BP神经网络算法在教师履职考评中的应用研究

陈江丽，张　嵘

（临沧师范高等专科学校，云南临沧 677000）

BP神经网络算法在教师履职考评中的应用研究

陈江丽，张嵘

（临沧师范高等专科学校，云南临沧 677000）

基于BP神经网络算法在分类预测方面的权威性，提出利用BP神经网络构建教师履职评价模型的新方法。实验结果表明，该模型具有较高的可行性和实用性，能够准确、高效地对教师履职情况进行客观评价。

BP神经网络；教师履职考评；评价模型；网络学习；分类预测

教师履职考评已经成为学校年终总结工作的一个主要部分.教师履职考评是对教师工作价值的一种判断过程，评价主要包括德、勤、能、绩四个方面，对教师的政治思想品德、教学工作表现、教学质量和教学成果等进行综合评价.教师履职考评对教师工作具有鉴定、交流、诊断、激励和督促等重要作用.履职考评的结果一般作为教师评优、职称和职务晋升的重要依据.因此，如何全面科学地进行考核评价，建立公平公正的评价体系，进一步激发教师工作的积极性，已成为学校普通关注的问题.

本文结合本校采用的教师履职考核指标体系，提出利用BP神经网络对收集到的被评价对象的履职情况表征信息进行科学评价的新方法.并将此方法的应用于本校年终的教师履职考评工作中，取得了良好的效果.

1　BP神经网络算法

BP 神经网络是模拟生物神经网络的人工智能系统，是一种多层前馈神经网络.在前向传播中，输入信号从输入层经隐含层逐层处理，直至输出层输出结果.如果输出层得不到期望的输出，则转入反向传播，将误差沿原来的连接通道返回，通过修改各层神经元的权值和阈值，使得误差最小，如图1 所示.反复执行这个过程，直至误差小于预期时停止，表示神经网络的学习阶段结束［1］.接着利用学习好的BP神经网络对输入信号进行分类，根据结果验证其分类能力.

图1　三层前馈BP神经网络结构

因此，BP神经网络的学习效果将决定其分类能力.学习过程分为以下6个步骤.

2　基于BP神经网络的教师履职评价模型

先利用BP神经网络建立教师履职评价模型，再经过网络学习和分类验证，才能使模型有效地对教师履职情况进行评价.因此，建立一个结构合理的评价模型是保证结果准确的必要基础，网络结构的性能将决定教师履职考评工作是否成功.构建评价模型需要考虑以下要素.

2.1输入层、隐含层和输出层设计

首先，网络模型各有1个输入层和输出层，但确定隐含层的数量遵循一个基本的原则：增加层数可以进一步降低误差，但会使网络结构复杂化，从而增加了网络的学习时间.其实降低误差也可以通过增加隐含层的节点数来实现，并且这种方式产生的学习效果比增加层数更容易察觉和提高.因此，教师履职评价模型的BP 网络仅包含有1个隐含层，采用三层BP神经网络结构.

另外，进一步确定各层的节点数.由于输入层的节点取决于输入数据的维数，模型中输入的考评数据以本校采用的考核指标体系为依据，如表1所示.将评价对象19个二级指标的量化数据作为输入，因此输入层有19个节点.输出层节点数由输出结果的表示方式决定，本模型中将教师履职的综合考评成绩作为输出信号，所以，输出层节点个数为1.然而隐含层节点数的确定比前两项要复杂些，因为而隐含层节点数对BP神经网络预测结果的准确度有较大的影响：数目太多会导致学习时间过长，但不能保证误差最低；但是数目太少又会影响学习效果，进而增加次数进行重新学习.最佳隐含层节点数 的选择可参考如下的公式（9）、（10）和（11）.因此，综合分析后将隐含层节点数定为4.

表1　教师履职考核指标

2.2初始化权值和阈值

由于BP神经网络的学习过程就是不断地修正权值和阈值，使它们最终成为网络的正确内部关系，并且要求输入的初始权值和阈值使每个节点的状态值接近于零.因此，初始权值和阈值一般取0～1间随机数.

2.3学习速率的取值

BP神经网络的学习速率是学习过程中对权值和阈值的修改值.学习速率的取值在［0，1］之间，学习速率过大将使学习过程产生不稳定，而过小的学习速率使学习过程变慢.因此，为了保证学习过程的稳定性，一般选取较小的学习速率，本模型的学习速率取值为0.01.

2.4输入输出数据归一化处理

数据归一化处理是将所有样本数据都转化为［0，1］间的数，目的在于取消数据间的数量级差别，避免由此造成网络预测误差较大的问题.数据归一化的方法有最大最小法和平均数方差法两种.本模型中采用第一种方法，主要采用Matlab自带函数mapminmax来实现学习样本和测试样本输入、输出数据的归一化处理.

3　实际应用及结果分析

以本校的教师履职考核数据为例，选用其中有代表性的50条数据作为BP神经网络的学习样本，25条数据作为测试样本，部分原始数据如表2所示.学习样本的各指标评分数据经过归一化处理后输入教师履职评价模型中进行学习，将预测结果与归一化处理后的学习样本考评成绩进行误差计算，若预测误差满足预期则结束学习.

表2　样本示例

经过BP神经网络学习，在Matlab中仿真出训练过程的误差曲线如图2所示.从图上可以看出，当训练次数接近100时，训练误差约为0.0001，达到了预测准确度的要求.

图2　网络学习误差曲线

BP神经网络训练结束后，将归一化处理后的测试样本数据输入到稳定的教师履职评价模型中，得出预测结果.将预测成绩与实际考评成绩进行对比，如图3所示，仿真后得出分类误差曲线如图4所示.结果表明利用BP神经网络预测教师履职考评结果具有较高的准确性，是一种有效的、可行的方法.

图3　预测与实际考评成绩对比

图4　BP神经网络分类误差曲线

4　结论

本文利用BP 网络模型构建教师履职评价模型，以实现对教师履职情况进行客观和科学地评价.实际考评结果表明，本文所建立的神经网络模型，具有准确度高、速度快等特点，能有效地用于教师履职考评应用中，具有一定的实用性和典型性，可在各类学校中进行推广使用.

［1］余立雪.神经网络与实例学习［M］.北京：中国铁道出版社，1996.

［2］韩轲.基于BP神经网络的教学质量评价模型研究［J］.计算机与现代化，2013，（1）：45-46.

［3］王伟丽.基于BP神经网络的教学质量评估模型研究［J］.信息技术与信息化，2011，（6）：38-42.

［4］师铮.基于BP神经网络的研发人员能力评价方法研究［D］.大连：大连理工大学，2013.

［5］李霞.基于BP神经网络的销售预测研究［D］.上海：上海交通大学，2013.

［责任编辑 刘贵阳］

Application of BP Neural Network Algorithm in the Performance Evaluation of Teacher

CHEN Jiang-li，ZHANG Rong
（Lincang Teachers’ College，Lincang，677000，China）

Based on the authority of the BP neural network algorithm in classification and prediction aspect，the paper put forward a new method of constructing teacher performance evaluation model based on BP neural network. The experimental results show that，the model has higher feasibility and practicability，can accurately and efficiently evaluate the performance of teacher objectively.

BP neural network；performance evaluation of teacher；evaluation model；network training；classification and prediction

TP183

A

1008-9128（2015）02-0028-03

2014-05-24

2013年度云南省教育厅科学研究基金项目（2013C037）；2013年度临沧师范高等专科学校科研课题（LCSZL2013009）

陈江丽（1984-），女，云南大理人，硕士，讲师，研究方向：数据仓库和数据挖掘研究。