本发明涉及机器学习方法的研究与应用，具体为一种高校教学质量评价方法。
背景技术：
教学质量的好坏对于高等院校来说是一个重要的指标，它反映了高等院校教学环节的有效性，对课程进行教学质量的有效评价，能够为高等院校在教学活动、人才培养、师资队伍建设等方面的决策提供有力支持。高等院校对课程的教学质量评价由一些独立的指标构成，例如学生的上课表现、考试成绩、对课程教学的评价、教学督导的评价等，但是这些指标有主观指标，也有客观指标，会混杂一些人为因素于其中，仅从这些指标加权组合得到的指标并不能准确反映真实的教学质量；而且把某些定量指标纳入到明确的教学质量计算公式中，往往会在相当程度上左右着教师和学生努力的方向，教与学的方式方法，对教学工作起着显著的导向作用，会使教学活动的根本目标发生偏离。目前研究人员采用机器学习和统计学习的方法从教学过程的原始数据出发，对课程的教学质量进行评价。文献“胡帅,顾艳,曲巍巍等.基于PCA-LVQ神经网络的教学质量评价模型研究[J].河南科学,2015,(7):1247-1252.”提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型。使用层次分析法(AHP)建立教学质量评价体系，再用主成分分析提取初始评价指标体系的特征信息，将经过降维处理后的特征信息输入到LVQ神经网络。该方法把层次分析法与矢量量化神经网络进行结合，提取了教学质量评价体系中的规律，并用神经网络进行建模。该方法的问题在于需要对现有指标体系的各个指标进行主成分分析，而不能完全做到由原始数据直接得到教学质量的好坏程度，并且受到神经网络训练代价大的影响，难以提取出教学质量评价中的核心因素，且在样本数量较小的情况下过度拟合的情况比较严重，很难得到一个能够反映普遍规律的模型。
现有方法的不足之处是：
(1).大多数方法是基于固定的公式，通过对教学过程中的指标进行加权得到教学质量的定量评价，很多时候这并不能反映真实的教学质量的水平，同时也为教学活动带来了负面的导向性作用；
(2).现有方法很少考虑到学生对于教学过程反馈的有效性，以及待评价课程历史上的成绩水平等因素，难以对教学质量进行有效而真实的评价。
基于此，本发明提出一种高校教学质量评价方法，以解决当前高校教学质量评价方法的不足，采用深度学习技术建立评价模型，对教学过程中的学生成绩、学生评教问卷、教学督导打分表、学生以往的表现、待评价课程以往的教学质量水平、任课教师以往的教学质量水平等因素的内在关系进行建模，挖掘出决定教学质量的核心因素，为高等院校在教学活动、人才培养、师资队伍建设等方面的决策提供有力支持.
技术实现要素：
为了克服现有的高校教学质量评价方法的不足之处，包括现有方法多是基于固定的公式，通过对教学过程中的指标进行加权得到教学质量的定量评价，现有方法很少考虑到学生对于教学过程反馈的有效性，以及待评价课程历史上的成绩水平等因素，本发明专利提出了一种基于深度学习的高校教学质量评价方法。本发明的特征包括教学评价数据的预处理、深度学习模型的设计、模型训练、教学质量评价结果的计算，每个过程包含若干个步骤，其特征分别描述如下：
(1).教学评价数据的预处理
本发明针对的教学评价数据包括三种，分别为学生成绩数据、学生评教数据、教学督导评价数据，三种类型的数据的预处理方式如下：
C.学生成绩数据
每个科目每位学生一条记录，本发明中处理的数据为“期末考试成绩”和“平时成绩”，对这两个成绩进行标准化，使其转化为[0,1]区间里的值。标准化方法为：
-对于分数类型的成绩，如0-100分之间的成绩，采用直接除以满分的方法，例如满分是100分，某学生的分数为90分，则标准化后该学生的分数为90/100＝0.9分；
-对于等级型成绩，如A、B、C、D、E五等，按最好的等级为1分，最低的等级为0分，其余各等级在0和1分之间均匀分布；
D.学生评教数据
学生评教数据为问卷类型，是在学生完成某门课程的学习后填写的，包括从教学内容、教材、任课教师等方面进行评价。一般来说对于问卷的每一个问题或一组问题，会有相应的权值，用于计算最后的评教得分。在本发明中使用学生评教问卷的原始数据，不考虑权值。问卷由一系列的选择题构成，在本发明中对问卷数据的处理方式为哑变量化，例如，对于某个选择题，有4个选项，某个学生对该题的选择为1和2，则哑变量化为1100。
不考虑问卷中的文字回答的题目。
E.教学督导评价数据
教学督导评价是对课堂教学情况的评价，包括对教学内容、教学技巧、备课情况、互动性、学生听课状态等评价，每一项评价内容一般采用等级型的形式，例如优、良、中、及格、差，或采用百分制形式。
-对于分数类型的评价，如0-100分之间的成绩，采用直接除以满分的方法，例如满分是100分，某项评价的分数为90分，则标准化后该项评价的分数为90/100＝0.9分；
-对于等级型评价，如优、良、中、及格、差五等，按最好的等级为1分，最低的等级为0分，其余各等级在0和1分之间均匀分布；
(2).深度学习模型的设计
A.成绩-评教模型的设计
成绩-评教模型接受经过步骤(1)预处理的学生某一门课程分数(包括期末考试成绩和平时成绩)和对该课程的评教数据作为输入，输出为学生到目前为止所有课程成绩的排名等次，一共分p个等次，例如一共有100个学生，10个等次，则1-10名为第1等次，11-20名为第二等次，依此类推。具体来说，该模型的输入层是一个向量，向量的前半部分是学生某一门课程经过标准化后的“期末考试成绩”和“平时成绩”，后半部分是该学生对该课程的经过标准后的评教向量，两者连接成一个输入向量；该模型的输出是一个长度为p且其值在[0,1]之间的实值向量，在每得到一个输出后，设置其中最大的分量为1，其余位为0，某一位为1代表模型输出该学生为该位所代表的等次，在每个输出向量中，有且只有一位为1，其余位均为0。若在某个输出中存在并列的最大分量，则随机选择一个为1，其余均设置为0。
模型采用深度神经网络的结构，由多个块组成，其中除最后一个块外，每个块均包括一个全连接层、激活层和屏蔽层，最后一个块由全连接层和激活层组成。
-全连接层
在本发明中的统一使用结点个数为原始输入层向量长度3倍的全连接层，例如输入向量为50维，则每一个全连接层的结点数均为150，全连接层中的每一个结点与上一层的所有结点都有一个连接，每个连接都有一个[0,1]之间的实数权值，在全连接层的每个结点处执行加权求和的操作；
-激活层
在每一个全连接层后面跟一个激活层，激活层的结点个数与全连接层的结点个数相同，每个激活层的结点对应上一个全连接层的结点，对由全连接层结点的输出值进行sigmoid函数的计算，即：其中x是上一个全连接层对应结点的输出，y是激活层相应结点的输出；
-屏蔽层
在每一个激活层后面跟一个屏蔽层，屏蔽层随机屏蔽上一个激活层的g％的结点，被屏蔽的结点不再参与下一个全连接层的计算。在模型开始训练之前就通过随机选择的方式确定每一个屏蔽层需要被屏蔽的结点。
B.教学质量评价模型的设计
教学质量评价模型的输入包括两部分，其一是经过标准化后的教学督导评价数据，其二是对每个教学班每门课程的成绩-评教模型的最后一个块的激活层输出特征统计，它是一个q维向量，它是这样得到的：把该班每一个学生的期末考试成绩和该学生对该课程的评教信息输入成绩-评教模型之后，获取该模型的最后一个块的激活层输出特征向量，把由每个学生得到这个向量的每个分量相加，然后再把每一个分量除以该教学班的学生人数。
教学质量评价模型的输出为一个0-1之间的数值，代表教学质量的评分。
模型采用深度神经网络的结构，由全连接层、激活层和屏蔽层构成，这三种类型的层与本部分的A点相同，模型结构与本部分的A点相同。
(4).模型训练
采用深度神经网络标准的误差反向传播学习算法对模型的权值进行调整，调整是根据模型的输出与真实的目标值之间的差异进行的。
对于成绩-评教模型的误差计算，根据输出的0-1向量与通过历史数据计算的学生等次向量(计算方法见步骤(2).A)的差异进行，若两个向量在某一位上相同，则该位的误差为0，反之为1。
对于教学质量评价模型的误差计算，按模型输出的教学质量评分与由教学管理人员给出的教学质量评分之间的差异进行。
模型的权值采用[0,1]之间的随机数进行初始化，进行多轮训练，所有训练样本输入到模型中并且完成权值调整为一轮，直到模型的输出误差不再下降为止。
(5).教学质量评价
对某个教学班的某门课程进行教学质量评价的步骤如下：
D.根据步骤(1)获取并预处理学生成绩数据、学生评教数据、教学督导评价数据；
E.对教学班的每位学生，根据步骤(2).B计算由成绩-评教模型得到的q维特征向量；
F.把得到的q维特征向量与标准化后的教学督导评价数据进行连接，输入到教学质量评价模型，模型的输出为一个[0,1]之间的分数，该分数反映该教学班在该门课程上的教学质量。
具体实施例
本发明在发明人所在高校的教学质量评价过程中进行测试，取得了较好的效果。下面给出一个实施例，对该高校的网络工程专业中的“操作系统”课程进行教学质量评价。
(1)数据预处理
教学班为三年级上学期的学生，一共有98名学生，在前两年的学习过程中已经完成了18门课程。待评价课程“操作系统”的期末考试成绩和平时成绩均为100分制，按发明内容的步骤(1).A进行标准化。
学生评教数据为每门课程每学生填写一张问卷，问卷包含21道单项选择题和1道文字回答题，单项选择题均为4个选项，按发明内容的步骤(1).B对每位学生对于21道单项选择题的回答进行哑变量化，哑变量化之后得到一个84维的0-1向量。
教学督导评价数据为每门课程填写一张问卷，问卷包含15个方面的评价，其中有8个方面需要给出0-100分之间的评价，另外7个方面需要在五档评价当中进行选择，按发明内容的步骤(1).C对这部分数据进行标准化，标准化后得到一个15维的实值向量，每个分量的值在[0,1]之间。
(2)深度学习模型的设计
A.成绩-评教模型的设计
按发明内容的步骤(2).A进行，其中p取20，g取20。模型的输入维数为2+84＝86维。网络的输出维数为20维。表1展示了成绩-评教模型的具体设计方案。
表1.成绩-评教模型设计表
B.教学质量评价模型的设计
按发明内容的步骤(2).B进行，输维数为258+15＝273维，其中258维的数据来自成绩-评教模型的最后一个激活层的输出特征(见表1的第36层)。网络的输出维数为1维。表2展示了教学质量评价模型的具体设计方案。
表2.教学质量评价模型设计表
(3).模型训练
在MatConvNet(http://www.vlfeat.org/matconvnet/)中通过配置文件实现表1和表2中的模型结构，把数据集做成Matlab数据文件.mat格式，然后使用MatConvNet提供的训练脚本cnn_train.m进行训练。训练进行70轮，学习率分别为0.05,0.01,0.005,0.001,0.0005,0.0001和0.00005。训练的损失函数采用zero-one loss。每个模型经过70轮训练后，系统会生成70个.mat文件，分别保存了各轮训练结束时模型的参数。
(4).教学质量评价
先使用第70轮训练结束时的成绩-评教模型对“操作系统”的考试成绩和学生评教数据组成的向量进行特征提取，提取每个学生的数据输入到模型后的最后一个激活层的输出(为一个258维的向量)，把98个这样的向量的每个分量取平均，然后把这个经过平均之后的258维向量与经过标准化后的“操作系统”的教学督导评价数据进行连接，输入第70轮训练结束时的教学质量评价模型，最终得到一个0-1之间的分数，再乘以100，代表该教学班在该课程上的教学质量。