李燕燕, 魚先鋒

(商洛學院 馬克思主義學院， 商洛 726000)

0 引言

自改革開放以來，全國高校的思想政治理論課課堂教學改革持續(xù)進行著，雖然取得了很大的成績。但是以往思想政治理論課課堂教學改革較多地集中在教學內(nèi)容和課程設置上，而對思想政治理論課課堂教學指標體系評價的改革上顯得相當滯后。

習近平總書記在全國教育大會上強調(diào)，高校思想政治工作是一項戰(zhàn)略工程、固本工程、鑄魂工程，關乎培養(yǎng)什么人、怎樣培養(yǎng)人、為誰培養(yǎng)人這一根本問題。抓好思想政治工作是落實高校黨委對學校工作實行全面領導的關鍵，也是培養(yǎng)一批批又紅又專、德才兼?zhèn)?、全面發(fā)展的社會主義合格建設者和可靠接班人的根本保證。這就要求我們要筑牢高校思想政治工作的陣地，建設一支高素質(zhì)的教師隊伍，科學規(guī)劃高水平的人才培養(yǎng)體系，健全和完善思想政治工作體制機制。其中，思想政治課堂教學質(zhì)量的好壞直接關系到人才的培養(yǎng)。所謂教學質(zhì)量評價是根據(jù)教學目標對教學活動的標準、效率和質(zhì)量進行評估，對教學價值進行估計和判斷。從事思想政治理論課教學的許多教師雖也十分重視對教學經(jīng)驗和方法的研究和總結，但是有分量的課堂教學評價指標體系的研究成果卻鳳毛麟角，因此，探索新形勢下有效地進行馬克思主義思想政治理論教育的新形式、新方法、新途經(jīng)和新思路，就顯得格外重要而緊迫[1-2]?；谏鲜龇治?，如何提高高校思想政治理論課教學水平與質(zhì)量，對課堂教學評價指標及其體系的研究是提高水平與質(zhì)量的根本。本文針對BP評價精度受其參數(shù)選擇的影響，將蜻蜓算法[3](Dragonfly Algorithm，DA)算法應用于BP模型的初始連接權值cj、ωij和閾值ε、θj的參數(shù)優(yōu)化，提出一種基于DA-BP的高校思政課堂教學質(zhì)量評價方法。研究結果表明，DA-BP可以有效提高高校思政課堂教學質(zhì)量評價精度，為高校思政課堂教學質(zhì)量評價提供了新的方法和途徑。

1 蜻蜓算法

DA算法中，蜻蜓個體通過避撞行為、結對行為、聚集行為、覓食行為和避敵行為等5種行為方式進行覓食和尋優(yōu)，這些個體行為詳細描述如下[4]：

避撞行為的位置向量更新策略如式(1)。

(1)

式中，X為當前蜻蜓個體的位置；Xj為第j個鄰近蜻蜓個體位置；N為相鄰蜻蜓個體的數(shù)量；結對行為的位置向量更新策略如式(2)。

(2)

式中，Vj為第j個鄰近蜻蜓個體速度。聚集行為的位置向量更新策略如式(3)。

(3)

覓食行為的位置向量更新策略如式(4)。

Fi=X+-X

(4)

式中，X+為食物源位置(當前最優(yōu)解)。避敵行為的位置向量更新策略如式(5)。

Ei=X-+X

(5)

式中，天敵位置X-(當前最差解)。綜合5種蜻蜓群體行為，蜻蜓個體的步長向量更新策略為式(6)。

ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt

(6)

式中，s、a、c、f、e分別為5種蜻蜓群體行為的權重；w表示慣性權重；t為當前迭代次數(shù)如式(7)。

蜻蜓位置更新策略為：

Xt+1=Xt+ΔXt+1

(7)

2 基于DA-BP的高校思政課堂教學質(zhì)量評價

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是由輸入層、隱含層和輸出層組成的多層前饋神經(jīng)網(wǎng)絡，假如BP網(wǎng)絡的輸入維數(shù)和輸出維數(shù)分別為m和1，隱含層數(shù)為p，則BP神經(jīng)網(wǎng)絡的映射數(shù)學表達式為[5]式(8)。

(8)

式中，f為隱含層激勵函數(shù)；ε為輸出層的閾值；cj、bj分別為隱含層到輸出層的連接權值和隱含層節(jié)點的輸出。

因此，BP神經(jīng)網(wǎng)絡的隱含層節(jié)點的輸出可表示為式(9)。

(9)

式中，ωij為輸入層到隱含層的連接權值；θj為隱含層節(jié)點的閾值。

由于BP神經(jīng)網(wǎng)絡的預測結果易受初始連接權值cj、ωij和閾值ε、θj的影響，以及其容易陷入局部極值的問題，本文運用DA優(yōu)化BP神經(jīng)網(wǎng)絡初始連接權值和閾值。

2.2 DA-BP算法流程

基于DA-BP的高校思政課堂教學質(zhì)量評價算法流程可歸納為：

Step1：初始化BP神經(jīng)網(wǎng)絡模型，確定網(wǎng)絡結構。根據(jù)數(shù)據(jù)樣本確定BP神經(jīng)網(wǎng)絡的層數(shù)、傳遞函數(shù)和訓練函數(shù)類型以及各層節(jié)點數(shù)；讀取高校思政課堂教學質(zhì)量評價數(shù)據(jù)，并進行預處理，將數(shù)據(jù)分成訓練集和測試集。

Step2：編碼。DA算法采用實數(shù)編碼，將連接權值cj、ωij和閾值ε、θj進行整體編碼，算法的搜索空間維數(shù)為m，假如輸入層、隱含層和輸出層節(jié)點數(shù)分別為R、S1、S2，則編碼長度S可表示為式(10)。

S=RS+S1S2+S1+S2

(10)

Step3：DA算法參數(shù)初始化：種群規(guī)模N，最大迭代次數(shù)T。

Step4：隨機初始化步長向量ΔX和隨機產(chǎn)生蜻蜓個體的初始位置X。

Step5：令當前迭代次數(shù)t=1，將訓練集輸入BP，根據(jù)適應度函數(shù)公式(11)計算所有蜻蜓個體的適應度，并進行排序記錄當前最優(yōu)解。

選擇均方誤差為適應度函數(shù)，其如式(11)。

(11)

Step6：更新食物源位置X+(當前最優(yōu)解)和天敵位置X-(當前最差解)，更新5種行為權重s、a、c、f、e和慣性權重w。

Step7：根據(jù)公式(3)～公式(7)更新S、A、C、E和F。

Step8：根據(jù)公式(8)～公式(9)更新步長向量和位置向量。

Step9：若迭代次數(shù)t>T，保存最優(yōu)連接權值cj、ωij和閾值ε、θj；否則，t=t+1，返回Step5。

Step10：將最優(yōu)解對應的連接權值cj、ωij和閾值ε、θj作為BP神經(jīng)網(wǎng)絡的初始連接權值和閾值，訓練BP神經(jīng)網(wǎng)絡并進行預測。

3 實證分析

3.1 思政教學質(zhì)量評價體系

結合參考文獻和教學經(jīng)驗，運用層次分析法構建出高校思政課堂教學質(zhì)量評價AHP結構模型如圖1所示。

其主要包括3個層次，分別為目標層、準則層和要素層。

選擇某211工程大學思政2008年～2017年教學質(zhì)量數(shù)據(jù)為研究對象，本文采用最大值法對數(shù)據(jù)進行標準化處理，根據(jù)1-9標度法，根據(jù)各評價指標的相對優(yōu)劣順序，通過兩兩比較法，構建出體育教學質(zhì)量評價指標的得分如表1所示和評價得分如表2所示。

3.2 評價指標

為檢驗高等學校思政課堂教學質(zhì)量評價結果的好壞，評價指標選擇均方根誤差(Root Mean Square Error，RMSE)和相關系數(shù)R，評價指標式為[6-8]式(12)、式(13)。

圖1 高校思政課堂教學質(zhì)量AHP模型

表1 思政教學質(zhì)量評價指標得分

表2 思政教學質(zhì)量評價最終得分

(12)

(13)

3.3 結果分析

根據(jù)文獻[9]思政課堂教學質(zhì)量被劃分為5個等級，分別為非常好、較好、一般、較差和非常差，其評價等級劃分如表3所示。

將收集到的數(shù)據(jù)進行專家打分，一共獲得10組數(shù)據(jù)。將數(shù)據(jù)分為兩個部分，前6組數(shù)據(jù)作為訓練集，用于建立DA-BP思政課堂教學評價模型；后4組數(shù)據(jù)作為測試集，用于檢驗DA-BP思政課堂教學評價模型的正確性。DA算法參數(shù)：蜻蜓種群規(guī)模N=10，最大迭代次數(shù)T=100，DA-BP

表3 評價等級劃分

模型思政課堂教學評價結果如圖2所示。

為驗證DA-BP模型的準確性和有效性，將DA-BP與GA-BP、PSO-BP和BP進行對比，粒子群算法[10](Particle Swarm Optimization Algorithm，PSO)參數(shù)：最大迭代次數(shù)T=100，種群規(guī)模N=10，學習因子c1=c2=2，搜索區(qū)間[-1,1]。遺傳算法[11](Genetic Algorithm，GA)算法參數(shù)：種群規(guī)模N=10，最大迭代次數(shù)T=100，交叉概率pc=0.7，變異概率pm=0.1；BP神經(jīng)網(wǎng)絡參數(shù)[12-13]設置如下：輸入層節(jié)點數(shù)inputnum=25、隱含層節(jié)點數(shù)hiddennum=50和輸出層節(jié)點數(shù)outputnum=1，BP神經(jīng)網(wǎng)絡最大訓練次數(shù)為1 000，隱含層和輸出層傳遞函數(shù)[14-15]為logsig和purelin，訓練函數(shù)為

圖2 DA-BP思政教學質(zhì)量評價結果

trainlm，學習速率為0.01，訓練誤差目標為0.001。不同算法對比結果如圖3所示和表4所示。

圖3 不同算法思政教學質(zhì)量評價結果

方法訓練集測試集RMSERRMSERDA-BP0.008 90.995 60.037 30.989 3GA-BP0.016 20.978 60.039 20.971 1PSO-BP0.016 80.976 30.045 90.964 2BP0.017 60.965 20.047 20.945 6

由圖3和表4可知：(1)從整體思政課堂教學評價結果來看，DA-BP的評價結果優(yōu)于GA-BP、PSO-BP和BP，在訓練集和測試集上，DA-BP的RMSE最小，并且相關系數(shù)R達到最大，說明DA-BP模型的思政課堂教學評價值和思政課堂教學評價實際值關聯(lián)程度最高，預測效果最好；(2)DA-BP、GA-BP和PSO-BP評價精度優(yōu)于BP，主要原因在于群智能算法DA、GA和PSO對BP模型的參數(shù)進行了最優(yōu)化選擇，提高了BP模型的評價精度。

4.4 基于教學評價的對策與建議

通過DA-BP課程評價，為提高高校思政課堂教學質(zhì)量具有重要幫助，從而提出如下對策與建議：(1) 強化高校領導重視程度，加大監(jiān)管力度；(2) 創(chuàng)新和完善教學模式和教學方法；(3) 充分學生主體的積極性；(4) 結合實際情況，加強學生指導；(5) 明確教學評價的目的和評價指標以及評價體系。(6) 加強案例教學，提高學生的理解力和感悟力。

5 總結

為提高高校思政課堂教學質(zhì)量評價精度，提出一種基于DA-BP的高校思政課堂教學質(zhì)量評價方法。在層次分析法構建高校思政課堂教學質(zhì)量評價指標體系的基礎上，將影響高校思政教學質(zhì)量的25個評價指標得分作為DA-BP的輸入，高校思政教學質(zhì)量綜合得分作為DA-BP的輸出。研究結果表明，與GA-BP、PSO-BP和BP相比，DA-BP可以有效提高高校思政課堂教學質(zhì)量評價精度，為高校思政課堂教學質(zhì)量評價提供了新的方法和途徑。