基于灰色关联分析和神经网络的多媒体教学质量评估.docx

该【基于灰色关联分析和神经网络的多媒体教学质量评估 】是由【科技星球】上传分享，文档一共【12】页，该文档可以免费在线阅读，需要了解更多关于【基于灰色关联分析和神经网络的多媒体教学质量评估 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于灰色关联分析和神经网络的多媒体教学质量评估
 
 
谷琳
摘 要:针对多媒体教学质量评估过程存在一些缺陷,设计基于灰色关联分析和神经网络的多媒体教学质量评估方法。首先,分析当前多媒体教学质量评估现状,构建多媒体教学质量评估指标;然后,采用灰色关联分析法确定多媒体教学质量评估指标的权值,采用神经网络建立多媒体教学质量等级的分类器;最后,与其他多媒体教学质量评估方法进行仿真测试。结果表明,所提方法的多媒体教学质量评估正确率超过95%,而对比方法的多媒体教学质量评估正确率均低于95%,同时,多媒体教学质量评估建模效率也明显改善,为多媒体教学质量评估提供了一种新的研究方法。
Key:多媒体教学质量评估;现代教学手段;评估指标;评估效率;灰色关联分析;教学质量等级分类器
:TN99?34;TP391           :A           :1004?373X(2020)09?0183?04
Multimediateachingqualityassessmentbasedongreyrelational
analysisandneuralnetwork
GULin
(CapitalNormalUniversity,Beijing100048,China)
Abstract:Sincetherearesomeshortcomingsexistingintheprocessofmultimediateachingqualityassessment,,andtheassessmentindexof
,,%,whilethatwithothermethodsisbelow95%.Atthesametime,,theproposedmethodprovidesanewmethodformultimediateachingqualityassessment.
Keywords:multimediateachingqualityassessment;modernteachingmeans;assessmentindex;assessmentefficiency;greycorrelationanalysis;teachingqualitygradeclassifier
0 引 言
從1999年开始,全国高校进入了扩招阶段,全国大学生数量急剧增加,高校教育进入了快车道时代,大多数高校的师资力量不足,教育教学设备紧张,教学质量成为高校讨论的焦点问题[1]。高校的声誉与教学质量密切相关,为了满足高校教育,提高教学质量,大多数高校采用多媒体教学方式,相对于传统黑板教学方式,多媒体教学方式具有许多优越性,如可以进行动画播放讲解、互动形式更优[2]。高校教学质量主要通过课堂多媒体教学质量来反映,因此,如何
对高校多媒体教学质量进行科学、客观评估,对于提高高校课堂教学效果具有重要的实际意义[3?5]。
多媒体教学质量是一个比较复杂的问题,牵涉技术很多,多媒体教学质量评估指标构建主要包括:教师水平、课程难易、学生自身素质等,它们之间相互影响,而当前没有一个统一、公认的多媒体教学质量评估指标体系[6?7]。通常情况下,选择大量的指标对多媒体教学质量进行评估,这使得数据采集难度增加,同时,评估指标太多,使得多媒体教学质量评估建模过于复杂,评估指标之间有一定的信息重复,会产生一定的干扰。当前有主成分分析法的多媒体教学质量评估指标构建方法、基于模糊理论的多媒体教学质量评估指标构建方法,它们虽然可以减少多媒体教学质量评估指标的数量,但是没有体现出每一种指标对多媒体教学质量评估结果的影响,从而影响多媒体教学质量评估效果[8?10]。灰色关联分析法是一种新型的指标构建方法,可以对各种指标的权值进行合理确定,为多媒体教学质量评估指标构建提供了一种新的工具。
从本质上,多媒体教学质量评估是一种多分类问题,将多媒体教学质量划分为不同的等级,因此,在多媒体教学质量评估指标构建的基础上,需要设计多媒体教学质量评估的分类器,主要由BP神经网络、支持向量机、马尔可夫链等对多媒体教学质量评估的分类器进行设计[11?13]。
支持向量机设计多媒体教学质量评估的分类器速度慢,而马尔可夫链设计的多媒体教学质量评估分类器质量差,相对于支持向量机、马尔可夫链,BP神经网络的多媒体教学质量评估分类器更优,在多媒体教学质量评估中得到了广泛应用[14]。
针对多媒体教学质量评估过程中存在一些问题,本文设计了基于灰色关联分析[15]和神经网络的多媒体教学质量评估方法,与其他多媒体教学质量评估方法进行了仿真测试,结果表明,本文方法的多媒体教学质量评估正确率高于当前其他多媒体教学质量评估方法,提升了多媒体教学质量评估建模效率,同时,对比验证了灰色关联分析和神经网络相融合应用于多媒体教学质量评估中的优越性。
1 灰色关联分析和神经网络的多媒体教学质量评估方法
 灰色关联分析和神经网络的多媒体教学质量评估原理
基于灰色关联分析和神经网络的多媒体教学质量评估原理为:首先,构建多媒体教学质量评估指标;然后,采用灰色关联分析法确定多媒体教学质量评估指标的权值;最后,采用神经网络建立多媒体教学质量等级的分类器,具体如图1所示。
 构建多媒体教学评估体系
在建立多媒体教学质量评估指标时,要使多媒体教学质量评估结果科学、可信度高,本文基于一致性、全面性、独立性、容错性原则,建立一个合理、公正、科学的多媒体教学质量评估指标体系,具体如表1所示。
将多媒体教学质量划分为5个等级:优、良、中、合格、不合格,它们的取值具体如表2所示。
 灰色关联分析法
设多媒体教学质量评估指标组成的参考序列为:[X0={x0(1),x0(2),…,x0(m)}],[m=6],比较序列为:[Xi={xi(1),xi(2),…,xi(n)}],[i=1,2,…,n],设:
[xi(k)=1mk=1nxi(k),  i=0,1,2,…,m] (1)
作如下标准化处理:
[xi=xi(k)xi,  i=0,1,2,…,m](2)
灰色关联系数计算公式为:
[ξi(k)=miniminkx0(k)-xi(k)+ρmaximaxkx0(k)-xi(k)x0(k)-xi(k)+ρmaximaxkx0(k)-xi(k)] (3)
式中[ρ]表示分辨系数。
多媒体教学质量评估指标之间的关联度为:
[ri=1mk=1mξi(k)](4)
根据关联度确定多媒体教学质量评估的指标权值。
 BP神经网络
BP神经网络输入节点数为[m],隐含层节点数为[p],输出层的节点数为1,通过映射函数得到隐层节点输入和输出分别为:
[Sj=i=1nωijx(i)-θj](5)
[bj=11+expi=1nωijxi-θj](6)
式中[ωij]和[θj]分別表示隐层的连接权值和阈值。
输出层节点的输入和输出分别为:
[L=j=1pωjkbj-θk](7)
[yk=11+expi=1nωikxi-γk](8)
式中[ωik]和[γk]分别表示输出层的连接权值和阈值。
BP神经网络的学****过程就是不断调整连接权值和阈值,使输出层的实际输出与期望输出之间的误差最小。
2 多媒体教学质量评估效果测试
 测试环境
为了分析基于灰色关联分析和神经网络的多媒体教学质量评估方法的有效性,采用表3的测试环境进行仿真实验,并选择文献[13?14]的教学质量评估方法进行对比测试。
 测试数据
为了体现多媒体教学质量评估结果的科学性,选择5位教师的多媒体教学质量作为测试对象,它们的样本数量如表4所示。同时,采集多媒体教学质量评价指标数据,由于幅篇有限,没有列出。
 多媒体教学质量评估正确率对比
统计本文方法与文献[13?14]的多媒体教学质量评估方法对5位教师多媒体教学质量评估的正确率,结果如图2所示。对图2的多媒体教学质量评估正确率进行分析可以发现:
1)文献[13?14]的多媒体教学质量评估正确率均低于95%,这主要是由于它们无法准确描述多媒体教学质量整体信息,使得多媒体教学质量评估错误率高,媒体教学质量评估结果缺乏科学性。
2)本文方法的多媒体教学质量评估正确率高于文献[13?14]方法,对于所有教师的多媒体教学质量评估正确率均高于95%,这主要是由于本文方法引入灰色关联分析法,准确确定了多媒体教学质量评估指标的权值,能够更好地反映多媒体教学质量整体信息,并采用BP神经网络进行建模,降低了多媒体教学质量评估错误率,媒体教学质量评估结果更加可信。
 多媒体教学质量评估效率对比
统计本文方法与文献[13?14]的多媒体教学质量评估方法对5位教师多媒体教学质量评估建模时间,结果如图3所示。
从图3可以发现,文献[13?14]的多媒体教学质量评估建模时间长,多媒体教学质量评估效率比低,而本文方法的多媒体教学质量评估建模时间明显缩短,加快了多媒体教学质量评估速度,可以快速得到多媒体教学质量评估结果,能够满足人数多的多媒体教学质量评估应用要求,实际应用范围更广。
3 结 语
为了提高多媒体教学质量评估正确率,本文提出了基于灰色关联分析和神经网络的多媒体教学质量评估方法。首先,构建多媒体教学质量评估指标,并采用灰色关联分析法确定多媒体教学质量评估指标的权值;然后,采用神经网络建立多媒体教学质量等级的分类器;最后,进行多媒体教学质量评估仿真实验,结果表明,本文方法是一种错误率低、效率高的多媒体教学质量评估方法。
Reference
[1]杨秀平,张华,[J].实验室研究与探索,2018,37(2):231?234.