基于深度学习网络的学前教育质量评价研究

1、基于深度学习网络的学前教育质量评价研究摘 要：为解决浅层学习网络对复杂函数的表达能力与泛化能力受到限制的问题，提升学前教育质量评价精度，提出 基于深度学习网络的学前教育质量评价方法。从学前教育环境创设、学前教育保教质量和幼儿发展三方面出发，构建包含 三个一级指标和九个二级指标的学前教育质量评价指标体系。将评价指标体系中二级指标作为深度学习网络输入，利用无 监督的预训练模型优化深度学习网络各层权值，基于由下至上的非监督学习过程确定受限玻尔兹曼机内各层的条件概率分 布与联合概率分布，输出层依照输入的DMOS值整体，构建抽象一级指标与DMOS值间的回归模型，依照回归模型预测获取 学前教育质量的客观评

2、价结果。测试结果显示该方法评价结果与主观评价结果之间的线性相关系数与等级相关系数更接 近于1。关键词：质量评价；学前教育；深度学习网络；指标体系构建；参数优化；概率分布Research on preschool education quality evaluation based on deep learning networkAbstract: Since the expression ability and generalization ability of shallow learning network for complex functions are restricted, and

3、 the evaluation accuracy of the preschool education is unsatisfied, a preschool education quality evaluation method based on deep learning network is proposed. The quality evaluation index system of preschool education including 3 first grade indexes and 9 second grade indexes is constructed, in whi

4、ch the environment creation of preschool education, the quality of preschool education and the early children development are considered. The second grade indexes in the evaluation index system are taken as the input of deep learning network. The unsupervised pretraining model is used to optimize th

5、e weights of each layer of the deep learning network. The conditional probability distribution and joint probability distribution of each layer in the restricted Boltzmann machine are determined on the basis of the unsupervised learning process from bottom to top. In the output layer, the parameters

6、 of each layer are wholly optimized according to the input DMOS (datamining optimization system) value to construct the regression model between the abstract first grade index and the DMOS value. According to this regression model，the objective evaluation results of preschool education quality are p

7、redicted and obtained. The test results show that the linear correlation coefficient and grade correlation coefficient between the evaluation results of the proposed method and the subjective evaluation results are closer to 1.Keywords: quality evaluation; preschool education; deep learning network;

8、 index system construction; parameter optimization; probability distribution0引言当前，世界范围内对学前教育的重视度普遍提升， 学前教育发展速度与办学规模持续提升|，同时学前教 育机构的构建模式更加多样性。国家对学前教育的引 导方向随着重视度的提升更加明确2，在提升学前教育 发展速度、改善学前儿童学前教育难问题的基础上，更 加重视学前教育质量3,因此,研究一种系统、科学、完整 的学前教育机构教育质量评价方法具有重要意义。作为机器学习领域的重要组成部分，深度学习网络 基于构建、模拟人脑分析学习的神经网络描述数据4，其 主

9、要优势体现在建模能力强、表征精度高等，可有效解 决普遍使用的浅层学习网络在有限样本与计算单元条 件下对复杂函数的表达能力与泛化能力受到限制的问题基于此，本文研究基于深度学习网络的学前教育 质量评价方法。1学前教育质量评价方法1.1学前教育质量评价指标体系构建学前教育质量评价指标体系构建是学前教育质量 评价的基础气 构建由学前教育环境创设、学前教育保 教质量和幼儿发展三个一级指标构建的学前教育质量 评价指标体系，如图1所示。一级指标教师素质人际交往学前教育 环境创设学前教育机构 创建条件学前教育质量评价指标体系学前教育机构创建体制二级指标学前教育机构 创建思想-k-管理机制三级指标基础设施设备人

10、员配备教师资格教学技能职业道德课程管理规模与班级同学生的互动同家长的互动教育/保健管理安全卫生三个二级指标。教师素质指的是从事学前教 育人员的工作能力，其中包含教师资格、教学技能、职业 道德和课程管理四个主要内容冏。人际交往指的是从事 学前教育人员同学前儿童和家长沟通互动的能力。安 全卫生指的是学前教育机构满足学前儿童最基本的生 理与安全需求的能力，包括教育/保健管理、交通安全管 理与膳食管理三个主要方面。幼儿发展包括体质与动作、行为习惯、沟通能力和 艺术认知四个二级指标。体质与动作指的是学前儿童 生理机能的正常发展水平;行为习惯是指学前儿童日常 生活中的自理能力；沟通能力是指学前儿童通过累积

11、词 汇量传达自己情绪情感的能力；艺术认知是指学前儿童 基于基础知识的掌握对周边简单自然现象的审美与艺 术表现能力。1.2基于深度学习网络的评价方法1.2.1深度学习网络深度学习网络具有一个输入层、多个隐含层以及一个 输出层9，其分层结构与人类大脑结构极为相似。深度 学习网络内仅相邻节点间存在连接四，相同层或不同层 内节点间不存在连接，可将深度学习网络内的各层定义 为一个logistic回归模型。深度学习网络模型内的隐含 层包含数个受限玻尔兹曼机，通过叠加数个受限玻尔兹 曼机，能够构建深度玻尔兹曼机学习网络H,，如图2a） 所示。当距离可视层较近的结构和较远的结构分别使 用贝叶斯信念网络和受限玻

12、尔兹曼机构建时，所构建的 网络为深度信息网络12，如图2b）所示。交通安全管理膳食管理-体质与动作行为习惯沟通能力艺术认知安全卫生h3h2hxva）深度玻尔兹曼机图1学前教育质量评价指标体系h3h2hivb）深度信息网络图2深度玻尔兹曼机与深度信息网络结构学前教育环境创设内容包括学前教育机构创建体 制、学前教育机构创建条件两个二级指标，两者分别描 述学前教育机构采用的办学模式和学前教育教学活动 所使用的硬件和软件设施。学前教育机构创建体制中 包含学前教育机构创建思想和管理机制两个主要内容； 学前教育机构创建条件中包含基础设施设备、人员配 备、规模与班级三个主要内容。学前教育保教质量内容包括教师

13、素质、人际交往和,t est(7)圣2_ （）n寮-（）2图2中业和h分别表示可视层和隐含层。利用由下 至上的方式逐层训练受限玻尔兹曼机，通过预训练得到 权值W。利用无监督的预训练模型优化深度学习网络各层 的权值，可将简单特征抽象化。可视层的输入为学前教 育质量评价指标体系内的各二级指标A,设定输入层以 及输出层的节点数量，隐含层hi,h 2,h3的节点均为100。 利用式(1)描述可视层与隐含层的联合概率分布。P ( Ai,h 1,h,h3 ) = P ( Ai | h 1 ) P ( hi | h2 ) P ( h21 h, ) (1) 由下至上的非监督学习过程，将各层均定义为一个 受限玻

14、尔兹曼机，利用贪婪学习方法由下至上逐层训练 各层权重13，第一层和其余层分别构建高斯-二进制受 限玻尔兹曼机和二进制-二进制受限玻尔兹曼机。受限 玻尔兹曼机内各可视层节点与隐含层节点均不存在相 关性14，基于此可利用式(2)和式(3)分别描述受限玻尔 兹曼机内各层的条件概率分布与联合概率分布：P ( v, = a | h ) = N ( c, + a W,Jh1) P ( h, = 1| v ) = logistic ( b, + W,号)P ( h 1, A, ) exp ( AF Wh 1 + Ch 1 + bT A,) 式中:N ( )和logistic ( )分别表示高斯密度函数和逻辑

15、 函数;c表示可视层偏置;b表示隐含层偏置。输出层依照输入的DM0S值对各层参数实施整体 优化。经由无监督训练与有监督优化能够获取各层的 权值与偏置,构建输出的抽象一级指标与DM0S值间的 回归模型，测试阶段依照回归模型预测获取学前教育质 量的客观评价结果。1.2.2质量评价过程在训练阶段利用深度学习网络对输入的学前教育 评价指标进行抽象描述，依照输入的学前教育评价指标 分别构建各指标的深度学习网络15，用DBNa,DBNA2和 DBNa,表示。在测试阶段，对任意一个待测试学前教育 机构，将其各指标特征定义为:fest = g r, cr , f est = test testtesttest

16、 testgA2 , CA2 和力3 = gA3 , CA3 。通过训练得到的DBNa, ,DBNA2和DBNa,，分别预测test testtest获取各指标的评价结果qA、,qa,和Qa,，联合二个指标评价 结果得到待测试学前教育机构学前教育质量评价结果Q : (yAT, q AT) =DBN a,( fest) (yr, q r) = dbn a, (fest) (yA?, q r) = dbn a, (fest) Q = W1 qt e,st + W 2 qt 乎 + W 3 q 式中：忧，谟和讶 分别表示经由深度学习网络学习的 各指标特征，三指标联合的权值.是三指标特征的函数， 定义

17、为：(5)test test test ，y2，m /I y 2y 脖,ylst, y 脖)式中II2和分别表示2-范数和内积符号；三指标权 值大小范围均为0,1。2仿真测试结果与分析为测试本文所研究基于深度学习网络的学前教育 质量评价方法在实际应用中的性能，选取我国某二线城 市内规模不等的146家学前教育机构为测试对象，利用 本文方法对测试对象的学前教育质量进行评价。以统 计学前教育质量评价方法的客观评价结果与主观评价 结果间的相关系数(线性相关系数与等级相关系数)，对 本文方法实施客观评价。用于判断主观评价结果与客 观评价结果两个质量评价结果间线性相关性的指标，即 为线性相关系数X,其计算

18、公式如下： 0-汹式中：g和分别表示主观评价结果与客观评价结果； N表示样本数;X,取值范围为01，其值越大说明本文方 法评价性能越好。等级相关系数C,用于判断一种质量如何能够被表 示为另一种质量的单调函数的指标，其计算公式为：C，i = 1 _ 6 / 2、J N (N2 _ 1)式中:d=* _ |,表示主观评价结果与客观评价结果间 的差异度；C,值取值范围为01，其值越大表示本文方 法评价结果越准确。2.1 评价指标体系的评估以文献5中CLASS视角下的评估方法和文献6的 基于用户满意度的评估方法为对比方法,测试构建的教 育质量评价指标体系的专家认同度(指标选取的全面性 与科学性)，以此

19、判断不同方法中评价指标体系构建的质量。如表1所示为不同评价方法的评价指标体系的 专家认同度对比结果。城区编号本文方法CLASS视角下 的评估方法基于用户满意度的评估方法一级指标97.5594.1696.84二级指标98.0194.0395.27三级指标96.9992.8795.63表1评价指标的专家认同度对比%由表1中不同方法评价指标体系的专家认同度对 比结果可以看出，本文方法所构建评价指标体系内各级 指标的专家认同度均显著高于两种对比方法，由此说明 本文方法所构建的学前教育质量评价指标体系更全面、 更科学。2.2 深度学习网络参数分析深度学习网络包含较多参数，因此有必要分析深度 学习网络内各

20、项参数对网络性能的影响。以下从输入 指标数量和隐含层数量两个参数出发，分析深度学习网 络参数对网络性能的影响。2.2.1输入指标数量对深度学习网络性能的影响不同输入指标数量条件下，本文所建深度学习网络 评价结果与主观评价结果的线性相关系数与等级相关 系数如图3所示。分析图3得到，输入不同数量的评价 指标对于本文方法深度学习网络性能的影响并不显著, 由此说明深度学习网络对输入指标数量并不敏感。图3输入指标数量对深度学习网络性能的影响2.2.2隐含层数量对深度学习网络性能的影响不同隐含层数量条件下，本文构建的深度学习网络 评价结果的线性相关系数与等级相关系数如图4a）所 示。在不同隐含层数量条件下

21、，本文所建的深度学习网 络训练时间如图4b）所示。分析图4a）得到，本文方法评价结果的线性相关系 数与等级相关系数整体上随着隐含层数量的提升而提 升。当隐含层数量由1个提升至3个时，本文方法评价 结果的线性相关系数与等级相关系数提升速度较快；当 隐含层数量由3个提升至5个时，本文方法评价结果的 线性相关系数与等级相关系数提升幅度较小。分析 图4b）得到，本文方法中深度学习网络训练时间随着隐 含层数量的提升而显著提升，且隐含层数量越大，训练 时间提升幅度也越大。综合图4a）与图4b）的评估结果 说明，隐含层数量为3时,本文方法的评估性能最佳。0.970.960.950.940.930.920.9112345隐含层数量/个a）线性相关系数与等级相关系数0.90图4隐含层数量对深度学习网络性能的影响2.3不同测试对象的评价结果在所选测试对象中任意选取12个，比较本文方法 与对比方法评价结果与主观评价结果之间的线性相关 系数与