定效果，但这些方法仍然存在很多不完善的地方。本文介绍了构建教学质量定量评价的一种策略，并利用神经网络训练方法对量化后的评价指标数据进行智能评估。
一、研究内容
1.构造教学质量评价的有效关键因素集。影响教学质量的因素很复杂，定量评价教学质量首要的问题是站在科学评测的立场上对决定教师教学质量的主要因素进行整理、分析、归纳，并通过因素间的相关性分析、各因素对结果贡献程度的分析，构建评价教学质量的关键而有效的因素集合，形成描述教学质量的完整的评价空间，并借助于充足的历史数据和专家鉴定来验证该评价空间的完整性和有效性。另一方面，教师教学质量的评价需要大量的基础数据，涉及到人事、科研、教育教学等多种信息源。把不同信息源的数据进行集成从而得到规范的教学质量评价基础数据库，这是评价工作的基本工作。评价因素的选择和重要性分析，需要以教学工作数据为核心，对教学质量影响显著的数据进行有效集成，最终形成描述教师教学行为及效果的数据空间。
2.教学质量评价的智能信息处理方法。在构造有效关键因素集的基础上，把教育教学理论成果和专家经验作为领域理论，确定各有效关键因素的相对重要性（重要性权值）的初始值。利用机器学习方法和典型数据对该权值进行更新，以产生既符合教育教学理论成果和专家经验，又匹配历史数据的因素重要性权值，以构建评价器。该评价器的输出应具有数量值，也应能够表现结果的模糊评价结果。
3.教学质量评价实验研究程序系统的开发。选择特定的计算机环境实现教师教学质量评价算法，提供具有解释性强、数据分析智能化程度较高等特性的实验研究用程序系统。在开发过程中将有效地考虑关键因素的选择与权值随时间的演化特性。教学质量评价模型的建立过程由定性的评价体系指标的量化、有效关键因素的权重智能化、教学质量评价器的训练及评价结果的检验等过程组成。
二、研究方法
1.分析建立高校教学质量评价指标体系。充分分析国内外高校现行教学质量评价的各种指标体系，以本校实情为具体研究对象和实践环境，找出其理论依据，然后从各指标体系的共同点中提取教学质量的关键评价因素，并归纳指标体系所要求的数据来源，为建立基础数据库做准备。
2.获得有效关键因素。通过对历史数据进行整理变换来消除因素之间的相关性，从而获得相互之间不相关的关键因素（有效关键因素）集合，通过相关性分析并进行相关性验证后确定质量评价的有效相关因素集。
3.训练教学质量评价器。从基础数据库中选择部分典型数据，根据理论支持和专家经验设定各有效关键因素重要性权重的初始值，并根据机器学习理论更新该权值，最终获得特定的因素权重集合，以此训练并最终得到一个教学质量评价器（计算机软件系统）。
4.检验评价结果。评价器的输出与专家评定结果、教师代表评价结果及学生群体评价结果进行对比，根据比较的结果来评估评价器的输出性能。当评估结果达不到满意度时，重新验证有效关键因素和训练评价器过程，同时进一步丰富训练用典型数据，并重复这部分工作。
5.评价方法的实践检验。在全校范围内选择不同学科门类、不同专业、不同职称结构进行测试验证和分析，对出现的问题进行分析和修改，完善课题成果。
三、有效关键因素的权重智能化
建立一个智能教学质量评价器，该评价器包括结构相同的3个BP神经网络，每个BP神经网络有21个（评价因素个数）输入节点，7个隐层节点，4个输出节点。将采集到的一半评估数据可重复选择地分为3组样例，作为3个BP神经网络的训练集；其余一半的评估数据将被学习后的评价器作为验证集，以检验该评价器的性能好坏。每个BP神经网络的学习过程完全相同，其学习过程其实就是利用计算机智能的为每个评估指标分配合理的权值，具体步骤如下：（1）将一组验证集作为评价器的输入传递给一个BP神经网络，每个输入层节点即为一个评估指标；（2）每个输入层节点加权整合作为相应隐节点的输入；（3）每个隐节点对输入信号进行非线性变换后传递给输出层的各个节点；（4）输出层各节点对各隐单元输出进行线性组合后产生输出；（5）输出层节点的输出值与目标值进行比较，计算其误差是否达到收敛范围，如未达到，则重新调整输入层各节点的权值，重复步骤（2），直到误差达到收敛标准，否则结束学习过程。上述学习过程由学习系统自行完成，而且这种学习可以进行多次，每次成功?W习将产生各个评估指标的合理权值。
四、检验评价结果 现有的教师教学质量评估系统一般都是先将教师评估工作划分成若干评价指标，然后让学生和同行教师分别对教师的这些评价指标进行打分，最后进行简单的求和与求平均值，以此作为对教师教学质量的定性结论。我们利用本校两个学年所有课程的期末成绩和学生对教师的评估数据，利用神经网络训练方法对教师的教学质量进行了智能化的评估。经?^两年的验证性研究，所获得的结果符合教师、专家的分析结果，基本达到了预期目标，其智能评估方法为该领域的进一步深入研究奠定了坚实的基础。
五、结语
本文立足于教育教学改革，利用数量统计方法评价教学核心环节中产生的数据，采用现代智能信息处理理论为核心的数据处理方法和技术，以教育教学理论和专家的认知成果作为领域理论，通过机器学习策略有效地量化关键因素的重要性，有效地综合复杂因素，产生定量评价结果。选取影响教学质量因素、量化各因素相对重要性以及产生评价结果的方法都基于以机器学习为核心的智能信息处理理论和方法，具有较为完善的理论基础和依据。
本文的工作同时考虑教育教学理论和专家经验的认知成果与智能信息处理方法，以领域理论为基础，以典型案例为指导，实现了智能评价教师教学质量的任务。我国在教育测量与评价领域的研究和实践非常薄弱，我们今后的研究工作尚需解决很多理论与实践方面的问题，主要包括：（1）决定教学质量的可测性因素的完备性问题，需要在教育理论框架内寻求合理、有效的解答；（2）利用智能信息处理领域的新理论和新方法，对我国高等教育发展与改革的宏观范围内产生的大数据进行有效的挖掘和处理，使教学质量的智能化定量评价趋于完善。
