陳江麗，張 嶸

（臨滄師范高等?？茖W(xué)校，云南臨滄 677000）

教材作為教育過程中一種必不可少的工具，已經(jīng)成為師生教學(xué)活動中最重要的工具和媒介〔1-2〕。教材為教師組織教學(xué)內(nèi)容，為學(xué)生提供學(xué)習(xí)知識和技能的途徑。好的教材能促進教學(xué)積極有效地開展，有利于教學(xué)目標(biāo)和人才培養(yǎng)目標(biāo)的實現(xiàn)。而質(zhì)量不好的教材會給師生的教學(xué)帶來負面的影響，制約學(xué)生學(xué)習(xí)和掌握新的知識。因此，教材的質(zhì)量將直接影響教學(xué)的效果和人才培養(yǎng)的能力。

近年來，伴隨著國家教育事業(yè)的蓬勃發(fā)展，各類教材出版行業(yè)也掀起了熱潮。面向多學(xué)科領(lǐng)域多學(xué)歷層次的教材比比皆是，其中不乏經(jīng)典的、有創(chuàng)新、緊跟科學(xué)發(fā)展和社會進步的優(yōu)秀教材，但也存在一些諸如盲目模仿、內(nèi)容陳舊、不聯(lián)系實際等問題的教材。因此，學(xué)校應(yīng)該加強教材管理工作，規(guī)范教材選用制度，建立教材質(zhì)量評價體系，把好教材質(zhì)量關(guān)。

1 傳統(tǒng)教材質(zhì)量評價方法

目前，大部分的學(xué)校的教材工作還主要由任課教師完成，在實施過程中會存在一些主觀的片面性，影響教材選用的質(zhì)量。因此，為了避免此類問題，學(xué)校應(yīng)當(dāng)采取教材的質(zhì)量跟蹤和信息反饋制度，廣泛收集教師、學(xué)生對教材質(zhì)量的反饋意見和建議。通過表1所示的教材質(zhì)量評價指標(biāo)對選用教材進行跟蹤調(diào)查，其中包含3個一級指標(biāo)，再進一步劃分為11 個二級指標(biāo)，全面反映教材的質(zhì)量水平。掌握足夠的教材質(zhì)量反饋信息后，就該進入教材質(zhì)量評價環(huán)節(jié)。

傳統(tǒng)的教材質(zhì)量評價方法中，評價指標(biāo)被指定相應(yīng)的權(quán)值，來表示其在教材質(zhì)量判別中的地位。但評價指標(biāo)的權(quán)值一般由主觀經(jīng)驗來確定，缺乏理論依據(jù)和實驗證明，直接影響評價結(jié)果的客觀性和科學(xué)性。

因此，鑒于傳統(tǒng)方法存在的弊端，本文提出將BP 神經(jīng)網(wǎng)絡(luò)的理論和技術(shù)應(yīng)用于教材質(zhì)量評價之中。運用BP 神經(jīng)網(wǎng)絡(luò)進行教材質(zhì)量評價，不僅能克服傳統(tǒng)評價方法存在的缺陷，還能準(zhǔn)確、快速地獲得教材質(zhì)量評價結(jié)果。

2 基于BP神經(jīng)網(wǎng)絡(luò)的教材質(zhì)量評價方法

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。它的主要特點是輸入信息從輸入層經(jīng)隱藏層，向前傳遞到輸出層。若輸出結(jié)果達不到期望值，則根據(jù)誤差向后調(diào)整權(quán)值，通過不斷地訓(xùn)練和學(xué)習(xí)，最終使輸出結(jié)果逼近期望值，產(chǎn)生具有較高準(zhǔn)確度的分類模型〔3〕。利用構(gòu)建好的BP 神經(jīng)網(wǎng)絡(luò)分類模型對新樣本進行分類，能夠最大程度地保證分類結(jié)果的正確性并提高分類的效率。

本文通過4 個步驟實現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)的教材質(zhì)量分類〔4〕。見圖2。

2.1 數(shù)據(jù)選擇和歸一化根據(jù)表1 所示的教材質(zhì)量評價指標(biāo)體系，通過多渠道獲取教師、學(xué)生和專家對教材的質(zhì)量評價得分，存儲于Matlab2012 的data.Mat 數(shù)據(jù)庫文件中，每組數(shù)據(jù)為12維，其中第1維為類別標(biāo)識，后11 維為教材質(zhì)量評價指標(biāo)得分。隨機抽取其中的2/3 作為訓(xùn)練樣本對BP 神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，其余1/3作為測試樣本對BP神經(jīng)網(wǎng)絡(luò)進行測試。本文選取了40 個樣本數(shù)據(jù)，將其中的25個作為訓(xùn)練樣本，15個作為測試樣本。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)教材質(zhì)量分類的流程

為了減小預(yù)測誤差，在Matlab2012 中利用公式（1）所示的mapminmax函數(shù)對訓(xùn)練樣本input_train做歸一化處理，把所有數(shù)據(jù)轉(zhuǎn)化為〔0，1〕之間的數(shù)。將處理后的訓(xùn)練樣本inputn作為BP神經(jīng)網(wǎng)絡(luò)的輸入。

其次，利用訓(xùn)練樣本歸一化后得到的結(jié)構(gòu)體inputps，用于測試樣本input_test的歸一化，如公式（2）所示。將處理后的測試樣本inputn_test作為輸入來驗證神經(jīng)網(wǎng)絡(luò)的分類能力。

表1 教材質(zhì)量評價指標(biāo)

2.2 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建合理確定BP 神經(jīng)網(wǎng)絡(luò)的層數(shù)和各層的節(jié)點數(shù)，能夠減少網(wǎng)絡(luò)訓(xùn)練次數(shù)，提高訓(xùn)練的精度。本文采用3 層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中分別含1個輸入層、隱藏層和輸出層，即能使結(jié)構(gòu)簡單，又能保證預(yù)測結(jié)果的準(zhǔn)確性。

由表1 構(gòu)造的教材質(zhì)量評價體系中包含11 個二級指標(biāo)，于是BP 神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)n=11。教材質(zhì)量評價結(jié)果分為優(yōu)秀（100 表示）、一般（010表示）和差（001表示）3種，因此輸出層節(jié)點數(shù)m=3。由于隱藏層節(jié)點數(shù)影響B(tài)P 神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，最佳的隱藏層節(jié)點數(shù)可以參考公式（3）、（4）等經(jīng)驗公式。由此可以得出，隱藏層節(jié)點數(shù)l=7。最終確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為11—7—3。

另外，初始化BP 神經(jīng)網(wǎng)絡(luò)的輸入層和隱含層的連接權(quán)值w1、隱含層和輸出層的連接權(quán)值w2 和隱含層閾值b1、輸出層閾值b2，它們的初值各取0～1之間的隨機數(shù)，學(xué)習(xí)率x取0.1。

2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練使用訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練，根據(jù)預(yù)測誤差不斷調(diào)整網(wǎng)絡(luò)權(quán)值，最終獲得期望誤差情況下的最佳權(quán)值。

本文利用Matlab2012 平臺開發(fā)程序，輸入訓(xùn)練樣本，對BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。主要算法分為下列6個步驟。

步驟1：根據(jù)輸入訓(xùn)練樣本inputn，輸入層和隱含層間連接權(quán)值w1 和隱含層閾值b1，計算隱含層輸出H。

步驟2：根據(jù)隱含層輸出H，隱含層和輸出層的連接權(quán)值w2 和隱含層閾值b2，計算輸出層輸出output。

步驟3：根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測輸出output和期望輸出output_train，計算神經(jīng)網(wǎng)絡(luò)預(yù)測誤差E。

步驟4：根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測誤差E更新網(wǎng)絡(luò)連接權(quán)值w1、w2。

步驟5：根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測誤差E更新閾值b1、b2。

步驟6：判斷預(yù)測誤差是否小于期望誤差且達到預(yù)定的訓(xùn)練次數(shù)。若滿足條件，則結(jié)束訓(xùn)練，否則返回步驟1繼續(xù)進行訓(xùn)練。

2.4 BP 神經(jīng)網(wǎng)絡(luò)分類利用訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)對測試的教材評價樣本進行分類，根據(jù)分類結(jié)果驗證BP神經(jīng)網(wǎng)絡(luò)的能力。若分類結(jié)果的準(zhǔn)確率較高，教材質(zhì)量評價的神經(jīng)網(wǎng)絡(luò)模型就可對新樣本進行分類，能夠正確評價出教材的質(zhì)量。

本文用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對15組測試樣本進行分類，仿真結(jié)果如圖3 所示，從圖中可以看出，只有第8號樣本的輸出結(jié)果與實際結(jié)果不一致?？傮w來看，預(yù)測結(jié)果與實際結(jié)果誤差較小，分類誤差如圖4所示，分類準(zhǔn)確率如表2所示。

表2 教材質(zhì)量分類的準(zhǔn)確率

通過BP 神經(jīng)網(wǎng)絡(luò)的分類結(jié)果可以看出，基于BP 神經(jīng)網(wǎng)絡(luò)的教材質(zhì)量分類算法具有較高的準(zhǔn)確性，能夠正確識別出教材質(zhì)量的類別，是一種合理的、可行的、準(zhǔn)確的教材質(zhì)量評價方法。

3 結(jié)束語

規(guī)范的教材質(zhì)量評價方法能有效地指導(dǎo)教材的選用，提高教材的利用率。但傳統(tǒng)教材質(zhì)量評價方法中存在的主觀因素，降低了評價結(jié)果的準(zhǔn)確性，并且處理過程較繁瑣，評價效率低。為了有效地解決傳統(tǒng)方法存在的缺陷，利用BP神經(jīng)網(wǎng)絡(luò)的原理和方法對教材質(zhì)量進行評價〔5-10〕。在科學(xué)的理論指導(dǎo)下，通過Matlab2012 軟件編程，經(jīng)過數(shù)據(jù)預(yù)處理、BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建、訓(xùn)練和分類，最終形成具有較高準(zhǔn)確率的教材質(zhì)量評價模型。經(jīng)過實驗表明，基于BP神經(jīng)網(wǎng)絡(luò)的教材質(zhì)量評價方法能有效避免評價的主觀性，同時解決了傳統(tǒng)評價過程的復(fù)雜性，能夠更加科學(xué)和規(guī)范地指導(dǎo)教材的選用和管理。

圖3 預(yù)測與實際分類結(jié)果對比

圖4 教材質(zhì)量評價的BP神經(jīng)網(wǎng)絡(luò)分類誤差

〔1〕劉景超.高校創(chuàng)新教育教材評價體系的構(gòu)建研究〔J〕.當(dāng)代教育論壇，2012（5）:34-37.

〔2〕胡格.試論新形勢下高校教材建設(shè)與管理工作創(chuàng)新〔J〕.內(nèi)蒙古師范大學(xué)學(xué)報，2012，25（5）:36-38.

〔3〕韓立群.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用〔M〕.上海:復(fù)旦大學(xué)出版社，1995.

〔4〕余立雪.神經(jīng)網(wǎng)絡(luò)與實例學(xué)習(xí)〔M〕.北京:中國鐵道出版社，1996.

〔5〕韓軻.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評價模型研究〔J〕.計算機與現(xiàn)代化，2013（1）:45-46.

〔6〕王偉麗.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評估模型研究〔J〕.信息技術(shù)與信息化，2011（6）:38-42.

〔7〕李麗，偵姜麟，錢浩光，等.基于BP 神經(jīng)網(wǎng)絡(luò)的壓縮空氣用能預(yù)測模型研究〔J〕.計算機技術(shù)與發(fā)展，2014，24（1）:216-219.

〔8〕郭慶春，郝源，李雪，等.BP神經(jīng)網(wǎng)絡(luò)在長江水質(zhì)COD預(yù)測中的應(yīng)用〔J〕.計算機技術(shù)與發(fā)展，2014，24（4）：235-238.

〔9〕師錚.基于BP 神經(jīng)網(wǎng)絡(luò)的研發(fā)人員能力評價方法研究〔D〕.大連：大連理工大學(xué)，2013.

〔10〕李霞.基于BP 神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測研究〔D〕.上海：上海交通大學(xué)，2013.