基于AHP-Fuzzy算法和神经网络的教学质量评价方法与系统

摘要

本发明公开了基于AHP‑Fuzzy算法和神经网络的教学质量评价方法与系统，其中方法包括：采用层次分析法设置评价体系，基于所述评价体系的各指标重要性构造判断矩阵并建立评语集；基于所述判断矩阵计算各指标权重并检验数据一致性；利用YOLOV3进行学生出勤情况检测，利用深度残差网络ResNet‑50进行学习状态检测；基于学生评教数据和学习行为建立综合评价矩阵，通过模糊计算获取最终教师教学质量评分。通过结合AHP层次分析法与模糊综合评价算法代替均值法处理，增加了数据的信度；通过让领域内的专家对评价体系中的评价指标进行重要性选择与评分，来给整个评价体系指标进行权重分配，从而使得整个教学质量评价的分数计算更加严谨、全面，计算结果具有更强的可解释性。

说明书

技术领域

本发明教学质量评价技术领域，具体为基于AHP-Fuzzy算法和神经网络的教学质量评价方法与系统。

背景技术

教学质量评价是指对授课教师及其授课水平与质量从若干方面进行评分的过程，在高校中开展一个阶段的教学后，通常采用让学生进行评分的方式来获得教学质量评价的数据。

传统的教学质量评价考察，采用均值法的方式处理学生的评分数据，经过对该数据的处理与分析，高校不仅能够获得每位教师的教学质量情况，更能够综合得到高校整体的教学质量情况，并以此为重要依据，着重改善与提升教学过程中的相关问题；因此，教学质量评价对学校来说有着举足轻重的地位。它是发现教学问题的重要手段，也是调整教学方案与目标的重要依据。然而，在教学质量进行考察与评分的过程中，不同的评价指标对教学质量的影响程度应该有所不同。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：准确便捷地评价教师的教学质量，并且使评价结果具有更强的可解释性。。

为解决上述技术问题，本发明提供如下技术方案：基于AHP-Fuzzy算法和神经网络的教学质量评价方法，包括：采用层次分析法设置评价体系，基于所述评价体系的各指标重要性构造判断矩阵并建立评语集；

基于所述判断矩阵计算各指标权重并检验数据一致性；

利用YOLOV3进行学生出勤情况检测，利用深度残差网络ResNet-50进行学习状态检测；

基于学生评教数据和学习行为建立综合评价矩阵，通过模糊计算获取最终教师教学质量评分。

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述采用层次分析法设置评价体系，包括：

将教学质量定为目标，分出教学内容、教学态度、教学技能、教学效果、教学方法和学习行为六个准则层，再根据内容将评价指标匹配归纳到六个准则层的下属指标层中。

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述构造判断矩阵，包括：

对教学质量评价体系的各项指标的重要性逐层进行两两比较与评分，并将比较结果的重要度用9级标度法来表示；基于对教学质量评价体系中各评价指标的重要性评价结果，对指标的评分数据进行处理并将各层指标进行分类组合构造n阶判断矩阵A：A＝(a

其中，a

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述计算各指标权重，包括：

计算A判断矩阵各行元素的乘积M

其中，n为矩阵阶数；

计算各行M

其中，n为矩阵的阶数；

对向量

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述检验数据一致性，包括：

判断矩阵A的各元素之间满足关系式：a

对数据一致性进行判断的具体过程为：

求出判断矩阵的最大特征根λ

其中，(AW)

计算一致性指标CI:

其中，n为判断矩阵的阶数；

计算一致性比率CR，表示为：

其中，RI为同阶矩阵平均一致性指标；

根据CR的值进行判断，如果CR＜0.1，则判断矩阵的一致性可接受，所求得的{W

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述利用深度残差网络ResNet-50进行学习状态检测，包括：

将学习状态分为：认真听讲、右手使用手机打字、使用右手打电话、左手使用手机打字、使用左手打电话、玩弄文具、喝水或进食、转身拿后排东西、整理头发和化妆、与其他学生谈话共10种，并将其标记为C1-C10。

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述建立综合评价矩阵，包括：

将所有学生对单科教师的评价数据按照评价指标和评语集分类计算，计算教师在各项指标中所获得学生各级评语的占比，比例值即为该指标与该评语之间的学生评教隶属度；

学生出勤情况隶属度计算方法为：出勤人数/总人数；

学习状态隶属度计算方法为：在10种学习行为状态中，除了认真听讲C1以外，其他状态均视为分心状态，计算方式为：C1所占时间/整体时长。

学生评教隶属度和学习行为隶属度共同构成所有评价指标的隶属度，进而建立综合评价矩阵R，表示为：R＝(r

其中，r

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述模糊计算，包括：

根据各指标权重向量W和综合评价矩阵R，计算评价对象的模糊综合评价集B表示为：

其中，W为各指标权重向量，R

作为本发明所述的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的一种优选方案，其中：所述获取最终教师教学质量得分，包括：

评语分值集为C＝(C

其中，B为模糊综合评价集，C为评语分值集。

本发明解决的另一个技术问题是：提出一种用于教学质量评价的系统，上述方法能够依托于本系统实现。

为解决上述技术问题，本发明提供如下技术方案：一种用于教学质量评价的系统，其特征在于，包括：

权限分离模块，用于基于用户的认证身份进行用户权限的自动区分；

算法中心模块，用于调用被包装为类的算法对数据信息进行处理；

体系管理模块，用于更新评价体系指标并与所述问卷中心模块连接以生成该体系指标的权重调查问卷；

问卷中心模块，用于从所述体系管理模块调取相应数据来生成权重问卷；记载问卷相关信息并向所述算法中心模块调用算法进行一致性判断；

评教模块，用于进行评教问卷填写以及查看评教结果；

数据可视化与分析功能模块，用于对数据进行可视化分析并将分析结果以不同的图表形式呈现；

视频管理模块，用于上传、管理教学视频。

本发明的有益效果：通过结合AHP层次分析法与模糊综合评价算法，替换原有传统教学质量评价系统中的均值法处理，增加了数据的信度；增加专家问卷环节，通过让领域内的专家对评价体系中的评价指标进行重要性选择与评分，来给整个评价体系指标进行权重分配，从而使得整个教学质量评价的分数计算更加严谨、全面，计算结果具有更强的可解释性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价方法的整体流程图；

图2为本发明一个实施例提供的YOLOV3模型结构图；

图3为本发明一个实施例提供的YOLOV3模型所使用的darknet-53结构图；

图4为本发明一个实施例提供的10种学习行为状态分类图；

图5为本发明一个实施例提供的深度残差网络ResNet-50模型结构图；

图6为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统的使用流程图；

图7为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统页面结构图；

图8为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统登录界面；

图9为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统注册界面；

图10为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统教师模式界面；

图11为本发明一个实施例提供的用于教学质量评价的评教体系；

图12为本发明一个实施例提供的基于AHP-Fuzzy算法和神经网络的教学质量评价系统的可视化结果图；

图13为本发明一个实施例提供的权限分离模块的权限结构；

图14为本发明一个实施例提供的不同用户模式下数据可视化功能模块导图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～5，为本发明的一个实施例，提供了基于AHP-Fuzzy算法和神经网络的教学质量评价方法，包括：

S1：采用层次分析法设置评价体系，基于所述评价体系的各指标重要性构造判断矩阵并建立评语集。

应说明的是，再进行教学质量评价体系研究时发现：参考的评价指标较多，且内容较细，不利于评价指标的权重分配，因此，需要设置合理的教学质量评价体系。

进一步的，采用AHP层次分析法的方式设置教学质量评价体系，具体为：将“教学质量”定为目标，分出教学内容、教学态度、教学技能、教学效果、教学方法和学习行为六个准则层，再根据内容将评价指标匹配归纳到七个准则层的下属指标层中，形成如表1所示的教学质量评价体系。

表1教学质量评价体系

更进一步的，邀请专家填写评价指标重要性调查问卷，对评价体系中的各项评价指标的重要性逐层进行两两比较与评分，最终比较结果利用如表2所示的9级标度法进行表示。

表2 9级标度法

应说明的是，通过邀请领域内的专家对评价指标进行重要性的选择与评分进而给整个评价体系指标进行权重的分配，能够使得整个教学质量评价更为严谨、客观，增强了综合评价结果的可信度。

更进一步的，基于专家的选择与评分结果构造n阶判断矩阵A：

A＝(a

其中，a

其中，准则层与下属指标层构造依据如表3所示。

表3判断矩阵

更进一步的，将各评价指标的评语划分为“优秀”、“良好”、“中等”、“合格”、“不合格”五个等级；其对应的分值分别设定为95，85，75，60，55；因此评语集V＝(“优秀”、“良好”、“中等”、“合格”、“不合格”)，其对应的评语分值集C＝(95，85，75，60，55)。

应说明的是，建立评语集是为了能够更加直观的表现出综合评价的结果，通过建立评语集并给予各评语相应的分值能够模糊计算出教学质量的综合得分，以分值的形式来表现教学质量评价结果更易理解。

S2：基于所述判断矩阵计算各指标权重并检验数据一致性。

进一步的，计算各评价指标相对于上一层次的权重，具体步骤为：

计算A判断矩阵各行元素的乘积M

其中，n为矩阵阶数；

计算各行M

其中，n为矩阵的阶数；

对向量

更进一步的，检验判断矩阵A是否满足关系式：a

更进一步的，对判断矩阵A数据进行一致性判断的具体步骤为：

求出判断矩阵的最大特征根λ

其中，(AW)

计算一致性指标CI:

其中，n为判断矩阵的阶数；

得到一致性指标CI后，需要参照RI值表(如表4所示)来得到与矩阵阶数n相对应的RI值，并计算一致性比率CR，计算公式表示为：

其中，RI为同阶矩阵平均一致性指标；

表4RI取值

根据CR的值进行判断，如果CR＜0.1，则判断矩阵的一致性可接受，所求得的{W

应说明的是，运用AHP法计算出来的指标权重与每位评委的经验、专业程度等主观因素密切相关，要求评委们在做判断时所依据的标准是客观正确的，判断的结果应具有一致性，所以对调查数据进行科学验证十分有必要。

S3：利用YOLOV3进行学生出勤情况检测，利用深度残差网络ResNet-50进行学习状态检测。

更进一步的，准备数据集，将数据集随机划分为70％训练集，20％验证集和10％测试集。

在一个可选的实施例中，用xmin、ymin、xmax、ymax坐标标记每个可见的头像，并确保注释覆盖整个头像，包括其中被遮挡的部分，整个数据集由训练和测试两个部分组成，数据集遵循Pascal VOC的标准，数据集图片格式采用VOC数据格式；将数据集随机划分为70％训练集，20％验证集和10％测试集，数据划分后分别存储类别信息，训练样本列表，验证样本列表，测试样本列表。

更进一步的，设置如图2所示的YOLOV3模型的模型参数，并进行模型训练。

应说明的是，YOLOV3是由Joseph Redmon和Ali Farhadi提出的单阶段检测器,该检测器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍。

在一个可选的实施例中，如图2～3所示，CBL是卷积+BN+Leaky relu的组合；Resn中n代表数字，有res1，res2,…,resn，表示这个res_block里含有多少个res_unit；concat为张量拼接，将darknet中间层和后面的某一层的上采样进行拼接；Backbone为darknet-53，YOLOV3使用了darknet-53的前面的52层(没有全连接层)，YOLOV3这个网络是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度负面效果，摒弃了POOLing，用conv的stride来实现降采样，在这个网络结构中，使用的是步长为2的卷积来进行降采样；YOLOV3中采用类似FPN的upsample和融合做法(最后融合了3个scale，其他两个scale的大小分别是26×26和52×52)，在多个scale的feature map上做检测。

应说明的是，拼接的操作和残差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。

还应说明的是，YOLOV3中采用类似FPN的upsample和融合做法为了加强算法对小目标检测的精确度，进而优化算法的检测精度。

更进一步的，导出训练过程中的最优模型参数，并将结果保存在指定为文件夹中。

更进一步的，利用训练所得的最优YOLOV3模型进行学生出勤情况检测。

应说明的是，利用YOLOV3目标检测技术，提出一种自动化检测方案，可以有效检测学生出勤情况，准确、高效、自动化、无干扰地获得学生出勤情况，帮助教师及时掌握学生出勤情况，对规范学生行为有重要意义。

更进一步的，利用深度残差网络ResNet-50进行学习状态检测。

应说明的是，学习状态检测是分类问题，因此选择深度残差网络ResNet-50。

在一个可选的实施例中，利用深度残差网络ResNet-50进行学习状态检测具体包括如下四个步骤：

步骤1：将摄像头采集到的教学图像数据分成训练集、测试集和标签信息三个文件，其中训练集文件夹下含有10个子文件夹，包含训练对应的10种学生上课学习状态的图片，测试集文件夹包含测试所用的图片，标签信息文件中包括的信息有：拍摄的学生编号、学习行为状态对应的标签、对应的图片数据名等；10种学习行为状态包括：认真听讲、右手使用手机打字、使用右手打电话、左手使用手机打字、使用左手打电话、玩弄文具、喝水或进食、转身拿后排东西、整理头发和化妆、与其他学生谈话，并将其标记为C1-C9，如图4所示；对教学图像数据进行分析。

步骤2：生成训练集和验证集标签文件；将测试集图片信息写入预测列表文件中，并生成储存标签信息的文件，生成待预测数据；读取标签信息中的全部标签种类。

应说明的是，由于提供的数据集中只有训练集和测试集没有验证集，因此需要人为的在训练集中划分一部分数据作为验证集，并生成储存图片位置与类别的文件。

步骤3：模型配置；具体模型如图5所示，ResNet-50分为5个stage(阶段)，其中Stage 0为对INPUT的预处理，后4个Stage都由Bottleneck组成，结构较为相似；Stage 1包含3个Bottleneck，剩下的3个stage分别包括4、6、3个Bottleneck。

需要知道的是，Stage 0：(3,224,224)指输入INPUT的通道数(channel)、高(height)和宽(width)，即(C,H,W)。现假设输入的高度和宽度相等，所以用(C,W,W)表示。

该stage中第1层包括3个先后操作：

(1)CONV：CONV是卷积(Convolution)的缩写，7×7指卷积核大小，64指卷积核的数量(即该卷积层输出的通道数)，/2指卷积核的步长为2；

(2)BN：BN是Batch Normalization的缩写，即常说的BN层；

(3)RELU：RELU指ReLU激活函数；

该stage中第2层为MAXPOOL，即最大池化层，其kernel大小为3×3、步长为2；(64,56,56)是该stage输出的通道数(channel)、高(height)和宽(width)，其中64等于该stage第1层卷积层中卷积核的数量，56等于224/2/2(步长为2会使输入尺寸减半)。

总体来讲，在Stage 0中，形状为(3,224,224)的输入先后经过卷积层、BN层、ReLU激活函数、MaxPooling层得到了形状为(64,56,56)的输出。

Stage 1：Stage 1的输入的形状为(64,56,56)，输出的形状为(64,56,56)；图中将Stage 1中的BottleNeck缩写为“BTNK”。

Bottleneck具体结构：在图5最右侧，有2种Bottleneck的结构，分别对应了2种情况：输入与输出通道数相同(BTNK2)、输入与输出通道数不同(BTNK1)，BTNK2有2个可变的参数C和W，即输入的形状(C,W,W)中的c和W，令形状为(C,W,W)的输入为x，令BTNK2左侧的3个卷积块(以及相关BN和RELU)为函数F(x)，两者相加(F(x)+x)后再经过1个ReLU激活函数，就得到了BTNK2的输出，该输出的形状仍为(C,W,W)，即上文所说的BTNK2对应输入x与输出F(x)通道数相同的情况，BTNK1有4个可变的参数C、W、C1和S；与BTNK2相比，BTNK1多了1个右侧的卷积层，令其为函数G(x)，BTNK1对应了输入x与输出F(x)通道数不同的情况，也正是这个添加的卷积层将x变为G(x)，起到匹配输入与输出维度差异的作用(G(x)和F(x)通道数相同)，进而可以进行求和F(x)+G(x)。

后面3个Stage与Stage 1类似，4个stage中BTNK2参数规律相同。

4个stage中BTNK2的参数全都是1个模式和规律，只是输入的形状(C,W,W)不同；Stage 1中BTNK1参数的规律与后3个stage不同；具体来讲，后3个stage中BTNK1的参数模式一致，Stage 1中BTNK1的模式与后3个stage的不一样，这表现在以下2个方面：

(1)参数S：BTNK1左右两个1×1卷积层是否下采样。Stage 1中的BTNK1：步长S为1，没有进行下采样，输入尺寸和输出尺寸相等。后3个stage的BTNK1：步长S为2，进行了下采样，输入尺寸是输出尺寸的2倍。

(2)参数C和C1：BTNK1左侧第一个1×1卷积层是否减少通道数。Stage 1中的BTNK1：输入通道数C和左侧1×1卷积层通道数C1相等(C＝C1＝64)，即左侧1×1卷积层没有减少通道数。后3个stage的BTNK1：输入通道数C和左侧1×1卷积层通道数C1不相等(C＝2*C1)，左侧1×1卷积层有减少通道数。

步骤4：先进行优化策略配置，使用Adam优化器，学习率设为固定学习率：0.001；最后配置训练过程参数：train_dataset、epochs、batch_size、num_workers、eval_dataset、log_interval、save_interval等，开始训练模型。

步骤5：训练完成后所有参数数据都会保存在设置的checkpoint_dir文件夹下，直接调用model.predict读取想要读取的模型参数来进行预测并进行后续操作。

应说明的是，教学质量的好坏与课堂上学生的学习状态息息相关，课堂上教师的注意力往往集中在教学内容的讲授和整体教学进度、氛围的把控，很难关注到每一位同学的学习状态；深度残差网络ResNet-50通过引入恒等映射解决梯度消失，深层网络难训练的问题；将其用于学习行为状态分析，准确率、效率都很高；使用该技术可以详细分析每一位同学的学习状态，使老师和学校及家长及时进行学生的指导教育。

S4：基于学生评教数据和学习行为建立综合评价矩阵，通过模糊计算获取最终教师教学质量评分。

进一步的，确定评价因素集合U，该集合可以是多层结构；

因素集U＝{U

更进一步的，确定评价因素的评语集合V；

评语集V＝{V

更近一步的，将所有学生对单科教师的评价数据按照评价指标和评语集分类计算，计算教师在各项指标中所获得学生各级评语的占比，比例值即为该指标与该评语之间的学生评教隶属度。

更进一步的，学生出勤情况隶属度计算方法：出勤人数/总人数；学习状态隶属度计算方法：在10种学习行为状态中，除了认真听讲C1以外，其他状态均视为分心状态，计算方式为：C1所占时间/整体时长。

更进一步的，学生评教隶属度和学习行为隶属度共同构成所有评价指标的隶属度，进而建立综合评价矩阵R，表示为：R＝(r

其中，r

更进一步的，根据各指标权重向量W和综合评价矩阵R，计算评价对象的模糊综合评价集B表示为：

其中，W为各指标权重向量，R

更进一步的，评语分值集C＝(C

其中，B为模糊综合评价集，C为评语分值集。

实施例2

参照图6～14，为本发明的一个实施例，提供了一种基于AHP-Fuzzy算法和神经网络的教学质量评价系统。

在系统中，首先由管理员创建评教体系，创建完成后系统会根据评教体系自动生成评价指标权重问卷，同时伴有一组随机邀请码；当专家使用该系统时，只需将从管理员处获得的随机邀请码输入系统，便可开始填写评价指标权重问卷；专家的填写结果会经过AHP层次分析法的计算判断，当计算得出该答卷内容不一致时，系统会提示用户返回修改不一致处，或者用户可选择由系统自动修改；一致性通过则得到该专家判定的体系中各指标权重；通过多位专家对体系指标进行比较打分，求得该套评价体系中各项指标的权重。

学生可进入系统对自己在当前学期所修科目进行评教打分，同时管理员需要上传课堂教学视频以供系统对学生的学习行为进行分析；学生评教数据和学习行为分析数据，结合体系的最终权重进行模糊综合算法计算，最终得到对教师教学的综合评分。

另外，当学生的评教活动结束后，教师可登录系统，查看自己所教科目的评教得分；也可以查看教学行为分析数据。

本系统的设计共分为七个模块，分别是权限分离模块、算法中心模块、体系管理模块、问卷中心模块、评教模块、数据可视化与分析功能模块和视频管理模块。

⑴权限分离模块：

系统分为四种模式，管理员模式、专家模式、教师模式与学生模式；系统会根据用户的权限自动区分。

在系统中，该功能主要由用户中心模块来完成，权限区分也是用户中心模块的主要任务；在系统中，权限区分的逻辑编写于控制层；在数据库中的用户表，含有权限字段，不同的权限字段会匹配不同的页面，匹配机制以字典的形式存储在控制层中；当控制层读取到当前登录用户的权限时，会去查询系统内置的权限字典不同的模式进入后会展示“使用指南”。

⑵算法中心模块：

算法中心模块的功能是当接收到用户请求时，调用被包装为类的算法，并将经过指定条件筛选后的数据作为传参发送给算法类中，让算法类进行计算，最终返回计算结果；一边将计算结果通过模型层发送至底层数据库进行数据存储，一边由视图层将计算结果显示反馈给用户。

①AHP算法

实现步骤：

Step1.接收专家填写的答卷数据；

Step2.调用AHP算法包，并将答卷数据作为参数传递至函数中；

Step3.计算得出的权重W与一致性指标CI；

Step4.进行一致性判断，计算一致性比率CR；

Step5.若最终得到的一致性比率<0.1，则认为一致性通过，将计算出的权重W发送至数据库进行存储；一致性比率≧0.1，则认为一致性不通过，不存储并清空当前计算结果，返回一个Flag，提示用户返回修改。

②学习行为分析算法

实现步骤：

Step1.获取教学图像；

Step2.调用学习行为分析算法包，并将教学图像数据集作为对象传递至函数中；

Step3.获取学生出勤情况和学习状态情况，并将其存储于数据库中。

③Fuzzy算法

实现步骤：

Step1.接收学生填写的评教数据和学习行为评价数据，经过计算得到评价矩阵；

Step2.读取系统中所存储的一致性通过的权重W；

Step3.调用Fuzzy算法，将上一步得到的权重W与评价矩阵作为参数传递至函数中；

Step4.得到计算结果，将结果存储至数据库中。

⑶体系管理模块：

体系管理模块作为系统中的核心模块，仅面向管理员开放；不仅需要满足基本的体系指标的增删改查，为了提升系统的操作友好性，该模块还需要联动问卷中心模块，这样便能够完成在创建新体系指标的同时，也生成了该套体系指标的权重调查问卷。

故而，该模块不仅要完成独立功能的实现，还需要完成与问卷中心模块连接。

⑷问卷中心模块

问卷中心模块负责与体系管理模块通信，从体系管理模块调取相应数据来生成权重问卷；记载由不同体系生成的问卷、问卷所属学院与邀请码等信息；自动创建问卷填写页面，允许使用者对问卷进行答卷信息的查询与修改的功能；记录专家的答卷信息，并向算法中心模块调用算法进行一致性判断。

⑸评教模块：

评教模块涉及学生、教师与管理员，因此系统在调用模块前需要先调用权限分离模块进行权限验证，并根据当前用户返回对应视图。

对于学生用户，评教模块只需要提供评教填写即可，系统会根据当前日期匹配学期，在数据库中查询选课并返回至视图。

当学生填写完一门科目的评教并提交时，系统会将评教数据存储至数据库并更新学生选课的评教状态，以区分未评教科目与已评教科目。

实现步骤：

Step1.学生用户访问评教模块，系统查询当前学生选课与评教情况，并返回查询集；

Step2.学生点击某一门科目进行评教，填写并提交；

Step3.系统更新学生评教数据，并刷新视图页面，更新当前学生选课与评教情况；

Step4.学生继续选择科目进行评教，重复2、3步，直至全部科目评教完毕。

对于教师与管理员用户，评教模块需要查询当前用户权限范围内可查看的科目评教情况，系统同时会调用数据可视化与分析功能，根据当前用户模式匹配相应的可视化模型，结合页面数据呈现结果。

实现步骤：

Step1.教师/管理员用户访问评教模块，系统查询当前用户权限范围；

Step2.系统根据权限范围读取数据库进行查询，并返回查询集。

⑹数据可视化与分析功能模块：

数据可视化与分析功能通过针对不同的用户需求，以不同的方式处理查询数据并将其以不同的图表形式呈现出来，以此来满足用户更个性化的分析需求，其中图表以Pyecharts库来完成。

由于图片的加载速度会比数据慢，因此页面需要较长时间才能加载完毕，会影响响应速度；故而在前端中通过嵌套页面，以iframe的结构来实现。

这样设置的好处是能够根据页面数据的更新而实现快速更新。加入时间轴的可视化图表允许用户在线交互，因此系统实现数据可视化与分析功能模块时，要关注当前页面所呈现的实际数据；该功能在调用时，不与数据库连接，只读取当前页面所返回数据。

实现步骤：

Step1.系统匹配当前用户模式，调用数据可视化功能，查找对应可视化模型；

Step2.系统接收当前页面数据，作为参数传递至可视化模型中，并将结果返回视图。

⑺视频管理模块

视频管理模块仅面向管理员开放，可供管理员上传教师的教学视频，也可查看已上传的教学视频，或删除已上传的教学视频；管理员上传的教学视频会通过学习行为分析算法进行出勤分析和学习状态分析，而后得到学习行为评价数据，作为教师教学综合评分的部分依据。

实施例3

参照图1，为本发明的一个实施例，提供了基于AHP-Fuzzy算法和神经网络的教学质量评价方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

⑴本发明所述算法与传统算法信度比较

科学的评价算法计算出来的结果应该是可靠的，信度检验可以检查算法的可靠性，本文采用目前应用广泛、可操作性较强的克朗巴哈系数(Cronbach's alpha)法对本方法(AHP模糊综合评价算法)与传统方法(平均值综合评价算法)的信度进行计算，其数学模型为：

其中，K为评价指标的个数，S

通常系数α的值在0和1之间，如果系数不超过0.6，一般认为算法信度不足；系数达到0.7-0.8时表示具有相当的信度，达0.8-0.9时说明算法信度非常好。

将两种算法计算所得的综合评分和各评价指标得分代入公式(1)，可得平均值综合评价算法的信度系数α为0.796，本方法的信度系数α为0.902，本方法的评价结果更可靠。

⑵本发明所述算法与传统算法的统计检验比较

本实施例使用SPSS软件对两种算法计算出来的教学质量综合评分进行统计检验，其中统计样本描述如表5所示，检验结果如表6～7所示。

表5描述统计

表6曼-惠特尼检验(秩)

表7曼-惠特尼检验(检验统计

a.分组变量：算法

表5～表7表示了对2652条评教数据的综合评分进行曼-惠特尼检验的结果；其中，表7中“渐进显著性(双尾)”为0.015<0.05，故拒绝原假设，认为两种算法计算出来的综合评分有统计学差异。

由表5可知，本发明所述算法计算出来的综合评分的平均值和标准差相对大一些，表示使用其计算的综合评分的区分度相对高一些。

综上所述，两算法的主要区别有：

①本发明所述算法是建立在模糊数学基础上的一种模糊线性变换，是由权向量和评价矩阵经多层的模糊运算而得出最终的评价结果，算法严谨，有一定的理论基础；

②平均值综合评价算法的评价指标的权重相同，不能区别各评价指标的重要性，与实际情况可能会有偏差，影响评价结果，而本发明所述算法的评价指标的权重使用AHP法获得，先由专家填写问卷，再经过系列运算与检验后得到结果，既能体现研究对象的客观特征，又能体现人的主观认识，更加科学；

③本发明所述算法在进行指标权重计算时，一旦发现其结果不满足一致性，即对数据进行调整，避免导致其他错误，自适应性好；

④本发明所述算法的信度系数比平均值综合评价算法的信度系数高，AHP模糊综合评价算法的评价结果更可靠；

⑤SPSS统计检验的结果显示，相对于平均值综合评价算法，本发明所述算法更能区分教师的教学质量优劣。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。